Page 321 - 《软件学报》2021年第12期
P. 321
江泽涛 等:一种基于 MDARNet 的低照度图像增强方法 3985
综上,为了能够合成“低照度-正常照度图像”数据集,本文首先采用公式(31)实现低照度图像的亮度、对比度
合成,然后采用公式(32)对图像进行高斯模糊和添加高斯模糊,实现对低照度图像出现模糊和存在噪声问题的
仿真,合成过程如图 5 所示.
Fig.5 Synthesizing process of synthesizing low-illuminance image data sets
图 5 合成低照度图像数据集的合成过程
为了更直观地显示合成数据集的合成效果,将正常照度图像与合成低照度图像在 YCbCr 中的 Y 通道进行
主观视觉效果比较并显示其直方图信息,如图 6 所示.
Fig.6 Visual comparison and histogram of Y channel in normal illumination image
and synthesized low illumination image in YCbCr
图 6 正常照度图像与合成低照度图像在 YCbCr 中 Y 通道的视觉比较和直方图
为了使模型学习到更好的图像增强效果,需保证训练图像的正常照度图像的质量.因此,本文从 MSCOCO
数据集和 NIR-RGB 数据集中选取了 1 800 张具有适当的亮度、丰富的色彩、细节丰富清晰的图像,将其中的
1 400 张图像用于合成训练集,余下 400 张则用于合成测试集.针对训练集图像进行 40 次随机切片为 128×128
大小的图像切片,构建包含 56 000 对图像的训练集(GLN-trian).此外,为了使图像增强过程中能够得到更好的色
彩还原,本文在训练集中增加 16 对纯黑到纯黑、纯白到纯白的特殊图像对.而针对训练集进行一次随机切片出
512×512 的图像切片,构建包含 400 对的测试集(GLN-test).
3 实验结果及分析
3.1 实验参数设置
本文模型使用 Tensorflow 框架实现,并在 Windows10+NVIDIA GTX 960 GPU 的计算机上对网络模型进行
−4
训练.训练网络模型的实验将 BatchSize 设为 16,一共迭代 10 个 epoch,并在训练过程使用学习率为 10 的 Adam
优化器对训练过程进行参数优化.
3.2 网络结构评估
为了验证多尺度特征提取(MS)、跳跃连接结构(Dense)、光照与噪声分量的估计(Gaussions)及注意力机制
(Att)的应用是否能够有利于提升图像增强结果,本文设计了多个不同的模型,分别对 MS 和 Dense 模块的设计单