为解决当前低照度图像增强问题, 提出了一种基于双残差卷积网络的图像增强算法。首先, 根据Retinex理论模型, 将正常照度图像合成低照度图像, 再分别将它们分解在R(红)、G(绿)、B(蓝)3个分量上, 然后通过特征提取模块和双残差模块学习低照度图像与正常照度图像在各分量的映射关系, 获得各分量上的增强图像, 最后合成增强的RGB图像。采用双边滤波优化增强的RGB图像, 使得所获得的图像更加接近参考图像。实验表明, 本文所提算法, 对于处理合成的低照度图像, 峰值信噪比最高可达25.931 1 dB, 结构相似度最高可达0.945 2; 对于处理真实的低照度图像, 盲图像质量评估指标高于其他算法, 且运行速度更快。

针对现存的低照度图像视觉效果差和图像质量低的问题,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,该算法将构建的级联残差卷积神经网络作为生成器网络和改进的PatchGAN作为判别器网络。首先根据Retinex理论,通过正常照度图像合成训练样本,再将低照度图像从RGB空间转换到HSV颜色空间,保持色调分量和饱和度分量不变,利用级联残差生成器网络对亮度分量增强。通过判别器网络监督生成器网络不断增强低照度图像,二者相互博弈,最终使生成器网络具备较好的低照度图像增强的能力。实验结果表明,本文增强算法在合成的低照度图像和自然的低照度图像上,获得了更为良好的视觉效果和对比度,特别在合成的低照度图像上,其峰值信噪比和结构相似度明显优于其他对比算法。