这是2017年ICIP的一篇论文,使用一个联合架构对图像进行增强。首先,是一个去噪网络;然后使用可以自动根据通道亮度优先设置转换函数的增强网络;此外,还设定了一个额外的估测周围环境亮度的过滤器。
过去的方法包括基于retinex理论的方法,这个方法假定去除光照影响可以增强低照图像,但是这种方法是对RGB图像进行处理的,容易造成颜色失真;基于直方图均衡化的处理,主要用来增加图像的对比度,但是其对较暗区域处理效果比较差,造成颜色失真;最近还有基于去雾算法的增强算法,以及黑暗通道优先的方法,当然这些方法缺少一些成熟的理论,处理出的图像也过于夸张。论文提出基于大气散射的光照模型去增强低照图像。
网络的处理流程分为两步,第一步是去噪,第二步是对去噪后的图像做亮度增强,网络框架如下所示:
一般的去噪算法是通过估测图像中高斯白噪声的方差去噪,而这里则是通过DCNN进行去噪。在网络里这里通过将图像分成一个个Patch方便处理,通过将残差图加上原有的噪声图作为输出,和无噪声图像进行比较进行训练。这和VDSR的思路很像,最后的实验结果在暗光下效果较好,如下图所示:
低照图像增强模型是基于大气散射模型的,表达式如下所示:
E(d,λ)=E0(λ)e−β(λ)d+E∞(1−e−β(λ)d) E ( d , λ ) = E 0 ( λ ) e − β ( λ ) d + E ∞ ( 1 − e − β ( λ ) d )
其中 E(d,λ) E ( d , λ ) 是相机获取的图像, E0(λ) E 0 ( λ ) 是没有衰减的原始物体图像, β(λ) β ( λ ) 是散射系数,d是物体和观测之间的距离,