基于深度网络的暗光图像增强方法研究

发布时间：2023-12-21 16:57

　　暗光增强是一项重要的图像后处理技术,有助于改善图像的可视度。本文从图像的暗光产生原因进行分析,明确了暗光图像增强的根本任务。在此基础上,对现有模型的不足之处加以分析,并提出相应算法加以解决。一方面,传统的自编码深度网络虽然能够很好的估计出成像场景中新的光照分布,但是在重构过程中细节信息丢失严重。在本文中,通过结合传统的滤波技术和深度学习模型来实现有关效果的改善。另一方面,Retinex Net深度网络模型虽然能够起到增强对比度的效果,但是在处理的过程中引入了额外噪声,产生了明显的黑色边框效应,并且图像伴随有颜色失真的现象。在本文中,通过损失函数以及网络结构的优化来改善相关问题。1)提出了一种基于结构与细节层分解的暗光照图像增强模型。基于自编码器网络的方法能有效地改善图像的光照,但在重构图像时容易丢失其细节信息。考虑到暗光增强旨在改变图像的光照分布而非局部纹理细节,本文提出了将大尺度图像结构和小尺度图像细节分而治之的思路:利用边缘保持滤波器将图像结构层和细节层进行分解,仅仅利用自编码器网络来处理图像结构层,而对图像细节层加以保留。为实现高效的图像结构-细节分解,提出了一种改进的保边缘滤波...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 暗光增强研究的发展历程
    1.3 本文主要工作
    1.4 论文内容安排
第二章 暗光图像增强相关工作
    2.1 暗光图像增强技术背景
    2.2 基于直方图的增强方法
    2.3 基于Retinex的增强方法
    2.4 基于融合的增强方法
    2.5 基于深度学习的增强方法
第三章 基于结构与细节层分解的暗光照图像增强模型
    3.1 引言
    3.2 本章模型
        3.2.1 本章框架
        3.2.2 改进的保边缘滤波器
        3.2.3 光照增强模块
    3.3 实验
        3.3.1 实验环境和实验数据
        3.3.2 实验设置
        3.3.3 实验结果与分析
            3.3.3.1 滤波器性能验证
            3.3.3.2 本章模型性能验证
    3.4 本章小结
第四章 基于Retinex的卷积神经网络对比度增强模型
    4.1 引言
    4.2 Retinex Net模型
    4.3 本章模型
        4.3.1 模型框架
        4.3.2 改进的结构感知平滑损失
        4.3.3 U-Net分解模块
        4.3.4 其他改进措施
    4.4 实验
        4.4.1 实验数据和实验设置
        4.4.2 实验结果与分析
            4.4.2.1 消减分析
            4.4.2.2 本章模型性能验证
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3874032