福州大学物理与信息工程学院，福建 福州 350108
针对低照度图像存在识别度不高、亮度低、信噪比低和细节模糊等问题，提出了一种非下采样剪切波变换（NSST）域结合生成对抗网络（GAN）的低照度图像增强方法。首先，收集弱光图像和正常光图像数据集，将图像进行RGB颜色空间到HSV颜色空间的变换处理，保持色度、饱和度分量不变，对亮度分量进行NSST多尺度分解，利用分解得到的低通子带图像构建训练集；其次，构建基于GAN的低频子带图像增强模型，并利用低频子带图像训练集对模型进行训练；然后，对待处理的低照度图像进行NSST分解，利用训练的模型增强低频子带图像，利用尺度相关系数去除各高频方向子带噪声，并通过非线性增益函数增强边缘系数；最后，将增强处理后的低频、高频子带图像进行NSST重构，并将重构图像恢复至RGB颜色空间。所提方法与常见的方法相比，就低照度图像增强而言，结构相似度平均提升了3.89%，均方误差平均降低了1.03%，且在对噪声图像增强时，峰值信噪比和连续边缘像素比保持在21 dB和88%以上。实验结果表明，所提方法不论从视觉效果还是图像质量客观评价指标上较常见方法都有较大提升，能有效改善低照度图像的低质问题，为后续的图像处理分析奠定基础。
低照度图像增强 非下采样剪切波变换 生成对抗网络 图像去噪 图像边缘增强 激光与光电子学进展
2023, 60(24): 2410007
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
为了提高低照度图像的清晰度和避免颜色失真,提出了基于注意力机制和卷积神经网络(CNN)的低照度图像增强算法,以改善图像质量。首先根据Retinex模型合成训练数据,将原始图像从RGB (red-green-blue)颜色空间变换到HSI (hue-saturation-intensity)颜色空间,然后结合注意力机制和CNN构建A-Unet模型以增强亮度分量,最后将图像从HSI颜色空间变换到RGB颜色空间,得到增强图像。实验结果表明,所提算法可以有效改善图像质量,提高图像的清晰度,避免颜色失真,在合成低照度图像和真实低照度图像的实验中均能取得较好的效果,主观和客观评价指标均优于对比算法。
图像处理 卷积神经网路 低照度图像增强 注意力机制 HSI颜色空间 Retinex模型 激光与光电子学进展
2020, 57(20): 201022
低照度图像增强的主要目的是提升图像的整体光照度,进而呈现更多有用的信息。针对低照度图像的整体照度低、对比度弱和噪声较高的问题,提出基于注意力机制和Retinex算法的低照度图像增强方法。该方法首先将低照度图像分解为不变性反射图和缓变平滑性光照图;再通过注意力机制提取图像的空间和局部物体信息,从而能够保证增强过程中利用空间和局部物体信息进行约束;同时增加色彩损失函数改善图像饱和度,用以补偿和校准增强过程中的对比度细节;改进低照度图像和合成方法,加入真实噪声有效扩充训练数据集。最终在LOL和SID数据集上实验表明,所提方法的主观感受和客观评价指标均有所提升。
图像处理 图像增强 低照度图像增强 Retinex算法 注意力机制 激光与光电子学进展
2020, 57(20): 201004
西安建筑科技大学理学院, 陕西 西安 710055
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。
图像处理 低照度图像增强 生成对抗网络 级联残差网络 PatchGAN 多尺度映射 激光与光电子学进展
2020, 57(14): 141024
针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。
图像处理 卷积神经网络 特征融合 低照度图像增强 注意力机制 激光与光电子学进展
2020, 57(14): 141021
