基于改進Zero?DCE 模型的礦井低照度圖像增強方法

摘要：煤礦井下監(jiān)控圖像中存在噪聲，清晰度低，且顏色和紋理信息缺失，采用基于機器學(xué)習(xí)的圖像增強方法時還面臨低照度?正常照度圖像配對數(shù)據(jù)集采集困難的問題。提出一種改進零參考深度曲線估計（Zero?DCE）模型，并將其應(yīng)用于礦井低照度圖像增強。使用Leaky ReLU 激活函數(shù)替換Zero?DCE 模型中的ReLU 激活函數(shù)，以加快模型收斂速度，提升低照度圖像特征學(xué)習(xí)效率；在Zero?DCE 模型淺層與深層網(wǎng)絡(luò)之間的跳躍連接處引入卷積塊注意力模塊（CBAM），以提高模型對圖像關(guān)鍵特征的表達能力；在淺層網(wǎng)絡(luò)中引入非對稱卷積塊（ACB），以優(yōu)化模型對局部圖像特征的學(xué)習(xí)能力和細節(jié)特征的表現(xiàn)能力；在深層網(wǎng)絡(luò)中采用串聯(lián)卷積核（CCK），以降低模型參數(shù)量和計算量，縮短模型訓(xùn)練時間。采用LOL 公共數(shù)據(jù)集和礦井自建數(shù)據(jù)集進行實驗驗證，結(jié)果表明：改進Zero?DCE 模型的均方誤差（MSE）、峰值信噪比（PSNR）、結(jié)構(gòu)相似性（SSIM）、自然圖像質(zhì)量評估器（NIQE）和視覺信息保真度（VIF）整體上優(yōu)于典型圖像增強模型，在自建數(shù)據(jù)集上的MSE 和NIQE 較Zero?DCE 模型分別降低16.25% 和2.93%，PSNR，SSIM 和VIF 分別提高2.87%，1.87% 和17.64%；圖像增強視覺效果較好，可在提高圖像亮度的同時有效保留細節(jié)紋理信息，降噪效果明顯；對單幅圖像的推理時間為0.138 s，可實現(xiàn)圖像實時增強。

關(guān)鍵詞：礦井低照度圖像；圖像增強；零參考深度曲線估計網(wǎng)絡(luò)；Zero?DCE 模型；無監(jiān)督學(xué)習(xí)

中圖分類號：TD67 文獻標志碼：A

0 引言

近年來，礦山信息化和計算機視覺技術(shù)的快速發(fā)展推動了礦井智能視頻監(jiān)控系統(tǒng)的開發(fā)與應(yīng)用。開展井下重點區(qū)域精準監(jiān)視與安全感知，對于促進煤礦企業(yè)安全高效生產(chǎn)具有重要作用[1]。井下作業(yè)環(huán)境復(fù)雜，存在光照條件差、礦塵濃度大、噴霧擾動等特點[2]，導(dǎo)致攝像機采集的圖像清晰度低、細節(jié)信息缺失，嚴重影響礦井視頻監(jiān)控系統(tǒng)的應(yīng)用效果。對井下低照度圖像進行增強預(yù)處理[3-4]，可有效提高圖像的亮度和對比度，同時豐富圖像場景的特征信息，為礦井目標檢測、識別、跟蹤等技術(shù)奠定基礎(chǔ)。

