基于深度神經(jīng)網(wǎng)絡的煤礦井下低光照圖像增強算法

王滿利 ，張 航 ，李佳悅 ，張長森

（河南理工大學 物理與電子信息學院, 河南 焦作 454000）

0 引 言

隨著煤炭科學開采理論的發(fā)展[1]，智能化無人開采技術穩(wěn)步推進，越來越多的數(shù)字圖像、視頻設備應用于礦井下，用來進行煤炭識別、危險行為識別和災害警報等重要任務，但是由于這些設備需要依賴良好的正常光輸入圖像，而礦井下環(huán)境復雜，光照條件差，這些都可能會導致采集的圖像對比度低、細節(jié)損失嚴重，嚴重影響了數(shù)字圖像、視頻設備的工作可靠性，為提高礦井下圖像的質量，圖像增強成為建設智慧礦山需要攻克的關鍵環(huán)節(jié)。目前低光照圖像增強領域研究的熱點主要包括基于模型的傳統(tǒng)增強方法和基于深度機器學習的增強網(wǎng)絡。

基于模型的方法主要集中在直方圖均衡化和基于Retinex 理論的方法。直方圖均衡化的方法容易引起圖像過增強，影響圖像的視覺質量，隨著理論與技術的不斷發(fā)展，研究熱點逐漸轉移至基于Retinex 理論的方法。Retinex 理論認為成像設備采集到的圖像可分為光照分量和反射分量，反射分量由物體本身的反射性質決定的，實現(xiàn)圖像增強就是通過去除圖像的場景光照信息，消除光照分量的干擾，獲取反射圖像分量。GUO 等[2]基于Ritinex 理論提出LIME 算法，選取輸入圖像各像素通道中的最大值，對光照圖初始化處理，再用結構化的先驗知識對光照圖進行處理，將反射圖的輸出作為增強結果，但容易出現(xiàn)過增強的現(xiàn)象。SHU 等[3]提出名為NPE 的算法，在增強圖像對比度的同時保持了照明的自然度，但沒有考慮不同場景中照明的關系。CHULWOO 等[4]提出一個用于低光照圖像增強的多曝光融合框架，采用雙曝光融合算法，來提供準確的對比度和照度增強，但增強結果亮度較低。LI 等[5]基于Retinex 理論，提出RRM 算法，它采用基于增廣Lagrange 乘子的ADM 算法代替對數(shù)變換，考慮噪聲的影響，提出Robust Retinex 模型，首次對噪聲進行預測，同時估計反射圖和分段平滑的照明圖來進行圖像增強，但增強結果不夠清晰?；谌レF的算法[6]利用了光照不足的圖像與有霧環(huán)境下圖像之間的反向聯(lián)系來達到低光照圖像增強的效果。

雖然傳統(tǒng)的增強算法在圖像增強領域取得了良好的成效，但隨著機器學習的快速發(fā)展，基于深度學習的網(wǎng)絡在圖像增強視覺任務中表現(xiàn)出更為優(yōu)越的性能。其中，文獻[7]在去噪自編碼的基礎上提出一種堆疊式去噪自編碼來實現(xiàn)低光照圖像增強和去噪功能，但只針對單通道灰度圖。文獻[8]提出的MBLLEN 網(wǎng)絡，通過CNN 卷積層將圖像豐富的特征提前到不同的層次，使用多個子網(wǎng)同時進行增強，最后將多分支輸出的結果融合成最終的增強圖像，但算法的運行時間過長。文獻[9]提出的TBEFN 網(wǎng)絡，估計了兩個分支的一個傳遞函數(shù)，可以得到兩個增強結果，然后采用一種簡單的平均方法對兩幅圖像進行融合，并通過一個細化單元進一步細化結果，但網(wǎng)絡的訓練過程較為復雜。文獻[10]提出的GLAD 網(wǎng)絡，首先基于全局先驗和原始輸入圖像，再采用卷積網(wǎng)絡進行細節(jié)重建，得到增強結果，但增強結果的清晰度不夠。Retinex-Net 網(wǎng)絡[11]是基于Retinex 理論深度學習網(wǎng)絡模型在低光照圖像增強領域的首次嘗試，通過一個分解網(wǎng)絡將圖像分解成光照圖和反射圖，然后對光照圖單獨進行增強，但增強結果容易出現(xiàn)顏色失真的現(xiàn)象。同樣受Retinex 理論的啟發(fā)，文獻[12]提出了一種新穎的漸進式Retinex 網(wǎng)絡框架，而后文獻[13]又在此基礎上對反射模塊進行改進。文獻[14]受到Retinex 模型和信息熵理論的啟發(fā)，提出一個基于Retinex 的最大熵模型(DLN)，來分解光照度和反射率，但增強后的圖像容易出現(xiàn)細節(jié)損失。由于礦井下成像環(huán)境光照條件差，導致目前的多數(shù)增強網(wǎng)絡不能在提升圖像對比度的同時保持良好的紋理細節(jié)。

