声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：43-1258/TP
国际刊号：1007-130X
发布日期:
作者：陈清江, 李金阳, 屈梅, 胡倩楠
单位：（西安建筑科技大学理学院，陕西 西安 710055）
关键词：低照度图像增强,残差网络,InceptionNet V1,卷积神经网络,特征融合,
基金：国家自然科学基金(61403298);陕西省自然科学基金（2015JM1024）
由于环境的不确定性，捕获的图像存在亮度低、对比度低和信息丢失严重等问题，且利用现存算法增强后的图像存在曝光过度问题，不能满足计算机视觉任务的输入要求。针对此问题,提出了基于端到端双网络的低照度图像增强方法，该网络由Inception网络模块与URes-Net模块组成。首先利用Retinex理论合成低照度图像样本;然后运用双网络模型进行特征提取、特征融合与重建，根据测试集的损失不断调整参数以优化模型,最终使双网络模型具有较高的低照度图像增强能力。实验结果表明,所提方法的PSNR和SSIM的均值分别为28.659 8 dB和0.896 6，亮度、对比度显著提高，获得的图像更加符合人类视觉，优于其他先进的低照度图像增强方法。
来源：2022年第11期
《计算机工程与科学》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。