目前，礦井低照度圖像增強方法分為傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)方法主要包括直方圖均衡化和基于Retinex 理論的方法。直方圖均衡化通過重新分配低照度圖像中像素分布范圍的方式，達到提高圖像局部對比度的目的[4]，但容易導(dǎo)致增強圖像的局部亮度不均勻，影響圖像的整體視覺效果。基于Retinex 理論的方法認為攝像機采集的圖像可分解為光照分量和反射分量，通過濾波方法估計圖像中的光照分量，進而獲取反射分量[5]，并實現(xiàn)圖像增強。Guo Xiaojie 等[6]基于Retinex 理論提出了基于光照圖像估計的低光圖像增強算法（Low-Light ImageEnhancement via Illumination Map Estimation， LIME） ，先確定輸入圖像各通道的最大值，再對初始化的光照圖像進行結(jié)構(gòu)先驗處理，最后輸出反射圖像，得到增強圖像，但存在過度增強現(xiàn)象。與傳統(tǒng)方法相比，深度學(xué)習(xí)方法表現(xiàn)出更優(yōu)越的圖像增強性能。其中，以Retinex?Net[7]為代表的低照度圖像增強方法得到廣泛研究與應(yīng)用。該方法采用構(gòu)造的分解網(wǎng)絡(luò)將礦井低照度圖像分解成光照圖像和反射圖像，通過對光照圖像進行增強處理，達到提升圖像亮度的目的，但容易出現(xiàn)顏色失真、邊緣模糊問題。ZhangYonghua 等[8]對Retinex?Net 進行改進，提出了KinD模型，通過不同程度地改變曝光條件，靈活進行圖像增強，但需要合理劃分圖像區(qū)域，難以實現(xiàn)高質(zhì)量增強。針對上述問題，Zhang Yonghua等[9]進一步提出KinD Plus 模型，實現(xiàn)了低照度圖像的有效增強，但該模型參數(shù)過多，導(dǎo)致推理速度較慢，在實時性方面表現(xiàn)較差。王滿利等[10]提出一種基于深度神經(jīng)網(wǎng)絡(luò)的礦井圖像增強算法，該算法處理速度較快，但增強圖像局部區(qū)域?qū)Ρ榷炔粡姟４送猓F(xiàn)有基于深度學(xué)習(xí)的低照度圖像增強方法大多對于低照度?正常照度配對圖像數(shù)據(jù)集有較高的要求，這與井下配對圖像數(shù)據(jù)集采集困難形成了沖突。基于無監(jiān)督學(xué)習(xí)的圖像增強方法能夠較好地解決模型訓(xùn)練依賴大量低照度?正常照度配對數(shù)據(jù)集的問題，得到越來越多的研究與應(yīng)用。Guo Chunle 等[11]提出零參考深度曲線估計（Zero-reference Deep Curve Estimation， Zero?DCE）模型，能在實現(xiàn)輕量化訓(xùn)練的同時，完成高質(zhì)量的圖像增強，但增強圖像的局部對比度不夠明顯，部分特征及細節(jié)信息丟失，影響全局質(zhì)量。Jiang Yifan 等[12]提出了EnlightenGAN 網(wǎng)絡(luò)，其基于生成對抗網(wǎng)絡(luò)，在圖像增強方面效果較好，但有時生成的增強圖像較模糊，且訓(xùn)練網(wǎng)絡(luò)對計算資源和時間的要求較高。Zhang Yu 等[13]提出了自監(jiān)督圖像增強網(wǎng)絡(luò)（Self-Supervised Image Enhancement Network，SSIENet） ，較高效地解決了圖像增強問題，計算資源耗費較少，但增強圖像存在一定程度的顏色失真與色差問題。

本文提出一種基于改進Zero?DCE 模型的礦井低照度圖像增強方法。在Zero?DCE 模型的跳躍連接處引入卷積塊注意力模塊（Convolutional BlockAttention Module，CBAM），增強圖像細節(jié)信息和對比度，有效抑制無關(guān)信息，使跳躍連接融合圖像不同層次的特征，豐富圖像語義信息，提高模型對重要圖像特征的表達能力； 引入非對稱卷積塊（AsymmetricConvolution Block，ACB），提高模型對圖像特征的學(xué)習(xí)能力和細節(jié)特征表現(xiàn)能力；將3×3 卷積核替換為輕量級串聯(lián)卷積核（Concatenated Convolution Kernel，CCK），減少模型參數(shù)量和計算量，縮短模型訓(xùn)練時間，實現(xiàn)圖像實時增強。

1 Zero?DCE 模型

Zero?DCE 模型包括7 個卷積層，如圖1 所示。前6 個卷積層由32 個步長為1 的3×3 卷積核組成，卷積層之間采用ReLU 激活函數(shù)激活；第7 個卷積層由24 個步長為1 的3×3 卷積核組成，采用tanh 激活函數(shù)激活。前6 層網(wǎng)絡(luò)之間使用跳躍連接， 將第3 層和第4 層、第2 層和5 層、第1 層和第6 層的輸出拼接在一起，分別作為第5—7 層的輸入。第7 層輸出R，G，B（分別為紅、綠、藍）共3 個顏色通道。

