改进Retinex方法在低照度壁(岩)画中的图像增强

摘要

随着计算机算力的快速提升,低照度图像增强在文物数字化保护方面已得到广泛应用。Retinex是重要的低照度图像增强算法之一,其假设图像可以分解为反射图与光照图,然而大多数基于Retinex的方法在对图像进行分解时都会出现结果不确定的问题。针对此类问题,提出了一种基于Retinex算法的改进网络模型,该网络模型用较少的网络参数,并结合了注意力机制,相较于Retinex-Net,不仅处理速度提升大约1%,而且更为重要的是较大程度上改善了Retinex-Net的生成结果表现过于生硬的情况;同时将预训练模型发布在了https://github.com/neemperor/Retinex-Adv-model上。还构造了一个壁画图像数据集LLM,可用于壁画类图像增强任务网络模型的训练和测试,使输出的模型更适合完成低照度壁(岩)画图像增强任务。