馬鋮旭，曾上游，趙俊博，陳紅陽

(廣西師范大學(xué) 電子工程學(xué)院，廣西 桂林 541004)

圖像增強在藝術(shù)片的拍攝、監(jiān)控系統(tǒng)、衛(wèi)星圖像處理、醫(yī)學(xué)等領(lǐng)域應(yīng)用極為廣泛。逆光圖像一般指在極低照度、低照度、微暗照度等各類照度下產(chǎn)生的低亮度、低對比度的圖像。在極低照度下產(chǎn)生的圖像基本全是暗色區(qū)域，目前有許多針對該類逆光圖像增強的算法，但是常常因為嚴重的噪聲和圖像失真隱藏在圖像暗部而導(dǎo)致增強出來的圖像細節(jié)嚴重丟失。除了要滿足視覺需求還要保證最大程度地恢復(fù)圖像原有的細節(jié)，甚至在顏色飽和度、去噪等方面設(shè)置要求，這樣的圖像增強任務(wù)給人類帶來很大挑戰(zhàn)與強大的算法硬核。目前，國內(nèi)外對于逆光圖像增強技術(shù)逐步驗證：將傳統(tǒng)的圖像增強算法思想與現(xiàn)今研究熱點的卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，能在逆光圖像增強領(lǐng)域達到質(zhì)的飛躍。

傳統(tǒng)的圖像增強算法Retinex[1]不同于直方圖均衡化[2-3]，Retinex專注于局部增強，這在一定程度上解決了全局增強算法對圖像局部區(qū)域亮度增強不足的問題，可以在動態(tài)范圍壓縮、邊緣增強和顏色恒常3個方面達到平衡，因此能對不同類型的圖像進行自適應(yīng)增強。而直方圖均衡化利用灰度的統(tǒng)計特征，將原圖像的灰度分布從較為集中的區(qū)間映射到整個灰度區(qū)域均勻分布，從而達到圖像增強的效果[4-5]，往往容易導(dǎo)致圖像非逆光區(qū)域過度增強而出現(xiàn)顏色、細節(jié)丟失。多尺度Retinex[6]算法在增強過程中可以保持圖像的本質(zhì)特征，但受限于產(chǎn)生最終結(jié)果的方式, 增強出來的圖像會在某些區(qū)域過度增強，會出現(xiàn)圖像紋理不清晰、高頻區(qū)域突出不明顯等情況，基于Retinex理論改進的逆光圖像增強算法[7-11]應(yīng)運而生。文獻[12]基于Retinex理論，只估計光照分量，這樣做可以縮小解空間和減少計算量。但正因其依賴于光照分量，對極低照度圖像增強會因光照照度不夠?qū)е略鰪娊Y(jié)果過暗，對于低照度圖像的亮度過大的背景區(qū)域又會出現(xiàn)過度增強的現(xiàn)象。

近年來，學(xué)者們陸續(xù)提出了許多基于卷積神經(jīng)網(wǎng)絡(luò)的方法。文獻[13]提出了一個全局照明感知和細節(jié)保持網(wǎng)絡(luò)(GLADNet)，通過將輸入的低光照圖像與估計出的光照圖連接后輸入到三層網(wǎng)絡(luò)里重建，但該方法在低照度圖像增強中容易出現(xiàn)顏色和背景等失真問題。文獻[14]提出Retinex-Net網(wǎng)絡(luò)，作者受到傳統(tǒng)Retinex算法的啟發(fā)，將圖像先分解成光照分量和反射分量，而后對得到的光照圖進行增強處理，最后將增強后的光照圖與分解出來的反射圖進行相乘操作得到增強圖像, 從該方法可以看出圖像分解在某種意義上是可以達到增強圖像亮度的效果，但在去噪方面有待提升。文獻[15]的 KinD是目前低照度圖像增強領(lǐng)域先進的算法之一，在去噪和圖像增強方面相比較Retinex-Net有了質(zhì)的飛躍，但增強后的圖像會出現(xiàn)顏色飽和度不足等情況，并且其僅在極低照度圖像上處理完美，對于低照度逆光圖像的增強還有提升空間。

因此，為保證增強后的圖像質(zhì)量(包括在圖像顏色飽和度、去噪等細節(jié))的同時旨在擴大適用范圍，本文設(shè)計一種基于卷積神經(jīng)網(wǎng)絡(luò)的逆光圖像增強算法，并結(jié)合傳統(tǒng)的Retinex思想，構(gòu)建一種集分解、恢復(fù)、調(diào)節(jié)的新型網(wǎng)絡(luò)架構(gòu)(a new network architecture which integrates decomposition, recovery and adjustment inspired by Retinex), 簡稱RDRAnet。