Zero?DCE 模型通過光線增強曲線（LightEnhancement Curve，LE?curve）對非均勻照度條件下的輸入圖像進行亮度調(diào)整。LE?curve 計算公式為

Ln （x） = Ln-1 （x）+αnLn-1 （x） （1- Ln-1 （x）） （1）

式中：Ln（x）為第 n 次迭代時的 LE?curve； x為輸入圖像的像素坐標； αn 為第n 次迭代時的可訓(xùn)練參數(shù)，αn∈[?1，1]。

通過式（1）的多次迭代，輸入圖像的每個像素都會向最優(yōu)化的目標曲線擬合，圖像亮度得以調(diào)整[14]。

針對部分場景中圖像配對數(shù)據(jù)集采集困難的問題，設(shè)計4 個非參考損失函數(shù)，包括空間一致?lián)p失[15]、曝光控制損失[16]、顏色恒常損失和光照平滑損失[17]。

空間一致?lián)p失Lspa用于確保圖像增強后局部區(qū)域像素值不與相鄰像素之間發(fā)生太大改變。

式中： 為像素數(shù)量；Ω（i）為第個像素的上下左右4 個相鄰區(qū)域，每個區(qū)域大小為4×4；Yi，Yj為低照度圖像的第i，j 個像素值；Ii，Ij為增強圖像的第i，j個像素值。

曝光控制損失Lexp為像素區(qū)域的亮度平均值與理想曝光程度之間的距離[18]。

式中：m 為大小為16×16的不重疊區(qū)域數(shù)量；Bk 為增強圖像中第個局部區(qū)域的亮度平均值。

顏色恒常損失Lcol用于根據(jù)灰度世界顏色恒常性假設(shè)，修正增強圖像潛在的顏色偏差，使得增強圖像R，G，B 三通道平均值不存在顯著差異。

式中Jp，Jq 分別為增強圖像通道p， q的亮度平均值，p，q {R，G，B}，p≠q。

通過在每個LE?curve 參數(shù)映射中添加光照平滑損失LtvA，可減小圖像中相鄰像素之間的亮度改變程度，使相鄰像素之間的亮度盡可能接近。

式中： 為迭代總次數(shù)；?1，?2分別為水平方向和垂直方向的梯度算子；Acn為LE?curve 在圖像色彩通道c 第n 次迭代得到的像素值，c {R， G， B}。

將上述4 個損失函數(shù)線性疊加，得到總的損失函數(shù)：

Ltotal = W1Lspa +W2Lexp +W3Lcol +W4LtvA （6）

式中W1—W4為各損失函數(shù)的權(quán)重。

2 基于改進Zero?DCE 模型的圖像增強方法

針對礦井圖像特點， 從改變激活函數(shù)和引入ACB， CBAM， CCK 方面改進Zero?DCE 模型，改進結(jié)構(gòu)如圖2 所示。

1） 激活函數(shù)。Zero?DCE 卷積層之間采用ReLU 激活函數(shù)，在梯度反向傳導(dǎo)時存在負向神經(jīng)元不學(xué)習(xí)的現(xiàn)象[19]。Leaky ReLU 激活函數(shù)在負區(qū)間有一個很小的梯度，可解決上述問題，加快模型收斂速度，提升模型對低照度圖像特征的學(xué)習(xí)效率與計算資源的利用效率。因此，在Zero?DCE 模型的第1—6 層卷積層采用Leaky ReLU 激活函數(shù)。

Leaky ReLU 激活函數(shù)可表示為

式中：X為激活函數(shù)的輸入；l為斜率，取 0.1。

2） ACB。ACB 由3×3卷積核、1×3矩形卷積核和3×1矩形卷積核并聯(lián)組成[20]。3 個卷積核經(jīng)批量歸一化融合與分支融合處理，生成與3×3卷積過程等效的卷積層。該卷積層可強化網(wǎng)絡(luò)模型對于圖像局部特征的學(xué)習(xí)能力及細節(jié)特征的表現(xiàn)力，提高模型訓(xùn)練速度，實現(xiàn)實時增強。

