基于深度学习的低照度图像增强算法研究.pdf

华中科技大学硕士学位论文

摘要

视觉是人类重要的信息获取方式，而图像则承载了人们生活、工作和研究所需的

丰富信息。但是，在低照度环境下，图像的质量经常受到亮度不足、对比度低和细节

模糊等问题的困扰。这不仅会影响到人们的视觉体验，还会对后续的视觉任务造成干

扰。为了解决这些问题，低照度图像增强技术随之而生。然而，该领域仍然存在图像

照度不均、模型计算复杂度高、训练集难制作等问题。针对这些问题，本研究提出了

基于深度学习的低照度图像增强算法。主要工作总结如下：

1）针对低照度环境下图像照度不均、模型计算复杂度高以及训练集难制作等问

题，提出了一种基于暗通道先验和U-Net的低照度图像增强算法。该算法通过改进

暗通道先验进行预处理，构造多尺度特征融合层提取图像不同尺度下的特征，并设计

曲线映射算法实现像素级的增强。此外，设计了无监督的损失函数进行训练，降低了

训练集的制作难度。实验结果表明，该算法在曝光程度控制、细节恢复和防止色差等

方面均有优势，定量评价指标PSNR（PeakSignal-to-NoiseRatio）和MAE（Mean

AbsoluteError）相比次优方法均有提升，并且保持了较低的计算和内存开销。

2）针对低照度图像照度不均的问题，进一步提出了融合残差网络和Swin

Transformer的低照度图像增强算法。受残差结构启发，基于Retinex理论提出了一种

新的图像增强策略，构造了全局增强模块进行全局建模，以及局部微调模块进行局部

调整。此外，首次提出了量化图像照度不均匀程度的方法。实验结果表明，该算法能

有效提升低照度图像的可视化效果，并在PSNR和MAE方面相比次优方法分别提升

了0.93和4.63，有效地解决了低照度图像中照度不均的问题，进一步提升了低照度

图像的增强效果。

3）分析了所提算法在实际场景下的应用情况，并验证其在山林防火场景和交通

场景下的有效性。此外，还实现了一套低照度图像增强的软件系统。

关键词：低照度图像增强；照度不均；暗通道先验；Retinex理论；SwinTransformer

I

华中科技大学硕士学位论文

Abstract

Visualperceptionservesasacrucialmeansofinformationacquisitionforhuman

beings,andimagesbearawealthofinformationnecessaryfordailylife,work,andresearch.

Nevertheless,inenvironmentswithlowillumination,imagequalityisfrequently

compromisedbyissuessuchaslowbrightness,insufficientcontrast,andblurrydetails.This

notonlyaffectsvisualperceptionbutalsodisruptssubsequentvisualtasks.Toeffectively

enhanceimagequality,low-lightimageenhancementtechniqueshaveemerged.Despitethe

challengesinthisfield,includingunevenimageillumination,highcomputational

complexityofmodels,anddifficultyinproducingtrainingsets,thisresearchproposestwo

deeplearning-basedmethodsfor