基于Retinex理论的低光图像增强算法

作者：史宇飞; 赵佰亭^*

来源：重庆工商大学学报(自然科学版), 2023, 40(06): 61-67.

DOI：10.16055/j.issn.1672-058X.2023.0006.008

• 低光增强
• 残差模块
• 注意力机制
• Retinex理论

为了解决低光照图像存在的对比度低、噪声大等问题，提出一种基于Retinex理论的卷积神经网络增强模型(Retinex-RANet)。它包括分解网络、降噪网络和亮度调整网络3部分：在分解网络中融入残差模块(RB)和跳跃连接，通过跳跃连接将第一个卷积层提取的特征与每一个RB提取的特征融合，以确保图像特征的完整提取，从而得到更准确的反射分量和光照分量；降噪网络以U-Net网络为基础，同时加入了空洞卷积和注意力机制，空洞卷积能提取更多的图像相关信息，注意力机制可以更好地去除反射分量中噪声，还原细节；亮度调整网络由卷积层和Sigmoid层组成，用来提高光照分量的对比度；最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合，得到最终的增强结果。实验结果显示：Retinex-RANet在主观视觉上不仅提高了低光图像的亮度，还提高了色彩深度和对比度，在客观评价指标上，相较于R2RNet, PSNR值上升了4.4%,SSIM值上升了6.1%。结果表明：Retinex-RANet具有更好的低光图像增强效果。

• 单位
  安徽理工大学