Imagens em baixa luminosidade apresentam problemas como baixo contraste e baixa relação sinal-ruído; imagens capturadas com baixa qualidade afetam seriamente a observação e medição subsequentes. Para melhorar a qualidade das imagens em baixa luminosidade em cenários complexos, este trabalho projetou uma rede de propagação iterativa para realizar rapidamente e de forma robusta a tarefa de aprimoramento de imagens em baixa luminosidade. Primeiramente, este trabalho projetou um modelo de previsão em múltiplos segmentos para modelar de maneira progressiva a tarefa de previsão de iluminação, aumentando a capacidade do modelo de ajuste não linear para se adaptar a situações reais desconhecidas. Considerando a carga inferencial trazida pela rede em cascata de múltiplos segmentos, este trabalho também construiu um ciclo iterativo baseado no modelo de propagação direta Retinex, fazendo com que cada estágio do modelo em múltiplas fases convirja para um estado similar ou até mesmo o mesmo para otimizar o processo de inferência, aumentando significativamente a velocidade da inferência e melhorando o desempenho do modelo. Este trabalho realizou experimentos comparativos baseados em conjuntos de dados públicos, onde as médias da relação sinal-ruído de pico e da similaridade estrutural ultrapassaram os melhores algoritmos comparativos anteriores em 11,8% e 3,5%, respectivamente. Com base nisso, este trabalho também aplicou a rede de propagação iterativa para melhorar imagens fotográficas de baixa exposição e imagens de microscopia fluorescente de baixa excitação obtidas na prática, e os resultados experimentais demonstraram excelente desempenho de aprimoramento de imagem e generalização.

redes neurais;aprimoramento de imagens em baixa luminosidade;estrutura em cascata;modelo Retinex