1 RDRAnet總體設(shè)計

RDRAnet分為圖像分解、反射率恢復(fù)及光照調(diào)節(jié)3部分。Retinex的基本思想是從原始圖像中去除或者降低光照圖帶來的影響，盡可能保留物體本質(zhì)的反射屬性。受Retinex理論啟發(fā)，本文將圖像中反映物體本身特性的那一部分分解出來，稱之為反射圖，并對反射圖進行去噪、增強、紋理顏色保持等操作，對分解出的光照部分進行自適應(yīng)調(diào)節(jié)，將分解出來的圖像稱之為光照圖，最終將操作所得的光照圖和反射圖相乘得到增強圖像。本文恢復(fù)網(wǎng)絡(luò)中，考慮到逆光圖像的反射圖存在退化效應(yīng)且分布復(fù)雜，所以使用處于良好光照下的反射圖作為參考，這需要依賴于光照分布。引入光照分量，與圖像的反射分量連接后一起輸入到恢復(fù)網(wǎng)絡(luò)中。在恢復(fù)網(wǎng)絡(luò)中結(jié)合U-Net[16]思想并引入深度可分離卷積代替部分傳統(tǒng)卷積來實現(xiàn)圖像增強，與此同時加入顏色飽和度模塊，使得圖像增強過程中盡可能保留圖像原有的色彩飽和度。在調(diào)節(jié)網(wǎng)絡(luò)中，通過多次卷積運算提取圖像特征，并將增強比率作為特征圖與低光光照圖合并后作為調(diào)節(jié)網(wǎng)絡(luò)的輸入，從而實現(xiàn)能夠連續(xù)調(diào)節(jié)光照強度的機制。RDRAnet總體設(shè)計框架如圖1所示。

圖1 RDRAnet總體設(shè)計框架Fig. 1 Overall design block diagram of RDRAnet

2 本文算法

2.1 圖像分解

Retinex理論的基本假設(shè)是人眼觀察到的圖像S(x,y)由入射光L(x,y)與反射圖像R(x,y)決定，數(shù)學(xué)表達式為

S(x,y)=L(x,y)R(x,y)。

(1)

式中：L(x,y)指物體表面入射光，直接決定了圖像中像素所處的動態(tài)范圍；R(x,y)由物體表面的反射性質(zhì)所決定，能直接反映圖像的內(nèi)在屬性，且不易受到入射光的影響。受Retinex理論的啟發(fā)，本文將逆光圖像分解為反射圖和光照圖。

由圖1可知，分解網(wǎng)絡(luò)將逆光圖像與其相對應(yīng)的高光圖像作為輸入。具體的分解網(wǎng)絡(luò)細節(jié)如圖2所示。

圖2 分解網(wǎng)絡(luò)細節(jié)Fig. 2 Detail of decomposition net

采用典型的5層U-Net, 緊跟一個1×1卷積從特征空間投影出反射分量，最后使用Sigmoid函數(shù)將反射率約束在[0,1]范圍內(nèi)得到逆光圖像與高光圖像的反射圖。而光照圖由2個以ReLU作為激活函數(shù)的3×3卷積和一個3×3卷積連接到反射率分支的特征映射上，緊跟一個1×1卷積，便于信息融合，最后使用Sigmoid函數(shù)將光照分量約束在[0,1]范圍內(nèi)。

將原始空間解耦成2個類似的子空間，可以更好地正則化。實驗數(shù)據(jù)集中包含逆光圖像及其對應(yīng)的高光圖像。每次都獲取成對的逆光/高光圖像，并在逆光圖像和高光圖像的指導(dǎo)下學(xué)習逆光圖像及其對應(yīng)的高光圖像分解。因為物體反射率是固有屬性，不因光照變化而變化，所以假設(shè)圖像無退化，對于某個場景獲得的反射率應(yīng)該相同。光照有很多不確定因素，但結(jié)構(gòu)簡單且相互一致。為了更好地估計反射率和光照，本文為分解網(wǎng)絡(luò)設(shè)置了2個約束條件：1)逆光圖像與高光圖像共享反射率。2)光照映射平滑且相互一致。將以上2個約束條件作為損失函數(shù)嵌入到網(wǎng)絡(luò)中，采用數(shù)據(jù)驅(qū)動[14]方式提取各種照明圖像之間的反射率。

