顧振飛陳 燦陳 勇孔令民趙 冉

(1.南京信息職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)與通信學(xué)院，江蘇 南京210023；2.南京龍淵微電子科技有限公司，江蘇 南京210000；3.南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院，江蘇 南京210003；4.中國(guó)人民解放軍94826部隊(duì)，上海200020)

當(dāng)前，機(jī)器視覺(jué)系統(tǒng)在國(guó)民經(jīng)濟(jì)各領(lǐng)域得到了廣泛應(yīng)用，其中目標(biāo)識(shí)別[1]、目標(biāo)跟蹤[2]、安全監(jiān)控[3]和智能交通[4]等應(yīng)用的有效性首先取決于輸入圖像具有較好的可視性。然而，當(dāng)環(huán)境光照強(qiáng)度較低時(shí)，由于可見(jiàn)光圖像成像設(shè)備所捕獲的反射光分量中不能包含足夠的有效信息，可能導(dǎo)致圖像呈現(xiàn)出現(xiàn)紋理細(xì)節(jié)丟失、色彩偏移、對(duì)比度不足等典型的低可視性特征，并進(jìn)而使得機(jī)器視覺(jué)系統(tǒng)相關(guān)應(yīng)用失效。因此，對(duì)弱光照?qǐng)D像進(jìn)行增強(qiáng)處理，使其具備與清晰圖像相似的主觀視覺(jué)效果和客觀評(píng)價(jià)指標(biāo)，具有重要的研究意義和應(yīng)用價(jià)值，并已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一。

針對(duì)弱光照?qǐng)D像增強(qiáng)問(wèn)題，國(guó)內(nèi)外學(xué)者均進(jìn)行了廣泛研究并取得了一定進(jìn)展。傳統(tǒng)的對(duì)比度調(diào)節(jié)策略，如直方圖均衡類(lèi)方法[5－7]，均具有較高的處理效率，能夠以直接擴(kuò)展圖像直方圖的動(dòng)態(tài)范圍的方式增強(qiáng)圖像的紋理細(xì)節(jié)。但是，此類(lèi)方法在增強(qiáng)處理過(guò)程中均忽略了圖像內(nèi)容而具有顯著的盲目性，因此通常難以避免低照度區(qū)域紋理合并和局部過(guò)增強(qiáng)等負(fù)面效應(yīng)。為克服上述缺陷，基于圖像增強(qiáng)模型的策略被陸續(xù)提出并得到廣泛應(yīng)用，典型模型有Retinex模型[8]、變分Retinex模型[9]、像素強(qiáng)度反轉(zhuǎn)模型[10]、低像素強(qiáng)度圖像退化模型[11]等。其中，Retinex模型和變分Retinex模型都基于顏色恒常理論，因而其有效性均取決于對(duì)弱光照?qǐng)D像中入射光分量的估計(jì)準(zhǔn)確性?；赗etinex模型，研究者僅能基于光照空間平滑假設(shè)進(jìn)行入射光分量估計(jì)，而在解決此類(lèi)欠定問(wèn)題時(shí)僅有單一的特定約束條件勢(shì)必導(dǎo)致魯棒性欠佳。雖然改進(jìn)策略被相繼提出[12]，但并不能從本質(zhì)上約束模型參數(shù)自由度。文獻(xiàn)[9]提出的變分Retinex模型允許引入更多的圖像數(shù)學(xué)統(tǒng)計(jì)規(guī)律(先驗(yàn)知識(shí))作為除光照空間平滑假設(shè)以外的附加約束條件，能夠有效克服Retinex模型的固有缺陷。然而，隨著約束條件的增多，變分Retinex模型的模型復(fù)雜度也勢(shì)必隨之增加。文獻(xiàn)[10]提出的像素強(qiáng)度反轉(zhuǎn)模型將霧霾圖像增強(qiáng)領(lǐng)域中常用的暗通道先驗(yàn)[13]引入了弱光照?qǐng)D像增強(qiáng)領(lǐng)域，但該模型需要弱光照?qǐng)D像滿足一定的約束條件，因而有一定應(yīng)用范圍限制。文獻(xiàn)[11]提出的低像素強(qiáng)度圖像退化模型[11]由大氣散射模型[14]推導(dǎo)而來(lái)，并能夠利用純像素比例先驗(yàn)、暗通道先驗(yàn)等多種圖像先驗(yàn)來(lái)對(duì)弱光照?qǐng)D像進(jìn)行增強(qiáng)處理，理論依據(jù)充分且魯棒性好，但是其技術(shù)框架僅能使用單一的特定圖像先驗(yàn)進(jìn)行透射圖估計(jì)。

