基于生成对抗网络的空间卫星低照度图像增强

陈榆琅，高晶敏,*，张科备，张洋

1. 北京信息科技大学 自动化学院，北京 100192

2. 北京控制工程研究所，北京 100190

空间光照条件的不断变化、成像载荷的抖动、成像系统像质退化等因素，导致空间光学成像下图像质量严重退化的问题，比如图像对比度过低、细节损失大和噪声污染严重，这不仅会干扰对卫星图像的人工判别，也会影响后续特征信息提取、图像识别和图像分割等图像处理技术的效果[1-6]。对空间环境下的低照度图像进行增强预处理，能够为基于计算机视觉的空间任务提供更高质量的图像信息。

低照度图像增强方法主要分为基于直方图均衡化(histogram equalization，HE)的方法、基于Retinex理论的方法及基于深度学习的方法。HE是一种常用的灰度增强算法，其原理是通过拉伸图像的动态范围来增加对比度。文献[7]为解决增强亮度不均匀、不自然的问题，基于HE提出了一种全局亮度和局部对比度自适应增强方法。文献[8]提出了改进的HE用于图像对比度的增强。以上基于HE的方法，其增强结果总是存在着明显的细节模糊、色彩失真等问题[9]。Retinex是Edwin Land提出的一种有效理论，通过模拟人类视觉系统实现色彩恒定和动态范围压缩[10]。Retinex的基本原理是假设一幅图像是由入射光分量和反射光分量组成，只需去除照射图的影响即可得到物体本来的样子，完成图像增强[10]。基于Retinex原理的方法主要包括SRIE[11]、LIME[12]和BIMEF[13]等, 这些方法的关键是通过人工设计以及参数微调实现照射图的估算[9]，然而通过深度学习方法，不仅可避免这些复杂繁琐的人工设计及整体优化问题，还可获得更好的泛化能力及增强效果。……