该论文介绍了2017年ICIP上的一种利用深度卷积网络（CNN）和亮度通道优先（Bright Channel Prior）对低光照图像进行增强的方法。论文提出先用去噪网络处理图像，再通过结合大气散射模型的增强网络来优化亮度。与传统方法如Retinex理论、直方图均衡化和去雾算法相比，该方法在保留图像细节和对比度方面表现出色。
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，
最低0.47元/天 解锁文章
1391
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