ACB 可表示為

式中：F′為融合后的卷積核；γ，-γ，＾γ分別為3×3，3×1，1×3卷積核的可訓(xùn)練參數(shù)；σ，-σ，＾σ分別為3×3，3×1，1×3卷積核的標準差；⊕為求和運算符號；F，-F，^F分別為3×3，3×1，1×3卷積核。

針對井下低亮度、高噪聲圖像，Zero?DCE 模型在特征提取過程中存在部分有效特征信息表達缺失的問題。對此，在Zero?DCE 模型的第1—4 層淺層網(wǎng)絡(luò)使用ACB，將從低照度圖像中學(xué)習(xí)到的特征信息融合相加，加深淺層網(wǎng)絡(luò)對圖像有效特征的提取。

3） CBAM。CBAM 是一種結(jié)合通道和空間注意力機制的注意力模塊[21]，其主要思想：采用通道注意力模塊將輸入特征圖降維，并對特征圖進行全局最大池化與平均池化操作；將池化后的特征圖拼接，產(chǎn)生通道注意力圖；將通道注意力圖與輸入特征圖逐元素相乘，生成的特征圖輸入空間注意力模塊，進行全局最大池化與平均池化操作，對得到的特征圖進行拼接，產(chǎn)生空間注意力圖；對空間注意力圖與空間注意力模塊輸入的特征圖逐元素相乘，并對權(quán)重再分配，以提高特征圖中有效通道的權(quán)重，最終得到注意力權(quán)重圖。

CBAM 結(jié)構(gòu)如圖3 所示。

CBAM 可表示為

式中：Mch，Msp分別為通道注意力圖和空間注意力圖；σ為Sigmoid 激活函數(shù)；fmlp，fconv分別為多層感知機和卷積運算；AP，MP分別為平均池化和最大池化操作；M為輸入特征圖。

Zero?DCE 模型在特征提取過程中會引入一些噪聲，導(dǎo)致存在部分無效特征。針對該問題，在Zero?DCE模型的3 個跳躍連接中引入CBAM。CBAM 獲取特征圖通道的權(quán)重，模型根據(jù)這些權(quán)重融合圖像不同層次的特征，增強圖像有效特征，同時抑制無效特征，提高模型對井下低照度圖像中關(guān)鍵特征的表達能力，強化圖像細節(jié)信息[22]。

4） CCK。為提高Zero?DCE 模型的訓(xùn)練速度，將第5—7 層深層網(wǎng)絡(luò)的3×3卷積核拆分為3×1矩形卷積核與1×3矩形卷積核的CCK[23]。

CCK 可表示為

w* F（1） +w* F（2） = w* （F（1） ⊕F（2）） （10）

式中： 為矩形卷積核窗口；*為卷積運算符；"F（1），F(xiàn)（2）分別為3×1卷積核和1×3卷積核。

采用CCK 可使每個卷積層要訓(xùn)練的參數(shù)量由原來的9 個單位降為6 個單位，減少了1/3。當(dāng)Zero?DCE 模型訓(xùn)練到深層網(wǎng)絡(luò)時，需處理大量參數(shù)，對卷積核等價替換后，在圖像增強效果幾乎不變的情況下，參數(shù)量和計算量大幅降低，減少了訓(xùn)練時間，有利于實現(xiàn)礦井低照度圖像實時增強。

基于改進Zero?DCE 模型的礦井低照度圖像增強流程如圖4 所示。將采集的礦井低照度監(jiān)控圖像輸入改進Zero?DCE 模型進行卷積處理， 并通過LE?curve 進行圖像亮度逐級調(diào)整，初步得到增強圖像，采用4 種非參考損失函數(shù)評估初步增強圖像效果，通過無監(jiān)督學(xué)習(xí)方式獲得最終的增強圖像。

3 實驗及結(jié)果分析

3.1 實驗條件及評價指標

本文所用自建數(shù)據(jù)集圖像采集自國家能源集團寧夏煤業(yè)有限責(zé)任公司雙馬煤礦。選取2 000 張像素大小為512×512 的圖像對改進Zero?DCE 模型進行性能測試，其中1 500 張為訓(xùn)練集（進行不同程度的曝光，使網(wǎng)絡(luò)能對同一場景中不同光照條件下的圖像進行擬合），其余500 張為測試集。