圖像分解部分的損失函數(shù)L由重建損失Lrec、不變反射率損失Lr、平滑度損失Ls和相互一致性損失Lm共4部分構(gòu)成，其表達式為

L=Lrec+λrLr+λsLs+λmLm。

(2)

式中λr、λs、λm分別為不變反射率損失、平滑度損失、相互一致性損失的系數(shù)。為了保證分解網(wǎng)絡(luò)的正確性，理論上分解出來的反射圖和光照圖相乘后得到的圖像要與原輸入的圖像相近。用Rlow、Ilow表示經(jīng)過分解網(wǎng)絡(luò)得到的逆光圖對應(yīng)的反射分量和光照分量，Rhigh、Ihigh表示經(jīng)過分解網(wǎng)絡(luò)得到的高光圖對應(yīng)的反射分量和光照分量，Slow、Shigh分別表示輸入的逆光圖像和高光圖像?；赗low與Rhigh都能使用相對應(yīng)的照明圖重構(gòu)圖像的假設(shè)，重建損失Lrec數(shù)學(xué)表達式為

Lrec=‖Shigh-RhighIhigh‖1+‖Slow-RlowIlow‖1。

(3)

使用不變反射率損失Lr來保證反射率盡可能一致，其數(shù)學(xué)表達式為

Lr=‖Rlow-Rhigh‖1。

(4)

通常情況下，在輸入圖像強邊緣區(qū)光照會發(fā)生較大變化，而在弱邊緣區(qū)，光照分布應(yīng)平滑。本文的平滑度損失Ls數(shù)學(xué)表達式為

(5)

(6)

2.2 圖像恢復(fù)

圖像恢復(fù)包括圖像去模糊[17]、圖像超分辨率重建[18]、圖像去噪[19]等。對于逆光圖像，其噪聲分布往往是不均勻的，噪聲大多分布在逆光區(qū)域，采用高光圖反射分量作為去噪?yún)⒖?，使用U-Net網(wǎng)絡(luò)對圖像進行增強，修復(fù)暗光缺陷。深度可分離網(wǎng)絡(luò)可以在既定感受野的情況下有限提高網(wǎng)絡(luò)深度進而提高非線性，使用深度可分離卷積代替U-Net中部分傳統(tǒng)卷積層來提取特征，可使得計算成本顯著降低的同時不降低算法性能，還能實現(xiàn)效率提升。

退化在反射上的分布相對復(fù)雜且強烈依賴于照明分布，本文將光照分量與退化的反射分量連接后一起輸入到恢復(fù)網(wǎng)絡(luò)中。使用3×3卷積層從圖像中提取特征，并使用ReLU作為激活函數(shù)，最大池化層的卷積核大小均為2×2?；謴?fù)網(wǎng)絡(luò)沿用U-Net思想，網(wǎng)絡(luò)前半部分對圖像進行特征提取，后半部分進行上采樣操作，將特征在通道維度上拼接在一起，有利于形成更深層次的特征。上采樣進行4次，將深層與淺層的特征圖進行結(jié)合，最后得到的恢復(fù)圖像既具有豐富的全局信息，又不丟失局部細節(jié)，并且圖像邊緣等信息更加精細。深度可分離卷積由一個深度卷積和一個逐點1×1卷積結(jié)合，深度卷積用來降低空間維度，1×1卷積可以很好地擴展深度。具體的恢復(fù)網(wǎng)絡(luò)細節(jié)如圖3所示。

圖3 恢復(fù)網(wǎng)絡(luò)細節(jié)Fig. 3 Detail of restoration net

圖3中用不同顏色的箭頭代表卷積、池化、上采樣等操作，用不同顏色的片狀框代表經(jīng)過相應(yīng)卷積等操作所得到的對應(yīng)特征圖。

逆光圖像的反射圖有相對多的降質(zhì)成分，本文恢復(fù)網(wǎng)絡(luò)將高光圖分解出來的反射圖作為去噪標簽，圖像恢復(fù)部分損失函數(shù)Lre由4部分組成，如式(7)所示，

Lre=L2+Lssim+Lgrad+λrgbLrgb。

(7)

Lssim是一種結(jié)構(gòu)相似性損失函數(shù)，考慮了亮度、對比度和結(jié)構(gòu)指標，更有助于接近人類視覺感知，通常情況下會比L1、L2損失函數(shù)產(chǎn)生的結(jié)果更具有細節(jié)，不會使得圖像過于平滑。本文將通過恢復(fù)網(wǎng)絡(luò)輸出的反射圖用Rout來表示。Lssim、L2、Lgrad的表達式為：