近年來(lái)，深度學(xué)習(xí)技術(shù)在機(jī)器視覺(jué)領(lǐng)域得到了廣泛應(yīng)用，如圖像分類(lèi)、圖像去噪、霧霾圖像增強(qiáng)、圖像超分辨率等。在弱光照?qǐng)D像增強(qiáng)領(lǐng)域，單純利用卷積神經(jīng)網(wǎng)絡(luò)的方法[15]能夠端到端地由弱光照?qǐng)D像直接生成增強(qiáng)后的圖像，但并不能完全避免所輸入網(wǎng)絡(luò)的派生圖像中的各類(lèi)負(fù)面視覺(jué)效應(yīng)。而結(jié)合圖像增強(qiáng)模型和卷積神經(jīng)網(wǎng)絡(luò)的策略，則可以在利用模型理論依據(jù)充分、適用于真實(shí)圖像優(yōu)勢(shì)的同時(shí)，通過(guò)神經(jīng)網(wǎng)絡(luò)框架擺脫人工設(shè)計(jì)模型參數(shù)、人工提取圖像特征等潛在缺陷。例如，文獻(xiàn)[16]提出利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)弱光照?qǐng)D像進(jìn)行入射光分量估計(jì)，并在局部平滑和邊緣增強(qiáng)后利用Retinex模型獲得增強(qiáng)后的圖像。

因此，提出一個(gè)基于透射先驗(yàn)的弱光照?qǐng)D像增強(qiáng)方法。相較于現(xiàn)有技術(shù)，所提方法具有以下優(yōu)勢(shì):①基于低像素強(qiáng)度圖像退化模型，將復(fù)雜的光照分量估計(jì)問(wèn)題轉(zhuǎn)化為了透射率的估計(jì)問(wèn)題；②利用兩種不同的圖像先驗(yàn)分別進(jìn)行獨(dú)立的透射圖估計(jì)，并搭建子透射圖融合網(wǎng)絡(luò)對(duì)其進(jìn)行融合，綜合利用了不同透射圖中潛在的各類(lèi)有效增益；③利用子透射圖融合網(wǎng)絡(luò)替代了傳統(tǒng)的透射圖優(yōu)化處理，大幅提高了整體計(jì)算效率。

1 背景知識(shí)

1.1 大氣散射模型

低像素強(qiáng)度圖像退化模型源于大氣散射模型[14]并適用于對(duì)弱光照?qǐng)D像進(jìn)行增強(qiáng)。大氣散射模型在霧霾圖像增強(qiáng)領(lǐng)域被廣泛使用，該模型數(shù)學(xué)描述了霧霾圖像的退化過(guò)程，其具體的數(shù)學(xué)表達(dá)形式為:

式中:I(x，y)表示所采集到的霧霾圖像，A是全局一致的環(huán)境光照，ρ(x，y)是表征場(chǎng)景物體反射背景光照能力的場(chǎng)景反照率，d(x，y)是像素景深，β是大氣散射系數(shù)。通常，可以將像素景深和大氣散射系數(shù)的聯(lián)合關(guān)系e－β·d(x，y)記為透射率t(x，y)。結(jié)合弱光照?qǐng)D像的退化原理對(duì)大氣散射模型進(jìn)行改進(jìn)，首先通過(guò)對(duì)大氣散射模型的簡(jiǎn)單推導(dǎo)，增強(qiáng)后的圖像可以表示為:

