5 总结与展望
5.1 总结
随着数字图像的海量增长，人们对捕获图像质量的要求越来越高。雾霾和低照的存在降低了图像的质量，同时也减少了人们从图像中获取的信息量。因此，为了消除雾霾和低照环境对图像造成的干扰，增加图像的信息量，低照图像增强和图像去雾变得至关重要。针对上述问题，本文围绕低照图像增强问题和图像去雾问题展开研究，具体工作包括：
(1) 传统的线性与非线性低照图像增强方法只能增强图像的特征，如亮度或对比度，但是却忽略了其他显示效果，例如过饱和和颜色失真。基于 Retinex 理论的增强方法虽然将物理成像模型加入到低照问题中，但是泛化性较差。基于深度学习的低照图像增强方法虽然产生了比传统方法更优秀的结果，但是其只能在合成数据集上表现出比较好的效果，而对于真实低照图像的增强结果，仍存在亮度对比度不足，颜色失真或者噪声残留等问题。针对上述问题，提出一种基于注意力自适应卷积神经网络的低照图像增强算法。首先，将低照问题分为亮度对比度增强和细节结构恢复；其次，针对亮度对比度增强问题，将低照图像的 HSV 颜色空间的亮度分量引入亮度分支中，并采用具有线性对比度增强能力的自适应实例归一化模块来增强图像的亮度和对比度，针对细节和结构的恢复问题，将低照图像的梯度图引入梯度分支中，并对其进行增强以提高增强结果的结构和细节；最后采用主干网络融合上面两个分支的结果，并进行进一步的优化。实验表明，本方法不仅在公共的配对低照图像数据集上取得了较好的结果，而且综合四个真实低照图像数据集的实验结果和定量分析，本方法具有优秀的泛化能力。
(2) 基于图像增强的单幅图像去雾方法没有考虑图像退化的原因，因此增强的结果仍有大量的雾霾残留。基于物理模型的先验方法虽然考虑了雾霾的生成机制，但是由于大气光和投射率估计不准确，其在天空区域的去雾效果不佳。基于深度学习的方法大多采用经典的编码器解码器网络，而基于编码器解码器网络的深度学习去雾方法得到的增强结果在雾霾浓度严重的区域仍有雾霾残留。针对上述问题我们提出了一个基于上下文引导生成对抗网络的图像去雾方法。本章方法主要分为三个部分：第一部分为基于编码器的特征提取子网，该网络对雾霾图像进行特征提取；第二部分为并行金字塔解码器的上下文提取子网，通过对编码器深层特征进行解码，提取出更多特征中的高级语义信息；第三部分为基于解码器的融合子网，该解码器不仅接受来自编码器的编码特征，同时还融合了上下文提取网络中提取的高级语义信息，以复原雾霾浓度严重区域的场景。实验证明，通过增加的解码器，本章方法很好的解决了雾霾浓度较大图像的去雾问题。
参考文献（略）
