-
题名基于深度卷积神经网络的低照度图像增强方法
- 1
-
-
作者
徐俊
戎舒畅
李墨
刘煊
刘昭含
吴镇
-
机构
中国矿业大学(北京)
-
出处
《现代信息科技》
2024年第21期50-56,共7页
-
基金
中国矿业大学(北京)大学生创新训练项目(202304070,202414021)。
-
文摘
低照度条件下的图像细节和纹理难以分辨,导致信息丢失严重,传统增强方法需要大量人工调参、效率低且增强后细节不突出。为解决这一问题,提出一种基于卷积神经网络(CNN)的低照度图像增强模型,其通过数据驱动的网络结构自动学习低照度图像的分解与增强,并通过端到端训练更新模型参数。模型包括分解网络、光照调整网络和降噪模块,并在分解网络和光照调整网络中加入卷积块注意力模块(CBAM),以更全面地捕获图像中的重要信息。模型首先通过分解网络将图像分解为光照分量和反射分量,然后分别输入光照调整网络和降噪模块进行处理,最后重建得到增强后的图像。实验结果表明,与其他增强算法相比,该方法能更有效地提升低照度图像的对比度和纹理细节,提供更清晰可靠的图像质量。
-
关键词
低照度图像
图像增强
卷积神经网络
CBAM注意力机制
-
Keywords
low illumination image
image enhancement
CNN
CBAM
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