Lssim=SSIM(Rout,Rhigh)，

(8)

(9)

(10)

將原始圖像從RGB顏色空間變換到 HSI 顏色空間, 然后構(gòu)建網(wǎng)絡(luò)模型去增強亮度分量，最后從HSI顏色空間變換到RGB顏色空間得到增強圖像[20]的做法可以在一定程度上避免圖像顏色失真，但其過程繁瑣，本文在損失函數(shù)設(shè)計部分設(shè)計一個顏色飽和度損失函數(shù)Lrgb專門針對圖像在恢復(fù)過程中易出現(xiàn)顏色黯淡與圖像失真的問題。顏色飽和度不僅在視覺上扮演很重要的角色，在實際應(yīng)用中也相當重要，以監(jiān)控設(shè)備為例：若要對監(jiān)控系統(tǒng)中逆光圖像進行恢復(fù)增強，由于增強過度導(dǎo)致顏色出現(xiàn)偽影失真等，會導(dǎo)致判斷出現(xiàn)偏差。Lrgb的數(shù)學(xué)表達式為

(11)

式中c=0.1。

2.3 圖像調(diào)節(jié)

對分解網(wǎng)絡(luò)得到的逆光圖像的光照圖進行調(diào)節(jié)，并且將增強比率(目標光源與圖像光源間的比值)一起作為圖像調(diào)節(jié)網(wǎng)絡(luò)的輸入[15]。將增強比率記作α，其數(shù)學(xué)表達式為

α=Lt/Ls。

(12)

增強比率可根據(jù)用戶需要彈性設(shè)定，這也是本文算法適用性廣的優(yōu)勢之一。當逆光圖像(圖像光源)調(diào)節(jié)成高光圖像(目標光源)，增強比率大于1，曝光圖像(圖像光源)調(diào)節(jié)成高光圖像(目標光源)，增強比率小于等于1，本文實驗將其設(shè)置為2。α的設(shè)計使得調(diào)節(jié)網(wǎng)絡(luò)可以自適應(yīng)將一種光照條件轉(zhuǎn)換成另一種光照條件，這樣設(shè)計的好處是使得最終通過調(diào)節(jié)網(wǎng)絡(luò)輸出的光照分量不至于過亮或過暗，可以最大限度避免圖像失真。調(diào)節(jié)網(wǎng)絡(luò)部分通過多次重復(fù)使用3×3大小的卷積核進行卷積操作來加深網(wǎng)絡(luò)的同時減少參數(shù)數(shù)量，擴大感受野，通過疊加層將ReLU激活函數(shù)夾在卷積層之間，進一步提升網(wǎng)絡(luò)表現(xiàn)力。通過加深層，可以分層次傳遞信息，能夠高效地學(xué)習更高效的模式。最后一層卷積層使用1×1卷積核，便于圖像特征圖之間的信息融合。具體的調(diào)節(jié)網(wǎng)絡(luò)細節(jié)如圖4所示。

圖4 調(diào)節(jié)網(wǎng)絡(luò)細節(jié)Fig. 4 Detail of adjustment net

調(diào)節(jié)部分的損失函數(shù)Ladj的數(shù)學(xué)表達式為

(13)

(14)

(15)

3 實驗分析

3.1 數(shù)據(jù)集

LOL[14]數(shù)據(jù)集包含500張低照度圖像及500張與其一一對應(yīng)的高光圖像。LOL數(shù)據(jù)集是第一個包含從真實場景中獲取的用于低照度圖像增強的圖像對數(shù)據(jù)集[14]，該數(shù)據(jù)集從各種各樣的場景中捕捉圖像，例如：建筑物、校園、俱樂部、街道等，圖像分辨率為600×400，且其中大部分圖像為極低照度圖像。DICM[21]數(shù)據(jù)集與NPE[22]數(shù)據(jù)集中大多數(shù)圖像屬于低照度圖像或微暗照度圖像，且這2個數(shù)據(jù)集中的圖像均沒有相對應(yīng)的高光圖像作為參考。本文算法在LOL數(shù)據(jù)集上訓(xùn)練，為了驗證本文算法的普適性，在LOL (極低照度)、DICM、NPE(低照度或微暗照度)這些不同照度的數(shù)據(jù)集中選取圖像進行測試實驗。數(shù)據(jù)集示例如圖5所示。