實驗硬件環(huán)境：操作系統(tǒng)為Windows10，CPU 為Intel Core i7?9700F，GPU 為Nvidia GeForce RTX 2080Ti，內(nèi)存為16 GiB。實驗使用Pycharm 編譯器，Adam優(yōu)化器， 基于Python 3.8 和PyTorch v1.10.1 框架實現(xiàn)。網(wǎng)絡(luò)初始學(xué)習(xí)率為0.000 1，訓(xùn)練輪數(shù)為200，批量大小為8。經(jīng)多次超參數(shù)調(diào)整和實驗驗證，設(shè)置改進Zero?DCE 模型的理想曝光程度E為0.6，損失函數(shù)權(quán)重W1—W4分別為1，10，5，200。

采用均方誤差（Mean Squared Error，MSE）、峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、結(jié)構(gòu)相似性（Structural Similarity， SSIM） 、自然圖像質(zhì)量評估器（Natural Image Quality Evaluator， NIQE）和視覺信息保真度（Visual Information Fidelity，VIF）[24]共5 個指標評價基于改進Zero?DCE 模型的礦井低照度圖像增強方法的性能。MSE 反映增強圖像與參考圖像的差異程度，PSNR 用于評估圖像增強后的顏色失真程度，SSIM 用于評估圖像增強后的亮度提升程度，NIQE用于評估增強圖像的自然程度，VIF 反映增強圖像細節(jié)信息量的保留程度。通常情況下MSE，NIQE 越小，PSNR，SSIM，VIF 越大，表明圖像增強效果越好。

3.2 消融實驗

為驗證Leaky ReLU 激活函數(shù)、CBAM、ACB、CCK 對Zero?DCE 模型的改進性能，從測試集中選取部分圖像進行消融實驗，結(jié)果如圖5 所示，評價指標見表1。其中模型1 為基準模型Zero?DCE，模型2為Zero?DCE+Leaky ReLU，模型3 為Zero?DCE+ACB，模型4 為Zero?DCE+CBAM， 模型5 為Zero?DCE+CCK， 模型6 為Zero?DCE+CBAM+ACB， 模型7 為Zero?DCE+CBAM+ACB+Leaky ReLU， 本文模型為Zero?DCE+CBAM+ACB+Leaky ReLU+CCK。

從圖5 和表1 可看出：在Zero?DCE 模型中加入Leaky ReLU 后，增強圖像中巷道與工作面處亮度得到提升，圖像細節(jié)信息更加清晰，但存在一定程度失真，PSNR 和SSIM 提高，MSE 和NIQE 降低；在Zero?DCE 模型中加入ACB 后，增強圖像的MSE 和NIQE降低，PSNR 小幅提高，VIF 大幅提高；在Zero?DCE模型中加入CBAM 后，增強圖像的色彩恢復(fù)程度較好， 井下細節(jié)信息得到增強， MSE 和NIQE 降低，SSIM 和VIF 小幅提高， PSNR 大幅提高； 在Zero?DCE 模型中加入CCK 后，圖像增強效果和指標幾乎不變；在Zero?DCE 模型中同時加入CBAM 和ACB時，增強圖像的亮度提升程度較明顯，顏色失真程度降低，井下細節(jié)信息恢復(fù)程度較高，MSE 小幅降低，NIQE 明顯降低， PSNR， SSIM， VIF 小幅提高； 在Zero?DCE 模型中同時加入CBAM，ACB，Leaky ReLU時，與同時加入CBAM 和ACB 相比，增強圖像的亮度得到較好的提升，顏色失真程度進一步降低，圖像細節(jié)信息恢復(fù)程度進一步提高， MSE 大幅降低，NIQE 小幅降低，PSNR 大幅提高，SSIM 小幅提高；本文模型能更好地提高輸出圖像的亮度，合理降低顏色失真程度，盡可能全面地強化井下細節(jié)信息，各指標最優(yōu)。

3.3 對比實驗

為驗證本文模型對公共低照度圖像增強的適用性，將其與LIME[6]，Retinex?Net[7]，KinD[8]，KinD Plus[9]，Zero?DCE[11]， EnlightenGAN[12]， SSIENet[13]這7 種典型模型在公共數(shù)據(jù)集LOL[7]上進行測試，選取4 張圖像進行分析，如圖6 所示。