盡管有很多優(yōu)越的低光照增強算法被提出，但由于礦井下環(huán)境的復雜性、圖像的特殊性，以及缺少相應的數(shù)據(jù)集，未能出現(xiàn)一種效果顯著的針對礦井下圖像增強的模型。

鑒于以上分析，提出一種基于深度神經(jīng)網(wǎng)絡的礦井下低光照圖像增強算法模型，該模型包含有3個子網(wǎng)絡，分別為分解網(wǎng)絡、光照調整網(wǎng)絡和反射重構網(wǎng)絡。分解網(wǎng)絡將輸入的煤礦井下圖像分解為對應的光照圖和反射圖；光照調整網(wǎng)絡結構利用深度可分離卷積有效減少了模型的參數(shù)，強化了網(wǎng)絡的特征提取能力，從而對光照圖進行更好的亮度調整；此外，引入MobileNet 網(wǎng)絡結構，進一步使光照調整網(wǎng)絡輕量化，并保持其特征提取精度，有效實現(xiàn)光照分量對比度調整；反射重構網(wǎng)絡加入了殘差網(wǎng)絡結構，提升了網(wǎng)絡特征學習性能與反射分量紋理細節(jié)恢復能力。最后，將處理過后的光照圖和反射圖基于Retinex 理論進行融合，來實現(xiàn)礦井下圖像的對比度提高和細節(jié)的增強，克服了現(xiàn)有增強算法存在的增強圖像細節(jié)丟失、邊緣模糊、對比度和清晰度不足的問題，算法在提高增強圖像的對比度情況下，充分保留增強圖像的細節(jié)與邊緣信息。

1 模型原理

1.1 總體網(wǎng)絡結構

由于礦井下的復雜環(huán)境，導致礦井下圖像容易出現(xiàn)光照不足的問題和退化現(xiàn)象，為了解決這些問題，構建出一種如圖1 所示的基于深度神經(jīng)網(wǎng)絡的圖像增強模型，該網(wǎng)絡主要由2 個分支組成，分別是光照分量分支和反射分量分支，其中，光照分量分支由分解網(wǎng)絡模塊(Decomposition Module)、光照調整網(wǎng)絡模塊(Illumination Adjustment Module)構成，反射分量分支由分解網(wǎng)絡模塊和反射重構網(wǎng)路模塊(Reflection Restoration Module)構成。輸入的礦井下圖像進入分解網(wǎng)絡模塊，分解為光照圖和反射圖，再分別通過光照調整網(wǎng)絡模塊和反射重構模塊進行亮度調整和細節(jié)增強。該網(wǎng)絡在光照調整網(wǎng)絡模塊中引入了深度可分離卷積，以便進行更好地提取特征；在反射重構網(wǎng)絡模塊使用了殘差結構，更好地保存了原圖的紋理細節(jié)。

