-
题名融合残差结构与注意力机制的暗光图像增强算法
- 1
-
-
作者
刘瑶
贾晓芬
-
机构
安徽理工大学电气与信息工程学院
-
出处
《重庆工商大学学报（自然科学版）》
2024年第4期86-96,共11页
-
基金
国家自然科学基金面上项目(52174141)
安徽省重点研究与开发计划资助项目(202104A07020005)
+1 种基金
安徽省自然科学基金面上项目(2108085ME158)
安徽高校协同创新项目(GXXT-2020-54)。
-
文摘
目的低光工况或拍摄技巧影响都可能获得低光照图像,为解决此类图像对比度低、噪声大、颜色失真等问题,提出一种卷积神经网络增强模型RetKIND,包括分解网络、亮度调整网络和降噪网络。方法它借助残差模块(RB)和跳跃连接,有效抑制分解网络在分解时产生的噪声;融合U-Net架构、空洞卷积和EBAM高效注意力机制构建降噪网络,利用空洞卷积扩大感受野,提取更多图像信息,提高EBAM在通道和空间上提取反射图的细节、纹理、颜色等特征的能力,实现图像去噪;由UC(亮度调整网络中的自定义模块)和普通卷积组成亮度调整网络,旨在减少光照图细节缺失,提高光照分量对比度。融合去噪后的反射分量和增强后的光照分量,得到正常光照图像。结果仿真结果表明:在LOL数据集上,相较R2RNet,FPSNR和FSSIM值分别上升了6.2%和4.2%;相较URetinex-Net,FPSNR和FSSIM值分别上升了5.9%和1.2%;相较DEANet,FPSNR和FSSIM值分别上升了2.9%和1.1%。结论Ret-KIND模型既能提升图像亮度,又能降低图像的噪声,有助于推动低光图像增强模型应用到目标检测领域。
-
关键词
低光照图像增强
去噪
RB残差模块
ebam注意力机制
RETINEX理论
-
Keywords
low-light image enhancement
denoising
RB residual module
ebam attention mechanism
Retinex theory
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
