Retinex-UNet在低光照图像增强中的应用

22 下载量 33 浏览量 更新于2024-08-26 2 收藏 936KB PDF 举报
本文主要探讨了"基于Retinex-UNet算法的低照度图像增强"这一研究主题,发表在《计算机工程与应用》杂志上,该刊是中国科技核心期刊,ISSN号为1002-8331,CN号为11-2127/TP。作者刘佳敏、何宁和尹晓杰在2019年12月11日通过网络首发的形式发表了他们的研究成果。 Retinex-UNet是一种深度学习方法,特别应用于图像处理领域,其灵感来源于生物视觉系统中的Retinex理论,旨在改善低光照环境下图像的质量。这种算法结合了经典的Retinex模型和深度卷积神经网络(UNet)的优势,能够有效地分离图像中的照明和反射成分,从而提升图像的亮度、对比度和细节。在本文中,作者们可能展示了如何训练和优化Retinex-UNet模型,以适应不同低光照场景下的图像增强任务,并可能提供了实验结果来证明其在实际应用中的有效性。 论文的录用过程严谨,遵循了《出版管理条例》和《期刊出版管理规定》,强调了学术诚信和质量控制。作品的网络首发不仅是学术成果的展示,还标志着文章已经被认可并准备出版。论文的成功发表得到了国家自然科学基金项目(Nos. 61572077, 61872042)、北京市自然科学基金委和教委联合重点项目的资助(No. KZ201911417048)以及北京市教委科技计划项目(No. KM201811417004)的支持,显示了这项研究的重要性和创新性。 这篇论文不仅介绍了Retinex-UNet在低光照图像增强领域的技术应用,还反映了当前计算机视觉研究在深度学习模型上的最新进展,对于提高弱光环境下的图像处理性能具有重要的理论价值和实践意义。