圖1 礦井下增強網(wǎng)絡結構Fig.1 Underground mine enhancement network structure

Retinex 理論認為人們觀測到的圖像可以分解成光照分量和反射分量：

其中：S(x,y)為 原始圖像；R(x,y)為反射分量，描述了觀測圖像的固有信息，可以被視為常量，與光照無關；L(x,y)為光照分量，描述了觀測圖像的不同光照程度。由于沒有真實圖像的光照信息和反射信息作為參考，這就導致了分解結果的不確定性，因此在分解網(wǎng)絡模塊中正確使用先驗正則化因子是很重要的。假設圖像沒有退化現(xiàn)象，那么按照Retinex 理論，相同場景下所拍攝圖像的反射圖應相同，不同光照條件則導致了光照圖有很大的差別，但它們的結構仍應具有一致性，且相對簡單。所以，我們使用正常光照條件下圖像作為網(wǎng)絡中各個模塊的學習對象，從成對的低光照和普通光照圖像中自動學習參數(shù)。

1.2 分解模塊

分解網(wǎng)絡模塊存在于2 個分支之中，用來提取光照圖和提取反射圖，其中用來提取反射圖的結構是由經(jīng)典的U-Net 結構[15]和一個1×1 的卷積層加Sigmoid 激活函數(shù)組成；用來提取光照圖的結構是由一個Conv+ReLU 層[16]和一個Conv 層組成，最后加上一個Sigmoid 層[17]，總體結構如圖2 所示。由于使用了配對的低光照和正常光照的圖像[Sl,Sh]做出參考，同一場景的不同光照圖像的反射圖[Rl,Rh]一致，而分解出來的[Ll,Lh]應該是分段平滑的。

此模塊的損失函數(shù)設計為

其中，Sl和Sh分別為礦井下和正常光照條件下的圖像；Rl、Rh、Ll和Lh分別為礦井下和正常光照下的圖像分解出的反射分量和光照分量； //·//1為采取的是l1損失，重構誤差函數(shù)約束了分解產(chǎn)生的反射分量和光照分量重構之后盡量和分解前保持一致。

分解網(wǎng)絡訓練時初始學習率大小設置為 10-6，訓練輪數(shù)設置為100，批處理圖像數(shù)量為48，訓練時損失函數(shù)曲線如圖3 所示。由圖5 可知，網(wǎng)絡訓練至60 輪時，損失值趨于穩(wěn)定，達到收斂狀態(tài)。

圖3 分解網(wǎng)絡損失函數(shù)曲線Fig.3 Loss function graph of decomposition network

1.3 光照調整模塊

光照調整網(wǎng)絡模塊網(wǎng)絡結構采用了MobileNet 結構[18]，它擁有更小的體積，更少的計算量，更高的精度，在輕量級神經(jīng)網(wǎng)絡中擁有極大的優(yōu)勢。其采用了深度可分離卷積(Depthwise separable convolution)[19]構成的卷積層作為特征提取網(wǎng)絡結構，深度可分離卷積結構如圖4 所示，它相較于普通卷積，大幅減少了模型的參數(shù)，并加深了特征提取網(wǎng)絡的深度，整個MobileNet 模塊結構如圖5 所示，其中的depthwise conv block 就是分層卷積，之后會經(jīng)過Batch normalization 層和ReLU 激活函數(shù)層，在之后添加一個1×1 的卷積進行通道處理。而光照調整模塊采用MobileNet 網(wǎng)絡進行5 個特征層的提取，然后再分別進行上采樣和特征層的融合，最終通過Sigmoid 激活函數(shù)輸出，總體結構如圖6 所示。此模塊的損失函數(shù)設計為

