《表2 不同算法在合成低照度图像上的定量对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于注意力机制和卷积神经网络的低照度图像增强》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文首先对人工合成的低照度图像进行实验，为了与其他算法进行对比，从公开数据集LIVE1中选取13张图片作为测试集，实验结果如图4和表2所示。在定性对比中，从测试集中选取4幅图像作为示例来进行说明，如图4（a）～(d）所示。从图4可以看出，NPE、LIME、LLCNN、Ma和本文算法都可以对合成低照度图像进行增强，从而提高图像清晰度，而CLAHE算法对图像的增强效果较差，而且还出现颜色失衡现象。在图4(b）中，飞机周围出现明显的阴影区域，影响整体的视觉感官。从图像亮度来看，NPE、LIME、LLCNN和本文算法的图像增强效果明显；Ma算法增强后的图像在亮度方面有所改善，但出现了阴影区域，如图4(b）和图4(d）中，飞机和塔的周围出现了阴影条。NPE和LLCNN算法在局部区域的亮度增强方面效果稍差一些，在图4(d）中，房子窗户区域和围栏处的亮度提高不明显。整体来看，LIME和本文算法对低照度图像改善效果最为明显，图像的清晰度明显提高，也没有出现颜色失衡现象；但LIME算法增强后的图像在部分区域出现曝光现象，在图4(c）和图4(d）中，屋顶区域和塔壁部分区域图像被过度增强；而本文算法结合SSIM和MSE损失函数的优势，可以有效增强低照度图像的亮度，提高图像的清晰度，避免颜色失衡。