基于卷积神经网络的逆光图像增强研究

摘要

现有的大部分算法只能针对特定照度的逆光图像有出色的增强效果，不能高效率地解决各类照度的逆光图像。因此，本文提出一种基于卷积神经网络的图像增强算法，并构建一种集分解、恢复、调节为一体的新型网络架构。利用Retinex理论设计一个分解网络，将逆光图像与其对应的高光图像都分解为反射图和光照图。采用高光图反射分量作为去噪参考，修复暗光缺陷，并添加颜色饱和度模块，最大程度地保留图像恢复过程中的颜色等细节。逆光图像的光照图可依据用户喜好自适应调节亮度，设置增强比率(目标光源与图像光源间的比值)作为调节指标，将逆光图像增强至高光图像时，增强比率要大于1。在多个公开数据集(LOL、DICM、NPE)上验证，研究表明本文方法可有效增强逆光图像亮度，改善图像质量，保证图像细节不丢失，避免颜色失真。在不同照度的逆光图像上均有较好的效果，主观和客观评价指标上的结果优于对比算法，对智慧城市的安防以及人工智能的发展有应用价值。

关键词

逆光图像增强 / 卷积神经网络 / Retinex / 色彩饱和度 / 人工智能