薛晗 方瓊林 集美大學(xué)航海學(xué)院

1.引言

修復(fù)老照片的意義在于凝固瞬間歷史、延續(xù)情感、定格人物。Feng通過對模糊圖像進(jìn)行反演得到霧狀圖像，并對霧狀圖像應(yīng)用金字塔型密集殘差塊網(wǎng)絡(luò)和暗通道先驗K-means分類方法來計算透過率和大氣光照。Xie將該方法得到的參數(shù)與微光成像模型相結(jié)合，得到清晰的圖像。提出了一種基于融合的微光增強(qiáng)模型，該模型將場景語義明確地運(yùn)用到增強(qiáng)過程中。Iqbal將圖像增強(qiáng)技術(shù)用于同時保持對比度和消除輸入圖像的顏色飽和度。Xu提出了一種新的多尺度融合低照度圖像增強(qiáng)框架，有效地增強(qiáng)了不同弱光條件下拍攝的圖像。

在圖像增強(qiáng)方法中，Retinex是一種有效的方法。由于Retinex容易產(chǎn)生光暈偽影，并可能在背景中產(chǎn)生額外的噪聲，Cai提出了一種聯(lián)合內(nèi)-外先驗?zāi)Ｐ?。然而，對于不同的圖像，其最佳參數(shù)不易獲得，而這些參數(shù)往往對微光增強(qiáng)效果有很大的影響。它在目標(biāo)函數(shù)中的系數(shù)是固定的，不隨圖像的不同而變化。為此，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的方法來優(yōu)化修正Retinex的參數(shù)。

傳統(tǒng)的圖像增強(qiáng)算法在提高分類率方面存在一些問題，如顏色失真、亮度增強(qiáng)過大導(dǎo)致的暈現(xiàn)象、噪聲干擾、邊緣細(xì)節(jié)不清晰等。本文定義一個能量函數(shù)并用神經(jīng)網(wǎng)絡(luò)求解，以自適應(yīng)地求解最優(yōu)參數(shù)。因此，可以將模型參數(shù)調(diào)整到最佳，以獲得更好的增強(qiáng)效果。在抑制噪聲的同時保持圖像的細(xì)節(jié)信息，更好地恢復(fù)低照度圖像的內(nèi)容和結(jié)構(gòu)信息。

2.Retinex光照模型

將輸入圖像表示為S。將照明表示為I。將反射率表示為R。先驗者嘗試通過最大化三個顏色通道來捕捉照明：

其中Ω表示圖像中的本地窗口。

目標(biāo)函數(shù)E的建立方法如下：

式中E表示尋找最佳微光圖像增強(qiáng)性能的目標(biāo)函數(shù)。▽是一個梯度算子。ε是一個小數(shù)字，以避免被零除。α、b、c為正系數(shù)。記：

其中Mk和Vk是權(quán)重矩陣。Retinex算法估計I得到相應(yīng)的R，基于Retinex理論的圖像增強(qiáng)方法是從圖像S中估計I（x，y），從而得到R（x，y），如圖1所示。

圖1 Retinex算法原理

圖2 算法流程

圖4 老照片修復(fù)

圖5 “集美一號”船模

圖6 “集美二號”船模

3.基于神經(jīng)網(wǎng)絡(luò)的老照片修復(fù)算法

首先對神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行初始設(shè)定，以低照度圖像作為輸入。用神經(jīng)網(wǎng)絡(luò)求解Retinex模型中的目標(biāo)函數(shù)。將由神經(jīng)網(wǎng)絡(luò)得到的真實圖像與照度增強(qiáng)圖像的差值作為神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)。用這種方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。然后，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)值來增強(qiáng)數(shù)據(jù)集中其他樣本的亮度，并利用輸出的增強(qiáng)圖像與對應(yīng)的地面真實圖像的差值來驗證神經(jīng)網(wǎng)絡(luò)的有效性。所提出算法的流程圖如圖2所示。

4.陳嘉庚集美一號實習(xí)船老照片修復(fù)

集美一號實習(xí)船的老照片如圖3所示。

采用本算法進(jìn)行老照片修復(fù)如圖4所示。

圖5和圖6為“集美一號”和“集美二號”船模。可以看出修復(fù)后的老照片更接近船模。

5.結(jié)論

本文采用網(wǎng)絡(luò)結(jié)構(gòu)來處理老照片圖像增強(qiáng)任務(wù)，能夠很好地消除微光圖像增強(qiáng)中常見的偽影、色失真噪聲等問題。用老照片圖像來驗證神經(jīng)網(wǎng)絡(luò)的有效性。結(jié)果表明，該方法有老照片修復(fù)能力。