Los dispositivos de imagen en entornos de baja iluminación presentan problemas como bajo contraste, pérdida de detalles en la imagen y distorsión del color, lo que genera una gran interferencia en aplicaciones como videovigilancia, transporte inteligente y reconocimiento facial. Para resolver este problema, este artículo propone una red residual compuesta que incorpora un mecanismo de atención para la mejora de imágenes con poca luz. Primero, el algoritmo realiza una conversión en el espacio de color (RGB-HSV) para colocar el componente de luminancia V en la red neuronal diseñada, luego la red neuronal extrae características superficiales de la imagen mediante una estructura ramificada con mecanismo de atención, luego se extraen características profundas mediante la red residual compuesta, posteriormente se reconstruye la imagen para obtener el componente V mejorado, y finalmente se realiza la mejora de la imagen mediante la fusión de componentes. Los resultados experimentales muestran que, en comparación con los principales algoritmos nacionales e internacionales de mejora de imágenes con poca luz, el algoritmo propuesto mejora significativamente la luminosidad y el contraste visualmente, con un aumento de aproximadamente 20% y 15% en los índices PSNR y SSIM respecto a los algoritmos tradicionales, y una mejora de aproximadamente 9% y 3% en comparación con algoritmos de aprendizaje profundo. Funciona bien tanto en imágenes de baja luminosidad sintéticas como en imágenes reales y naturales, satisfaciendo básicamente los requisitos de color natural, alto contraste y alta robustez de la mejora de imagen.

mejora de imágenes de baja iluminación; redes neuronales; redes residuales; modelo de atención; espacio de color HSV