基于深度學(xué)習(xí)的低照度熒光滲透數(shù)字化圖像恢復(fù)方法研究

王茂振，程向梅，沈 威，任益博，章家鵬

（1. 航天晨光股份有限公司，南京 210000；2. 南昌航空大學(xué)測(cè)試與光電工程學(xué)院，南昌 330000）

0 引言

熒光滲透法（Fluorescence Penetration）廣泛應(yīng)用于檢測(cè)管件、焊接件、葉片等工件表面的裂紋、氣孔、分層等表面缺陷，其利用毛細(xì)現(xiàn)象原理將涂有熒光滲透液的工件置于一定的環(huán)境條件下［1］，使熒光滲透液在物質(zhì)內(nèi)部進(jìn)行滲透，使缺陷部位在黑光燈的照射下發(fā)出熒光，進(jìn)而判定缺陷等級(jí)。它具有非破環(huán)性、成本低、步驟簡(jiǎn)單、適用范圍廣等優(yōu)點(diǎn)，結(jié)合機(jī)器視覺(jué)、圖像處理技術(shù)可實(shí)現(xiàn)工件表面缺陷的自動(dòng)化檢測(cè)［2］。通過(guò)采集工件的熒光滲透數(shù)字圖像，利用圖像處理技術(shù)識(shí)別缺陷大小、位置、類(lèi)型，可以極大地提高工業(yè)現(xiàn)場(chǎng)的檢測(cè)效率。

熒光滲透圖像通常在暗室環(huán)境下進(jìn)行拍攝，并結(jié)合黑光燈的輻射來(lái)激發(fā)工件表面的熒光信號(hào)。由于環(huán)境光的缺乏，相機(jī)感知的光線(xiàn)非常有限，導(dǎo)致圖像的整體亮度較低，這種低照度條件使得圖像細(xì)節(jié)難以清晰地展現(xiàn)，造成圖像模糊和低對(duì)比度的問(wèn)題。通常在低照度條件下為了增加圖像的信噪比，相機(jī)的感光器件會(huì)增加增益或延長(zhǎng)曝光時(shí)間，這容易引入感光器件本身的噪聲，進(jìn)一步降低圖像的清晰度和質(zhì)量。多種因素的共同作用使得拍攝出的熒光圖像呈現(xiàn)出清晰度低、模糊、對(duì)比度低等不足。

目前對(duì)低光照?qǐng)D像的恢復(fù)算法主要分為兩種，一種是傳統(tǒng)的低光照?qǐng)D像恢復(fù)算法，另一種是基于深度學(xué)習(xí)的圖像恢復(fù)算法。傳統(tǒng)的低光照?qǐng)D像恢復(fù)算法主要有色調(diào)映射法［3］、伽馬校正法［4］、直方圖均衡化法［5］、基于Retinex［6］理論的方法等。這些方法通過(guò)對(duì)圖像像素值進(jìn)行調(diào)整，來(lái)增強(qiáng)圖像的對(duì)比度、亮度等特征，以使圖像變得更加清晰和鮮艷?；赗etinex 理論的圖像增強(qiáng)方法通過(guò)模擬圖像中的光照和反射過(guò)程，優(yōu)化圖像的亮度和對(duì)比度，以改善視覺(jué)感知和圖像質(zhì)量［7］。Retinex 理論認(rèn)為，人類(lèi)視覺(jué)系統(tǒng)對(duì)光照的感知是基于物體表面反射和照明的分離處理?；谶@個(gè)理論，Retinex 算法將圖像分解為反射分量和照明分量，并進(jìn)行增強(qiáng)從而對(duì)圖像質(zhì)量進(jìn)行改善。然而Retinex 方法通常需要對(duì)圖像中的光照進(jìn)行估計(jì)，以分離反射和照明分量。然而，在低光照條件下，光照估計(jì)本身可能存在挑戰(zhàn)，因?yàn)楣庹招畔⒃诘土炼葏^(qū)域可能不可靠或不準(zhǔn)確。不準(zhǔn)確的光照估計(jì)可能導(dǎo)致增強(qiáng)后的圖像出現(xiàn)顏色失真或過(guò)度增強(qiáng)的問(wèn)題。