圖5 LOL、DICM、NPE數(shù)據(jù)集示例Fig. 5 Demonstrations of LOL，DICM，NPE datasets

3.2 實驗平臺及參數(shù)設(shè)置

整個網(wǎng)絡(luò)在NVIDIA Geforce GTX1070 GPU 和 AMD Ryzen R9 3900X 12-Core Processor 3.8 GHz CPU上，搭載64 GiB內(nèi)存，使用Tensorflow框架進行訓(xùn)練。訓(xùn)練階段，在LOL數(shù)據(jù)集數(shù)據(jù)集上選取485對圖像作訓(xùn)練，15對圖像作為測試。在分解網(wǎng)絡(luò)中，批處理大小為10，圖像塊大小設(shè)置為48×48，迭代2 000次，損失函數(shù)系數(shù)λr=0.01,λs=0.15,λm=0.2。在恢復(fù)網(wǎng)絡(luò)中，批處理大小設(shè)置為4，圖像塊大小設(shè)置為384×384，迭代1 000次，顏色飽和度損失函數(shù)系數(shù)λrgb=3.3。在調(diào)節(jié)網(wǎng)絡(luò)中，批處理大小設(shè)置為10，圖像塊大小設(shè)置為48×48，迭代2 000次。

3.3 主觀對比

為了評估本文算法的性能，將本文算法與LIME[12]、GLAD[13]、Retinex-Net[14]、KinD[15]4種算法在視覺上進行主觀對比。出于本文算法在不同照度逆光圖像上的效果考慮，在以下不同照度數(shù)據(jù)集中選取大量圖像進行測試，包括LOL數(shù)據(jù)集、DICM數(shù)據(jù)集、NPE數(shù)據(jù)集。部分效果如圖6～8所示。

圖6(a)是LOL數(shù)據(jù)集中的一張極低照度圖像。增強效果看, LIME在亮度上有欠缺，GLAD、Retinex-Net噪聲過大。圖中橘色看臺區(qū)域，KinD在顏色飽和度上范圍為47%～72%，RDRAnet在色彩飽和度上范圍為50%～76%，數(shù)據(jù)集中高光原圖的色彩飽和度范圍為60%～81%，依據(jù)色彩飽和度越高色彩越鮮艷原則，本文RDRAnet處理的橘色看臺顏色更接近于高光圖像。在圖像左上角座椅上，RDRAnet細節(jié)也更突出。圖7(a)是NPE數(shù)據(jù)集上的一張低照度圖。從天空紋理與顏色分析，根據(jù)逆光圖像增強原則：圖像逆光區(qū)域亮度增強的同時，非逆光區(qū)域的亮度、細節(jié)、顏色要與輸入圖像的非逆光區(qū)域保持一致。從對比效果圖上可以看出，LIME與RDRAnet在天空紋理和顏色上最接近輸入原圖，LIME在天空的色彩飽和度范圍為28%～59%，RDRAnet在天空色彩飽和度上范圍為50%～76%，色彩飽和度數(shù)據(jù)顯示RDRAnet在色彩飽和度上優(yōu)于LIME。其他對比方法增強出來的天空顏色受亮度的影響泛白、泛紫，出現(xiàn)明顯失真。而在地面紋理方面，RDRAnet較為清晰，LIME略微欠缺。

圖6 與先進方法在視覺上的對比一Fig. 6 First visual comparison with advanced methods

圖7 與先進方法在視覺上的對比二Fig. 7 Second visual comparison with advanced methods

圖8(a)是DICM數(shù)據(jù)集上的一張微暗照度圖像。其中LIME-DETAIL、KinD-DETAIL、RDRAnet-DETAIL分別對應(yīng)于其方法所得到的增強效果圖的細節(jié)圖。GLAD在逆光區(qū)域增強亮度不夠，而在非逆光區(qū)域的亮度又過大導(dǎo)致天空失真。Retinex-Net色彩飽和度范圍在21%～89%，在顏色處理方面是所有方法中最優(yōu)的，但衡量增強效果的還有噪聲、紋理細節(jié)清晰度等指標，Retinex-Net在噪聲處理上有很大的提升空間。從圖中建筑物的柱子以及屋檐上的綠色花紋角度分析，RDRAnet的色彩飽和度范圍在16%～57%，KinD范圍在5%～26%，無論從色彩飽和度數(shù)據(jù)上還是視覺對比(通過放大細節(jié)圖可觀察)，RDRAnet在保證增強后的圖像不出現(xiàn)背景等失真的前提下，色彩飽和度也是較好的。