通過(guò)對(duì)式(2)的觀察可知，基于大氣散射模型的圖像增強(qiáng)效果完全取決于入射光分量和各像素點(diǎn)的透射率，因而僅需進(jìn)行兩項(xiàng)模型參數(shù)的估計(jì)便可直接得到增強(qiáng)后的圖像。但同時(shí)可以發(fā)現(xiàn)，式(1)中對(duì)環(huán)境光照全局一致的假設(shè)顯然不適用于弱光照?qǐng)D像，且如果從待增強(qiáng)弱光照?qǐng)D像中消除一致的環(huán)境光照甚至可能導(dǎo)致像素強(qiáng)度溢出現(xiàn)象。此外，基于大氣散射模型的圖像增強(qiáng)過(guò)程本質(zhì)上是從各像素中消去一定比例的全局環(huán)境光照分量。因此，如果保留大氣散射模型中的天空光項(xiàng)，則勢(shì)必導(dǎo)致圖像中的絕大部分區(qū)域在增強(qiáng)后反而會(huì)因像素強(qiáng)度過(guò)低而呈現(xiàn)出更為退化的可視性。

1.2 低像素強(qiáng)度圖像退化模型

低像素強(qiáng)度圖像退化模型[11]保留了大氣散射模型的基本定義，并對(duì)上述問(wèn)題進(jìn)行針對(duì)性的改進(jìn)。首先，考慮到低像素強(qiáng)度圖像的退化因素主要是空間分布不均勻的環(huán)境光照或熱輻射分量，因此將式(1)中的全局環(huán)境光照重新定義為空間變量V(x，y)。V(x，y)所表征的是最佳環(huán)境光，即可以使像素具有最佳可見(jiàn)性的最合理的入射光照分量。其次，式(1)右側(cè)第二項(xiàng)(天空光項(xiàng))所描述的是受高密度的大氣懸浮粒子干擾而直接參與成像的像素強(qiáng)度分量，而高密度的大氣懸浮粒子并不是弱光照?qǐng)D像的主要退化因素，因此需要對(duì)此項(xiàng)予以直接移除。據(jù)此，適用于弱光照?qǐng)D像增強(qiáng)的低像素強(qiáng)度圖像退化模型可以表示為:

由式(3)可知，基于低像素強(qiáng)度圖像退化模型對(duì)弱光照?qǐng)D像進(jìn)行增強(qiáng)處理，僅需對(duì)弱光照?qǐng)D像進(jìn)行透射圖估計(jì)，而避免了復(fù)雜的光照分量估計(jì)問(wèn)題。此外，基于圖像先驗(yàn)的透射圖估計(jì)策略已經(jīng)較為成熟，且均能通過(guò)確定最優(yōu)的像素透射率來(lái)使得增強(qiáng)后的圖像具備清晰圖像的某些統(tǒng)計(jì)特征。弱光照?qǐng)D像I(x，y)所對(duì)應(yīng)的透射圖t(x，y)一旦確定，便可直接獲得增強(qiáng)后的圖像V(x，y)ρ(x，y)。

2 基于透射先驗(yàn)的弱光照?qǐng)D像增強(qiáng)方法

所提的基于透射先驗(yàn)的弱光照?qǐng)D像增強(qiáng)方法如圖1所示，該方法由三部分組成:①基于暗通道先驗(yàn)的弱光照?qǐng)D像子透射圖估計(jì)，即利用暗通道先驗(yàn)所具有的紋理細(xì)節(jié)恢復(fù)能力，對(duì)待增強(qiáng)弱光照?qǐng)D像進(jìn)行第一次子透射圖估計(jì)；②基于純像素比例先驗(yàn)的弱光照?qǐng)D像子透射圖估計(jì)，即利用純像素比例先驗(yàn)所具有的色彩恢復(fù)能力，對(duì)待增強(qiáng)弱光照?qǐng)D像進(jìn)行第二次子透射圖估計(jì)；③子透射圖融合網(wǎng)絡(luò)，即搭建并利用該部分網(wǎng)絡(luò)對(duì)兩張子透射圖進(jìn)行融合，從而得到目標(biāo)透射圖，并最終得到增強(qiáng)后的圖像。以上三部分為核心，便可組成一個(gè)端到端、可學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)。