隨著機(jī)器學(xué)習(xí)的快速發(fā)展，基于深度學(xué)習(xí)的方法在低光照?qǐng)D像恢復(fù)任務(wù)中表現(xiàn)出更為優(yōu)越的性能。Wei等［8］通過(guò)神經(jīng)網(wǎng)絡(luò)將低光照?qǐng)D像分解成光照分量和反射分量，并通過(guò)學(xué)習(xí)的方法修正光照分量，以重建低光照?qǐng)D像，得到增強(qiáng)后的圖像。Shen 等［9］融合了卷積神經(jīng)網(wǎng)絡(luò)和Retinex 理論，設(shè)計(jì)出一個(gè)多尺度的卷積神經(jīng)網(wǎng)絡(luò)MSR-net（multi-scale Retinex network），這個(gè)網(wǎng)絡(luò)的設(shè)計(jì)允許它自動(dòng)學(xué)習(xí)并處理不同尺度的信息，以提高對(duì)低光照條件下圖像的處理效果。通過(guò)使用Photoshop 處理后的成對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，實(shí)現(xiàn)了一個(gè)用于低光照?qǐng)D像恢復(fù)的全面的端對(duì)端解決方案。Fan等［10］提出了帶照度約束的多尺度低光照?qǐng)D像增強(qiáng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)用Res2Net通過(guò)提取深層多尺度特征來(lái)增強(qiáng)模型的能力，從而避免了顏色失真問(wèn)題，同時(shí)具有更自然的視覺(jué)效果。Wang 等［11］將低光照?qǐng)D像增強(qiáng)問(wèn)題視為殘差學(xué)習(xí)的任務(wù)，即試圖估計(jì)低光照?qǐng)D像與正常光照?qǐng)D像之間的差異，即殘差。他們?cè)诰W(wǎng)絡(luò)結(jié)構(gòu)中采用了光照反向映射的迭代過(guò)程，通過(guò)多次增加和減少光照來(lái)估計(jì)殘差光照。Chen等［12］創(chuàng)建了一個(gè)包含Raw 格式的短曝光低光照?qǐng)D像和相應(yīng)的長(zhǎng)曝光參考圖像的數(shù)據(jù)集。利用這個(gè)數(shù)據(jù)集，他們提出了一種端到端訓(xùn)練的基于全卷積網(wǎng)絡(luò)的方法，用于改善低光照?qǐng)D像的質(zhì)量。Zhao 等［13］則提出了深度對(duì)稱(chēng)網(wǎng)絡(luò)，采用可逆神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行圖像之間的雙向特征學(xué)習(xí)。

基于深度學(xué)習(xí)的圖像恢復(fù)方法有自動(dòng)學(xué)習(xí)特征、適應(yīng)性強(qiáng)、上下文信息利用、端到端優(yōu)化和魯棒性強(qiáng)等優(yōu)勢(shì)。能夠自動(dòng)學(xué)習(xí)和提取圖像的高級(jí)特征，這能夠更好地捕捉圖像的紋理、結(jié)構(gòu)和語(yǔ)義信息，從而提高恢復(fù)質(zhì)量。盡管深度學(xué)習(xí)方法在圖像恢復(fù)領(lǐng)域取得了顯著的進(jìn)展，但也有一些缺點(diǎn)，如數(shù)據(jù)需求量大、參數(shù)調(diào)整和計(jì)算復(fù)雜度高、可解釋性低、泛化性差等問(wèn)題。通常需要大量的訓(xùn)練數(shù)據(jù)來(lái)獲取良好的恢復(fù)效果，對(duì)于一些數(shù)據(jù)稀缺的領(lǐng)域，該方法顯得比較困難；此外訓(xùn)練和推理過(guò)程中需要大量的計(jì)算資源和時(shí)間，不利于實(shí)時(shí)的恢復(fù)任務(wù)。

本文構(gòu)建熒光滲透檢測(cè)圖像數(shù)據(jù)集，使用Raw 格式圖像采集多種不同短曝光時(shí)間圖像作為低光照?qǐng)D像，對(duì)應(yīng)的長(zhǎng)曝光時(shí)間圖像作為參考圖像。基于U-net 網(wǎng)絡(luò)構(gòu)建一種端到端的卷積神經(jīng)網(wǎng)絡(luò)，Raw 格式數(shù)據(jù)作為輸入，處理并劃分為RGGB 四個(gè)通道。隨后將這四通道數(shù)據(jù)減去相機(jī)傳感器的黑電平值以進(jìn)行校正，再放大一定倍數(shù)輸入到U-net 網(wǎng)絡(luò)中，最后將網(wǎng)絡(luò)輸出通過(guò)上采樣操作得到RGB 空間的輸出圖像。訓(xùn)練過(guò)程設(shè)計(jì)使用一種SSIM 損失與MAE損失聯(lián)合損失函數(shù)，以獲得最佳恢復(fù)效果。

