摘 要

超低照度微光图像增强是图像处理中的一个关键内容，对于提高微光图像质量有着重要意义。在高速公路的应用环境下，光照以及车辆运动速度过快等都会对微光成像的质量造成一定的影响，因而针对高速公路的应用场景下开展微光图像增强技术研究具有重要的价值。在低照度条件下，图像信噪比和亮度不高，图片的质量会严重受损。此外，如果在曝光率较低的情况下，照片的噪声也会增多，高曝光率也会带来图像模糊、缺乏真实性等问题。现如今，图像处理技术飞速发展，很多图像去噪和图像增强的方法陆续被提出，基于机器学习的低照度图像增强也是其中比较热门的研究方向。为了发展微光图像处理技术，本文在前人提出的基于深度学习的图像增强算法的基础上进行改进，引入MAE＋SSIM损失函数对系统进行优化。以索尼制作的公开数据集作为训练集，该数据集中包含原始的低曝光率图像和低亮度图像，同时也有对应的长时间曝光的图片。用该数据集进行端对端的训练，处理低亮度照片，输出增强后的微光图像。本文的研究结果表明，该优化方案在原索尼数据集上表现出了出色的性能，相比较原始算法性能上得到了一定程度的提高。本论文还在multi神经网络结构下对损失函数不同权重超参数的情况进行了比较，所得结果对于微光图像增强具有重要的指导意义。

关键词：微光图像增强；深度学习；损失函数；优化器

Abstract

Image enhancement with ultra-low illuminance is an important content in image processing. The cars on the highway are driving fast, and the driving speed is very fast. The originally collected images are not clear. In addition, under dark conditions at night or sunrise, the captured images are more blurred. Therefore, the low-light image enhancement technology under the highway is even more important. In low light conditions, the image quality will be seriously damaged due to the low signal-to-noise ratio and low brightness. In addition, low-exposure photos will appear a lot of noise, and long exposure time will make the photos blurry and unreal. At present, many researches on techniques such as denoising, deblurring, and image enhancement have been proposed one after another, including low-illumination image enhancement based on machine learning. In order to develop the low-brightness image processing technology, this paper uses the Radam optimizer to improve the deep learning imaging system proposed by the predecessors, and introduces the MAE SSIM loss function to optimize the system. In addition, we introduced a data set that contains the original low-exposure, low-brightness images, as well as the corresponding long-exposure images. Using this data set, it is used to process low-brightness images in a fully convolutional network structure in end-to-end training mode. Finally, the research results show that the optimization scheme has excellent performance in the original Sony data set, and has a great future in the future work.

In this paper, the multi-neural network structure is used to compare the loss function with different weights and hyperparameters. The results are of great guiding significance for the enhancement of low light level head image.

Key Words：Low light image enhancement；Deep learning；Loss function；Optimizer

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2本文创新点 2

1.2.1 损失函数 2

1.2.2 优化器 3

1.3论文结构 3

第2章 低照度微光图像增强基础知识 5

2.1 传统的低照度微光图像增强算法 5

2.1.1 基于直方图的方法 5

2.1.2 基于Retinex的方法 5

2.2 基于深度学习的低照度微光图像增强 6

2.3 图像质量的评价方法 8

第3章 本文微光图像增强系统算法设计 10

3.1 系统总体设计 10

3.2 图像预处理 11

3.3 原理模型 12

3.3.1训练网络与激活函数 12

3.3.2 学习率及优化器 13

3.3.3 损失函数 15

3.4 基于不同模型对数据的训练 16

第4章 实验 18

4.1 训练细节 18

4.2 超参数选取 18

4.3 实验结果 23

4.3.1 图像库 23

4.3.2 实验对比 24

第5章 总结与展望 27

参考文献 28

致 谢 29

第1章 绪论

图像处理技术指的是用先对原始图像采样，转换成数字信息进而进行数据处理的一项技术。传统的图像处理技术虽然简单高效，但是拥有很大的局限性。我们在超低照度时拍出的照片传统的增强是无法还原的特别清晰的，这时随着人工智能的发展，深度学习渐渐崭露锋芒。深度学习本质是模仿人脑的逻辑思考能力，然后通过不断自我学习对其进行正确分析和解决处理问题的计算机神经网络。目前流行的深度学习在图像处理的去噪算法、分类处理算法以及图像增强处理算法上都有十分广泛的研究和应用，是目前现代数字图像处理技术领域内十分重要的一项信息技术。

1.1 研究背景及意义

在高速公路上，低照度微光环境下的公路视频监控信号系统中,光照不足导致图像质量低，很难辨认具体车辆，也给准确识别车牌带来了困难。因此对低照度微光图像增强算法进行分析研究有着非常重要的理论指导意义与应用价值。

作为图像处理的一个组成部分，图像增强技术可以有效地增强和提高图像中特征清晰度和区域的突出度，从而使图像的视觉效果得到进改善和提高。深度学习下的图像增强算法是通过卷积神经网络中的相关算法对图像进行改进的，图像亮度及颜色信息也可以采用白平衡正确分析和修正。这种方法对于图像分辨率的提升上也有明显的技术优势，训练过后的图片完全可以满足人类社会中的视觉要求。

目前，弱光图像强调的处理方法主要集中在降低噪声和提高对比度上。提高对比度方面比较经典的方法有：直方图均衡方法、图像强度统计分布变换。传统方法对图像进行降噪，一般先假设噪声特性为特定噪声，如果噪声问题不是很严重就会取得不错的效果。但是，如果噪声处于一个较高的程度或者噪声特性较为复杂，所含有效信息就会大幅度衰减，降噪性能也将会迅速下降。