文献类型：期刊文章

作　　者：张航瑛[1] 王雪琦[2] 王华英[2] 曹良才[1]

Zhang Hang-Ying;Wang Xue-Qi;Wang Hua-Ying;Cao Liang-Cai(State Key Laboratory of Precision Testing Technology and Instruments,Department of Precision Instruments,Tsinghua University,Beijing 100084,China;School of Mathematical Science and Engineering,Hebei University of Engineering,Handan 056038,China)

机构地区：[1]清华大学精密仪器系,精密测试技术与仪器国家重点实验室,北京100084 [2]河北工程大学数理科学与工程学院,邯郸056038

出　　处：《物理学报》

基　　金：国家自然科学基金(批准号:61827825)资助的课题.

年　　份：2022

卷　　号：71

期　　号：11

起止页码：77-85

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：当人们在低照度光照条件下拍摄图像时,图像通常会受到低可见度的影响.这种低可见度的图像不仅影响视觉效果而且对后续的使用造成诸多困难.为了解决低照度条件下图像可见度差,色彩偏差等问题,本文提出了一种改进的Retinex网络增强方法.该方法首先对低照度RGB图像进行HSV色彩空间变换,利用Retinex分解网络单独对明度分量进行分解增强,并通过上采样操作增大明度分量的分辨率.然后对色相分量和饱和度分量,运用最近邻点插值增大其分辨率,结合增强的明度分量转换回RGB色彩空间,得到初始增强图像.最后采用小波变换图像融合技术,与原始低照度图像进行融合,消除初始增强图像中的过度增强部分.实验结果分析表明,本文所提方法与原始Retinex网络方法相比,NIQE值平均下降了19.49%,图像标准差平均提升了41.35%.本文所提算法有望在安防监控、生物医学等领域得到有效应用.

关 键 词：图像增强 RETINEX 深度学习  图像融合

分 类 号：TP391.41]