從圖6 可看出：LIME 模型針對細節(jié)輪廓的恢復(fù)較好，但在圖像亮度提升方面效果不明顯；Retinex?Net 模型可有效提升圖像亮度，但存在顏色失真現(xiàn)象；KinD 模型在圖像亮度提升方面效果明顯，但圖像整體偏白， 存在一定程度的過曝現(xiàn)象； KinDPlus 模型對圖像細節(jié)的恢復(fù)能力較好，但部分區(qū)域存在一定程度的失真；Zero?DCE 模型能較好地恢復(fù)紋理細節(jié)信息， 但圖像亮度提升效果不明顯； 經(jīng)EnlightenGAN 模型增強后的圖像對比度提升明顯，但亮度提升不太均勻；經(jīng)SSIENet 增強后的圖像細節(jié)信息恢復(fù)較好，但色調(diào)不太自然；本文模型能較好地提升圖像亮度，增強圖像的色調(diào)相對自然，且能較完整地保留細節(jié)信息。

不同模型的圖像增強性能評價指標見表2。可看出本文模型在LOL 數(shù)據(jù)集上表現(xiàn)良好， SSIM，NIQE， VIF 取得最優(yōu)值， MSE 和PSNR 僅次于KinDPlus 模型。整體上，本文模型對公共低照度圖像數(shù)據(jù)集具有較好的增強效果。

在自建數(shù)據(jù)集上驗證本文模型的圖像增強效果，并與其他7 種模型進行對比。不同模型的礦井圖像增強結(jié)果如圖7 所示。

從圖7 可看出：經(jīng)LIME 模型增強后的圖像產(chǎn)生較多噪點，存在過度增強現(xiàn)象；經(jīng)Retinex?Net 模型增強后的圖像存在顏色失真與圖像色彩恢復(fù)不理想的現(xiàn)象，且顏色不太均勻；經(jīng)KinD 模型增強后的圖像在亮度和對比度提升方面不太明顯，且引入少量噪點；經(jīng)KinD_Plus 模型增強后的圖像產(chǎn)生了光暈偽影現(xiàn)象，同時丟失了較多的細節(jié)信息；經(jīng)Zero?DCE模型增強后的圖像在明亮區(qū)域存在過度增強現(xiàn)象，圖像對比度較低；經(jīng)EnlightenGAN 模型增強后的圖像部分細節(jié)信息丟失，局部圖像亮度提升不明顯；經(jīng)SSIENet 增強后的圖像在低照度區(qū)域亮度提升不太明顯；經(jīng)本文模型增強后的圖像紋理和細節(jié)信息清晰完整，色彩恢復(fù)較理想，全局增強效果好。

進一步使用圖像質(zhì)量評估指標客觀分析各模型在測試集上的增強效果。從8 種模型對測試集的圖像增強結(jié)果中選取NIQE 最優(yōu)的圖像作為近似參考圖像[10]。不同模型對礦井測試集圖像進行增強后指標見表3。可看出本文模型在MSE， PSNR， NIQE，VIF 這4 個指標方面優(yōu)于對比模型，僅SSIM 略低于KinD 模型。相較于Zero?DCE 模型， 本文模型的MSE 和NIQE 分別降低了16.25% 和2.93%， PSNR，SSIM，VIF 分別提高了2.87%，1.87%，17.64%。綜合主觀視覺效果與客觀評價指標可知，本文模型對于礦井惡劣環(huán)境中低照度圖像增強具有顯著優(yōu)勢。

在測試集中隨機選取100 幅圖像，采用不同模型進行圖像增強，統(tǒng)計各模型的參數(shù)量和計算量及增強單幅圖像的平均耗時，結(jié)果見表4。可看出本文模型在推理時間、參數(shù)量和計算量上優(yōu)于大部分對比模型。

綜合實驗結(jié)果可知，本文模型針對公共數(shù)據(jù)集和礦井自建數(shù)據(jù)集圖像增強的視覺效果和評價指標整體表現(xiàn)優(yōu)異，且在礦井智能監(jiān)控應(yīng)用中基本滿足低照度圖像增強的實時性要求。

4 結(jié)論

1） 采用改進Zero?DCE 模型進行礦井低照度圖像增強，能夠解決井下復(fù)雜環(huán)境中低照度?正常照度圖像配對數(shù)據(jù)集采集困難的問題。

