Les images en faible lumière présentent des problèmes de faible contraste et de faible rapport signal/bruit, et la qualité médiocre des images capturées affecte gravement l'observation et la mesure ultérieures. Pour améliorer la qualité des images en faible lumière dans des scénarios complexes, ce travail conçoit un réseau de propagation itérative capable de réaliser rapidement et de manière robuste la tâche de renforcement d'images en faible lumière. Tout d'abord, ce travail conçoit un modèle de prédiction en plusieurs étapes pour modéliser progressivement la tâche de prédiction de l'éclairement, améliorant ainsi la capacité de l'algorithme à s’adapter à des situations réelles inconnues grâce à une meilleure approximation non linéaire. En tenant compte de la charge de calcul induite par le réseau en cascade multi-étapes, un modèle itératif en boucle basé sur le modèle de propagation avant Retinex est construit, ce qui fait que chaque étape du modèle multi-étapes converge vers un état similaire voire identique afin d'optimiser le processus d'inférence, tout en améliorant significativement la vitesse d'inférence et les performances du modèle. Ce travail réalise des expériences comparatives sur des bases de données publiques, où la moyenne du rapport signal sur bruit de pointe et de la similarité structurelle dépasse respectivement de 11,8% et 3,5% les meilleurs algorithmes existants. Sur cette base, ce travail applique également le réseau de propagation itérative pour améliorer des images réelles à faible exposition et des images de microscopie fluorescente à faible excitation, les résultats expérimentaux montrent d'excellentes performances d'amélioration d’image et une bonne généralisation.

réseaux neuronaux;renforcement d'images en faible lumière;structure en cascade;modèle Retinex