Las imágenes de poca luz presentan problemas de bajo contraste y baja relación señal-ruido, y la baja calidad de las imágenes capturadas afecta gravemente a la observación y medición posteriores. Para mejorar la calidad de las imágenes de poca luz en escenarios complejos, este trabajo diseñó una red de propagación iterativa para realizar rápidamente y de manera robusta la tarea de mejora de imágenes de poca luz. En primer lugar, este trabajo diseñó un modelo de predicción por segmentos para modelar de forma progresiva la tarea de predicción de iluminación, mejorando la capacidad de ajuste no lineal del modelo para adaptarse a situaciones reales desconocidas. Considerando la carga inferencial provocada por la red en cascada por segmentos, este trabajo también construyó un ciclo iterativo basado en el modelo de propagación directa Retinex, permitiendo que cada fase del modelo multietapa converja hacia un estado similar o incluso el mismo para optimizar el proceso de inferencia, aumentando considerablemente la velocidad de inferencia y mejorando el rendimiento del modelo. Este trabajo realizó experimentos comparativos basados en conjuntos de datos públicos, donde los promedios de la relación señal-ruido pico y de la similitud estructural superaron a los mejores algoritmos comparativos anteriores en un 11.8 % y un 3.5 %, respectivamente. Sobre esta base, este trabajo también aplicó la red de propagación iterativa para mejorar imágenes fotográficas de baja exposición y de microscopía fluorescente de baja excitación tomadas en la práctica, y los resultados experimentales demostraron un rendimiento sobresaliente en el mejoramiento de imágenes y en la generalización.

redes neuronales;mejora de imágenes de poca luz;estructura en cascada;modelo Retinex