1 算法原理

1.1 拜爾陣列

本文采集原始圖像采用Sony Alpha7SⅡ相機(jī)，采集原始圖像數(shù)據(jù)即Raw 格式圖像，該相機(jī)的圖像傳感器排列方式為拜爾陣列，即使用拜爾陣列來(lái)捕捉彩色圖像。拜爾陣列（Bayer array）是一種常見(jiàn)的彩色圖像傳感器排列方式，廣泛應(yīng)用于數(shù)碼相機(jī)、手機(jī)攝像頭等設(shè)備中。它利用了人眼對(duì)顏色感知的特性，通過(guò)排列紅、綠、藍(lán)三種濾光片來(lái)捕捉彩色圖像。

拜爾陣列的排列方式是一個(gè)重復(fù)的2×2 單元格網(wǎng)格，每個(gè)單元格內(nèi)包含一個(gè)像素。在這個(gè)網(wǎng)格中，紅色濾光片（R）和藍(lán)色濾光片（B）以交叉的方式排列，而綠色濾光片（G）則位于相鄰的位置，如圖1所示。

圖1 拜爾陣列

當(dāng)光線(xiàn)通過(guò)拜爾陣列時(shí)，每個(gè)像素只能接收到其中一種顏色的光。圖2（a）為使用相機(jī)拍攝滲透檢驗(yàn)熒光顯示對(duì)比圖譜所得的Raw 格式圖像，圖2（b）為截取的一小段圖像，從圖中可以看出，Raw 格式圖像信息有些缺失，圖像、顏色顯示不完整。但通過(guò)對(duì)鄰近像素的顏色信息進(jìn)行插值和處理，可以還原出完整的彩色圖像。在拜爾陣列中，綠色像素的數(shù)量最多，通過(guò)采樣更多的綠色信息，可以提高圖像的亮度和清晰度。然而，由于每個(gè)像素只能接收到一種顏色的光，需要進(jìn)行插值和后期處理才能得到完整的彩色圖像。因此在Raw 格式圖像中，需要對(duì)拜爾陣列中的數(shù)據(jù)進(jìn)行解析和處理。

圖2 熒光測(cè)試板拜爾陣列圖像

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

算法采用的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。相機(jī)采集到的彩色Raw 格式圖像采用拜爾陣列排列方式，網(wǎng)絡(luò)首先輸入一組一定大小的單通道拜爾陣列圖像數(shù)據(jù)，并將其劃分為四個(gè)通道，再對(duì)每個(gè)通道做一次2倍的下采樣，空間分辨率減小4倍。隨后將四個(gè)通道減去相機(jī)傳感器自身的黑電平值進(jìn)行矯正，將所有低于黑電平值的像素全設(shè)置為0，即純黑。黑電平值可通過(guò)Raw 圖像自身讀取。再將輸入數(shù)據(jù)亮度放大γ倍，輸入到U-net網(wǎng)絡(luò)中，經(jīng)過(guò)網(wǎng)絡(luò)處理后，圖像的通道數(shù)變?yōu)?2通道，同時(shí)分辨率減少為原始分辨率的一半。網(wǎng)絡(luò)的輸出為3通道RGB 圖像。其中，γ的計(jì)算公式為

其中，Exposure1、Exposure2分別為長(zhǎng)曝光時(shí)間和短曝光時(shí)間。

圖4 為將原始拜爾陣列圖像劃分為四通道圖像示意圖，可以看出四個(gè)通道的亮度值均不一致。

其中U-net網(wǎng)絡(luò)結(jié)構(gòu)［14］如圖5所示。U-net網(wǎng)絡(luò)由編碼器和解碼器兩部分組成，整個(gè)網(wǎng)絡(luò)的左半部分是編碼器，右半部分是解碼器。編碼器提取圖像的特征，解碼器則負(fù)責(zé)將特征重新映射為與原始圖像相同尺寸的預(yù)測(cè)結(jié)果［15］。

