基于Retinex模型的低光照图像增强算法研究

在弱光或者逆光环境下，光学成像设备获取的图像不仅会导致视觉体验不佳，还可能造成可见度低、颜色失真和存在测量噪声的影响，降低视觉系统后续处理的性能。为了提高图像的可见度和视觉系统的性能，本文提出了一种基于Retinex模型的端对端的低光照图像增强算法。该算法改进了基于最大熵的Retinex模型，并采用自适应动态调整曲线增强该模型分解的光照图的对比度，并融合分解出的反射图得到最终的增强图像。该算法是非常轻量级的，训练时间仅需80 s。实验结果表明，该方法与现有代表性方法相比，在视觉效果和常用的四个客观图像评估指标上，均有很强的竞争优势。

在现实生活中，图像是传递信息的重要媒介之一。在光照不足、天气和摄影设备等因素的影响下， 获取的图像在视觉上会给人不好的观感体验。比如，图像中可能伴随着细节丢失、颜色失真和有效信息模糊不清等缺陷。在弱光或者背光条件下，获取的图像可能存在曝光不足。尽管可以通过增加曝光时间来获得明亮的图像，但是该方式在动态的环境下很难进行。在计算机视觉的应用中，如目标检测、跟踪和工业图像[1]等领域中， 低光照图像不仅严重影响视觉效果， 而且还使得视觉系统无法捕捉到有效信息， 甚至会导致错误信息的传达。

针对上述的这些问题，国内外研究人员提出了许多方法。早期，直方图均衡化及其改进方法是一种被广泛使用的传统图像增强方法。文献[2]提出了一种动态的直方图均衡化方法，克服了传统直方图均衡化的缺点，对图像的对比度进行了适当的增强。由于直方图均衡化存在过分增强的问题，近年来基于Retinex 理论的传统方法受到人们的青睐。文献[3]通过求RGB 三通道中每个像素的最大强度值来构造光照图，并利用光照结构对光照图进行细化。文献[4]提出了一种加权变换模型，用于同时估计反射图和光照图。

基于Retinex 理论的传统方法主要是将图像分解为反射图和光照图， 然后分别对其做一些增强处理得到最后的结果[5] [6] [7] [8]。

随着深度学习的出现和发展，基于深度学习的方法在各个领域中都取得了不错的成果。例如图像去噪[9]、图像去雨[10]、图像去雾[11]等等。文献[12]提出了一种基于深度自编码的方法来识别弱光图像中的信号特征， 并在高动态范围内对图像中较亮部分进行自适应加亮处理。

文献[13]通过估计图像到光照的映射来增强曝光不足的图像，并基于各种光照约束和先验知识设计了一种新的损失函数进行网络训练。

文献[14]采用一种高效的无监督生成对抗网络进行训练，使用输入图像提取的信息来规范未配对的数据。

文献[15]提出了一种零参考的深度曲线估计方法， 通过深度网络将图像映射为像素参数， 并输入到特定曲线中进行增强。文献[16]提出了一种基于最大熵的Retinex 模型，在模型中引入约束条件以实现自监督的学习。

文献[17]设计了一个深度递归网络， 将配对监督学习获得的先验信息与感知的视觉质量信息相联系。

文献[18]通过Retinex 模型对图像进行分解得到反射图和光照图，对反射图进行去噪操作，对光照图的亮度进行调整，得到增强后的图像。

虽然上述的这些方法在一定程度上能较好地实现低光照图像增强，但是仍存在以下的一些问题。目前，主流的方法可以分为以下两类，基于监督学习的方法和无监督学习的方法。基于监督学习的方法存在一个缺陷，一般需要大量配对的数据集进行训练。数据集的制作和收集需要大量的时间成本和人力成