改进Retinex-Net的露天矿低质图像增强算法

露天矿低质图像增强是无人驾驶宽体车感知系统的重要环节,单目相机获取的图像易受到矿区粉尘、雨雪雾、剧烈震动等多种因素影响。针对传统图像增强算法在处理露天矿图像时存在噪声大、图像颜色失真等问题,提出了改进Retinex-Net算法对露天煤矿图像进行增强。使用循环对抗生成网络和双通道残差网络来改进增强和去噪部分。循环对抗生成网络通过学习低光照图像和正常光照图像之间的映射关系,生成更自然和真实的增强结果。双通道残差网络通过同时处理亮度和色度信息,有效去除低光照图像中的噪声和伪影。试验结果表明:该方法在客观和主观评价指标上均优于现有方法。所提改进Retinex-Net算法为解决露天矿图像质量问题提供了一种有效方案。

基于改进Retinex-Net的电力系统网络入侵检测方法研究

由分解网络、增强网络和图像重建构建而成的改进Retinex-Net神经网络模型,在电力系统网络入侵检测过程中,将图片从RGB空间域中转换至HSV空间域,利用V分量对其进行处理,之后在分解、强化、降噪的操作下,从RGB中输出增强后的图片,将其作为实现电力设备状态感知的重要条件,为后续的电力系统网络入侵检测奠定坚实的基础。以改进Retinex-Net为基础进行电力系统网络入侵检测方法研究,旨在通过利用Retinex-Net端到端的可训练低亮度图像,达到增强网络的目的,提高电力系统网络的故障检测能力,从而形成高效的电力系统网络入侵检测方法。

基于残差模块的Retinex-Net网络的低照度图像增强算法

为解决低光照环境下图片可见度差以及色彩偏差等问题,提出一种基于Retinex-Net网络改进的低照图增强方法。将残差模块加入到分解网络当中,更好地提取图像信息,然后再进行增强、去噪和融合,最后输出增强后图像。经实验证明,本算法能够使增强后的图像亮度有所提高,凸显出细节信息,色彩不失真,更符合人眼的观察效果,从主观感受与客观评价指标各方面均优于原来的网络结构。

基于改进Retinex-Net的低照度图像增强算法

为解决Retinex-Net在低照度图像增强处理中噪声较大、特征提取不足的问题,提出了一种新的网络结构。首先,将Retinex-Net网络作为基础模型对输入图像进行分解,在卷积层中引入残差收缩网络以去除分解过程中产生的噪声;然后,为了在增强亮度的同时更多保留图像的细节特性并抑制噪声,将增强网络分为3个小型子网络分别进行处理;最后,将调整后的图像进行融合,得到增强后的图像。实验表明:与SIRE、LIME、GLADNet、Retinex-Net算法相比,提出的算法处理的图像峰值信噪比平均提升了3.48 dB,均方误差平均提升了0.0827,结构相似性平均提升了0.146,相对亮度顺序平均提升了271.6。

改进Retinex-Net的低光照图像增强算法

针对Retinex-Net存在噪声较大、颜色失真的问题,基于Retinex-Net的分解-增强架构,文中提出改进Retinex-Net的低光照图像增强算法.首先,设计由浅层上下采样结构组成的分解网络,将输入图像分解为反射分量与光照分量,在此过程加入去噪损失,抑制分解过程产生的噪声.然后,在增强网络中引入注意力机制模块和颜色损失,旨在增强光照分量亮度的同时减少颜色失真.最后,反射分量和增强后的光照分量融合成正常光照图像输出.实验表明,文中算法在有效提升图像亮度的同时降低增强图像噪声.

室外图像去雾的改进Retinex-Net算法

为提高雾霾天气下室外含雾气图像的质量,提出了一种室外图像去雾改进Retinex-Net算法。分析雾霾天气下大气光照射对雾霾颗粒发生散射现象的影响,构建改进的雾霾天气下成像模型,设计了一种U-Net结构的大气光估计网络AEM-Net,估计大气光值,通过添加最大最小值归一化的操作优化了Retinex-Net结构,结合大气光估计网络与Retinex-Net实现图像去雾操作。结果表明,文中算法获得的去雾图像,峰值信噪比提升至32.06 dB,结构相似度提升至0.9488。

基于Retinex-Net的低照度图像增强算法研究

视频监控图像在光照条件不足的情况下,会出现图像黑暗、噪声大、颜色失真等问题,严重干扰了人们对于图像内容的判断,使用图像增强算法可以有效改善图像的质量。在对现有流行的图像增强技术研究基础上,提出改进的Retinex-Net算法。该方法将残差网络用于特征的融合,从而得到更加详细的特征图,并通过加入色彩损失解决增强图像出现色彩偏差的问题。实验表明,改进后的Retinex-Net算法提高了图像的亮度和改善图像色彩失真,整体效果有所提升。

基于Retinex-Net改进的室外场景低照度图像增强算法

为解决低光照环境下图片可见度差以及色彩偏差等问题,提出一种基于Retinex-Net网络改进的低照图增强方法。方法将输入图片由RGB域转换到HSV色彩空间进行处理,对V分量的反射图引入去噪卷积神经网络DeamNet网络去噪,将V分量的光照图通过空间注意力模块和通道注意力模块进行色彩增强,最后将各分量融合后转换回RGB空间获得增强效果。经实验证明,本算法增强后的低照度图像亮度提升、细节突出、图像失真小且真实自然,从主观感受与客观评价指标各方面均优于其他算法。

