基于Retinex理论的低光图像增强算法研究.pdf

基于Retinex理论的低光图像增强算法研究

摘要

针对低光图像增强过程中存在的色彩损失、细节模糊和噪声过大等问题，本文提出

了双阶段Retinex低光图像增强算法用于对低光照条件下拍摄的图像进行增强，主要研

究了以下内容：

1、针对Retinex三阶段低光图像增强网络存在的颜色失真的问题，本文提出了一种

基于Retinex理论的双阶段低光图像增强改进算法，可以自适应的对低光图像进行增强。

一阶段对图像进行Retinex分解，分解网络选用Unet作为主干网络，并在编码器中加入

了语义信息模块，使用SKFF特征聚合模块来处理分解网络Unet的解码器输出特征的

来自多个卷积流的特征，并基于自注意力执行聚合，来进行特征的重新校准。使用颜色

一致性损失来代替L1损失，来保证分解的反射图之间的颜色一致，为了使分解网络能

够正常分解，使用梯度损失来使参考正常光照图像的反射分量和参考正常光照图像之间

的梯度保持一致。二阶段对图像进行融合，使用DenseUnet作为融合网络的基本网络，

在DenseUnet网络中的编解码器部分都加入了通道注意力机制，充分考虑融合过程中图

像的不同通道的重要性，将直方图均衡先验理论引入融合网络。即融合网络的输入为反

射分量图像、光照分量图像和直方图均衡化图像，输出的图像为最终的增强结果。设计

了消融实验来验证提出算法各个模块的有效性。在LOL-v1数据集和LOL-v2数据集以

及非配对数据集LIME、NPE、MEF和VV数据集上进行了对比实验，对比实验结果证

明了本算法在不同数据集上的图像质量指标较其他低光图像增强算法均有所提高。

2、在基于Retinex理论的双阶段低光图像增强改进算法的基础上对图像的Retinex

分解策略进行改进，提出了多通道光照低光图像增强算法。对光照分量进行多通道分解，

并且提出了光照灰度损失函数，降低光照分量的对比度，进而提高反射分量的对比度，

在融合网络中加入了边缘增强和低频滤波模块来对反射分量进行纹理增强和去噪处理。

边缘增强模块使用了Sobel算子来计算不同方向的图像梯度来获得图像的边缘细节，加

强了融合网络对边缘特征的提取能力。低频滤波模块使用不同大小的自适应平均池化来

截取特征中的低频分量，来对噪声进行抑制。然后将边缘增强模块和低频滤波模块输出

的特征进行拼接。使用曲线估计模块对光照分量进行亮度调整。最后将经过纹理增强和

去噪处理后的反射分量、曲线估计增强后的光照分量和输入网络低光图像的直方图均衡

化结果作为融合网络的编码层的输入，融合网络输出的结果作为最终的低光图像增强结

果图。算法在配对数据集LOL-v1和LOL-v2数据集上以及非配对数据集LIME、NPE、

哈尔滨工程大学硕士学术论文

MEF和VV数据集对改进方法进行对比实验和消融实验，证明多通道光照低光图像增

强算法对于提高低光图像增强后图像质量的有效性。在ExDark低光图像目标检测数据

集上多通道光照低光图像增强算法增强后的图像的全类平均精度mAP最高。相较于其

他基线模型，多通道光照低光图像增强算法对低光图像增强的性能具有较大优势。

关键词：低光图像增强；注意力机制；图像去噪；直方图均衡化；图像融合

基于Retinex理论的低光图像增强算法研究

ABSTRACT

Toaddresstheproblemsofcolorloss,blurreddetailsandexcessivenoiseintheprocess

oflow-lightimageenhancement,thispaperproposesatwo-stageRetinexlow-lightimage

enhancementalgorithmtoenhanceimagestakenunderlow-lightconditions.Themainresearch

isasfollows:

1.Aimingatthecolordistortionproblemofthe