基于收缩场学习的Retinex低照度图像增强

摘要：

为增强低照度图像和抑制噪声,提出了一种通过学习收缩场(SF)改进Retinex分解的图像增强方法.首先,构造新的目标函数,在正则项中引入2组不同的高阶滤波器分别约束未知的反射图和照明图.高阶滤波器可以学习到多种激活模式,有利于在恢复反射图的同时抑制噪声污染.然后,在优化目标函数时通过求解收缩场更新隐变量,参数化的压缩函数可以自适应地调整相应滤波器在反射图和照明图上的响应.最后,在每个级联内更新照明图之前,嵌入一个辅助的收缩场,以抑制噪声和不良伪影的传播,从而更精确地估计照明图.实验结果表明,所提方法取得的峰值信噪比(PSNR)和结构相似性(SSIM)均高于当前最新的低照度图像增强方法.

关键词：低照度图像、Retinex模型、图像增强、图像去噪、收缩场(SF)模型

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家重点研发计划;北京市自然科学基金;北京市自然科学基金;北京市自然科学基金

在线出版日期：2020-09-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1711-1720