柿子去皮机
文献引用格式：张华成，
ZHANG H C，LIU C Q，WEI Y，et al.A Low - Light Image Enhancement Method with Feature Self - Preservation［］.Video
微波烘箱
Engineering，
跨网传输
中图分类号：TP391.14
（1.桂林电子科技大学530001）
出一种基于生成式对抗网络
自我保留的图像增强方法
特征
SFPL）
判别，
节，在增强暗区的同时也能抑制亮区的过度曝光。SFPGAN
曝光的图像集训练模型；
够避免整体和局部过度曝光；
弱光图像。
1
1.1
亮度及纹理方面判别图像，
RGB
核酸检测方法、灰度判别器
部分。第1部分使用一
的高斯卷积核计算模糊
第3部分计算横向和纵向梯度图。最后将计算结果输入相应的判别 求输出值的平均值作为最终的损失
的模型，其中X和
和D y是判别器，
个判别器；（b）使用预先训练好的模型保留原有的特征；（c）是正、
过程。
并将特征图与两个滤波器卷积获得度。与文献
爬墙式中不存在的相关匹配的特征。
为了保留原始特征，
1.2
(G SFPL Loss L λ= 式中λ控制着生成器照文献［5］，λ=10。响程度，λSFPL =1。
2 实验结果与分析
2.1 数据集
为了使模型具有良好的鲁棒性，中含有一定量正常亮度和过度曝光的作为训练集，一共有NPE ［4］、MEF ［8］一共200张图像。图2 SFPGAN 消融实验的视觉比较
2.4 结果分析
从主观评价、图像的视觉质量、无参考的图像质量以及在现实世界中的适应情况4个方面对结果进行论证。 2.4.1 图像的视觉质量比较
将SFPGAN 与其他方法在视觉质量方面进行对比，结果如图3所示。第1列是弱光图像，第2列到第7列分别是CycleGAN、EnlightenGAN、LIME、NPE 和SRIE ［2］及SFPGAN 对本文训练集进行训练的结果。在第1行结果，EnlightenGAN 和LIME 虽然很好地增强了暗区域，但过度增强了部分区域；NPE 出现了噪声，SRIE 效果较暗。在第2行结果，CycleGAN 使得暗区的细节更明显，但颜
采用以下方法表示评价结果。以SFPGAN为例，SFPGAN的评价结果为：1等级的图像有8张，2等级
的图像有9张，3等级的图像有6张，则结果表示为SFPGAN：1：8，2：9，3：6。将等级与相应的图像数量相乘得到等级权重，所有的等级权重相加，用得到的等级权重总和除以总的图像数量得到平均排名。以此方法计算所有方法的评价结果和平均排名如表1所示。SFPGAN的平均排名为1.91，虽然结果比EnlightenGAN差，但是相对于其他方法，还有一定的优越性。由于NPE和LIME存在增强过度或不足及颜失真等问题，因此结果较差。
表1 5种方法的评价结果和平均排名
测试方法评价结果平均排名
SFPGAN1：8，2：9，3：6 1.91
EnlightenGAN1：10，2：6，3：7 1.86 SRIE1：3，2：5，3：10，4：5 2.73
NPE1：2，2：3，4：11，5：7 3.78
LIME4：7，5：16 4.692.4.3 无参考的图像质量对比
使用无参考的测试集，选择自然图像质量评价器（Natural Image Quality Evaluator，NIQE）［10］从自然度、局部亮度及特征等方面评价增强图像的质量。分别使用这6种方法增强测试集得到增强图
像，分别使用NIQE计算每一种方法200张结果图像的平均分数，得到的结果如表2所示。NIQE的值越小表示质量越好，字体加粗的值表示最好结果。从 表2可以看出，SFPGAN的NIQE得分不论是在各个测试集上还是在总的测试集上都是最低的，进一步证明其在产生高质量图像方面更有优势。
2.4.4 适应现实世界的弱光图像
域自适应是实现现实世界可泛化图像增强的一个必不可少的因素。为了验证SFPGAN增强实际弱光图像的有效性，使用来自真实驾驶数据集［11］的弱光图像进行验证，以显示其在实际场景中应用的优势。从文献［11］数据集中随机选择像素强度平均值小于45的860张弱光图像和其他值的100
图3 与其他算法的效果比较（放大区域说明视觉差异）表2 NIQE在总数据集和子集上的得分
测试方法
NIQE在总数据集和子集上的得分
MEF LIME NPE VV DICM总数据集
CycleGAN 4.266 4.349 4.322 3.290 4.254 3.916 EnlightenGAN 3.064 3.624 3.894 2.358 3.624 3.267 LIME 3.576 4.104 4.166 2.468 3.875 3.602 SRIE 3.475 3.787 3.989 2.562 3.877
3.487 NPE 3.517 3.898 3.954 2.375 3.761 3.447 SFPGAN 2.828 3.030 3.176 2.303 2.749 2.709
张图像作为训练集，
为测试集，这些图像均具有伪影和
SFPGAN与LIME、AHE
较，其中SN是SFPGAN
果如图4所示。从左到右分别为原始图像、LIME、AHE、SFPGAN
LIME出现很多噪声和伪影，
强图像的亮度，SFPGAN
出现伪影。相比之下，SN
清晰度更高。由于在文献
成对的训练集，
极大地促进其在现实中的推广应用。
图4 4种方法在文献［11］数据集上的视觉比较结果3 结语
陶瓷滤波器基于部分传统方法和基于深度学习的图像增强方法出现的整体和局部过度增强、颜失真及暗区域增强不明显等问题，本文提出一种基于GAN 和SFPL的图像增强方法SFPGAN。SFPGAN在增强暗区域的同时也能抑制亮区域的过度曝光，保留更多的颜和特征。在各种弱光数据集上的实验结果表明，该方法在图像质量增强方面优于当前其他多种方法。
参考文献：
［1］Guo X，Li Y，Ling H.LIME：Low - Light Image Enhancement via Illumination Map Estimation［J］.IEEE Transactions on
Image Processing，2017，26（2）：982 - 993.
［2］Fu X，Zeng D，Huang Y，et al.A Weighted Variational
Illumination //IEEE Conference on Computer Vision and
Image
.IEEE
2049 - 2062.
Preserved
Illumination
2013，
- to -
Adversarial
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议