基于Retinex理论的低光遥感图像增强方法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

基于Retinex理论的低光遥感图像增强方法研究

摘要

在遥感图像的拍摄过程中，由于光照、大气散射等因素的影响，图像普遍

存在细节模糊、清晰度低和对比度不足等问题。低光遥感图像增强技术是在光

照条件较差的情况下提高遥感图像质量的关键技术之一。随着深度学习的发展，

低光遥感图像增强取得了突破性的进展，基本解决了以上问题。但在提升图像

亮度的同时难免会引入噪声产生退化，且鉴于目前大多数低光遥感图像增强算

法都依赖有监督学习，因此本文提出两种基于Retinex理论的低光遥感图像增强

算法。

针对低光遥感图像亮度、对比度低且易受噪声污染的问题，设计一种能够

兼顾去噪的低光遥感图像增强算法URE-Net。算法首先通过分解网络将图像分

解为反射分量和光照分量，并在分解网络的卷积层中加入通道注意力和跳跃连

接，以实现对原图像更精确的提取特征。接着将经过分解的反射分量和光照分

量分别输入到去噪网络和调整网络中。去噪网络的作用是抑制反射分量上的噪

声，它是利用设计的DU-Net网络模型来完成的；调整网络的作用是对光照分量

的亮度和对比度进行优化。最后对两个分量逐像素相乘进行重构融合，并引入

颜色损失函数调整图像色彩，引入去噪损失函数抑制图像噪声。实验结果表明，

该算法在提升图像亮度、对比度以及色彩饱和度的同时，还能够有效地抑制图

像噪声，从而减少噪声对后续遥感图像分类识别等任务的影响。

针对大部分的低光图像增强方法都依赖于有监督学习，且图像在成像过程

中会受纹理信息以及光照条件影响的问题，设计一种无监督的深度曲线估计算

法RDCE。该算法在将原图像分解为光照分量和反射分量阶段，选用联合的内-

外先验模型IEPM-Retinex，以结合图像的形状纹理等特征做图像分解。之后再

将两个分量输入到本文设计的MD-Net网络模型中，学习输入图像与二次曲

线参数图之间的映射，最后将MD-Net输出的参数图通过自适应曲线估计进

行亮度提升，以得到亮度、对比度和饱和度适宜的图像。实验结果表明该算法

在亮度、对比度等方面均有不同程度的提升。同时本算法不需要参考图像，直

I

哈尔滨理工大学电子信息硕士学位论文

接提升图像质量，形成一个视觉效果符合人眼特性的图像，有较高的实际应用

价值。

关键词遥感图像；Retinex理论；低光图像增强；去噪网络；纹理细节

II

哈尔滨理工大学电子信息硕士学位论文

ResearchonLow-lightRemoteSensingImage

EnhancementMethodBasedonRetinexTheory

Abstract

Intheshootingprocessofremotesensingimages,duetotheinfluenceoflight,

atmosphericscatteringandotherfactors,theimagesgenerallyhavetheproblemsof

blurreddetails,lowclarityandinsufficientcontrast.Low-lightremotesensingimage

enhancementisoneofthekeytechniquestoimprovethequalityofremotesensing

imagesunderpoorlightingconditions.Withthedevelopmentofdeeplearning,

low-lightremotesensingimageenhancementhasmadebreakthroughprogressand

basicallysolvedtheabove