圖1 基于透射先驗(yàn)的弱光照?qǐng)D像增強(qiáng)方法

2.1 基于暗通道先驗(yàn)的弱光照?qǐng)D像子透射圖估計(jì)

依據(jù)像素強(qiáng)度反轉(zhuǎn)模型[10]，為使用暗通道先驗(yàn)[13]對(duì)弱光照?qǐng)D像進(jìn)行子透射圖估計(jì)，需要對(duì)弱光照?qǐng)D像I(x，y)進(jìn)行像素強(qiáng)度翻轉(zhuǎn)，并獲得翻轉(zhuǎn)后的弱光照?qǐng)D像I′(x，y)如下:

利用翻轉(zhuǎn)后的弱光照?qǐng)D像I′(x，y)與霧霾圖像的相似性，將I′(x，y)代入式(1)，可得:

式中:J(x，y)是對(duì)I′(x，y)進(jìn)行增強(qiáng)處理所得的圖像，而t′(x，y)是I′(x，y)所對(duì)應(yīng)的子透射圖。依據(jù)暗通道先驗(yàn)對(duì)翻轉(zhuǎn)后的弱光照?qǐng)D像I′(x，y)進(jìn)行子透射圖估計(jì)如下:

式中:(x′，y′)是以像素點(diǎn)(x，y)為中心的鄰域Ω(x，y)中的像素點(diǎn)，c是RGB色彩通道索引，A是用文獻(xiàn)[13]方法獲得的全局一致的環(huán)境光照，ω∈(0，1]是考慮到空間透視現(xiàn)象的存在，為了保持圖像的真實(shí)度而引入的調(diào)節(jié)因子。

獲得I′(x，y)所對(duì)應(yīng)的子透射圖t′(x，y)后，由于I′(x，y)是由弱光照?qǐng)D像I(x，y)進(jìn)行像素強(qiáng)度翻轉(zhuǎn)所得，因此可以直接獲得弱光照?qǐng)D像I(x，y)所對(duì)應(yīng)的子透射圖為

2.2 基于純像素比例先驗(yàn)的弱光照?qǐng)D像子透射圖估計(jì)

依據(jù)低像素強(qiáng)度圖像退化模型[11]，增強(qiáng)后圖像的可視性是由最佳環(huán)境光和透射率共同支配的，而在此類(lèi)欠定問(wèn)題中同時(shí)估計(jì)兩個(gè)獨(dú)立系數(shù)的最優(yōu)解是具有較高的求解復(fù)雜度。為提高計(jì)算效率，首先通過(guò)挖掘像素退化程度的局部相似性對(duì)圖像進(jìn)行基于亮度分量的聚類(lèi)，從而將像素級(jí)的透射率估計(jì)過(guò)程簡(jiǎn)化為面向聚類(lèi)區(qū)的透射率估計(jì)。據(jù)此，將低像素強(qiáng)度圖像退化模型(式(3))可以記為:

式中:Ωi是通過(guò)對(duì)弱光照?qǐng)D像I(x，y)聚類(lèi)所得的場(chǎng)景，V(i)是Ωi所對(duì)應(yīng)的最佳場(chǎng)景環(huán)境光，t(i)是Ωi所對(duì)應(yīng)的場(chǎng)景透射率，而V(i)ρ(x，y)則是對(duì)弱光照?qǐng)D像I(x，y)進(jìn)行增強(qiáng)處理所得的清晰圖像。