編碼器部分由一系列卷積層和池化層構(gòu)成，每個(gè)卷積層后面跟著一個(gè)激活函數(shù)（ReLU）。這些層逐漸減小圖像的尺寸，同時(shí)增加特征的提取深度。通過(guò)這種逐步減小尺寸的過(guò)程，編碼器可以捕捉到不同尺度的上下文信息，以幫助解碼器更好地還原細(xì)節(jié)。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)圖

圖4 拜爾陣列四通道圖像

解碼器部分包含了一系列上采樣層和卷積層，它們的作用是逐步將特征圖的尺寸還原為與原始圖像相同的尺寸。每個(gè)上采樣層都使用上采樣操作來(lái)擴(kuò)大特征圖的尺寸。接著，通過(guò)連接操作將這些層的輸出與編碼器相應(yīng)層的特征圖相結(jié)合，使解碼器能夠充分利用低級(jí)和高級(jí)特征來(lái)精確地還原圖像的細(xì)節(jié)信息。這個(gè)過(guò)程有助于提高網(wǎng)絡(luò)對(duì)圖像的還原和重建能力。

為了更好地整合編碼器和解碼器之間的信息流動(dòng)，在U-net 的解碼器的每一層都會(huì)執(zhí)行跳躍連接操作。這個(gè)跳躍連接的核心思想是將編碼器相應(yīng)層次的特征圖與當(dāng)前解碼器層次的特征圖相連接，以實(shí)現(xiàn)低級(jí)和高級(jí)特征的有機(jī)融合，有助于提高網(wǎng)絡(luò)的性能和準(zhǔn)確性。這樣能夠使解碼器同時(shí)利用底層和高層的特征信息，從而提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。

在U-net 的最末端，利用一個(gè)1×1 的卷積層將特征圖映射為最終的預(yù)測(cè)輸出。U-net 網(wǎng)絡(luò)結(jié)構(gòu)呈現(xiàn)出編碼器和解碼器之間的對(duì)稱(chēng)性，通過(guò)跳躍連接和特征融合的方法，有效提升了預(yù)測(cè)結(jié)果的準(zhǔn)確性。

圖5 U-net網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 激活函數(shù)

U-net 網(wǎng)絡(luò)采用ReLU 作為網(wǎng)絡(luò)的激活函數(shù)，ReLU的函數(shù)表達(dá)式如式（2）所示：

導(dǎo)數(shù)公式為

ReLU 激活函數(shù)不需要復(fù)雜的數(shù)學(xué)計(jì)算，只是一個(gè)簡(jiǎn)單的條件判斷。這使得它在計(jì)算上非常高效，適用于大規(guī)模的神經(jīng)網(wǎng)絡(luò)。ReLU 在負(fù)數(shù)范圍內(nèi)為零，但在非負(fù)數(shù)范圍內(nèi)，它是一個(gè)線(xiàn)性函數(shù)。對(duì)于大于零的輸入，ReLU 的導(dǎo)數(shù)始終為1，它不會(huì)引起梯度消失問(wèn)題。相比之下，一些傳統(tǒng)的激活函數(shù)（如Sigmoid 和tanh）在輸入較大或較小的情況下，梯度接近于零，導(dǎo)致梯度消失或梯度爆炸。

1.4 損失函數(shù)

為了獲得較好的圖像恢復(fù)效果，結(jié)合結(jié)構(gòu)相似性指數(shù)（SSIM）損失和平均絕對(duì)值誤差（MAE）損失構(gòu)建一個(gè)聯(lián)合損失函數(shù)，同時(shí)考慮圖像的結(jié)構(gòu)相似性和亮度誤差。使用加權(quán)求和的方式將這兩個(gè)指標(biāo)結(jié)合到一個(gè)聯(lián)合損失函數(shù)中，其計(jì)算公式為

其中，LMAE表示MAE 損失函數(shù)，LSSIM表示SSIM損失函數(shù)，α、β分別為其權(quán)重系數(shù)，設(shè)置α=0.8，β= 0.2。

平均絕對(duì)值誤差損失函數(shù)LMAE的函數(shù)表達(dá)式如下：

其中，yi為真實(shí)值，f(xi)為網(wǎng)絡(luò)的輸出，n為樣本數(shù)。LMAE對(duì)異常值的魯棒性較強(qiáng)，它使用了絕對(duì)差值，不受異常值的影響。另外，由于LMAE在0 點(diǎn)處不可導(dǎo)，因此在優(yōu)化過(guò)程中，當(dāng)預(yù)測(cè)值與真實(shí)值之間的差異較小時(shí)，LMAE的梯度為常數(shù)1，從而促使模型學(xué)習(xí)到盡可能少的非零權(quán)重，這使得LMAE在優(yōu)化過(guò)程中更傾向于產(chǎn)生稀疏解。

