基于Retinex模型与色彩均衡的低光照图像增强方法RCE研究

针对低光照图像存在的低对比度、色彩失真和细节模糊等问题，研究人员提出基于Retinex模型的RCE方法，通过特征混合注意力模块（FHAM）和色彩均衡模块（CEM）实现无伪影的照明-反射分量分解与色彩校正。实验表明，RCE在LOL v1和MIT-Adobe 5K数据集上PSNR达24.74/24.91，显著优于现有方法，并为暗光目标检测提供新思路。

　　

在智能影像设备普及的今天，暗光环境下拍摄的照片常面临对比度低、细节模糊和色彩失真等问题，直接影响安防监控、深海探测等关键领域的应用。传统方法如基于物理模型的Retinex理论虽能提升亮度，却易产生色彩偏差和伪影；而融合多源数据的算法又可能导致视觉体验不自然。更棘手的是，现有深度学习方法在分解照明（Illumination）和反射（Reflection）分量时难以兼顾精度与色彩保真度，导致增强后的图像出现"人工痕迹"。

针对这一技术瓶颈，研究人员提出创新性解决方案——基于Retinex模型与色彩均衡的低光照图像增强方法RCE。该方法通过三阶段网络架构实现突破：在分解网络（Dec-Net）中，特征混合注意力模块（FHAM）结合交叉注意力机制与窗口自注意力策略，精准分离无伪影的照明-反射分量；预测网络（Pre-Net）则通过光增强模块（LEM）和去噪模块（EM）分别优化这两个分量；重建网络（Rec-Net）创新性地引入门控循环单元（GRU）和色彩均衡模块（CEM），动态平衡亮度提升与色彩校正。关键技术包括跨尺度特征融合策略、基于Retinex的物理约束损失函数，以及在MIT-Adobe 5K等标准数据集上的定量评估。

研究结果显示，RCE在多项指标上表现优异：在LOL v1数据集获得24.74 PSNR和0.8755 SSIM，在MIT-Adobe 5K数据集达到24.91 PSNR和0.9072 SSIM，LPIPS（感知相似性）指标分别低至0.0946和0.0429。与16种主流方法对比实验表明，其增强图像在保持自然视觉效果的同时，色彩还原度提升约23%。更值得注意的是，该方法在YOLOv5暗光目标检测任务中使mAP提升5.6%，证实了其应用价值。

这项发表于《Expert Systems with Applications》的研究具有多重意义：理论上，FHAM模块为图像分解任务提供了新的空间语义建模范式；实践中，GRU-CEM联合架构首次实现亮度与色彩的动态平衡；应用层面，该方法无需专业硬件设备即可获得媲美CCD传感器的成像质量。局限性在于对极端暗光（lux<0.1）场景的适应性有待提升，未来可通过引入量子噪声模型进一步优化。该成果为计算机视觉在恶劣光照条件下的应用开辟了新途径。