2） 從主觀和客觀2 個方面，對改進Zero?DCE模型的圖像增強性能進行評價，結(jié)果表明，不論是公共數(shù)據(jù)集還是礦井自建數(shù)據(jù)集，該模型均能在提高圖像亮度的同時，有效保留細節(jié)紋理信息，降噪效果明顯，且MSE，PSNR，SSIM，NIQE，VIF 指標整體優(yōu)于對比模型。

3） 后續(xù)將進一步優(yōu)化該模型，以便于進行高級礦井圖像分析任務(wù)，如礦井目標檢測、識別、跟蹤等。

參考文獻（References）：

[ 1 ]程德強，錢建生，郭星歌，等. 煤礦安全生產(chǎn)視頻 AI 識別關(guān)鍵技術(shù)研究綜述[J]. 煤炭科學(xué)技術(shù)， 2023，51（2）：349-365.

CHENG Deqiang，QIAN Jiansheng，GUO Xingge，et al.Review on key technologies of AI recognition for videosin coal mine[J]. Coal Science and Technology， 2023，51（2）：349-365.

[ 2 ]范偉強，劉毅. 基于自適應(yīng)小波變換的煤礦降質(zhì)圖像模糊增強算法[J]. 煤炭學(xué)報， 2020， 45（12） ：4248-4260.

FAN Weiqiang， LIU Yi. Fuzzy enhancement algorithmof coal mine degradation image based on adaptivewavelet transform[J]. Journal of China Coal Society，2020，45（12）：4248-4260.

[ 3 ]吳佳奇，張文琪，陳偉，等. 基于改進CycleGAN 的煤礦井下低照度圖像增強方法[J]. 華中科技大學(xué)學(xué)報（自然科學(xué)版），2023，51（5）：40-46.

WU Jiaqi， ZHANG Wenqi， CHEN Wei， et al. Imageenhancement method of underground low illumination incoal mine based on improved CycleGAN[J]. Journal ofHuazhong University of Science and Technology（Natural Science Edition），2023，51（5）：40-46.

[ 4 ]程健，李昊，馬昆，等. 礦井視覺計算體系架構(gòu)與關(guān)鍵技術(shù)[J]. 煤炭科學(xué)技術(shù)，2023，51（9）：202-218.

CHENG Jian，LI Hao，MA Kun，et al. Architecture andkey technologies of coalmine underground visioncomputing[J]. Coal Science and Technology， 2023，51（9）：202-218.

[ 5 ]田會娟，蔡敏鵬，關(guān)濤，等. 基于YCbCr 顏色空間的Retinex 低照度圖像增強方法研究[J]. 光子學(xué)報，2020，49（2）：173-184.

TIAN Huijuan， CAI Minpeng，GUAN Tao， et al. Lowlightimage enhancement method using Retinex methodbased on YCbCr color space[J]. Acta Photonica Sinica，2020，49（2）：173-184.

[ 6 ]GUO Xiaojie， LI Yu， LING Haibin. LIME： low-lightimage enhancement via illumination map estimation[J].IEEE Transactions on Image Processing ： a Publicationof the IEEE Signal Processing Society， 2016， 26（2） ：982-993.

[ 7 ]WEI Chen， WANG Wenjing， YANG Wenhan， et al.Deep Retinex decomposition for low-lightenhancement[Z/OL]. [2024-10-11]. https：//doi.org/10.48550/arXiv.1808.04560.

[ 8 ]ZHANG Yonghua， ZHANG Jiawan， GUO Xiaojie.Kindling the darkness： a practical low-light imageenhancer[C]. The 27th ACM International Conference，Torino， 2019. DOI：10.1145/3343031.3350926.

[ 9 ]ZHANG Yonghua， GUO Xiaojie， MA Jiayi， et al.Beyond brightening low-light images[J]. InternationalJournal of Computer Vision，2021，129（4）：1-25.

[10]王滿利，張航，李佳悅，等. 基于深度神經(jīng)網(wǎng)絡(luò)的煤礦井下低光照圖像增強算法[J]. 煤炭科學(xué)技術(shù)，2023，51（9）：231-241.

