Page 316 - 《软件学报》2021年第12期

3980 Journal of Software 软件学报 Vol.32, No.12, December 2021

λ满足在整个概率域上的积分为 1,即满足下式:
(, )d dy x y =
0 ∫∫ 1 Fx 1 (5)
综合上述分析可知,将公式(3)的等号两边取对数后代入公式(2)汇总,即可得到 SSR 算法的最终增强结果:
R (, )xy = log (, ) log( (, )* (, ))I x y − F xy I x y (6)
c c c
其中, R (, )xy 表示 SSR 算法得到的第 c 层通道上的反射分量估计,但是得到的高斯滤波器的作用域为 logI c (x,y)
c
而不是 I c (x,y).后来,针对 SSR 算法增强结果图的色彩失真问题,Tao 等人提出了利用多个尺度的 SSR 结果加权
求和,从而实现 MSR 算法,表示为
N
R MSR (, )xy = ∑ w R (7)
n
c
n= 1 c n
其中,N 表示尺度数量, R 表示第 n 个尺度下第 c 层通道的 SSR 估计结果图, R (, )xy 为根据 MSR 计算得到
c n MSR c
的第 c 层通道的增强分量图,w n 表示第 n 个尺度增强图在该层合成增强结果图中的合成权重.
1.2 Attention机制
注意力(attention)机制因其具有捕获长距离交互的能力被广泛应用于序列建模的计算模块,如机器翻译、自
然语言处理领域 [20] .通俗而言,注意力机制就是对输入数据的各个部分按照其对结果的影响程度分配不同权重,
然后再着重对重要部分进行特征提取.注意力机制模仿的是人类的行为惯性,无论在文字阅读还是视觉感受过
程中,人们总会着重阅读或观察自己的感兴趣的部分.自注意力机制(self-attetion)是输入数据利用自身的特征,
通过卷积运算等方式给自身各部分分配不同权重的机制 [21] .
近年来,许多学者在不同视觉任务的研究过程中引入注意力机制,以解决单一卷积存在的弱点.在计算机视
觉中引入注意力机制的根本目的,是让网络学会在学习过程中给图像的不同信息分配不同的注意力,做到忽略
无关信息,重点关注有用信息 [22] .在视觉任务中的注意力机制通常是通过使用注意力图(Attention map)的形式
实现,通过构建的注意力模块学习到特征图中的关键特征,并形成 Attention Map,然后再将输入的特征图与
Attention Map 进行乘积运算,突出关键区域特征,完成对特征的区域关注 [23] .Hu 等人 [24] 提出了一种全新的图像
识别结构 SENet,该网络利用注意力机制对特征通道间的相关性进行建模,通过降低无关信息的影响和强化重
要区域的特征,实现准确率的显著提升.Chen 等人 [25] 提出了基于通道注意的定向感知功能(SISR-CAOA)融合模
块,采用通道注意力机制,自适应地将从不同通道中提取到的特征进行融合,从而实现了恢复精度和计算效率都
更高的超分辨率模型.
在针对低照度图像增强的研究任务中,也有不少学者通过在 CNN 增强网络中嵌入注意力机制的方式增强
模型的性能.该方式促使模型更有效地处理低照度图像中多种导致图像低质的因素,包括亮度、对比度、色彩、
噪声等.Wang 等人 [26] 在 CNN 增强网络的基础上,考虑到特征通道及多层特征的重要性,构建了具有特征提取模
块和特征融合模块两部分的增强网络.然而,该模型并未从像素的角度考虑图像中不同区域存在的照度、噪声
不均等问题.Lv 等人 [27] 利用 CNN 构建了两个注意力网络,分别学习获取用于引导亮度增强和去噪任务的掩膜
(mask),通过 mask 对亮度不均的区域和噪声分布不均的区域进行针对性的指导增强.然而,该模型在得到 mask
之后组建了多个分支子网络实现增强,网络结构相对庞大,且其将原本存在联系的图像亮度及噪声分开考虑的
处理方式欠妥.
2 基于 MDARNet 图像增强方法

2.1 基于Retinex的图像增强问题描述
为了能利用 Retinex 实现低照度图像的增强,设 X∈R w×h 为低照度图像,Y∈R w×h 为与之对应的正常照度图像,
则根据公式(6)和公式(7)知,增强图像 Y 可表示为
N
Y = log( )X − ∑ w n [log(F n * )]X (8)
n= 1