典型文献
基于Retinex理论的多支路低光增强算法
文献摘要：
针对低光图像存在对比度低、细节信息丢失及颜色失真等问题,提出了Retinex-MSANet低光照图像增强算法.首先,利用U-Net的分解网络对图片分解为光照分量和反射分量;然后,将光照分量信息通过卷积网络,在此过程中加入去噪和分解过程中产生的噪声损失.同时,将反射分量的图像信息通过增强网络,使利用多尺度网络结构和注意力机制来低光图像不同区域进行自适应增强和对上下文信息融合,使在增强反射分量亮度的同时减少信息的丢失;最后,将光照分量和增强后的反射分量进行融合,以此来进一步增强图像输出.实验表明,在反射分量里引入注意力机制能够很好地自适应对低光图像增强.与R2RNet相比在PSNR和NIQE上分别提升了7％和3％.
文献关键词：
低光照图像增强;深度学习;注意力机制;Retinex理论;多尺度融合
中图分类号：
作者姓名：
汪星
作者机构：
安徽理工大学电气与信息工程学院 安徽淮南 232001
文献出处：
引用格式：
[1]汪星-.基于Retinex理论的多支路低光增强算法)[J].信息技术与信息化,2022(09):51-55
A类：
MSANet,低光图像增强,R2RNet
B类：
Retinex,多支,支路,低光增强,对比度,细节信息,信息丢失,颜色失真,低光照图像增强,图像增强算法,光照分量,卷积网络,去噪,分解过程,图像信息,多尺度网络结构,注意力机制,自适应增强,上下文信息,信息融合,强反射,亮度,增强图像,PSNR,NIQE,多尺度融合
AB值：
0.329352
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