WANG Manli， ZHANG Hang， LI Jiayue， et al. Deepneural network-based image enhancement algorithm forlow-illumination images underground coal mines[J].Coal Science and Technology，2023，51（9）：231-241.

[11]GUO Chunle， LI Chongyi， GUO Jichang， et al. Zeroreferencedeep curve estimation for low-light imageenhancement[C]. The IEEE/CVF Conference onComputer Vision and Pattern Recognition， Seattle，2020：1777-1786.

[12]JIANG Yifan， GONG Xinyu， LIU Ding， et al.EnlightenGAN： deep light enhancement without pairedsupervision[J]. IEEE Transactions on ImageProcessing：a Publication of the IEEE Signal ProcessingSociety，2021，30：2340-2349.

[13]ZHANG Yu， DI Xiaoguang， ZHANG Bin， et al. Selfsupervisedimage enhancement network： training withlow light images only[Z/OL]. [2024-10-11]. https：//doi.org/10.48550/arXiv.2002.11300.

[14]田子建，陽康，吳佳奇，等. 基于LMIENet 圖像增強的礦井下低光環(huán)境目標檢測方法[J]. 煤炭科學(xué)技術(shù)，2024，52（5）：222-235.

TIAN Zijian， YANG Kang， WU Jiaqi， et al. LMIENetenhanced object detection method for low lightenvironment in underground mines[J]. Coal Science andTechnology，2024，52（5）：222-235.

[15]ZHANG Jian， CRAIGMILE P F， CRESSIE N. Lossfunction approaches to predict a spatial quantile and itsexceedance region[J]. Technometrics， 2008， 50（2） ：216-227.

[16]YASHWANT K， VIJAYSHRI C. An image fusionapproach based on adaptive fuzzy logic model with locallevel processing[J]. International Journal of ComputerApplications，2015，124（1）：39-42.

[17]BERLOFFA G， MODENA F. Income shocks， copingstrategies，and consumption smoothing：an application toIndonesian data[J]. Journal of Asian Economics， 2013，24：158-171.

[18]LI Zhengguo， ZHENG Jinghong， RAHARDJA S.Detail-enhanced exposure fusion[J]. IEEE Transactionson Image Processing，2012，21（11）：4672-4676.

[19]XU Bing， WANG Naiyan， CHEN Tianqi， et al.Empirical evaluation of rectified activations inconvolutional network[Z/OL]. [2024-10-11]. https：//doi.org/10.48550/arXiv.1505.00853.

[20]DING Xiaohan， GUO Yuchen， DING Guiguang， et al.ACNet： strengthening the kernel skeletons for powerfulCNN via asymmetric convolution blocks[J].International Conference on Computer Vision， Seoul，2019. DOI： 10.1109/ICCV.2019.00200.

[21]WOO S，PARK J，LEE J Y，et al. CBAM：convolutionalblock attention module[C]. European Conference onComputer Vision，Munich，2018：3-19.

[22]苗作華，趙成誠，朱良建，等. 礦井井下非均勻照度圖像增強算法[J]. 工礦自動化，2023，49（11）：92-99.

MIAO Zuohua， ZHAO Chengcheng， ZHU Liangjian，et al. Image enhancement algorithm for non-uniformillumination in underground mines[J]. Journal of MineAutomation，2023，49（11）：92-99.

[23]趙征鵬， 李俊鋼， 普園媛. 基于卷積神經(jīng)網(wǎng)絡(luò)的Retinex 低照度圖像增強[J]. 計算機科學(xué)， 2022，49（6）：199-209.

ZHAO Zhengpeng， LI Jungang， PU Yuanyuan. Lowlightimage enhancement based on Retinex theory byconvolutional neural network[J]. Computer Science，2022，49（6）：199-209.

[24]SETIADI D R I M. PSNR vs SSIM： imperceptibilityquality assessment for image steganography[J].Multimedia Tools and Applications，2020，80（6）：1-22.

基金項目：國家自然科學(xué)基金資助項目（52364017）；內(nèi)蒙古自治區(qū)自然科學(xué)基金項目（2020MS06024，2023QN05023）；2023 年度自治區(qū)本級引進高層次人才科研支持項目（12000-15042321）；2023 年高層次人才科研啟動項目（10000-23112101/05）。