矿井井下非均匀照度图像增强算法

矿井井下视频采集过程中由于照明系统分布不均匀、环境中存在大量粉尘和雾气,导致监控画面图像存在局部光线过曝、局部亮度不足、对比度低和边缘信息弱等问题。针对上述问题,提出了一种矿井井下非均匀照度图像增强算法。该算法基于Retinex-Net网络结构改进,具体包括非均匀光照抑制模块(NLSM)、光照分解模块(LDM)和图像增强模块(IEM)3个部分:NLSM对图像中人工光源局部非均匀光照进行抑制;LDM将图像分解为光照层和反射层;IEM对图像光照层增强,经伽马校正,最终得到增强图像。在NLSM和LDM中均采用Resnet作为网络基础架构,并顺序引入了卷积注意力机制中通道注意力模块和空间注意力模块,以增强对图像光照特征关注度和特征选择的效率。实验结果表明:(1)选取MBLLEN,RUAS,zeroDCE,zeroDCE++,Retinex-Net,KinD++及非均匀照度图像增强算法对多种场景(井下运输环境场景、单光源巷道场景、多光源巷道场景、矿石场景)图像进行增强处理及定性分析,分析结果指出非均匀照度图像增强算法能够避免人工光源区域的过度增强,未在光源区域产生晕染和模糊现象,不易产生色偏,对比度适中,画面视觉效果更真实。(2)选取信息熵(IE)、平均梯度(AG)、标准差(SD)、自然图像质量评价指标(NIQE)、结构相似性(SSIM)和峰值信噪比(PSNR)作为评价指标,定量比较图像增强画面质量。结果表明非均匀照度图像增强算法在多种场景下处于相对领先地位。(3)消融实验结果表明,非均匀照度图像增强算法在NIQE,SSIM,PSNR这3个评价指标上均获得了最优结果。

结合空间注意力机制与多尺度分辨率融合的低光照图像增强方法

为了解决低光照条件下拍摄造成的对比度过低、颜色失真等多种图像内容退化问题,提出了一种结合空间注意力机制与多尺度分辨率融合的图像增强方法。首先基于Retinex理论,利用带有空间注意力机制的分解网络将低光照图像分解为光照图与反射图,并且在光照图中,采用伽玛校正对光照图拉伸光照对比度。然后在融合网络中,将校正过的光照图与反射图通过U-net网络,使高、低分辨率的特征图充分融合来生成最终的色泽度饱满、细节信息丰富的结果。提出的算法在LOL-dataset数据集的结构相似度指标为0.8032,比同类最优算法高出6.37%。

基于Retinex-UNet算法的低照度图像增强

针对Retinex应用于多种场景时,其约束和参数会受到模型容量限制的问题,提出了一种基于深度学习的低照度图像增强算法,并构建了新的网络架构Retinex-UNet(RUNet)。该架构包含图像分解网络与图像增强网络两部分,利用Retinex-Net网络思想,通过卷积神经网络(Convolutional Neural Network,CNN)学习并分解图像,将其结果作为增强网络的输入,对输入图像进行端对端训练。在增强网络中构建了基于U-Net的网络架构,其可对任意大小的图像进行增强。通过在公开数据集(LOL,SID)上验证表明,RUNet方法在效果上有所改进,尤其是整体视觉效果。

结合深度残差神经网络与Retinex理论的低照度图像增强

由于低照度图像不易于分辨其中的具体细节,难以对图像进行进一步的利用.为了提高低照度图像的可视性,解决传统U-net对图像特征提取不足的问题,利用深度残差网络的特征提取能力强的优点,提出了一种基于Retinex理论结合残差网络的增强算法.首先,使用一系列卷积和上采样来改进U型网络将图像分解为反射部分和光照部分;然后,为了更好地保留细节特征,一方面将分解得到的反射部分和光照部分通过一系列卷积块提取特征后送入构建好的残差网络中进行重建,从而得到初步重建的图像,另一方面将光照部分通过四层卷积层进行增强,得到调整后的光照分量;最后,将重建的图像和调整后的光照分量进行融合,得到最终的低光照图像增强图像.实验结果表明,改进算法有效地提高了图像暗光部分的可视性,同时增强了色彩深度和对比度,且相比于其他方法,在主观以及客观评价上均有较好的效果.

基于Retinex模型的弱光照图像增强算法

深度Retinex-Net算法利用了低/正常光图像具有相同反射率的约束条件,以数据驱动的方式实现了弱光照图像的增强。该算法解决了传统图像增强算法非线性表达能力不强以及增强后的图像不自然等一系列问题。但在该算法中分解出的照度分量模糊且不够平滑,以及对反射分量处理时采用的BM3D去噪操作没有考虑噪声对不同光照区域的影响,导致图像增强效果一般。鉴于Retinex-Net算法的局限性,提出了一种基于Retinex模型的弱光照图像增强算法。为了更准确地计算分解出照度分量的估计值,提出了一个照度分量平滑度损失函数来更好地学习分解的过程,并使用U-Net网络结构对反射分量中存在的噪声进行去噪,最后将两者进行融合得到增强后的图像。实验结果表明,该算法不仅能有效地提高主观视觉效果上的图像对比度、亮度和色彩饱和度,在客观评价指标上如PSNR和SSIM也均得到了进一步提高。