融合去噪和色彩优化的低光遥感图像增强算法

基于DICR-Net的智能图像增强技术，解决色彩失真与噪声伪影问题

刘杰 | 邓春云 | 田明 | 陈秋缘 | 吴海滨
2025年第6期

研究背景

低光遥感图像增强面临色彩失真和噪声伪影的双重挑战

图像质量问题

低光遥感图像存在亮度不足、对比度低、色彩失真和噪声伪影等质量问题

传统方法局限

直方图均衡、Retinex类算法存在细节丢失、颜色失真等问题，难以满足应用需求

深度学习优势

基于深度学习的方法能自适应调整增强策略，更有效地恢复细节并抑制噪声

DICR-Net模型架构

融合去噪和色彩优化的Retinex-Net改进网络

DICR-Net模型结构

分解模块

将低光/正常光照图像分解为光照分量和反射分量，学习图像的内在结构

去噪调整模块

DCDNet去噪网络处理反射分量，调整网络增强光照分量亮度对比度

重构模块

将优化后的光照分量与反射分量逐像素相乘融合获得增强图像

网络改进策略

SENet、跳跃连接与可变形卷积的融合优化

SENet挤压激励网络

分解网络和调整网络模型结构

全局平均池化

对输入特征图进行全局平均池化，得到1×1×C的特征向量

权重生成

通过两个全连接层生成注意力权重矩阵，增强重要通道特征

跳跃连接机制

信息传递

将浅层特征信息连接到深层，避免细节信息丢失

梯度流动

改善网络训练过程中的梯度流动，提升收敛性能

特征融合

多尺度特征融合，保持图像细节的完整性

DCDNet可变形卷积去噪网络

基于U-Net改进的高效去噪架构

网络架构设计

可变形卷积去噪网络DCDNet

U-Net改进

编码-解码结构具有去噪功能，防止噪声被放大导致模糊失真

可变形卷积优势

自适应感受野

确保卷积区域始终覆盖物体形状，提高特征提取精度

计算效率优化

减少卷积层数量，降低运算量，提升处理效率

噪声抑制能力

相比BM3D算法，更有效处理图像噪声，防止模糊失真

编码-解码处理流程

编码阶段

  • 3×3可变形卷积(DConv)提取特征
  • ReLU激活函数增强非线性
  • 2×2最大池化降维处理
  • 通道数翻倍，图像尺寸减半

解码阶段

  • 可变形卷积(DConv)特征恢复
  • ReLU激活函数处理
  • 上采样卷积(Up-Conv)升维
  • 通道数减半，图像尺寸翻倍

损失函数设计

多重约束优化的训练策略

颜色损失函数

  • 在调整网络中引入颜色损失函数优化色彩保真度
  • 约束增强后图像的色彩分布与真实图像一致
  • 有效减少色彩失真，提升视觉质量

噪声损失函数

  • 在DCDNet网络中引入噪声损失函数抑制图像噪声
  • 指导网络学习有效的去噪策略
  • 在去噪的同时保持图像边缘和纹理细节

技术参数与配置

DICR-Net算法的详细技术规格

网络架构参数

分解网络

引入SENet和跳跃连接，提升特征表示能力

DCDNet去噪

基于U-Net的可变形卷积网络，3×3卷积核

调整网络

多尺度编码-解码结构，增强光照分量

性能指标

图像质量

PSNR、SSIM等客观指标显著提升

色彩保真

SAM、SAT、Delta E等色彩指标优化

视觉效果

主观视觉质量明显改善，细节清晰

实验结果与性能评估

基于WHU-RS19和LOL数据集的全面验证

WHU-RS19数据集性能

PSNR提升

2.74%

SSIM提升

1.54%

SAM提升

2.95%

SAT提升

6.53%

Delta E提升

8.82%

LOL数据集性能

PSNR提升

5.30%

SSIM提升

6.44%

SAM提升

3.37%

SAT提升

5.10%

Delta E提升

10.80%

对比算法性能

与MSRCR、Zero-DCE、LIME、Retinex-Net、SCI、DDNet等经典算法相比， DICR-Net在主观视觉效果和客观评价指标方面均表现出显著优势

MSRCR
传统方法
Zero-DCE
无监督学习
LIME
Retinex理论
Retinex-Net
深度学习
SCI
自校准学习
DICR-Net
本文方法

数据集与实验设计

全面的实验验证与数据集构建方法

WHU-RS19遥感数据集

数据来源

武汉大学发布的遥感图像数据集，包含727幅正常光照遥感图像

低光图像生成

通过傅里叶变换：低频分量进行伽马校正，高频分量添加高斯噪声

数据划分

485对图像作为训练集，242对图像作为测试集

LOL经典数据集

数据特点

低光图像增强领域的经典基准数据集

实验配置

485对图像用于训练，15对图像用于测试

验证意义

验证算法在通用低光图像增强任务上的泛化能力

技术创新与优势

多重技术融合的创新性增强算法

核心创新

  • SENet和跳跃连接改进分解调整网络
  • 可变形卷积DCDNet去噪网络设计
  • 颜色损失和噪声损失函数引入

技术优势

  • 有效解决色彩失真和噪声伪影问题
  • 显著提升图像视觉质量和客观指标
  • 在遥感和通用图像上均表现优异
"该算法在低光遥感图像增强上色彩与噪声表现较好，为遥感图像的长期监测、动态追踪等应用提供了技术支持。"
— 研究结论

应用前景与价值

为遥感图像处理与分析提供重要技术支撑

长期监测

提升低光条件下遥感图像质量，为地球表面资源调查和环境长期监测提供可靠数据

动态追踪

支持复杂光照条件下的目标识别与追踪，提升遥感图像的实用性和准确性

灾害分析

增强低光灾害现场图像质量，为灾害情况分析与预测提供更清晰的视觉信息