-
题名基于卷积神经网络的弱光照图像增强算法
被引量：35
- 1
-
-
作者
程宇
邓德祥
颜佳
范赐恩
-
机构
武汉大学电子信息学院
-
出处
《计算机应用》
CSCD
北大核心
2019年第4期1162-1169,共8页
-
基金
国家自然科学基金资助项目(61701351)~~
-
文摘
针对现有的弱光照图像增强算法强烈依赖于Retinex理论、需人工调整参数等问题,提出一种基于卷积神经网络(CNN)的弱光照图像增强算法。首先,利用四种图像增强手段处理弱光照图像得到四张派生图,分别为:限制对比度自适应直方图均衡派生图、伽马变换派生图、对数变换派生图、亮通道增强派生图;然后,将弱光照图像及其四张派生图输入到CNN中;最后经过CNN的激活,输出增强图像。所提算法直接端到端地实现弱光照图像到正常光照图像的映射,不需要按照Retinex模型先估计光照图像或反射率图像,也无需调整任何参数。所提算法与NPEA(Naturalness Preserved Enhancement Algorithm for non-uniform illumination images)、LIME(Low-light image enhancement via Illumination Map Estimation)、LNET(LightenNet)等算法进行了对比。在合成弱光照图像的实验中,所提算法的均方误差(MSE)、峰值信噪比(PSNR)、结构相似度(SSIM)指标均优于对比算法。在真实弱光照图像实验中,所提算法的平均自然图像质量评价度量(NIQE)、熵指标为所有对比方法中最优,平均对比度增益指标在所有方法中排名第二。实验结果表明:相对于对比算法,所提算法的鲁棒性较好;经所提算法增强后,图像的细节更丰富,对比度更高,拥有更好的视觉效果和图像质量。
-
关键词
弱光照图像增强
Retinex模型
派生图
卷积神经网络
自然图像质量评价
-
Keywords
weakly illuminated image enhancement
Retinex model
derivative image
Convolutional Neural Network(CNN)
blind image quality assessment
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
