低光照图像增强算法的研究与实现

摘要

随着人工智能技术的发展，图像增强算法已逐渐成为计算机视觉领域的一项重要工作，但由于低照度图像
亮度不够、对比度不高、噪声大等问题导致信息严重丢失，影响视觉任务的精度和稳定性。传统增强算法（直方图
均衡化、Gamma校正、Retinex模型等）虽然针对图片具有一定的改善效果，但针对自然场景图像增强效果仍有包括
色彩失真、细节丢失等缺陷。本文提出一种基于深度曲线估计（DCE）的低光照度图像增强方法，使用轻量化卷积
神经网络来实现通过自监督学习自动学习亮度映射函数，并且实现了图像亮度和颜色的自然恢复。本文详细地介绍
了模型的设计原理、损失函数构建以及实验验证的过程，并且进行了多数据集的对比试验，经过对比试验可以看出，
本文方法相比其他算法而言，客观性能更好，同时对于人眼来说更有真实感、细节保留更多。