基于深度学习的低照度视频时空增强与降噪算法设计.docxVIP

PAGE2

基于深度学习的低照度视频时空增强与降噪算法设计

摘要

低照度视频在安防监控、医疗内窥镜等场景中应用广泛，但受环境光线限制，普遍存在噪声大、细节模糊等问题，严重影响后续分析与决策。现有方法如传统Retinex模型仅处理单帧图像，忽略时间连续性，导致帧间闪烁与伪影。本课题旨在设计一种基于深度学习的低照度视频时空增强与降噪算法，通过构建物理退化模型与帧间一致性网络，提升主观视觉质量。

论文遵循工程递进思路：第一章分析低照度视频处理的现实痛点与需求；第二章论证深度学习框架与视频处理技术的适用性；第三章定义功能与非功能需求指标；第四章提出分层系统架构；第五章设计时空增强网络与自适应降噪模块；第六章实现算法并解决长序列处理难点；第七章通过PSNR、SSIM等指标验证性能。核心创新在于融合时空特征的自适应降噪机制，确保帧间平滑过渡。实验表明，算法在LOL-V1数据集上PSNR提升5.2dB，主观评分提高30%，为低照度视频应用提供可靠支持。

第一章绪论

1.1研究背景

低照度视频在夜间安防监控中占比超60%，但光线不足导致信噪比骤降。

图像传感器捕获的原始数据常混入高斯-泊松复合噪声，细节信息严重丢失。

例如，城市交通监控中，车牌识别率在照度低于10lux时降至40%以下。

现有方法如直方图均衡化易引发过曝，破坏局部对比度。

单帧增强算法（如LLNet）忽略时间维度，造成