圖6～8分別來自3個不同的數(shù)據(jù)集，從主觀對比的效果圖可以看出，LIME算法在極低照度圖像上，對于遮擋部分亮度增強效果不好。GLAD算法整體亮度提高的同時會降低顏色飽和度以及在紋理等細節(jié)會丟失。Retinex-Net算法對于顏色的保留效果相當出色，但不能很好地解決噪聲問題。KinD算法是在極低照度圖像增強領(lǐng)域較先進的算法，但是其在圖像色彩飽和度等細節(jié)方面還有提升空間。而本文方法在反射圖上進行去噪、深度可分離卷積代替U-Net中部分傳統(tǒng)卷積等操作，可以最大程度地保留物體本身屬性在圖像增強過程中不丟失且保證去噪效果好。光照圖的自適應(yīng)調(diào)節(jié)可彈性選擇亮度，避免圖像亮度過暗或過亮導(dǎo)致的圖像失真問題。實驗表明，本文方法在極低照度、低照度、微暗照度的逆光圖像上均表現(xiàn)出色，并且在顏色飽和度上與較先進的方法對比有很大的提升，這離不開顏色飽和度損失函數(shù)的設(shè)計。

圖8 與先進方法在視覺上的對比三Fig. 8 Third visual comparison with advanced methods

3.4 客觀對比

主觀上的評價不夠充分，并且可能會因為設(shè)備顯示器差異、用戶本身喜好等產(chǎn)生偏頗。為了進一步驗證本文算法的可行性，使用結(jié)構(gòu)相似度指數(shù)(SSIM[23])、峰值信噪比(PSNR[24])、非參考圖像質(zhì)量評價方法(NIQE[25])對圖像質(zhì)量進行評估。由于SSIM和PSNR 2種評估方法適用于成對圖像數(shù)據(jù)集，所以在LOL數(shù)據(jù)集上選取15張圖像進行測試，為了保證對比的公正性，排除測試圖像中SSIM、PSNR極高或極低的情況， SSIM、PSNR的測試值均取15張測試圖像的平均值。用SSIM、PSNR對LOL數(shù)據(jù)集進行定量比較的結(jié)果見表1?？紤]到DICM和NPE數(shù)據(jù)集上的圖像均是無參照，本文分別在LOL、DICM和NPE 3個數(shù)據(jù)集中選取部分圖像進行NIQE評估，其結(jié)果如表2所示。

表1 用SSIM、PSNR對LOL數(shù)據(jù)集進行定量比較

表2 用NIQE對LOL、DICM、NPE數(shù)據(jù)集進行定量比較

SSIM與PSNR的值越高代表增強的圖像越接近于真實的高光圖像, 相反地，NIQE值越低則圖像質(zhì)量越好。由表1和表2可以看出，本文方法RDRAnet在極低照度圖像、低照度圖像、微暗照度圖像上，增強效果均強于其余算法。從主觀視覺以及客觀定量比較可以看出，本文算法具有可行性、普適性。

4 結(jié)語

本文將傳統(tǒng)的Retinex思想與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，將逆光圖像分解成光照圖和反射圖。在反射圖上進行去噪操作，光照圖上自適應(yīng)調(diào)節(jié)亮度。反射圖上進行增強操作，可以最大程度地保留圖像的顏色等細節(jié)，使得逆光圖像不會因為亮度過大而出現(xiàn)顏色失真、紋理丟失、銳化等現(xiàn)象，或因為亮度過暗而出現(xiàn)增強亮度不夠的現(xiàn)象。光照圖上的自適應(yīng)亮度調(diào)整可以依據(jù)用戶喜好，特定場景需要而自行設(shè)定其增強比率，更注重用戶感受，符合人工智能所遵循的理念。視覺效果和客觀數(shù)據(jù)均顯示本文算法在不同照度的逆光圖像上增強效果強，細節(jié)紋理有很大的提升，顏色更接近于事物本真?？梢姳疚幕诰矸e神經(jīng)網(wǎng)絡(luò)的逆光圖像增強算法適用范圍廣泛，增強性能優(yōu)異，在人工智能領(lǐng)域有較好的應(yīng)用潛力。對于圖像細節(jié)紋理的處理，未來工作考慮加入注意力機制以及更深層次的卷積神經(jīng)網(wǎng)絡(luò)進一步提取圖像特征。此外，還打算輕量化該方法或增加時序處理，以便本文方法能用于視頻后期處理。