论文部分内容阅读
暗光增强是一项重要的图像后处理技术,有助于改善图像的可视度。本文从图像的暗光产生原因进行分析,明确了暗光图像增强的根本任务。在此基础上,对现有模型的不足之处加以分析,并提出相应算法加以解决。一方面,传统的自编码深度网络虽然能够很好的估计出成像场景中新的光照分布,但是在重构过程中细节信息丢失严重。在本文中,通过结合传统的滤波技术和深度学习模型来实现有关效果的改善。另一方面,Retinex Net深度网络模型虽然能够起到增强对比度的效果,但是在处理的过程中引入了额外噪声,产生了明显的黑色边框效应,并且图像伴随有颜色失真的现象。在本文中,通过损失函数以及网络结构的优化来改善相关问题。1)提出了一种基于结构与细节层分解的暗光照图像增强模型。基于自编码器网络的方法能有效地改善图像的光照,但在重构图像时容易丢失其细节信息。考虑到暗光增强旨在改变图像的光照分布而非局部纹理细节,本文提出了将大尺度图像结构和小尺度图像细节分而治之的思路:利用边缘保持滤波器将图像结构层和细节层进行分解,仅仅利用自编码器网络来处理图像结构层,而对图像细节层加以保留。为实现高效的图像结构-细节分解,提出了一种改进的保边缘滤波器。通过构建总变分模型,并设计了基于快速傅里叶变换的快速计算方法。实验中,对图像处理结果进行了直观和量化比较,来验证本文模型的有效性。相比于传统的基于自编码器网络的方法,本文模型可以在有效改善暗光图片的可视度前提下,仍能很好地保持图像的细节信息。2)提出了一种基于Retinex的卷积神经网络对比度增强模型。考虑到现有的Retinex Net模型在边缘轮廓以及重构过程中的过增强和失真等问题,从网络的损失函数以及结构方面进行改进。在原有框架的基础上,对损失函数进行了重新设计;在实验性修改的同时增加了相关的约束条件,使反射分量趋于平滑,减少其黑色边缘效应;此外,借助更具优势的U-Net网络相关技术,对Retinex Net模型的分解模块Decom-Net进行替换,以期得到更好的光照分量和反射分量。相比于Retinex Net模型,本文模型可以在有效保留图像纹理细节的前提下,很好的抑制边缘轮廓以及颜色失真问题,并且对于图像的对比度拥有很好的提升。