圖4 深度可分離卷積塊結構Fig.4 Deeply separable convolutional block structure

圖5 MobileNet 模塊結構Fig.5 MobileNet module structure

圖6 光照調整模塊網(wǎng)絡結構Fig.6 Illumination adjustment module network structure

其中，Lk為Ll或Lh，L?為 光照調整模塊的輸出，EMS為均方誤差，它是預測值f(x) 與 目標值y之間差值平方和的均值，其計算公式為

1.4 反射重構模塊

基于Retinex 理論，從數(shù)學的角度出發(fā)，退化的低光照圖像可以表示為

反射重構網(wǎng)絡模塊利用更清晰的反射率作為混亂反射率的參考，類似于層分解子網(wǎng)中更深層次的反射分支。退化在反射上的分布復雜，且強烈依賴于照明分布，將光照信息和退化的反射一起引入到恢復網(wǎng)絡中，可以解決顏色失真的問題，進而去除黑暗區(qū)域的退化，實現(xiàn)圖像細節(jié)的重構。針對礦井下環(huán)境的特殊性，圖像紋理信息較弱，容易出現(xiàn)對比度低、細節(jié)損失，邊緣信息丟失等問題，并提升網(wǎng)絡的特征表達能力，在網(wǎng)絡結構中加入了殘差層模塊，具體結構如圖7 所示，它使得網(wǎng)絡層空置不會使得網(wǎng)絡性能下降，然而實際上的輸出特征存在一定的數(shù)值，使網(wǎng)絡在除輸出特征外還能學到新的特征，在圖像重建的過程中利用底部細節(jié)，提升了對網(wǎng)絡的細節(jié)處理能力。采用了LN(Layer Normalization)的歸一化方法，使每一層的維度分布更穩(wěn)定并起到了正則化的作用，使得模型不容易出現(xiàn)過擬合的現(xiàn)象。最后通過Swish 激活函數(shù)獲得輸出結果。反射重構網(wǎng)絡總體結構如圖8 所示。

圖7 殘差塊結構Fig.7 Residual block structure

圖8 反射重構網(wǎng)絡結構Fig.8 Reflection reconfiguration network structure

激活函數(shù)的選取十分關鍵，因為它是深度學習的核心單元，即使激活函數(shù)只有少量的提升，但它也會因為大量的使用而獲得極大的收益。現(xiàn)在深度神經(jīng)網(wǎng)絡中常用的激活函數(shù)為Sigmoid 激活函數(shù)，它可以把輸入的連續(xù)實值變換為0～1 間的輸出，具有單調連續(xù)的特點。但它存在一定的缺陷，在深度神經(jīng)網(wǎng)絡中梯度反向傳導時，可能會出現(xiàn)梯度爆炸和梯度消失的現(xiàn)象，其中梯度爆炸發(fā)生的概率較小，而梯度消失發(fā)生的概率比較大。而且Sigmoid 函數(shù)不是關于原點中心對稱的，這會導致后面一些網(wǎng)絡層的輸入也不是以0 為中心的，從而對梯度下降的運作產(chǎn)生影響。同時 Sigmoid 函數(shù)需要進行指數(shù)運算，計算耗時較長?？紤]到上述原因，選取Swish 來取代Sigmoid 作為網(wǎng)絡的激活函數(shù)。

Swish 激活函數(shù)為一種復合的激活函數(shù)，它的表達式為

其中， σ(x)為Sigmoid 激活函數(shù)，因為Sigmoid 函數(shù)的飽和性，會導致梯度消失的發(fā)生，當x非常大時，就有f(x)趨 近于x，但當x趨于- ∞ 時 ，則f(x)趨于0，從而解決了梯度消失的問題。同時，Swish函數(shù)的有助于防止慢速訓練期間，梯度逐漸趨近于0導致飽和，它的優(yōu)勢在于無上界有下界、非單調且平滑的特性，在模型的優(yōu)化和泛化中起到重要作用，并在深層模型上的效果表現(xiàn)較好。

此模塊的損失函數(shù)設計為

其中，R︿為恢復后的重構圖；SSIM[21]為低光照圖像增強后與對應的正常光圖像之間的SSIM 值。

2 數(shù)值試驗

由于礦井下采集的低光照圖像沒有對應正常光照圖像，無法直接獲得低光照-正常光照成對數(shù)據(jù)集，經(jīng)過大量試驗發(fā)現(xiàn)，利用多種杰出的低光照圖像增強算法增強礦井低光照圖像，根據(jù)NIQE 評價指標，選取NIQE 指標最優(yōu)圖像與礦井原低光照圖像構成訓練數(shù)據(jù)集對，可近似獲得礦井低光圖像成對數(shù)據(jù)集（Mine-data），作為網(wǎng)絡的訓練集與驗證集。試驗中選用的杰出算法包括：LIME 、RRM、MBLLEN、Retinex-Net[11]、KinD[12]、DLN 與KIND_plus，經(jīng)過測試，NIQE 指標最佳的圖像主要分布于3 種算法，分別是KIND、DLN、KIND_plus，占比大致分別為23%、22%、11%。制作的Mine 數(shù)據(jù)集由大小為600×400 的近似正常光照圖像和低光照圖像對組成，數(shù)據(jù)集包含240 組圖像對。

