基于深度学习的低照度图像增强算法研究

作     者：张雅荔 

作者单位：天津大学 

学位级别：硕士

导师姓名：雷志春;杨滨

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：低照度图像增强 深度学习 边缘注意力机制 多尺度特征融合 

摘      要：图像作为一种有效的信息载体,被广泛应用于视频监控、医学诊断、摄影等各个领域。在低照度场景下,成像设备采集的图像往往存在亮度较低、对比度不足以及细节信息丢失等问题,阻碍了对于图像的进一步处理和应用。因此,研究低照度图像增强算法具有重要的意义。为了提升图像质量,本文设计了基于深度学习的低照度图像增强算法,论文的主要研究内容包括:1.鉴于图像边缘是图像的基本特征,本文设计了一种边缘注意力机制,以解决视觉任务对于目标物体轮廓信息的恢复需求。首先,以Canny算子为基础,提出了一种基于图像双速率采样的边缘检测算法,将下采样图像用于检测强边缘,原始图像用于检测弱边缘,不仅提高了强边缘的可靠性,而且为确定高低阈值比提供了一个新的视角,实验结果证明了该算法的有效性;然后,基于边缘检测结果生成注意力图像,再通过与损失函数相结合的方式,引导网络模型训练。2.在本文构建的深度学习网络中,结合上述边缘注意力引导机制与多尺度特征融合,以解决低照度图像特征提取效果欠佳的问题。特征提取器将采用密集连接的残差网络,用于提取低照度图像中不同尺度的特征图。此外,本文还利用改进的RefineNet网络对已提取出的特征图进行融合。实验结果证明,边缘注意力机制不仅可以避免由于引入额外网络带来的算法复杂度增加,与常见的通道注意力和空间注意力机制相比,还能带来低照度图像增强算法性能的提升。实验分别选用合成图像和真实数据集进行训练与测试。本文方法与其他前沿算法相比,客观评价指标PSNR和SSIM平均分别提高了0.91d B和0.085,主观上也获得了更为清晰的视觉效果,MOS分数平均提升约4.175%。消融实验进一步证明了边缘注意力机制的有效性。此外,本文面向Android平台,以APP形式对网络模型进行了部署实验,证明该算法具有面向移动端的应用价值。