Page 315 - 《软件学报》2021年第12期
P. 315
江泽涛 等:一种基于 MDARNet 的低照度图像增强方法 3979
上解决低照度图像的低质问题,得到较好的亮度、色彩还原度,但难于在同一个网络中完全解决所有低质问题.
如果仅用简单的卷积运算构建低照度图像增强模型,此时的模型是简单利用 CNN 的学习能力直接学习如何将
低照度图像映射正常照度图像.然而普通卷积对图像的每个像素或通道都分配以相同的学习权重,这将可能导
致模型无法有针对性地实现低照度图像增强,容易出现增强图像亮度提升过于均衡、色彩失真等问题.此外,基
于神经网络的方法需要大量的数据进行学习训练,因此,数据集的构建效果也同样严重影响着模型的最终增强
性能.
为了解决上述问题,且有效实现低照度图像亮度的提升、对比度的增强、色彩信息的还原以及噪声的去除,
本文将卷积神经网络强大的学习能力与图像构成模型 Retinex理论相结合,提出了一种基于 Retinex的低照度图
像增强网络——MDARNet,其中,通过引入 Attention 机制和密集卷积块来增强网络模型对图像特征的提取能
力.首先,MDARNet 利用多尺度卷积实现对图像的初步特征提取;其次,通过密集卷积块对初步特征图进一步增
强特征;然后,利用 Attention 机制对特征图进行动态分配权重,实现有针对性的增强;最后,利用 Retinex 理论将环
境光照和噪声分量从低照度图像中除去,得到最终的增强图像.通过实验对比分析,MDARNet 与其他主流算法
相比较,能够有效提升图像的亮度、对比度和色彩还原度,同时实现噪声去除.
1 相关理论
1.1 Retinex理论
[8]
Retinex 理论 指出,人眼视觉或摄像设备所感知的物体亮度由物体本身的反射分量和环境光照这两个因
素构成,如图 1 所示,其数学表达式为
I(x,y)=R(x,y)⋅E(x,y) (1)
其中,I(x,y)表示采集图像对应(x,y)坐标的像素,R(x,y)表示图像(x,y)坐标像素的反射分量,E(x,y)表示该位置的环
境光照分量.
Fig.1 Form of image composition in Retinex theory
图 1 Retinex 理论中的图像构成形式
颜色恒常性理论指出:视觉感知到的物体颜色仅仅由物体本身的反射性能所决定,在不同波长的光线下感
受到不同颜色仅仅取决于物体对该波长光的反射能力,而与该环境光无关.因此,若能够近似估计出采集图像时
所处环境的光照强度分量 E(x,y),我们就可以根据这一理论将环境光照对成像的影响去除,从而得到物体本身
的反射分量 R(x,y).为了简化计算,将公式(1)改写为
r c (x,y)=log(R c (x,y))=log(I c (x,y))−log(E c (x,y)) (2)
其中,log(⋅)表示对图像进行以自然对数或 10 为底的对数运算,I c (x,y)则表示输入图像中第 c 层通道图.
[9]
SSR 算法 是 Jobson 提出的首个基于 Retinex 理论的照度增强方法,该方法通过构造高斯环绕函数对环境
光照分量进行估计,其数学表达式为
E(x,y)=I c (x,y)*F(x,y) (3)
2
x + y 2
−
(, )y =
Fx e λ 2σ 2 (4)
2
其中,*表示两张图像之间进行卷积运算,F(x,y)表示估计的高斯环绕函数,而 F(x,y)的标准差为σ 、尺度为λ.其中,