基于Retinex模型的低光图像增强网络的设计与实现

[37]17.370.664.68RetinexDIP16.290.626.51泛化能力评价RetinexDIP对单张图像迭代增强，不具备传统意义上的泛化能力：（1）RetinexDIP采用无监督学习方法，它直接对单张低光图像进行操作，通过优化损失函数来分解和增强图像。这种特性使其不依赖于大规模标注数据集，因此特别适合在数据稀缺的情况下应用。（2）RetinexDIP的设计目标是针对单张图像的增强，而不是在多种不同场景下进行统一的模型训练。因此，它更注重对单张图像的细节增强和光照调整，而不是在不同类型的图像上保持一致的性能表现。（3）传统的泛化能力通常指模型在未见过的数据上保持稳定性能的能力，这通常需要大量的多样化的数据进行训练。RetinexDIP由于采用无监督的单图像迭代方式，没有在大规模数据集上进行监督学习，因此不具备传统意义上的广泛泛化能力。模型结构对比实验优化模型对比实验本文的低光图像增强框架参考了2021年Zhao等人提出RetinexDIP框架。本文模型称为RetinexDIP-Opt，和RetinexDIP模型都是DIP的具体实现。RetinexDIP-Opt和RetinexDIP模型结构不同，是对RetinexDIP模型的优化，而且解决了RetinexDIP模型增强效果不稳定问题。原论文的RetinexDIP模型结构细节如下图所示：RetinexDIP模型结构REF_Ref198137132\r\h图4.6可以看到RetinexDIP整体为三层编码器-解码器结构。RetinexDIP的核心为下采样模块和上采样模块，这两个模块包含了一种类似于残差连接的结构。这种残差连接和ResNet的基本残差块不同，即：当前层的输入为前面所有层输出的累加。RetinexDIP的多级残差块设计其主要目的是通过跳跃连接将输入直接传递到后续层，从而缓解梯度消失或爆炸问题，并帮助模型更有效地学习特征。RetinexDIP-Opt的增强效果改进对比图如下图所示：RetinexDIP-Opt增强效果对比图(1)RetinexDIP-Opt增强效果对比图(2)REF_Ref198145539\r\h图4.7的(a)，(b)和(c)中都可以看到RetinexDIP存在非常严重的局部区域过曝光问题，影响图像整体质量和真实性。REF_Ref198145379\r\h图4.8的(d)可以看到RetinexDIP存在色彩失真问题，树叶是过于鲜艳的蓝绿色，失去了原本的自然色彩和细节。(e)中教堂的公示牌存在阴影，教堂主体的红色砖墙颜色有些偏浅，色彩的还原度不够高。(f)中同样会出现过曝光问题，而且路灯光源处形成了明显的光晕和过亮区域。以上这些问题在RetinexDIP-Opt的增强结果图像中均未存在。RetinexDIP-Opt有效地解决了过曝光问题，具有更稳定、高质量的图像增强效果。而且RetinexDIP-Opt在图像自然度、色彩饱和度和细节恢复方面均优于RetinexDIP。注意力模块消融实验相比原论文的RetinexDIP模型，RetinexDIP-Opt模型最大的不同点是在解码器结构中增加了注意力模块。为了验证注意力模块对增强效果的影响，这里选择在DICM数据集上对比去除注意力模块的RetinexDIP的低光图像增强效果。注意力模块对Retinex低光图像增强的影响REF_Ref198145579\r\h图4.9可以看到在Gamma值都设置为0.7时，去除注意力模块的RetinexDIP-Opt的增强图像放大区域的细节模糊，噪点明显，而且细节相对模糊，尤其是在放大区域（如行星和地面）。(c)去除注意力模块的RetinexDIP-Opt在图像边缘会出现条状的噪声。在有注意力机制的情况下，图像增强效果表现出了更多的细节和更清晰的结构。对比结果证明了RetinexDIP-Opt的注意力模块不可或缺。注意力模块可以稳定模型的增强结果，进一步提升了模型的极限性能。总结与展望设计总结考虑到低光图像的带来的较差视觉观感和计算机视觉算法部署的局限性，本设计基于Retinex理论与深度学习方法进行低光图像增强，本论文的主要工作：（1）采用RetinexDIP低光图像增强框架，结合生成式深度学习模型，将Retinex分解问题转化为无监督的生成任务。通过随机初始化的深度网络，从单张低光图像中分离反射分量与光照分量。（2）多目标损失函数：设计多目标损失函数来指导Retinex分解。（3）光照图像调整：利用伽马校正调整光照分量，结合Retinex原理重建增强图像。（4）实验验证：在多个公开数据集上进行实验验证，评估增强效果（包括主观增强效果和客观增强效果）。通过与原论文的RetinexDIP模型进行对比，验证了RetinexDIP-Opt模型的优越性。消融实验验证RetinexDIP-Opt模型结构的有效性。未来工作展望本设计的RetinexDIP低光图像增强框架在数据集上表现较好，与其他低光图像增强模型对比也占有优势，但在实际应用中仍然存在缺陷：（1）当Gamma值较大时，灰度值较低的区域可能会出现噪点（极限性能）。