面向图像增强的类视网膜神经网络研究.pdf

摘要

图像增强是利用各种技术和算法改善图像质量和可视化效果的方法，可提升图像的

清晰度、对比度和色彩鲜艳度，从而使图像更易于理解和分析。在机器学习和计算机视

觉领域，图像增强有助于提高算法处理图像数据的能力，增强模型的准确性和鲁棒性，

实现更准确的对象识别、图像分割和场景理解等任务。尽管现有算法已相当先进，但目

前的图像增强算法普遍存在泛化性差和多任务联合图像增强适应性不足的问题。视网膜

是人类视觉系统中的重要组成部分，扮演着接收光信号并转化为神经信号的关键角色。

其中包含视杆细胞和视锥细胞这两种感光细胞，负责接收光线并将其转化为电信号，随

后传输至大脑皮层进一步处理。在光照条件不佳的环境下，视网膜的感光细胞通过复杂

的信号处理机制，使人眼在较暗的环境中仍能识别物体和感知景物。受此启发，本论文

通过分析人类视网膜的信息处理机制，提出研究类视网膜处理的图像增强算法，旨在建

立模拟视觉生理特性的模型，以解决图像增强中泛化性差和多任务联合图像增强适应性

不足的问题。本文贡献如下：

首先，本文根据视网膜的预处理机制设计了一个亮度感知网络（Brightness-Aware

Network,BAN），并提出了自适应图像增强（AdaptiveImageEnhancement,AIE）方法。

AIE方法利用光照强弱刺激不同的双极细胞的工作原理，通过调亮的伽马变换和调暗的

伽马变换实现自适应的图像增强。此外，本文设计了一组无参考损失函数，实现了零样

本学习。其中，第一个损失函数是无参考结构相似性指数（NoReferenceStructure

SimilarityIndexMeasure,NR-SSIM），专门针对结构相似性指数（StructureSimilarityIndex

Measure,SSIM）进行了无参考优化。该损失函数从曝光度、对比度和结构三个图像增强

的先验条件出发，实现了去参考化，减轻了数据集收集的压力，并提高了模型的泛化性

能。第二个损失函数是权重一致损失，确保图像在增强的同时保持一致的颜色偏差。第

三个是权重平滑损失，防止图像增强时出现伪影。最后一个是中值滤波损失，通过软性

去噪抑制输出图像的噪声，同时保留图像的细节。最终的结果表明，AIE-BAN模块在图

像增强效果上超越了先进的零样本低光照图像增强算法，且参数量少，具有一定的优势。

其次，本文将AIE-BAN应用于多任务联合图像增强，并分析了多任务联合图像增强

的特殊性。为了优化AIE-BAN模块以解决图像模糊的情况，本文引入了边缘先验模型。

此外，本文将边缘先验获取的特征信息，融入进AIE-BAN模块，并将改进后的AIE-BAN

模块的串联迭代，构建了AIE-BAN++，令该模块更适应于更复杂的多任务联合图像增

I

强任务。对比实验表明，AIE-BAN++在多任务联合的图像增强任务中取得了较好的成绩，

并且消融实验验证了本文各个模块的有效性。

综上所述，本研究为解决低光照条件下图像增强问题提供了一种创新的方法AIE-

BAN。通过增加边缘先验增强模块，以适应图像去模糊任务，并通过串联迭代改进后的

AIE-BAN，形成AIE-BAN++模型，以完成多任务联合图像增强。未来可以进一步探索

以上方法在实际应用中的效果，并且可以将以上方法应用到其他领域的图像处理中。本

文的研究结果证明了AIE-BAN模块和AIE-BAN++模型在图像增强方面的潜在价值，并

提供了重要的理论和实践指导。希望本研究能够为图像增强领域的进一步发展提供有益

的参考。

关键词：低光照图像增强；去噪；去模糊；无参考损失函数；类视网膜网络

II

Abstract

Imageenhancementisamethodthatutilizesvarioustechnologiesandalgorithmsto

improveimagequalityandvisualizationeffects,allowingimagestobeclearer,havehigher

contrast,andmorevibrantcolor