LSSIM表示增強(qiáng)圖像E與參考圖像R的特征表示之間的SSIM 損失，用于評(píng)估兩個(gè)圖像結(jié)構(gòu)相似性，它比較了圖像的亮度、對(duì)比度和結(jié)構(gòu)信息，其計(jì)算公式為

其中，(E,R)分別表示增強(qiáng)圖像和參考圖像；(μE,μR)，分別表示E和R的平均值；(σE,σR)，分別表示E和R的標(biāo)準(zhǔn)差；σER代表E和R的協(xié)方差；c1，c2表示常數(shù)。

2 熒光圖像數(shù)據(jù)集構(gòu)建

選用索尼相機(jī)，在暗室環(huán)境下拍攝熒光滲透檢測(cè)圖像。每次拍攝不同形狀、大小的工件，為保證拍攝過(guò)程的穩(wěn)定性，采用固定支架固定相機(jī)。保證相同工件的相機(jī)參數(shù)相同，調(diào)整曝光時(shí)間，采集長(zhǎng)、短時(shí)間曝光圖像。短曝光時(shí)間分別設(shè)置為0.033 s、0.04 s、0.1 s，長(zhǎng)曝光時(shí)間為10 s，相機(jī)的其他參數(shù)如ISO、光圈、對(duì)焦等都設(shè)置為最佳，在同一環(huán)境同一工件下，拍攝四種不同曝光時(shí)間的圖像，其中長(zhǎng)曝光時(shí)間圖像只拍攝1 張，短曝光時(shí)間分別拍攝3、5、8張，總共對(duì)200個(gè)不同的工件進(jìn)行拍攝，最后得到3400 張熒光滲透檢測(cè)圖像。熒光圖像數(shù)據(jù)集見(jiàn)表1。其中短曝光時(shí)間圖像作為網(wǎng)絡(luò)輸入，長(zhǎng)曝光時(shí)間圖像作為參考圖像，一張長(zhǎng)曝光時(shí)間圖像對(duì)應(yīng)多張短曝光時(shí)間圖像。并劃分?jǐn)?shù)據(jù)集，訓(xùn)練集、測(cè)試集、驗(yàn)證集的比例為7∶2∶1。

表1 熒光圖像數(shù)據(jù)集

圖6 為不同曝光時(shí)間下的熒光滲透檢測(cè)圖像，可以看出隨著曝光時(shí)間的增加，圖像亮度也隨之增加，整體細(xì)節(jié)也更加豐富，但同時(shí)長(zhǎng)曝光時(shí)間圖像也會(huì)引入更多的噪點(diǎn)。

圖6 不同曝光時(shí)間的熒光滲透圖像

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)使用Ubuntu 18.04 操作系統(tǒng)，使用PyTorch 作為深度學(xué)習(xí)框架。實(shí)驗(yàn)平臺(tái)配置了兩塊NVIDIA GeForce RTX 3080 Ti GPU，以及一顆Intel Core i9-12900K CPU 和32 GB DDR4 RAM內(nèi)存。

將數(shù)據(jù)集加載至網(wǎng)絡(luò)，短曝光時(shí)間圖像作為網(wǎng)絡(luò)輸入，長(zhǎng)曝光時(shí)間圖像作為真實(shí)值，選擇SSIM 損失與MAE損失聯(lián)合損失函數(shù)作為損失函數(shù)，并使用Adam 優(yōu)化器進(jìn)行模型訓(xùn)練，一共訓(xùn)練4000 輪。初始學(xué)習(xí)率設(shè)置為0.0001，并采用學(xué)習(xí)率衰減策略，在訓(xùn)練了2000 輪后，將學(xué)習(xí)率調(diào)整為0.000001。在每次迭代中，對(duì)一張輸入圖片進(jìn)行隨機(jī)裁剪，裁剪成512*512大小的圖片，并對(duì)其進(jìn)行旋轉(zhuǎn)、翻轉(zhuǎn)、鏡像等操作。

