摘要
在夜间或光照条件较差的情况下，无人机获取的遥感图像由于照明不足而出现图像质量下降、细节丢失和噪声问题，这限制了它们在公共安全和灾害应急场景中的应用。尽管现有的基于机器学习的增强方法可以恢复部分缺失的信息，但它们通常会导致颜色失真和纹理不一致。本研究提出了一种改进的低光照图像增强方法，该方法基于弱配对图像数据集（WPID），结合了分层深度卷积生成对抗网络（HDCGAN）和低秩图像融合策略来提升低光照无人机遥感图像的质量。首先，应用YCbCr颜色通道分离技术来保留可见光图像的颜色信息。然后，使用低秩表示融合网络（LRRNet）对热红外（TIR）图像和可见光图像进行结构感知融合，从而有效保留结构细节和真实的颜色表现。此外，将弱配对训练机制引入HDCGAN中以增强细节恢复和结构保真度。为了实现客观评估，基于Segment Anything Model（SAM）的语义分割结果构建了一个结构一致性评估框架。实验结果表明，所提出的方法在视觉质量和应用导向评估指标方面均优于现有方法。
