基于卷积神经网络的逆光图像增强研究

现有的大部分算法只能针对特定照度的逆光图像有出色的增强效果,不能高效率地解决各类照度的逆光图像。因此,本文提出一种基于卷积神经网络的图像增强算法,并构建一种集分解、恢复、调节为一体的新型网络架构。利用Retinex理论设计一个分解网络,将逆光图像与其对应的高光图像都分解为反射图和光照图。采用高光图反射分量作为去噪参考,修复暗光缺陷,并添加颜色饱和度模块,最大程度地保留图像恢复过程中的颜色等细节。逆光图像的光照图可依据用户喜好自适应调节亮度,设置增强比率(目标光源与图像光源间的比值)作为调节指标,将逆光图像增强至高光图像时,增强比率要大于1。在多个公开数据集(LOL、DICM、NPE)上验证,研究表明本文方法可有效增强逆光图像亮度,改善图像质量,保证图像细节不丢失,避免颜色失真。在不同照度的逆光图像上均有较好的效果,主观和客观评价指标上的结果优于对比算法,对智慧城市的安防以及人工智能的发展有应用价值。

基于改进的Siamese算法进行图像对的相似度判定

传统人脸图像对的相似度判定方法易受环境、像素值等因素影响,导致其方法的准确率很低。为此,文中为提高人脸图像对的相似度判定准确率,设计一种利用卷积神经网络(CNN)的非线性特点与优化边缘算子特点相结合的轻量化网络。实验结果表明,设计的轻量化网络与传统网络对比在准确率上有效提升大约2%;在模型大小上从原有的40.2 MB缩小到18.9 MB。并且与已有算法做了全面对比,得出改进算法准确率高于已有算法,验证了改进算法的可实施性。