據(jù)此，可以將對(duì)弱光照?qǐng)D像的增強(qiáng)處理記為一個(gè)僅與場(chǎng)景透射率相關(guān)的函數(shù)，并進(jìn)而依據(jù)純像素比例先驗(yàn)將場(chǎng)景透射率的估計(jì)過(guò)程記為:

依據(jù)式(9)，可以在由弱光照?qǐng)D像分割所得的各個(gè)場(chǎng)景Ωi中搜索出最優(yōu)的場(chǎng)景透射~t(i)，而搜索的依據(jù)是使得增強(qiáng)后場(chǎng)景的純像素比被約束在0.000 1附近。針對(duì)聚類(lèi)所得全部場(chǎng)景逐一完成場(chǎng)景透射率估計(jì)，便可獲得弱光照?qǐng)D像I(x，y)所對(duì)應(yīng)的子透射圖。

2.3 子透射圖融合網(wǎng)絡(luò)

子透射圖融合網(wǎng)絡(luò)如圖2所示，該網(wǎng)絡(luò)主要由連接層，卷積層和反透射圖運(yùn)算層組成。在連接層中，不同輸入在信道維度被連接成一個(gè)新的張量，旨在加強(qiáng)特征傳播和特征復(fù)用；在卷積層中，通過(guò)可學(xué)習(xí)的卷積核挖掘子透射圖之間的相關(guān)性，并調(diào)整特征圖的數(shù)量；為了預(yù)防梯度消失問(wèn)題，使得網(wǎng)絡(luò)更容易訓(xùn)練，添加了一條快捷連接[17]。通過(guò)對(duì)圖2的觀察可知，在完成對(duì)子透射圖融合網(wǎng)絡(luò)的訓(xùn)練后，該網(wǎng)絡(luò)便可同時(shí)接收兩幅子透射圖作為輸入，并自動(dòng)將其融合為一幅透射圖作為輸出。進(jìn)而，依據(jù)低像素強(qiáng)度圖像退化模型(式(3))可知，一旦獲得融合后的透射圖，便可直接利用待增強(qiáng)弱光照?qǐng)D像獲得增強(qiáng)后的圖像。

圖2 子透射圖融合網(wǎng)絡(luò)

3 實(shí)驗(yàn)結(jié)果與分析

由于沒(méi)有專(zhuān)門(mén)針對(duì)弱光照?qǐng)D像增強(qiáng)的標(biāo)準(zhǔn)數(shù)據(jù)集，本文利用文獻(xiàn)[15]的方法構(gòu)建包含7 000個(gè)樣本的數(shù)據(jù)集。將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集(80%)，驗(yàn)證集(10%)和測(cè)試集(10%)。由于GPU顯存的限制，批量大小設(shè)置為32。采用均方誤差作為損失函數(shù)；采用Adam優(yōu)化器[18]來(lái)訓(xùn)練網(wǎng)絡(luò)框架；遍歷數(shù)設(shè)置為5 000；學(xué)習(xí)率設(shè)置為0.000 1。采用作為衡量增強(qiáng)質(zhì)量的客觀標(biāo)準(zhǔn)，并采用運(yùn)行時(shí)間作為衡量重構(gòu)效率的客觀標(biāo)準(zhǔn)。實(shí)驗(yàn)硬件環(huán)境為:NVIDIA Titan XP GPU；軟件環(huán)境為:Tensorflow 2.0。

為驗(yàn)證本方法的增強(qiáng)效果，選取四幅典型的弱光照?qǐng)D像(如圖3所示)，并依據(jù)本方法對(duì)其進(jìn)行增強(qiáng)處理，增強(qiáng)效果如圖4所示。通過(guò)對(duì)比觀察可以發(fā)現(xiàn)，本方法可以有效提升弱光照?qǐng)D像的整體視覺(jué)效果并恢復(fù)其中的紋理細(xì)節(jié)，消除了因像素強(qiáng)度不足所導(dǎo)致的色彩偏移、對(duì)比度不足等負(fù)面視覺(jué)效應(yīng)，且未出現(xiàn)局部增強(qiáng)力度不足或過(guò)增強(qiáng)現(xiàn)象，以及光暈偽影、邊緣畸變等現(xiàn)象。

