针对低照度图像亮度低、对比度低、颜色失真以及现有增强算法大多没有区别处理不同的通道,不利于提取多层次特征的问题,提出多通道融合注意力网络的低照度图像增强算法。首先,通过将八度卷积(Octave Convolution, OctConv)引入通道拆分后的残差结构中提出多层级特征提取模块;其次,利用注意力机制与交叉残差结构提出跨尺度特征注意模块;再次,通过大小与通道数不同的模块堆叠的方式获取多层次信息;最后,在通道维度上进行特征融合,并通过重建模块获得输出。实验结果表明,与RISSNet算法相比,在真实图像上的峰值信噪比与结构相似度分别由27.001 6 dB和0.889 2提升到27.978 1 dB和0.925 5。所提算法在峰值信噪比、结构相似度、均方误差、视觉信息保真度4种客观评价指标上均获得了最好的结果。该算法能够有效地提高低照度图像的亮度及对比度,且图像纹理细节及色彩保持较好。
图像增强 低照度 注意力机制 多通道 八度卷积 image enhancement low light attention mechanism multi-channel OctConv 光学 精密工程
2023, 31(14): 2111
为了解决水下退化图像出现的色彩偏差等问题,提出一种基于稠密级联卷积神经网络的水下图像增强算法。首先将退化的水下图像从传统的红、绿、蓝(RGB)颜色空间转换到色调、饱和度、亮度(HSV)颜色空间,保持色调分量和亮度分量不变,利用级联卷积神经网络对饱和度分量增强。然后在特征提取网络编解码过程中引入了新的稠密块。稠密块将残差连接、跳跃连接和多尺度卷积结合起来,纠正颜色失真。纹理细化网络是利用了6个纹理细化单元对所得到的细化图像进一步提取特征信息。最后将通过级联卷积神经网络进行提取的S通道图与H、V通道图进行合并,得到增强的水下图像。实验结果表明,提出算法增强的水下图像的水下彩色图像质量评价平均可达到0.616875,水下图像质量测量平均可达到5.197000。对比算法表明,提出的水下图像增强算法不仅增强效果良好,且增强的结果更符合人类视觉习惯。
机器视觉 水下图像 卷积神经网络 编码解码框架 计算机视觉 稠密块 激光与光电子学进展
2022, 59(22): 2215004
西安建筑科技大学 理学院, 陕西 西安 710055
针对微光图像存在亮度低、细节丢失严重以及现有算法增强后的微光图像存在曝光过度、颜色失真等问题, 提出双分支金字塔网络的微光图像增强算法。首先, 将微光图像从RGB颜色空间转换到HSV颜色空间。其次, 对V分量采用双分支金字塔网络的微光图像增强算法, 自适应获取图像特征。网络结构由并行双分支构成, 含层级残差模块的分支有效增强V分量亮度, 含特征金字塔注意力模块的分支获取深层特征信息。最后, 对双分支结构提取的信息进行融合, 并将增强后的图像从HSV颜色空间转换回RGB颜色空间。所提算法在真实图像上的峰值信噪比及结构相似度的均值分别达到29.451 dB和0.930 1, 均高于其他对比算法。实验结果表明, 所提算法对V分量进行增强提高了图像亮度, 有效地恢复了图像细节。
微光图像增强 层级残差 特征金字塔注意力 卷积神经网络 HSV颜色空间 low light level image enhancement hierarchical residual characteristic pyramid attention convolutional neural network hsv color space
西安建筑科技大学 理学院, 陕西 西安 710055
针对现有图像去模糊卷积神经网络在图像复原过程中易出现纹理细节丢失、不加区分地对待所有通道和空间特征信息以及去模糊效果不佳等问题, 本文提出了一种基于双任务卷积神经网络的图像去模糊方法。将图像去模糊任务分为去模糊子任务和高频细节恢复子任务来进行。其一, 提出一种基于残差注意力模块和八度卷积残差块的编解码子网络模型, 将此网络模型用于图像去模糊子任务; 其二, 提出一种基于双残差连接的高频细节恢复子网络模型, 将此网络模型用于高频细节恢复子任务。将两个子网络采用并联方式组合起来, 并使用平均绝对误差损失与结构损失来共同约束训练方向, 实现图像去模糊。实验结果表明, 本文方法具有较强的图像复原能力和较丰富的细节纹理, 峰值信噪比(PSNR)为32.427 6 dB, 结构相似度为0.947 0。与目前先进的去模糊算法相比能够有效提升图像去模糊效果。
卷积神经网络 图像去模糊 八度卷积 注意力机制 双残差 convolution neural network image deblurring octave convolution attention mechanism double residuals
西安建筑科技大学 理学院, 陕西 西安710055
本文通过改进的残差网络, 学习有雨图像和无雨图像之间的映射关系来实现图像去雨, 提出了一种基于联结残差网络的单幅图像去雨算法。首先, 利用改进的残差块简化网络模块, 减少网络参数, 提升网络训练速度; 其次, 设计的联结结构不仅实现了多特征提取, 有效减少了参数, 而且增加了特征图的输出, 有利于保留更多的图像细节信息; 最后, 利用单尺度卷积实现图像细节重建, 提高去雨图像的视觉效果。实验结果表明: 本文算法在合成雨天图像数据集上, 其结构相似度和峰值信噪比的平均值分别高于0.95和33 dB, 而真实雨天图像数据集的盲图像质量评价值较低。本文算法不仅能有效去除图像中的雨, 雨纹残留较少, 而且能更多地保留图像的纹理和边缘细节, 视觉效果清晰自然。
单幅图像去雨 卷积神经网络 残差学习 联结结构 多特征提取 盲图像质量评价 single image deraining convolutional neural network residual learning concatenation structure multi-feature extraction blind image quality evaluation
西安建筑科技大学理学院, 陕西 西安 710055
为了解决低照度图像亮度低、对比度低、信息丢失严重、颜色失真等问题,提出一种基于并联残差网络的低照度图像增强算法。该网络模型的主要思想是将交替残差模块与局部全局残差模块进行并联,运用改进的损失函数计算测试集损失,不断地调整网络参数,最终得到具有较强增强能力的网络模型。实验结果表明,本文网络模型能够有效提高图像亮度、对比度,减少边缘细节丢失。基于合成图像数据集与真实图像数据集进行实验,本文网络模型均取得良好的增强效果,在主观视觉上表现得更加自然,其客观评价指标优于其他对比算法。
图像处理 低照度图像增强 残差网络 区域损失 卷积神经网络 特征提取 激光与光电子学进展
2021, 58(14): 1410015
西安建筑科技大学 理学院, 陕西 西安710055
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。
低照度图像增强 双残差网络 特征提取 Retinex理论 low-light image enhancement dual-residual network feature extraction Retinex theoretical model