基于Retinex理论和深度学习的低照度图像增强算法研究

作     者：常若望 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：王岳环

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：低照度图像增强 Retinex理论 生成式对抗网络 图像质量评价 全监督和无监督学习 

摘      要：图像作为一种重要的信息载体,在人类生产生活中发挥着重要的作用。受夜间光照条件不足、成像设备性能等因素影响,在低照度环境下拍摄的图片整体灰度值偏小,细节信息弱化。这样的低质量图片一方面视觉效果差,另一方面会严重影响后续计算机视觉系统的性能。为了提高低照度图像的质量,本文以Retinex模型以及深度学习理论为基础,从有监督和无监督两个角度分别研究了低照度图像增强算法。研究内容如下:低照度图像中耦合的其他图像退化问题使得增强任务变得复杂,现有的监督学习类增强方法大都忽略了低照度图像的亮度和噪声分布的相关性,使得处理结果要么噪声抑制不理想,要么过于平滑。针对此问题本文提出了一种基于亮度分级的低照度图像增强算法。首先基于Retinex理论构建分解模块,对图像进行分解得到反射率分量、光照分量,针对目前的光照分解算法中存在的对黑色区域过度增强的问题,本文提出了区域加权损失来抑制容易被过度增强的区域。然后基于Retinex原理构建自适应变换模块对反射率图变换,得到低、中、高亮度等级的图像,从低到高进行迭代式的残差重建,获得了更精细的重建效果。与主流的监督学习类方法相比,所提算法在经典数据集上测试的多个全参考指标均有显著提升。基于监督学习类的方法训练需要成对的训练数据,训练数据规模小,训练的网络泛化性较差。在上述工作基础上,本文又提出了一种基于无监督学习的两阶段图像增强网络。一阶段进行图像亮度提升,通过提出的亮度通道扩展模块和亮度损失函数,在不需要成对图像的情况下简单高效地完成图像亮度提升。二阶段进行重建,针对目前基于生成对抗式网络的无监督方法通常会有不均匀增强的问题,提出了基于Retinex的重建损失和对抗损失联合训练的方法,提高了稳定性。最后通过主观和客观实验证明了所提算法的有效性。