（2）损失函数设计过于简单，可能不能准确估计光照图和反射图。（3）模型训练时间过长，需要消耗大量算力资源。后续工作会针对性地弥补这些缺陷，进一步提升RetinexDIP框架的增强性能。参考文献JiaX,FangS,ZhouS,etal.ALow-lightImageEnhancementMethodBasedonImprovedU-NetArchitectureforNighttimeTrafficSceneImageRecovery[C]//中国公路学会,中国航海学会,中国铁道学会,中国航空学会,中国汽车工程学会.2024世界交通运输大会(WTC2024)论文集（水上运输与交叉学科）.SchoolofInformationEngineering,Chang'anUniversity;,2024:442-449.AosimanA,AbulijiangA,AbulikemuA,etal.MedicalImageEnhancementAlgorithmBasedonHistogramEqualizationandDyadicWaveletTransform[C]//InternationalAssociationofAppliedScienceandEngineering.Proceedingsofthe20203rdInternationalConferenceonComputerScienceandSoftwareEngineering(CCSE2020).CollegeofMathematicalSciencesXinJiangNormalUniversity;CollegeofMathematicsXinJiangTeacher'sCollege;,2020:187-191.HanG,PingW,JunK.ColorenhancementandimagedefogginginHSIbasedonRetinexmodel[J].BeijingInstituteofTechnology(China);XidianUniv.(China);Xi'anInstituteofOpticsandPrecisionMechanics(China);Univ.ofWisconsin-Madison(UnitedStates),2015,9622962203-962203-8.赵珂洁.基于多尺度和注意力机制的图像去雾算法研究[D].西安理工大学,2024.WeiC,WangW,YangW,etal.Deepretinexdecompositionforlow-lightenhancement[J].2018,arXiv:1808.04560.顾梅花,丁梦玥,董晓晓.改进RetinexNet的低光照图像增强方法[J].西安工程大学学报,2025,39(02):84-92.CaiY,BianH,LinJ,etal.Retinexformer:One-stageRetinex-basedTransformerforLow-lightImageEnhancement[C]//ProceedingsoftheIEEE/CVFInternationalConferenceonComputerVision.2023:649-666.ZhangR,IsolaP,EfrosAA.ColorfulImageColorization[J].EuropeanConferenceonComputerVision.2016:649-666.ZhaoZ.J.,XiongB.S.,WangL.,OuQ.F.,YuL.,KuangF.RetinexDIP:Aunifieddeepframeworkforlow-lightimageenhancement[J].IEEETransactionsonCircuitsandSystemsforVideoTechnology,2022,32(3):1076-1088.汶怡春.基于模型先验的低照度图像增强方法研究[D].西安理工大学,2024.LandEH,McCannJJ.Lightnessandretinextheory[J].JournaloftheOpticalSocietyofAmerica,1971,61(1):1–11.孙浩翔.基于深度学习和Retinex理论的低照度图像增强算法研究[D].