實(shí)驗(yàn)圖像評(píng)價(jià)指標(biāo)為PSNR（峰值信噪比）和SSIM（結(jié)構(gòu)相似性指數(shù)）。PSNR 用來(lái)度量恢復(fù)圖像與原始圖像之間差異，其結(jié)果以分貝（dB）為單位表示，數(shù)值越高表示恢復(fù)質(zhì)量越好。SSIM通過(guò)比較原始圖像和恢復(fù)圖像之間的結(jié)構(gòu)信息來(lái)評(píng)估它們之間的相似性。SSIM 考慮了亮度、對(duì)比度和結(jié)構(gòu)三個(gè)方面的相似性。這兩個(gè)指標(biāo)在圖像恢復(fù)質(zhì)量評(píng)價(jià)中發(fā)揮關(guān)鍵作用，它們能夠幫助準(zhǔn)確評(píng)估恢復(fù)圖像與原始圖像之間的差異和相似性，從而評(píng)估圖像恢復(fù)算法的性能。PSNR 提供了一個(gè)數(shù)值度量，而SSIM 則更全面地考慮了圖像的多個(gè)方面，能夠更全面地評(píng)估圖像恢復(fù)的質(zhì)量，可以更好地捕捉人眼對(duì)圖像質(zhì)量的感知。最終的SSIM 指數(shù)的取值范圍在0～1之間，數(shù)值越接近1，表示恢復(fù)質(zhì)量越好。

3.2 結(jié)果分析

恢復(fù)后的結(jié)果如圖7 所示，從圖7 可以看出，采用本文方法對(duì)低光照?qǐng)D像進(jìn)行復(fù)原，其主觀成像效果較好，圖像細(xì)節(jié)、紋理接近于長(zhǎng)曝光圖像，而使用直方圖均衡化法恢復(fù)的圖像，雖然圖像整體更亮，但同時(shí)包含了大量噪點(diǎn)，掩蓋了許多原有的細(xì)節(jié)，并且偏色較為嚴(yán)重，效果不佳。

實(shí)驗(yàn)選用直方圖均衡法、伽馬校正法、自適應(yīng)對(duì)數(shù)映射法［16］、自適應(yīng)直方圖均衡化法作為對(duì)比對(duì)照，采用以上幾種方法對(duì)所有低光圖像進(jìn)行恢復(fù)，并利用長(zhǎng)曝光圖像作為參考圖像計(jì)算相應(yīng)的PSNR 和SSIM 值，結(jié)果平均值見(jiàn)表2?？梢钥闯觯捎脗鹘y(tǒng)方法恢復(fù)的PSNR和SSIM 值都比較低，本文方法的PSNR值達(dá)到了28.237 dB，對(duì)比傳統(tǒng)方法最高提升了78.7%，SSIM 值達(dá)到了0.783，對(duì)比傳統(tǒng)方法最高提升了63.6%，提升效果顯著。

圖7 恢復(fù)結(jié)果對(duì)比

表2 不同方法客觀指標(biāo)比較

圖8為采用傳統(tǒng)方法與本文方法復(fù)原結(jié)果的對(duì)比圖，圖（c）為自適應(yīng)直方圖均衡化法恢復(fù)結(jié)果，圖像總體恢復(fù)較好，但亮度較低，邊緣處的細(xì)節(jié)缺失，工件表面的熒光缺陷部位恢復(fù)效果不佳。圖（b）、圖（d）都出現(xiàn)了低強(qiáng)度的噪聲被放大，圖像噪聲過(guò)多的問(wèn)題，并且對(duì)比度嚴(yán)重失真，圖（e）中恢復(fù)圖像的明暗細(xì)節(jié)區(qū)域產(chǎn)生了過(guò)度增強(qiáng)的效果。而本文方法無(wú)論是在圖像噪聲、紋理細(xì)節(jié)、圖像亮度等方面都恢復(fù)得比較好，優(yōu)于傳統(tǒng)方法，尤其是在工件表面熒光缺陷部分，恢復(fù)效果接近于長(zhǎng)曝光圖像。

圖8 各方法恢復(fù)結(jié)果對(duì)比

4 結(jié)語(yǔ)

本文提出了一種基于深度學(xué)習(xí)的低照度圖像恢復(fù)方法，優(yōu)于傳統(tǒng)方法?？梢暂^好地還原圖像細(xì)節(jié)，適合于熒光滲透數(shù)字化圖像恢復(fù)，提高檢測(cè)精度。