Page 325 - 《软件学报》2021年第12期

江泽涛 等:一种基于 MDARNet 的低照度图像增强方法 3989

Fig.12 Subjective visual contrast effect of different algorithms on RGB-NIR data set
图 12 不同算法在 RGB-NIR 数据集上的主观视觉对比效果

Fig.13 Subjective visual contrast effect of different algorithms on ExDark data set
图 13 不同算法在 ExDark 数据集上的主观视觉对比效果

从图中对比结果可以看出,LDR 方法的增强效果较差,不仅亮度得不到明显的增强,而且图像细节丢失、色
彩还原度差.LIME 方法的增强效果图在亮度、对比度方面表现很好,但是存在色彩增强过于鲜艳,且还原细节不
够清晰的问题.Dehaze 方法会出现亮度不足,尤其是光照不均的图像中的逆光区域无法得到有效的亮度提升,但
是 Dehaze 在针对平均亮度较暗的图像进行增强时能得到较好的对比度.RobustRetinex 和 JED 方法均有相近的
增强性能,虽然亮度、对比度得到了一定在增强,但是色彩还原度出现比 LIME 更严重的过度增强.Ying-CAIP
增强的亮度不足,且细节还原度不够.Ying-ICCV 的增强结果是非学习类方法中性能最佳的,其增强结果图的亮
度、对比度和色彩均从视觉效果上有很好的效果,但是在对亮度较低的超低照度图像的增强时,存在亮度增强
不足的情况.从图中可以发现:传统方法的增强结果图在对比度方面均优于基于学习的方法,且在对逆光图像进
行增强时,传统方法不会破坏图像背景的亮度、色彩等信息,如图 9 和图 11 的天空,但是传统方法增强的整体图
像亮度低于基于神经网络的方法.
在基于神经网络的方法中,KinD 方法的增强结果图亮度增强效果最差,但其对比度较好,且在天空等区域
的恢复与传统方法更接近.MSRNet 的增强效果图像亮度增强较好,但细节较模糊,且出现了色彩失真.MRVAE
增强的亮度和细节较好,但存在对比度不足、噪声放大和伪影等现象,如图 11 的人脸和图 13 的房子.MBLLEN,
LLCNN,GLADNet 方法的增强结果都较好,能够很好地提升图像的亮度、对比度和还原图像细节信息.但是
MBLLEN 的增强结果亮度比 MDARNet 低,且从图 10 的细节图和图 11 的天空看,色彩不够鲜艳;LLCNN 在逆
光图像的亮光区域增强时色彩丢失更严重,且对比度欠佳于 MDARNet 方法;而从图 9 和图 10 的细节图可以看
出:GLADNet 在细节的亮度增强方面欠佳于 MDARNet,且图 11 中,GLADNet 的增强结果图的手臂上出现了伪
影.LLEGAN 方法的增强结果图整体对比度较低,且在图 13 的天空出现伪影.经过多组测试图像的对比分析可
知:从整体图像的亮度、对比度、色彩、图像细节等多方面衡量,MDARNet 得到了比其他方法更好的增强效果.
4 结 论

针对低照度增强中亮度、色彩及噪声的增强问题,本文结合卷积神经网络、Retinex 理论、Attention 机制
和密集卷积块,提出了一种基于 Retinex 和 Attention 的低照度图像增强网络——MDARNet.首先,MDARNet 利