試驗中網(wǎng)絡的初始學習率設置為1 0-6，訓練輪數(shù)設置為3 000，批量大小設置為16。試驗采用Python編寫算法代碼，使用Adam 作為優(yōu)化器，基于Tensorflow 框架實現(xiàn)，在NVIDIA GeForce RTX 3090 GPU下進行訓練。

為了驗證算法的有效性與實用性，進行了礦井下圖像增強效果的對比；為了驗證制作的煤礦井下圖像數(shù)據(jù)集的有效性，分別進行了不同數(shù)據(jù)集測試圖像的主觀視覺效果對比與客觀指標對比；為了驗證算法的適應性與可行性，進行了各算法在不同數(shù)據(jù)集中增強圖像的指標對比；為了驗證每部分網(wǎng)絡結構的必要性，進行了相關的消融試驗；為了驗證算法的實時性，進行了各算法耗時性的對比。

2.1 礦井下圖像的增強效果對比

通過將此網(wǎng)絡的增強結果和目前最先進的低光照增強算法進行比較來說明該網(wǎng)絡的有效性和實用性，比較算法包括：BIMEF、GLAD、MBLLEN、RRM、DLN、 Retinex-Net、 LIME 和KinD。 采 用PSNR、SSIM、NIQE 和LOE 作為圖像質量評價指標。其中峰值信噪比PSNR 和結構相似度SSIM 這兩個指標，是廣泛使用的2 種圖像質量指標，都需要有對應的正常圖像作為參考，值都是越大越好；自然圖像質量評估器NIQE，用于評估真實圖像恢復，不需要其他圖像作為參考，值越小越好；亮度順序誤差LOE，表示增強后圖像自然度的亮度順序誤差，LOE 值越小，說明該圖像亮度順序保持得越好，也就是說該圖像的質量越高。

對礦井下低照度圖像進行測試，在由礦井下低照度圖像組成的MI 數(shù)據(jù)集中隨機抽取T1、T2、T3圖像增強效果如圖9 所示。

圖9 礦井下測試圖像增強效果Fig.9 Image enhancement effect of underground test in mine

圖9a、圖9b、圖9c 中的第1 行從左到右依次對應輸入的礦井下低照度圖像，BIMEF，GLAD，MBLLEN，RRM 增強圖像；第2 行從左到右依次對應DLN、LIME、Retinex-Net、KinD 與本文算法對應的增強圖像。

視覺分析圖9a 可以看出，增強T1 時，傳統(tǒng)的增強算法中，LIME 相較于BIMEF、RRM 視覺效果表現(xiàn)較好，但它增強過后燈光處的明亮區(qū)域被過度增強，BIMEF 增強后的圖像的飽和度和對比度過強，導致圖像整體偏暗，地板的黑暗處并沒有得到很好的增強。RRM 對低光照圖像的亮度改善有所欠缺，墻上部分細節(jié)模糊。而深度學習算法中，Retinex-Net增強后，整張圖像出現(xiàn)了較為嚴重的顏色失真；GLAD 增強后的圖像中地板和墻壁周圍仍存在噪聲，部分區(qū)域的顏色和邊緣也出現(xiàn)了一定的失真現(xiàn)象；MBLLEN 增強過后的圖像對比度過強，亮度增強的效果不明顯，尤其是在圖像中的角落等黑暗處；KinD的結果在邊緣存在偽影，會影響了增強效果的視覺美感；DLN 對圖像色調的恢復程度較高，但對圖像色彩的恢復程度較低。算法增強后的圖像較為清晰，并且增強圖的整體色調和細節(jié)恢復程度較為理想。

