基于生成对抗网络的低光图像增强算法研究

摘要

低光图像增强技术是一个非常具有实用价值的研究课题，对低光图像进行增强不仅能够提升低光图像的主观感受，还能有效提升各类基于可见光的计算机视觉系统以及相关视觉图像算法的性能和效果。然而传统的低光图像增强算法往往会导致图像颜色失真和细节丢失，基于深度学习的低光图像增强方法又大多依赖成对的合成训练数据，存在一定的局限性，因此如何克服这些问题，获得更好的低光增强效果是低光图像增强领域的一个重要研究内容。工作如下：　　提出了一种基于生成对抗网络的低光图像增强算法，采用图像翻译的基本思想来处理低光图像增强任务，将低光图像增强定义为低光图像域到正常光图像域的转换，此基础上设计了一个包含两个生成对抗网络的增强模型，其中一个生成对抗网络将低光图像转换到正常光图像，再由另外一个逆向的生成对抗网络重建回低光图像，通过约束原低光图像与重建的低光图像之间的距离进行训练，基于以上结构设计，该算法模型不依赖成对的数据集，能够在非成对的低光图像数据集上进行训练，同时在成对的低光-正常光图像数据集以及非成对的低光图像数据集上对该算法进行了验证，实验证明该算法具有很强的泛化能力，能够有效避免其他算法存在的过度增强、颜色失真以及细节丢失等现象。　　提出了一种深监督Unet++生成器网络结构。研究过程中发现U-Net结构的生成器网络比深度残差网络结构的生成器网络更加轻量，具有内存占用小，运行速度快的特点，然而基于U-Net结构的生成器网络在低光图像增强任务中表现不佳，使用该结构生成的图像往往存在严重的颜色失真和特征丢失等问题，因此对生成器网络的结构进行了进一步的研究。首先介绍了U-Net网络的结构并分析了其存在的不足，然后介绍了带深监督的Unet++网络，创新性的对该结构进行了系列改进并引入生成对抗网络作为生成器网络使用，提出了一种深监督Unet++生成器网络结构，该结构能够同时有效利用图像的浅层特征和深层特征，且能够同时监督不同深度的U型网络的输出，介绍了改进后的模型总体架构以及引入深监督后的模型训练方法，通过对比实验验证了该结构的有效性。　　设计实现了一个低光图像增强系统，该系统主要为提出的算法提供一个训练，测试以及展示的平台，同时也可以作为其他基于可见光图像的计算机视觉系统或相关任务的预处理系统使用。

目录

声明

第 1 章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1传统的低光图像增强算法

1.2.2基于深度学习的低光图像增强方法

1.3 本文主要研究内容及结构安排

第 2 章 低光增强理论及生成对抗网络概述

2.1 引言

2.2 传统低光图像增强算法

2.2.1 直方图均衡化 HE

2.2.2 视网膜增强算法

2.3 基于深度学习的方法

2.3.1 基于深度自编码的低光增强算法 LLNet

2.3.2 深层视网膜分解低光增强算法 RetinexNet

2.4 生成对抗网络模型

2.4.1 生成对抗网络基本原理

2.4.2 最小二乘生成对抗网络 LSGAN

2.4.3 循环一致性生成对抗网络 CycleGAN

2.5 本章小结

第 3 章基于无监督学习的低光增强算法

3.1 引言

3.2非成对数据集上的低光图像增强问题

3.2.1 成对数据集与非成对数据集

3.2.2 在非成对数据集上定义低光图像增强问题

3.3 模型总体架构

3.4 网络结构

3.4.1 深度残差网络

3.4.2 生成器网络结构

3.4.3判别器网络结构

3.4.4多尺度判别器

3.5模型损失函数

3.5.1 对抗损失

3.5.2 单向循环一致性损失

3.5.3 单向感知损失

3.5.4 同一映射损失

3.5.5 总体损失函数

3.6 对比实验及分析

3.6.1 模型训练与参数配置

3.6.2 实验数据集介绍

3.6.3 对比实验设置

3.6.4 图像质量定性分析

3.6.5 图像质量定量分析

3.7 本章小结

第 4 章深监督 Unet++生成器网络

4.1 引言

4.2 网络模型介绍

4.2.1 U-Net网络

4.2.2 Unet++网络

4.2.3 基于深监督的 Unet++网络

4.2.4 深监督 Unet++生成器网络模型

4.3 模型总体架构及训练

4.4 损失函数

4.5 对比实验及分析

4.6 本章小结

第 5 章 基于生成对抗网络的低光增强系统

5.1 引言

5.2 需求分析与模块设计

5.3 系统功能实现与测试

5.3.1 系统开发环境

5.3.2 数据预处理与模型训练

5.3.3 图像增强及结果保存

5.4 本章小结

结论

（1）总结

（2）展望

参考文献

附录 A 发表论文和参加科研情况说明

致 谢