Bildgebende Geräte haben bei schlechten Lichtverhältnissen Probleme wie niedrigen Kontrast, Verlust von Bilddetails und Farbverfälschungen, was zu erheblichen Störungen in Anwendungen wie Videoüberwachung, intelligenter Verkehrstechnik und Gesichtserkennung führt. Zur Lösung dieses Problems schlägt dieser Artikel ein zusammengesetztes Restnetzwerk mit Aufmerksamkeitsmechanismus zur Verbesserung von Bildern bei schwachem Licht vor. Der Algorithmus wandelt zunächst den Farbraum (RGB-HSV) um und legt die Luminanzkomponente V in das konstruierte neuronale Netzwerk, dann extrahiert das Netzwerk flache Bildmerkmale durch eine mehrzweigige Struktur mit Aufmerksamkeitsmechanismus, anschließend werden tiefe Merkmale durch das zusammengesetzte Restnetzwerk extrahiert, danach erfolgt die Bildrekonstruktion, um die verbesserte V-Komponente zu erhalten, und schließlich wird die Bildverbesserung durch die Komponentenfusion realisiert. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Algorithmus im Vergleich zu den aktuellen nationalen und internationalen führenden Algorithmen zur Verbesserung von Bildern bei schwachem Licht eine signifikante Verbesserung der Helligkeit und des Kontrasts aufweist, mit einer Steigerung von etwa 20 % bzw. 15 % in den PSNR- und SSIM-Metriken gegenüber traditionellen Algorithmen sowie etwa 9 % und 3 % gegenüber Deep-Learning-Algorithmen. Er zeigt gute Leistung sowohl bei künstlich synthetisierten als auch bei echten, natürlichen Bildern bei schwachem Licht und erfüllt im Wesentlichen die Anforderungen an natürliche Farbgebung, hohen Kontrast und Robustheit der Bildverbesserung.

Bildverbesserung bei schwachem Licht; neuronale Netzwerke; Restnetzwerke; Aufmerksamkeitsmodell; HSV-Farbraum