基于改进松鼠搜索算法与目标检测的暗光图像识别技术研究

《Signal Processing: Image Communication》：Dark Light Image Recognition Technology Based on Improved SSA and Object Detection

本文提出了一种基于改进松鼠搜索算法（ISSA）与目标检测（OD）的联合优化方法，通过双向搜索、螺旋觅食等策略优化暗光图像增强，结合多分支特征提取网络和低光适应性检测架构，显著提升了暗光环境下图像质量（PSNR 26.74 dB，SSIM 0.85）和目标检测平均精度（mAP 67.9%），为自动驾驶、安防监控等领域的复杂光照场景图像识别提供了高精度、强鲁棒性的解决方案。

　　

^{基于ISSA的图像增强算法分析}

通过定量对比实验和消融实验，研究从图像增强质量、目标检测（OD）精度和算法鲁棒性三个维度展开全面评估。实验在标准暗光数据集ExDark上进行，为进一步提升暗光环境覆盖度，额外采用真实世界夜间城市场景大规模数据集DarkFace（包含超过10,000张带标注图像）。结果显示，基于改进松鼠搜索算法（ISSA）的图像增强方法在峰值信噪比（PSNR）达到26.74分贝，结构相似性（SSIM）为0.85，显著优于Retinex、HybLLIE等传统算法。目标检测部分在暗光条件下的平均精度（mAP）达67.9%，消融实验验证了双向搜索、螺旋觅食等改进策略的有效性。

^讨论

为提升暗光环境下的图像质量与目标检测精度，研究通过图像增强与目标检测的联合优化，成功强化了暗光图像识别能力。结果表明，改进后的目标检测模型在低光照条件下实现了67.9%的平均精度（mAP），显著高于对比模型。在噪声干扰、运动模糊等复杂条件下，该模型仍保持较高检测精度，证明了其良好的鲁棒性。

^结论

暗光图像识别（DLIR）领域中，低对比度、高噪声和细节丢失是影响目标检测精度的核心问题。本研究提出基于改进松鼠搜索算法（ISSA）与目标检测框架的联合优化方案，有效提升暗光图像质量并增强检测准确性。实验数据表明，ISSA在图像增强中实现了26.74分贝的PSNR和0.85的SSIM，显著优于传统算法。完整模型在极端低光条件下的整体类别平均精度达66.4%，兼具高精度与鲁棒性，为复杂光照条件下的图像识别提供了创新性解决方案。