基于含噪Retinex模型的煤矿低光照图像增强方法

低光照图像会导致许多计算机视觉任务达不到预期效果,影响后续图像分析与智能决策。针对现有煤矿井下低光照图像增强方法未考虑图像现实噪声的问题,提出一种基于含噪Retinex模型的煤矿低光照图像增强方法。建立了含噪Retienx模型,利用噪声估计模块(NEM)估计现实噪声,将原图像和估计噪声作为光照分量估计模块(IEM)和反射分量估计模块(REM)的输入,生成光照分量与反射分量并对二者进行耦合,同时对光照分量进行伽马校正等调整,对耦合后的图像及调整后的光照分量进行除法运算,得到最终的增强图像。NEM通过3层CNN对含噪图像进行拜耳采样,然后重构生成与原图像大小一致的三通道特征图。IEM与REM均以ResNet-34作为图像特征提取网络,引入多尺度非对称卷积与注意力模块(MACAM),以增强网络的细节过滤能力及重要特征筛选能力。定性和定量评估结果表明,该方法能够平衡光源与黑暗环境之间的关系,降低现实噪声的影响,在图像自然度、真实度、对比度、结构等方面均具有良好性能,图像增强效果优于Retinex-Net,Zero-DCE,DRBN,DSLR,TBEFN,RUAS等模型。通过消融实验验证了NEM与MACAM的有效性。

面向煤矿井下低光照图像的增强方法

煤矿井下照明有限,并且具有大量粉尘、雾气,使得采集到的图像对比度低、光照不均、细节信息弱,并含有大量噪声。基于传统模型的图像增强方法鲁棒性较差,常会引起图像过度增强和色彩失真;基于深度学习的图像增强方法大多没有考虑增强引起的噪声放大。针对上述问题,提出了一种面向煤矿井下低光照图像的增强方法。采用卷积神经网络构建图像增强网络,该网络包括特征提取模块、增强模块和融合模块。特征提取模块对输入图像进行不同程度的卷积,提取多层次的图像特征,得到多个特征层;增强模块对提取到的特征层通过子网络进行增强,强化不同程度的细节特征;融合模块将增强后的特征层进行融合,输出增强图像。之后通过结构损失函数、内容损失函数和区域损失函数的约束,提高图像质量并有效抑制图像颜色失真与噪声放大,得到最终的增强图像。实验结果表明,该方法能够有效提升煤矿井下低光照图像的亮度和对比度,并且具有较强的噪声抑制能力,使图像能更好地恢复原有的细节信息,同时避免出现过曝光或颜色失真。