視覺分析圖9b 知，增強T2 時，LIME 算法在視覺上的增強效果仍然是最好的，但它增強過后的強光區(qū)域仍會出現(xiàn)過度增強的現(xiàn)象，而其他的傳統(tǒng)算法BIMEF、RRM 增強后的圖像效果相近，圖像整體偏暗，增強效果不明顯。而基于深度學習的Retinex-Net 網(wǎng)絡對圖像的色彩恢復程度明顯比較弱，一定程度上引起了圖像的顏色出現(xiàn)不均與失真；從圖中放大區(qū)域看出，GLAD 增強后的圖像仍存在噪聲，對比度提升不明顯；MBLLEN 增強過后的圖像仍然出現(xiàn)了亮度增強的效果不明顯的情況；由局部放大圖可知，KinD 增強后結果在圖9b 的通道右側出現(xiàn)偽影，對視覺效果產(chǎn)生影響；DLN 增強后的圖像存在色差，飽和度提升不明顯。由圖8b 的局部放大圖可看出，本文算法增強后的圖像紋理細節(jié)更加豐富，增強效果較為理想。

視覺分析圖9c 可以看出，傳統(tǒng)的增強算法中，LIME 在圖9c 的明亮區(qū)域出現(xiàn)了明顯的過增強現(xiàn)象，對視覺效果產(chǎn)生一定的影響，但增強效果比BIMEF與RRM 增強后的圖像的效果好，BIMEF 和RRM 增強后的圖像整體偏暗。在深度學習算法中，由圖9c中局部放大圖可知，Retinex-Net 對圖像的色彩恢復能力較差，容易出現(xiàn)顏色失真的現(xiàn)象；GLAD 增強后的圖像噪聲含量大，在圖像邊緣細節(jié)處較為模糊；MBLLEN 增強過后的圖像對比度過強，亮度增強的效果不明顯；由圖9c 中局部放大圖可知，KinD 增強后的結果在地面上有仍會出現(xiàn)偽影，這同樣對增強效果的視覺美感產(chǎn)生了影響；DLN 增強后的圖像引起了較大的色差，在強光區(qū)域出現(xiàn)了過度增強的現(xiàn)象。算法增強后的圖像對比度、清晰度與紋理細節(jié)相較KinD 都有不同程度的提高，整體增強效果較為理想。

考察煤礦井下圖像[22]可以發(fā)現(xiàn)，圖像的質量與NIQE 指標密切相關，NIQE 指標越低的圖像質量越好，故這里從各算法的增強結果中選取NIQE 指標最佳的圖像作為正常光參考圖像，組成煤礦井下圖像數(shù)據(jù)集，作為訓練集與測試集。為驗證其有效性，從該數(shù)據(jù)集中隨機抽取了T4、T5 圖像進行測試，并將它們與其他8 種算法的結果進行對比，具體效果如圖10 所示。

從圖10 可以看出各算法在礦井下測試圖像增強中出現(xiàn)的問題，在煤礦數(shù)據(jù)集(Mine-data)中同樣存在，由于Mine-data 選取了各增強算法中NIQE 指標最佳的圖像，作為對應的正常光照下的圖像進行參考，所以可以計算出它們的PSNR 和SSIM 值，從圖11 能夠直觀地看出，提出的算法在PSNR 值的對比中列居首位，在SSIM 值的對比中列居第2，而排在前位的還有GLAD、KIND、DLN、MBLLEN，而相對來說結果不太理想的算法是BIMEF、RRM、LIME和Retinex-Net 算法。

圖11 Mine 數(shù)據(jù)集測試圖像增強結果的峰值信噪比和SSIM 值Fig.11 PSNR and SSIM values of the Mine-data test image enhancement results

為了防止抽取圖像的隨機性和偶然性，這里又將Mine-data 數(shù)據(jù)集中低照度圖像作為測試圖像，分別計算出它們的PSNR、SSIM 的值，并與其他8種算法做出比較，通過不同圖像質量指標數(shù)據(jù)，來對這些算法的增強性能進行比較，具體數(shù)據(jù)如見表1。

表1 礦井下圖像質量指標數(shù)據(jù)比較Table 1 Comparison of underground image quality index data

分析表1 中數(shù)據(jù)可知，提出的算法在PSNR 和NIQE 兩個指標中均位于9 種算法的首位，KinD 算法均排行第2，而在SSIM 指標上僅以微弱的差距落后于KinD 算法，在LOE 指標上，僅低于MBLLEN算法，而優(yōu)于KinD 算法。綜合分析，提出的算法無論是從視覺效果上還是指標分析上都表現(xiàn)出很大的優(yōu)勢。