南京信息工程大学,2024.JobsonDJ,RahmanZ,WoodellGA.PropertiesandPerformanceofaCenter/SurroundRetinex[J].IEEETransactionsonImageProcessing,1997,6(3):451-462.JobsonDJ,RahmanZ,WoodellGA.AMultiscaleRetinexforBridgingtheGapBetweenColorImagesandtheHumanObservationofScenes[J].IEEETransactionsonImageProcessing,1997,6(7):965–976.JobsonDJ,RahmanZU,WoodellGA.AnautomatedmultiScaleRetinexwithColorRestoration[C]//ProceedingsoftheSPIE.1996,2726:144-154.ShahV.AIModelsforWildlifePopulationDynamics:MachineLearningvs.DeepLearning[J].JournalofBasicandAppliedResearchInternational,2025,1-12.HeK,ZhangX,RenS,SunJ.DeepResidualLearningforImageRecognition[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2016:770-778张好徽.基于多特征融合残差网络和时空混合网络的结构健康监测算法研究[D].南昌大学,2024.RonnebergerO,FischerP,BroxT.U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation[C]//MedicalImageComputingandComputer-AssistedIntervention-MICCAI2015.2015:234-241.古东鑫.基于多尺度特征融合的医学图像分割[D].陕西科技大学,2023.UlyanovD,VedaldiA,LempitskyV.DeepImagePrior[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2018:9446–9454.孟东东.基于Retinex理论和深度学习的低照度图像增强[D].南京信息工程大学,2024.陈人和,赖振意,钱育蓉.改进的生成对抗网络图像去噪算法[J].计算机工程与应用,2021,57(05):168-172.吴鹏飞.基于Retinex理论和深度学习的低照度图像增强研究[D].南京邮电大学,2023.RahmanS,RahmanMM,Abdullah-Al-WadudM,etal.Anadaptivegammacorrectionforimageenhancement.[J].EURASIPJ.ImageandVideoProcessing,2016,2016(1):1-13.陈红阳,曾上游,赵俊博.基于Retinex改进的低照度图像增强网络[J].计算机应用与软件,2025,42(01):158-166.Wang,S.H.,Zheng,J.,Hu,H.M.andLi,B.(2013)NaturalnessPreservedEnhancementAlgorithmforNon-UniformIlluminationImages.IEEETransactionsonImageProcess,22,3538-3548.兰崇嘉.基于深度学习的眼底图像分割算法研究[D].辽宁科技大学,2023.苏庆华,牟建宏,梁文辉,等.用于目标检测的多头混合自注意力机制[J].激光与光电子学进展,2025,62(06):379-390.Wang,Z.,Bovik,A.C.,SheikhH,R.andSimoncelli,E.P.(2004)ImageQualityAssessment:FromErrorVisibilitytoStructuralSimilarity.IEEETransactionsonImageProcess,13,600-612.Mittal,A.,Soundararajan,R.andBovik,A.C.(2013)Makinga“CompletelyBlind”ImageQualityAnalyzer.IEEESignalProcessLetters,20,209-212.Fu,X.Y.,Zeng,D.L.,Huang,Y.,Zhang,X.-P.andDing,X.(2016)AWeightedVariationalModelforSimultaneousReflectanceandIlluminationEstimation.2016IEEEConferenceonComputerVisionandPatternRecognition,Vegas,27-30June2016,2782-2790.Yang,W.H.,Wang,S.Q.,Fang,Y.M.,Wang,Y.andLiu,J.(2020)FromFidelitytoPerceptualQuality:ASemi-SupervisedApproachforLow-LightimageEnhancement.2020IEEE/CVFConferenceonComputerVisionandPatternRecognition,Seattle,13-19June2020,3060-3069.Guo,X.J.,Li,Y.andLing,H.