圖3 待增強(qiáng)弱光照?qǐng)D像

圖4 增強(qiáng)效果

為進(jìn)一步驗(yàn)證本方法的有效性和魯棒性，以及所提方法的比較優(yōu)勢(shì)，重新選取四幅具有挑戰(zhàn)性的弱光照?qǐng)D像作為實(shí)驗(yàn)圖像，并與多種類(lèi)型的現(xiàn)有主流方法分別進(jìn)行主觀和客觀對(duì)比，具體包括自適應(yīng)直方圖均衡類(lèi)的文獻(xiàn)[19]方法、基于多尺度Retinex模型的文獻(xiàn)[20]方法、基于多先驗(yàn)知識(shí)的文獻(xiàn)[21]方法、基于全變分Retinex模型的文獻(xiàn)[22]方法和基于反轉(zhuǎn)大氣散射模型的文獻(xiàn)[10]方法。

3.1 主觀比較

通過(guò)對(duì)圖5至圖8的對(duì)比分析可知，當(dāng)圖像中存在顯著的強(qiáng)光照區(qū)域時(shí)，文獻(xiàn)[19]方法為了避免強(qiáng)光照區(qū)域被過(guò)度增強(qiáng)而限制了其對(duì)弱光照區(qū)域的增強(qiáng)能力，因此圖5中的草地、圖6和圖8中的背景區(qū)域均未得到有效增強(qiáng)，而這也是多數(shù)全局增強(qiáng)類(lèi)方法的共同缺點(diǎn)；文獻(xiàn)[20]方法使用多尺度濾波從退化圖像中提取不同的頻域分量，并僅基于圖像頻域分量的特征來(lái)判斷是否屬于待增強(qiáng)目標(biāo)，但上述判定準(zhǔn)則在圖像中的高頻分量不顯著的條件下缺乏魯棒性，因此圖5至圖8的局部均出現(xiàn)一定的紋理模糊；文獻(xiàn)[21]方法聯(lián)合使用了多種圖像先驗(yàn)知識(shí)，但是由于各增強(qiáng)步驟中均需要進(jìn)行平滑、保邊等優(yōu)化處理，因此整體增強(qiáng)效果不佳且易于引入光暈偽影，特別是圖像中存在大量紋理細(xì)節(jié)時(shí)(見(jiàn)圖6中的花朵周?chē)?；基于Retinex理論的弱光照?qǐng)D像增強(qiáng)方法均需要對(duì)光照分量進(jìn)行準(zhǔn)確估計(jì)，雖然文獻(xiàn)[22]方法基于變分Retinex模型大幅提高了光照分量的估計(jì)準(zhǔn)確性，整體增強(qiáng)效果較好，但因難以控制整體亮度而易于過(guò)增強(qiáng)，且計(jì)算復(fù)雜度較高；文獻(xiàn)[10]方法的有效性取決于待增強(qiáng)弱光照?qǐng)D像是否能夠嚴(yán)格滿足約束條件，因此在圖6~圖8的局部呈現(xiàn)出了一定的暗區(qū)域殘留。相較而言，本文所提方法具有更好的紋理細(xì)節(jié)增強(qiáng)效果和色彩保真度，且未出現(xiàn)過(guò)曝光、過(guò)增強(qiáng)或光暈偽影等負(fù)面視覺(jué)效應(yīng)。

