Niedriglichtbilder haben Probleme wie niedrigen Kontrast und niedriges Signal-Rausch-Verhältnis, und die schlechte Qualität der erfassten Bilder beeinträchtigt die nachfolgende Beobachtung und Messung erheblich. Um die Qualität von Niedriglichtbildern in komplexen Anwendungsszenarien zu verbessern, wurde in dieser Arbeit ein iteratives Propagationsnetzwerk entwickelt, das die Aufgabe der Niedriglichtbildverbesserung schnell und robust erledigt. Zunächst wurde in dieser Arbeit ein mehrstufiges Vorhersagemodell entwickelt, das die Aufgabe der Beleuchtungsvorhersage schrittweise modelliert und die nichtlineare Anpassungsfähigkeit des Modells verbessert, um unbekannte reale Situationen zu bewältigen. Angesichts der Rechenlast durch das mehrstufige Kaskadennetzwerk wurde außerdem ein iterativer Zyklus basierend auf dem Retinex-Vorwärtsmodell aufgebaut, so dass jede Stufe des mehrstufigen Modells auf einen ähnlichen oder sogar denselben Zustand konvergiert, um den Inferenzprozess zu optimieren, wobei die Inferenzgeschwindigkeit erheblich erhöht und gleichzeitig die Modellleistung verbessert wurde. Es wurden Vergleichsexperimente mit öffentlichen Datensätzen durchgeführt, bei denen der Mittelwert des Spitzen-Signal-Rausch-Verhältnisses und der Strukturähnlichkeit 11,8 % bzw. 3,5 % über den bisherigen besten Vergleichsalgorithmen lag. Darauf basierend wurde das iterative Propagationsnetzwerk auch auf die Verbesserung tatsächlich aufgenommener Fotos mit niedriger Belichtung und von fluoreszenzmikroskopischen Bildern mit niedriger Anregung angewendet, und die experimentellen Ergebnisse zeigen eine hervorragende Bildverbesserungsleistung und Generalisierbarkeit.

Neurale Netze;Niedriglichtbildverbesserung;Kaskadenstruktur;Retinex-Modell