对比度增强技术是一种应用广泛的图像处理技术,通过对比度增强技术可以有效提高图像细节的可视性。近年来,基于可逆数据隐藏的可逆对比度增强技术得到了广泛研究,利用该技术使原始图像在改变对比度后能够无损恢复。由于大多数可逆对比度增强方法主要是针对灰度图像提出的,直接应用于彩色图像可能会造成视觉畸变。考虑到,相比之灰度图像,彩色图像是一种视觉效果更丰富的图像,因此,如何将目前已经日渐成熟的灰度图像可逆对比度增强技术推广到彩色空间是一个急需解决的重要问题。由于深度学习的广泛研究以及其技术特点,运用深度学习技术解决计算机视觉领域的相关任务取得了许多重大进展。例如,基于深度学习的低照度图像增强技术能很好地提高低照度图像的亮度和对比度,并还原图像细节。目前,对于正常照度图像的对比度增强和视觉效果提升的需求也逐渐凸显,而目前运用深度学习技术针对低照度图像的对比度增强算法却无法直接用于该场景下的对比度增强。针对上述的彩色图像可逆对比度增强问题,本文提出了一种基于HSV颜色模型的可逆对比度增强方法。具体而言,该方法在V分量进行可逆的直方图均衡化,并基于色相不变的原则调节其余的分量。此外,本文针对增强前的RGB通道设计了新的可逆预处理方法。实验结果表明,该方案能够实现对所有原始图像的无损恢复。此外,实验部分还采用了几个客观度量指标来分别度量增强效应、图像质量和色差。与其他尝试在彩色图像上进行可逆对比度增强的方法相比,该算法可以同时获得更少的色差和更好的图像质量。为了使在正常光照条件下采集到的图像进行对比度增强,并提高视觉效果和图像质量,本文基于深度学习技术,构建了一个并行式的双卷积神经网络,其中分别包含一个整体结构增强网络分支以及一个局部细节增强网络分支。构建的网络在分别进行结构和细节增强后,合成最终的增强图像。本文提出的网络在经过训练集训练后,能有效地增强测试图像,提高了图像细节的对比度,获得更好的视觉效果,能很好地完成正常光照图像的对比度增强任务。