圖5 增強(qiáng)效果比較實(shí)驗(yàn)1

圖6 增強(qiáng)效果比較實(shí)驗(yàn)2

圖7 增強(qiáng)效果比較實(shí)驗(yàn)3

圖8 增強(qiáng)效果比較實(shí)驗(yàn)4

3.2 客觀比較

在定量比較實(shí)驗(yàn)中，本研究采用了3個(gè)廣泛使用的指標(biāo)，包括新增可見(jiàn)邊緣比e、對(duì)比度恢復(fù)質(zhì)量r和圖像清晰度D。由文獻(xiàn)[23]可知，新增可見(jiàn)邊緣比可以測(cè)量增強(qiáng)后圖像中出現(xiàn)的新增邊緣的比率，對(duì)比度恢復(fù)質(zhì)量驗(yàn)證了增強(qiáng)后圖像的平均能見(jiàn)度提升度。由文獻(xiàn)[24]可知，圖像清晰度可以測(cè)量基于人眼視覺(jué)特征的圖像可視性。通常，新增可見(jiàn)邊緣比和對(duì)比度恢復(fù)質(zhì)量的數(shù)值越高，對(duì)應(yīng)增強(qiáng)方法的效果越好；而圖像清晰度的數(shù)值越低表示圖像清晰度越高。圖5至圖8中各增強(qiáng)結(jié)果的評(píng)價(jià)指標(biāo)值分別列于表1至表3中，為了方便比較，用粗體表示最優(yōu)值。

表3 圖像清晰度對(duì)比結(jié)果

由表1可知，本文所提方法對(duì)于4幅圖像取得了接近最優(yōu)的新增可見(jiàn)邊緣比值以及最優(yōu)的對(duì)比度恢復(fù)質(zhì)量值。這意味著該方法在相關(guān)圖像中恢復(fù)出了較多的紋理細(xì)節(jié)。雖然，本文所提方法針并為取得一致最優(yōu)的新增可見(jiàn)邊緣比值，但文獻(xiàn)[19]方法取得較高紋理增強(qiáng)結(jié)果的原因是增強(qiáng)了無(wú)效紋理，而這一點(diǎn)可以在表2中得到證實(shí)，因?yàn)槲墨I(xiàn)[19]方法所獲得的對(duì)比度恢復(fù)質(zhì)量低于整體平均值。因此，結(jié)合表1和表2可以發(fā)現(xiàn)，本文所提方法不僅可以恢復(fù)出大量的紋理細(xì)節(jié)，且能同時(shí)改善全局對(duì)比度。

表1 新增可見(jiàn)邊緣比對(duì)比結(jié)果

表2 對(duì)比度恢復(fù)質(zhì)量對(duì)比結(jié)果

由表3可知，本文所提方法在3幅圖像上均取得了最優(yōu)的圖像清晰度值，且對(duì)圖6的增強(qiáng)結(jié)果也是接近次優(yōu)的，這證明了該方法在圖像可視性增強(qiáng)方面的比較優(yōu)勢(shì)，而這一點(diǎn)也和主觀比較的結(jié)果是一致的。上述結(jié)果也能間接證明了增強(qiáng)后的圖像中的光照結(jié)構(gòu)自然且具有較好的色彩自然度。上述指標(biāo)均能夠較為平衡的判斷圖像各個(gè)方面的增強(qiáng)效果，因此上述結(jié)果能夠證明本文所提方法的魯棒性和有效性。

4 結(jié)論

本文提出了一個(gè)基于透射先驗(yàn)的弱光照?qǐng)D像增強(qiáng)方法。所提方法將復(fù)雜的光照分量估計(jì)問(wèn)題轉(zhuǎn)化為了透射率的估計(jì)問(wèn)題，有效提高了增強(qiáng)效果的魯棒性。其次，通過(guò)搭建的子透射圖融合網(wǎng)絡(luò)，可以綜合利用多種圖像先驗(yàn)提取弱光照?qǐng)D像中潛在的不同有效增益，并能避免對(duì)透射圖進(jìn)行優(yōu)化處理，有效提高了整體計(jì)算效率和增強(qiáng)效果。