低照度图像的亮度、噪声和对比度等具有非均匀分布的特性,然而现有的低照度图像增强(LLIE)算法未能充分利用这些特性,在增强过程中容易导致细节丢失、颜色失真和视觉不连贯等问题,从而影响图像的视觉质量。针对上述问题,提出噪声与语义...低照度图像的亮度、噪声和对比度等具有非均匀分布的特性,然而现有的低照度图像增强(LLIE)算法未能充分利用这些特性,在增强过程中容易导致细节丢失、颜色失真和视觉不连贯等问题,从而影响图像的视觉质量。针对上述问题,提出噪声与语义先验引导的LLIE算法,以自适应地考虑低照度图像中不同区域的特性及其语义信息。具体来说,设计一种新的基于图像块分类的全局特征提取网络(ICGFE)提取全局特征,引入基于信息补偿的局部特征提取网络(ICLFE)提取局部特征,并提出基于噪声先验引导的特征融合策略对具有不同特性的图像区域进行自适应增强操作;此外,提出新的语义先验引导的颜色损失函数保持实例颜色的一致性。在公开数据集LOL(LOw-Light dataset)上的实验结果表明,所提算法相较于Retinex和DeepUPE(Underexposed Photo Enhancement using Deep illumination estimation)等算法,峰值信噪比(PSNR)提高了1.9%~89.1%,结构相似性(SSIM)也取得了较好的结果。可见,所提算法能自适应增强具有不同特性的图像区域,并且在颜色恢复、细节纹理还原和噪声抑制等方面均具有明显优势。展开更多
文摘低照度图像的亮度、噪声和对比度等具有非均匀分布的特性,然而现有的低照度图像增强(LLIE)算法未能充分利用这些特性,在增强过程中容易导致细节丢失、颜色失真和视觉不连贯等问题,从而影响图像的视觉质量。针对上述问题,提出噪声与语义先验引导的LLIE算法,以自适应地考虑低照度图像中不同区域的特性及其语义信息。具体来说,设计一种新的基于图像块分类的全局特征提取网络(ICGFE)提取全局特征,引入基于信息补偿的局部特征提取网络(ICLFE)提取局部特征,并提出基于噪声先验引导的特征融合策略对具有不同特性的图像区域进行自适应增强操作;此外,提出新的语义先验引导的颜色损失函数保持实例颜色的一致性。在公开数据集LOL(LOw-Light dataset)上的实验结果表明,所提算法相较于Retinex和DeepUPE(Underexposed Photo Enhancement using Deep illumination estimation)等算法,峰值信噪比(PSNR)提高了1.9%~89.1%,结构相似性(SSIM)也取得了较好的结果。可见,所提算法能自适应增强具有不同特性的图像区域,并且在颜色恢复、细节纹理还原和噪声抑制等方面均具有明显优势。
基金Supported by the National Natural Science Foundation of China under Grant Nos.6057503760502043(国家自然科学基金)the National High-Tech Research and Development Plan of China under Grant No.2006AA01Z107(国家高技术研究发展计划(863))
