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。

在实际生活中，夜间拍摄是不可避免的。在夜间光照条件下，光线来源复杂，强度参差不齐，造成了图像的总体亮度偏弱，成像质量差，缺乏足够的色彩，从而造成了对影像的准确判别。为此，越来越多的研究人员投入到图像增强工作中，针对低照度图像的特点，提出不同的算法以提升图像的亮度、对比度、饱和度、细节，消除噪声的影响以及矫正出现的色彩偏差等等。不少犯罪分子选择在夜间进行违法活动，为了打击违法犯罪，同时为了更好地进行人脸识别、行为识别、刑侦分析、信息检索、车牌识别，对低照度图像增强的研究具有重要的现实意义。

在此之前，大量的传统低照度图像增强算法已被提出，主要包括色调映射、背景融合、直方图均衡化、模型四类算法[1] [2] [3] [4] [5]。色调映射技术产生于20 世纪90 年代，该算法就是为了使图像真实地出现在显示器上而生。此外，另一种常用的处理方法是直方图均衡化，经过统计我们发现低照度图像灰度直方图往往集中在灰度值较小的区域，该方法就是通过某种函数将整体图像的灰度值范围拓展，达到提高图像清晰度的目的。2005 年，李江等人提出了一种基于背景融合的低照度图像增强技术，该方法利用在相同地点的普通光照条件下，将低照度图像的亮度与普通照度图像进行融合，从而达到提高亮度的目的。在20 世纪60 年代，Edwin. H. Land 提出Retinex 理论，通过模仿人类视觉系统发展了Retinex算法，该理论以色感一致性为基础，认为人类眼睛所看到的对象的色彩和亮度是由对象在各种波长上的反射率决定的，而与照明的强弱没有关系。暗通道先验算法早期被用于图像去雾，后来有人将低照度图像灰度直方图进行反转，得到的反转后的低照度图像灰度直方图与雾天图像灰度直方图近似，因此可以先对灰度直方图反转后的图像使用算法进行去雾处理，再进行翻转可以间接实现图像增强。

近年来，随着深度学习的快速发展，Lore 等人[6]在2017 年提出了一种利用深度学习进行图像增强的算法LLNet，它能够从低光照的图像中辨识出信号的特性，并不对高动态范围图像中较亮区域进行过度放大，实验表明基于合成数据训练的自编码器能够去噪并对图像进行增强。在2018 年，Wei 等人[7]提出Retinex-Net 网络， 该网络利用不同光照强度的图像反射率保持不变这一特性让正常/低光照图像对共享反射率，然后整体结构使用分解网络和调整网络，最终在自己搜集制作的数据集上实验得到良好的效果。受到Retinex-Net 算法启发，Zhang 等人设计了KinDNet [8]，该算法与Retinex-Net 算法类似，同样采用分阶段模式，包括图像分解、光照图调整、反射图恢复三个模块， 实验表明增强效果表现良好。

2018年， Jiang 等人[9]提出了基于生成对抗网络的EnlightenGAN 算法引入不成对的学习来训练光照增强模型， 使用全局–局部鉴别器和自正则注意力机制对模型进行训练，和之前的深度学习算法有所不同的是，那些都需要配对的图像数据对模型训练，该算法是无监督的不需要成对的数据，减小了合成数据集对于实