基于深度学习的低照度图像增强算法研究_叶家威.pdf

基于深度学习的低照度图像增强算法研究

摘要

图像作为重要的信息载体，在人们的日常生活和工作中扮演着至关重要的角

色。然而，在夜间或光线不足的环境中，由于照明限制和摄影设备的局限，所拍摄

的照片往往呈现出颜色偏暗、对比度弱、噪声干扰、能见度低、细节模糊等问题，

导致图像中的有效信息减少甚至丢失，从而影响人眼的主观视觉效果和对信息的

准确获取。针对低照度图像增强任务，一直以来学术界已经提出了众多算法，这些

算法提升了图像的整体质量。尽管如此，在提升低照度图像的亮度、对比度以及在

图像细节增强与噪声抑制之间找到平衡点方面，仍然有着广阔的研究潜力。因此，

本文以深度学习和Retinex理论为基础对低照度图像增强进行研究与探索，其工作

如下：

（1）针对低照度图像增强中普遍存在的细节纹理缺失和噪声被放大的问题，

本文提出了一种基于Retinex理论改进的低照度图像增强算法。首先，本文网络框

架分为分解网络、降噪网络和光照调整网络。在分解网络中，受到残差网络的启发，

设计了一种RB模块，RB模块得益于引入了残差块和跨层连接，使网络在训练时

更容易优化，能够避免梯度消失或爆炸等现象，并提供了更多的非线性特征表达，

提高了模型的准确率。同时引入膨胀卷积，膨胀卷积可以扩大感受野从而提高模型

的特征提取能力，最终经过分解网络得到更准确的光照分量和反射分量。在降噪网

络中引入R2U-Net，R2U-Net引入了循环连接和残差连接，以提高模型的性能和稳

定性，循环连接通过在编码器和解码器之间添加反馈路径，使得模型可以更好地捕

捉全局上下文信息，残差连接则通过跳跃连接将编码器和解码器的特征图进行直

接连接，有助于保留更多的细节和边缘信息，更好地实现对降噪后反射分量的获取。

光照调整网络是一个轻量级的网络结构，旨在降低网络的复杂度与计算量，调节光

照分量的亮度。通过大量实验表明，本文方法与其他方法相比在纹理信息与噪声方

面具有更好的处理效果。

（2）针对低照度图像增强在对图像质量要求较高和面对图像复杂度高、细节

交叠等极端条件时存在细节增强不足、过度曝光和色彩失真等问题，本文在上一个

研究内容的基础上，提出了一种结合注意力机制与U型多尺度网络的低照度图像

增强算法，首先在原有降噪网络的基础上提出了一种新型的U型网络来更好地对

反射分量进行去噪提升图像细节，并且极大地提高了特征提取能力，同时加入了曝

光控制损失函数，避免了欠曝光或过曝光导致图像信息损失、质量下降。其次对

ECANet注意力机制进行了改进，设计了一种MBECANet注意力机制，让网络更

-I--

好地提取图像中的关键特征，从而提高图像的质量和增强效果。紧接着受到了密集

网络的启发，光照调整网络上分支采用RDB(ResidualDenseBlock)结构，密集连接

卷积层来进行特征提取，以此来提高特征的利用效率和传播效果。通过这种方式，

不仅能够重复的利用特征，还可以增进特征的传播，形成了连续记忆机制。这种机

制可以保证每个特征都被有效地利用和传递，从而进一步优化了图像处理和特征

提取的效果。同时，为了遏制增强图像中的色彩失真现象加入了色彩损失函数。最

后，通过对比试验对改进后的算法进行了主客观评价，验证了改进算法的有效性。

关键词低照度图像增强；深度学习；Retinex理论；注意力机制；U型网络

-II-

-

ResearchonEnhancementAlgorithmsforLow

IlluminationImagesBasedonDeepLearning

Abstract

Asanimportantinformationcarrier,imagesplayacrucialroleinpeoplesdailylife

andwork.However,atnightorinlow-lightenvironments,duetolightingconstraintsand

limitations