Page 314 - 《软件学报》2021年第12期

3978 Journal of Software 软件学报 Vol.32, No.12, December 2021

MDARNet, which includes Attention mechanism module and dense convolution module to improve performance. Firstly, MDARNet uses
three different scale convolution kernels that contain both two-dimensional kernels and one-dimensional kernels to perform preliminary
feature extraction on the image, and the pixel attention module to perform targeted learning on multi-scale feature maps. Secondly, the
skip connection structure is designed for feature extraction, so that the features of the image can achieve maximum utilization. Finally, the
channel attention module and the pixel attention module are employed to perform weight learning and illumination estimation on the
extracted feature maps simultaneously. The experimental results show that MDARNet can effectively improve the brightness, contrast,
and color of low-light images. Compared with some classical algorithms, the MDARNet adopted in this thesis can achieve better results in
visual effects and objective evaluation (PSNR, SSIM, MS-SSIM, MSE).
Key words: low-light image; image enhancement; Retinex; attention mechanism

在照度低或逆光等光照环境差的情况下采集的图像,称之为低照度图像(low-light images,简称 LLI),此类图
像容易出现低质量现象,例如对比度低、颜色失真和细节信息模糊等.由于其低质现象,低照度图像往往会造成
目标识别、检测和跟踪等计算机视觉任务算法性能的降低.低照度图像增强方法旨在通过一些技术手段和方法
恢复原本低质图像的真实场景信息,以获得具有完整的结构和细节信息且视觉效果自然、清晰的图像.低照度
图像增强方法主要分为传统增强方法和基于神经网络的增强方法.
传统图像增强方法可以分为以下 4 类.
1) 基于直方图的增强方法.通过统计方法调整图像中的像素值,使图像直方图达到均衡状态,从而对低
[2]
[1]
照度图像的亮度和对比度进行提升,如 LDR ,ERMHE 等.但此类方法的增强结果图中常出现难以
平衡图像暗区恢复和亮区保留的问题,同时也容易出现色彩失真问题,具有较弱的鲁棒性;
[3]
2) 基于 Retinex 的传统增强方法.受益于 Land 提出的人眼视觉的亮度与色彩感知模型——Retinex 理
论,众多学者在该模型的基础上提出了单尺度 Retinex(SSR)、多尺度 Retinex(MSR)、带颜色恢复的
[7]
[6]
[4]
[5]
MSR(MSRCR) 、LIME 、RobustRetinex 和 JED 等经典算法.此类传统方法能够有效增强图像亮
度且较好保存如边缘和角落等高频信息,但它们无法有效避免对比度不均匀和颜色失真等问题;
[8]
3) 基于伪雾图的增强方法.Dong 等人 通过研究发现,低照度图像的转置图与雾霾图像的特征具有很高
的相似性,由此提出对此类伪雾图应用去雾方法实现低照度增强的方法(Dehaze).此类方法只能有效
改善部分图像的视觉效果,但是易产生边缘效应、光晕效应和不实际现象;
4) 基于图像融合的方法.该方法通过将多张不同照度的图像进行融合的方式提升低照度图像的质量,如
[9]
Ying_CAIP ,Ying_ICCV [10] 等算法.然而此类方法通常需要采集同一场景下的不同曝光程度子图,或
者通过其他技术手段获取系列子图才能实现较好的图像融合,这局限了该方法的应用.此外,该方法
在对照度不均匀图像进行增强的过程中,无法有效地提升较暗区域的亮度.
随着卷积神经网络(CNN)在图像分类、目标检测、目标跟踪等计算机视觉领域取得了出色的成绩,越来越
多的研究人员将 CNN 运用到低照度图像增强领域.Shen 等人 [11] 通过结合卷积神经网络与 MSR 算法,提出了
MSRNet 低照度增强模型,学习暗图像到亮图像的反射分量,很好地将基于 Retinex 传统方法与基于卷积神经网
络的方法进行结合,增强效果显著.但 MSRNet 会出现图像增强不均匀和色彩偏差的问题.Lv 等人 [12] 提出了一种
基于深度学习的多分支微光增强网络(MBLLEN),该方法提取多个不同级别的丰富特征,通过多个子网应用增
强功能,最后通过多分支融合生成输出图像.Tao 等人 [13] 通过卷积神经网络进行图像去噪,利用亮度通道先验实
现照度增强;随后,他们又提出 LLCNN [14] 实现端到端的低照度图像增强网络.Wei 等人 [15] 通过联合生成对抗网
络和图像质量评估技术,实现低照度图像增强方法.Wang 等人 [16] 提出了一个全局照明感知和细节保存网络
(GLADNet),首先为低光输入计算全局照明估计,然后在估计的指导下调整照明,并使用与原始输入的串联来补
充细节.Zhang 等人 [17] 受到 Retinex 理论的启发,提出了一个简单而有效的网络(KinD).该方法将图像分解为两个
部分:一部分(照明)负责调光,另一部分(反射)负责降解.以这种方式将原图像空间解耦为两个较小的子空间,以
更好地进行正则化和学习.江泽涛等人提出一种利用改进的 U-Net 生成对抗网络实现低照度图像转换为正常
照度图像的网络(LLEGAN) [18] ;随后,该团队将低照度增强需要解决的多重失真问题转为两重增强,提出了一种
多重构变分自编码器(MRVAE) [19] ,通过两个阶段的增强网络,分别解决多重失真.虽然上述方法都能在一定程度