Les dispositifs d'imagerie en conditions de faible luminosité rencontrent des problèmes tels qu'un faible contraste, une perte des détails de l'image et une distorsion des couleurs, ce qui perturbe considérablement des scénarios d'application tels que la vidéosurveillance, le transport intelligent et la reconnaissance faciale. Pour résoudre ce problème, cet article propose un réseau résiduel composé intégrant un mécanisme d'attention pour améliorer les images en basse luminosité. L'algorithme convertit d'abord l'espace colorimétrique (RGB-HSV) pour extraire la composante de luminance V vers le réseau de neurones construit, puis ce dernier utilise une structure multi-branches intégrant un mécanisme d'attention pour extraire les caractéristiques superficielles de l'image, ensuite des caractéristiques profondes sont extraites via le réseau résiduel composé, puis la reconstruction de l'image génère la composante V améliorée, enfin l'amélioration de l'image est réalisée par fusion des composantes. Les résultats expérimentaux montrent que, comparé aux principaux algorithmes nationaux et internationaux d'amélioration d'images en basse luminosité, l'algorithme proposé améliore significativement la luminosité et le contraste visuellement, avec des gains d'environ 20% et 15% aux indices PSNR et SSIM par rapport aux algorithmes traditionnels, et des améliorations d'environ 9% et 3% comparés aux algorithmes d'apprentissage profond. Il fonctionne bien aussi bien sur des images synthétiques basses en luminosité que sur des images réelles et naturelles, répondant essentiellement aux exigences d'une couleur naturelle, d'un fort contraste et d'une bonne robustesse de l'amélioration d'image.

amélioration d'images en basse luminosité; réseaux neuronaux; réseaux résiduels; modèle d'attention; espace colorimétrique HSV