基于 Retinex 理论的低光图像增强算法 |
| |
引用本文: | 史宇飞,赵佰亭.基于 Retinex 理论的低光图像增强算法[J].重庆工商大学学报(自然科学版),2023,40(6):61-67. |
| |
作者姓名: | 史宇飞 赵佰亭 |
| |
作者单位: | 安徽理工大学 电气与信息工程学院,安徽 淮南 232001 |
| |
摘 要: | 为了解决低光照图像存在的对比度低、噪声大等问题,提出一种基于 Retinex 理论的卷积神经网络增强模型
(Retinex-RANet)。 它包括分解网络、降噪网络和亮度调整网络 3 部分:在分解网络中融入残差模块(RB)和跳跃连
接,通过跳跃连接将第一个卷积层提取的特征与每一个 RB 提取的特征融合,以确保图像特征的完整提取,从而得
到更准确的反射分量和光照分量;降噪网络以 U-Net 网络为基础,同时加入了空洞卷积和注意力机制,空洞卷积能
提取更多的图像相关信息,注意力机制可以更好地去除反射分量中噪声,还原细节;亮度调整网络由卷积层和
Sigmoid 层组成,用来提高光照分量的对比度;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分
量融合,得到最终的增强结果。 实验结果显示:Retinex-RANet 在主观视觉上不仅提高了低光图像的亮度,还提高了色彩深度和对比度,在客观评价指标上,相较于 R2RNet,PSNR 值上升了 4. 4%,SSIM 值上升了 6. 1%。 结果表
明:Retinex-RANet 具有更好的低光图像增强效果
|
关 键 词: | 低光增强 残差模块 注意力机制 Retinex 理论 |
|
| 点击此处可从《重庆工商大学学报(自然科学版)》浏览原始摘要信息 |
|
点击此处可从《重庆工商大学学报(自然科学版)》下载全文 |
|