基于深度卷積神經(jīng)網(wǎng)絡(luò)的低照度圖像增強(qiáng)方法

打開文本圖片集

摘  要：低照度條件下的圖像細(xì)節(jié)和紋理難以分辨，導(dǎo)致信息丟失嚴(yán)重，傳統(tǒng)增強(qiáng)方法需要大量人工調(diào)參、效率低且增強(qiáng)后細(xì)節(jié)不突出。為解決這一問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的低照度圖像增強(qiáng)模型，其通過數(shù)據(jù)驅(qū)動的網(wǎng)絡(luò)結(jié)構(gòu)自動學(xué)習(xí)低照度圖像的分解與增強(qiáng)，并通過端到端訓(xùn)練更新模型參數(shù)。模型包括分解網(wǎng)絡(luò)、光照調(diào)整網(wǎng)絡(luò)和降噪模塊，并在分解網(wǎng)絡(luò)和光照調(diào)整網(wǎng)絡(luò)中加入卷積塊注意力模塊（CBAM），以更全面地捕獲圖像中的重要信息。（剩余10971字）