2.2 不同數(shù)據(jù)集圖像增強對比

為驗證算法的適應性與可行性，將LOL 數(shù)據(jù)集作為測試圖像，分別計算出它們的PSNR、SSIM、NIQE 和LOE 的值，并與其他8 種算法做出比較，通過4 個圖像質量指標數(shù)據(jù)分析這些算法的增強性能[23]，具體數(shù)據(jù)見表2。

表2 LOL 數(shù)據(jù)集圖像質量指標比較Table 2 Comparison of image quality indicators in LOL dataset

分析表2 中數(shù)據(jù)可知，提出的算法在SSIM 和NIQE 兩個指標中均位于9 種算法的首位，KinD 算法均排行第2，而在PSNR 指標上僅以微弱的差距落后于KinD 算法，在LOE 指標上，僅低于MBLLEN算法，而遠遠超過KinD 算法?？傮w看來，算法在不同客觀指標上的綜合表現(xiàn)較好。

對于LIME、NPE 數(shù)據(jù)集和MI 數(shù)據(jù)集，由于沒有可用的參考圖像。因此，僅采用NIQE 來評估各個算法的之間的性能差異，試驗結果見表3。

表3 各數(shù)據(jù)集圖像質量指標數(shù)據(jù)比較Table 3 Comparison of image quality index data among different datasets

分析表3 數(shù)據(jù)可知，在NIQE 指標的對比中，本文所提出的算法位列首位，GLAD 算法排名第2，對于NPE 數(shù)據(jù)集，排名僅次于GLAD 算法，對于MI 數(shù)據(jù)集，排名第1 的是GLAD 算法，DLN 排名第2，本文提出的算法排名第3。

綜上分析，提出的算法在不同數(shù)據(jù)集上表現(xiàn)良好，從而證實了此算法的適應性、可行性與優(yōu)越性。

2.3 消融試驗

文中的網(wǎng)絡結構中加入了Mobile-Net 與殘差塊等結構，為體現(xiàn)每部分網(wǎng)絡結構對最終生成增強圖像的影響，進行了相關的消融試驗，來驗證每部分網(wǎng)絡結構的必要性和有效性，所選測試質量指標的圖片取自于礦井下低光照圖像數(shù)據(jù)集（Mine-data）中的部分圖像，消融試驗每種情況下的數(shù)值質量指標對比結果見表4。

表4 消融試驗指標對比Table 4 Comparison of alation experiments

從表4 中的數(shù)據(jù)可以直觀看出，缺少網(wǎng)絡的任一部分都會對最終增強圖像的指標質量產(chǎn)生不同程度的影響，這也證明了每一部分網(wǎng)絡結構的必要性和有效性。

2.4 算法耗時性分析

為比較9 種增強算法的平均耗時，分別使用9種算法增強50 幅600×400 的測試圖像，統(tǒng)計其增強單幅圖像的平均耗時，具體數(shù)據(jù)比較結果見表5。

表5 各算法耗時性比較Table 5 Time consuming comparison of all algorithms

由表5 數(shù)據(jù)可知，本文算法平均計算速度0.237 s，略低于DLN、Retinex-Net、GLAD，位居第四，算法運行速度較好。

3 結 論

1）該網(wǎng)絡為雙分支結構，分別與Retinex 理論的光照分量和反射分量相對應，在光照分量網(wǎng)絡分支和反射分量網(wǎng)絡分支分別實施光照分量調整和反射分量重構。

2）光照調整網(wǎng)絡利用深度可分離卷積強化輪廓特征提取能力；反射重構網(wǎng)絡利用殘差網(wǎng)絡結構強化紋理細節(jié)信息提取，提升重構反射分量紋理細節(jié)清晰度。

3）試驗表明，文中針對礦井圖像紋理細節(jié)弱特征，構建的深度神經(jīng)網(wǎng)絡模型，相比目前公認8 種圖強增強方法，更加適合礦井下低光照圖像的增強，本文模型增強圖像在細節(jié)信息增強、對比度提高方面具有一定的優(yōu)勢。