人工智能如何在图像处理应用中提高低光环境识别率？

发布时间：2025-04-14 10:16:56 | 责任编辑：字母汇 | 浏览量：27 次

人工智能可以通过以下多种技术手段在图像处理应用中提高低光环境下的识别率：

1. 深度学习方法

• Retinex-Net：将传统的Retinex理论与深度学习相结合，通过反射分量估计、照明分量估计和重建三个子网络，有效处理不同程度的低光照图像。

• EnlightenGAN：基于生成对抗网络（GAN）的无监督低光照图像增强方法，不需要配对的低光照-正常光照图像对进行训练，通过对抗学习生成增强后的图像。

• Zero-DCE：提出了一种零参考的深度曲线估计方法，通过学习像素级的曲线调整图像亮度，不需要配对数据或参考图像。

• KinD++：基于图像分解的方法，将输入图像分解为反射分量和照明分量，分别增强后再组合，保持图像细节和颜色保真度。

• LLFlow：引入标准化流的概念，基于可逆网络学习低光照到正常光照图像的概率分布映射。

• LightenDiffusion：结合Retinex理论和扩散模型的生成能力，通过内容传输分解网络在潜空间中执行分解，实现无监督低光图像增强。

2. 网络架构创新

• IAT集成YOLOv8：IAT（Image Augmentation Transformer）网络通过增强低照度图像的特征，与YOLOv8目标检测模型融合，提升在暗光与雾霾环境下的性能。

• TBEFN：双分支曝光融合网络，一个分支用于融合多个曝光不足的图像，另一个分支对融合后的图像进行增强，提高亮度和对比度。

• LLNet：基于深度自编码器的方法，通过编码器压缩输入图像，解码器还原图像，训练过程中结合有监督和无监督学习。

3. 色彩空间优化

• 可训练的HVI色彩空间：通过引入极坐标化HS映射和可学习的强度映射函数，实现色彩与亮度的精确解耦，解决低光图像中低信噪比的问题。

4. 无监督学习与自监督学习

• EnlightenGAN：采用自调整注意力引导的U-Net作为生成器，双判别器引导全局和局部信息，利用低光输入的照度信息作为深度特征自规则化注意图，规范无监督学习。

• LightenDiffusion：提出自我约束的一致性损失，改善视觉质量，适用于各种场景。

5. 实际应用场景

• 智能安防监控：通过增强低光照下的监控图像，提高监控系统的识别率和准确性。

• 自动驾驶：提升车辆在夜间或低光照条件下的视觉感知能力，增强行车安全性。

• 医疗影像分析：改善低光照下的医学影像质量，辅助医生进行更准确的诊断。

这些技术的应用和发展，显著提升了低光环境下的图像识别率，为多个领域带来了技术突破和实际效益。