摘要
由于极端光照环境影响或硬件技术的限制，如不充分或不平衡的照明条件，极端的背光条件以及拍摄时的曝光不足等情况下，所拍摄的图像会存在过暗或过亮的问题，影响人们的视觉观察，无法传递完整的信息。另外，也会对一些高层计算机视觉任务的性能产生影响，包括目标识别、场景分类等。例如，在交通安全领域中，由于路灯光源亮度不足或者照射不均匀，夜间可视情况非常差，道路监控设备获取的图像和视频存在大量的信息丢失，严重影响系统判断。因此低光图像增强技术在很多领域都有很大的需求和前景。 虽然现在很多传统方法可以应对图像亮度不足和信息难以获取的难题，如直方图均衡化、伽马校正、Retinex分解等。然而，这些方法忽视了由于光照不均匀导致的噪声问题，增强后的图像往往会出现模糊与伪影。近年来兴起的深度学习方法相较于传统的低光图像增强算法，具有更好的鲁棒性和泛化性，已经有了显著的进步，但仍然存在着以下问题：（1）无法对图像的极暗区域进行有效恢复；（2）不能精确地解决图像色彩偏差问题；（3）无法完全恢复由图像压缩带来的图像伪影。针对该领域存在的噪声以及色彩偏差等问题，本文采用深度学习的理论方法，提出了两种低光图像增强方法。以下是本文主要的创新点。 （1）针对基于传统Retinex模型增强方法在计算图像反射率分量的过程中，产生的细节损失和噪声放大的问题，本文提出了一种基于Retinex理论的多尺度注意力低光图像增强网络，该网络将深度卷积神经网络与Retinex理论相结合，学习更为真实的反射率层。首先，通过Retinex理论将低光图像分解获得光照关注图，并将其与低光图像一起送入网络模型中进行特征提取；然后，通过构建一个多尺度特征增强模块和特征融合模块，来实现逆光照图的学习；最后，利用Retinex模型求解最终的增强结果。实验结果表明，该网络能获得具有良好的主观感受和客观指标的增强图像。 （2）考虑到现有的一些深度学习的方法在特征学习过程中，由于特征信息丢失的问题，而导致最终增强结果中所产生的色彩偏差和图像纹理缺失的问题，本文提出了一种基于多尺度特征融合的低光图像增强算法。该方法首先将低光图像进行非线性变换，得到初步的增强图像；然后，将初步增强图像与低亮度图像同时送入到一个多尺度特征提取块进行特征提取。为了减少网络的深度，增加网络对语义特征的学习，在每个尺度的特征提取分支中，构建一个U型特征增强模块，来增加每个尺度上下文信息的特征提取；最后将多个尺度提取分支所提取的特征信息合并并进行特征整合，得到增强后的图像。在大量数据集上的实验结果，表明了本文方法获得了较好的视觉效果和较优的指标的增强结果，并且优于大多数主流的低光图像增强算法。
NETL