基于神经网络的陈嘉庚集美一号实习船老照片修复

薛晗 方琼林 集美大学航海学院

1.引言

修复老照片的意义在于凝固瞬间历史、延续情感、定格人物。Feng通过对模糊图像进行反演得到雾状图像，并对雾状图像应用金字塔型密集残差块网络和暗通道先验K-means分类方法来计算透过率和大气光照。Xie将该方法得到的参数与微光成像模型相结合，得到清晰的图像。提出了一种基于融合的微光增强模型，该模型将场景语义明确地运用到增强过程中。Iqbal将图像增强技术用于同时保持对比度和消除输入图像的颜色饱和度。Xu提出了一种新的多尺度融合低照度图像增强框架，有效地增强了不同弱光条件下拍摄的图像。

在图像增强方法中，Retinex是一种有效的方法。由于Retinex容易产生光晕伪影，并可能在背景中产生额外的噪声，Cai提出了一种联合内-外先验模型。然而，对于不同的图像，其最佳参数不易获得，而这些参数往往对微光增强效果有很大的影响。它在目标函数中的系数是固定的，不随图像的不同而变化。为此，本文提出了一种基于神经网络的方法来优化修正Retinex的参数。

传统的图像增强算法在提高分类率方面存在一些问题，如颜色失真、亮度增强过大导致的晕现象、噪声干扰、边缘细节不清晰等。本文定义一个能量函数并用神经网络求解，以自适应地求解最优参数。因此，可以将模型参数调整到最佳，以获得更好的增强效果。在抑制噪声的同时保持图像的细节信息，更好地恢复低照度图像的内容和结构信息。

2.Retinex光照模型

将输入图像表示为S。将照明表示为I。将反射率表示为R。先验者尝试通过最大化三个颜色通道来捕捉照明：

其中Ω表示图像中的本地窗口。

目标函数E的建立方法如下：

式中E表示寻找最佳微光图像增强性能的目标函数。▽是一个梯度算子。ε是一个小数字，以避免被零除。α、b、c为正系数。记：

其中Mk和Vk是权重矩阵。Retinex算法估计I得到相应的R，基于Retinex理论的图像增强方法是从图像S中估计I（x，y），从而得到R（x，y），如图1所示。

图1 Retinex算法原理

图2 算法流程

图4 老照片修复

图5 “集美一号”船模

图6 “集美二号”船模

3.基于神经网络的老照片修复算法

首先对神经网络权值进行初始设定，以低照度图像作为输入。用神经网络求解Retinex模型中的目标函数。将由神经网络得到的真实图像与照度增强图像的差值作为神经网络的误差函数。用这种方法训练神经网络。然后，利用训练好的神经网络权值来增强数据集中其他样本的亮度，并利用输出的增强图像与对应的地面真实图像的差值来验证神经网络的有效性。所提出算法的流程图如图2所示。

4.陈嘉庚集美一号实习船老照片修复

集美一号实习船的老照片如图3所示。

采用本算法进行老照片修复如图4所示。

图5和图6为“集美一号”和“集美二号”船模。可以看出修复后的老照片更接近船模。

5.结论

本文采用网络结构来处理老照片图像增强任务，能够很好地消除微光图像增强中常见的伪影、色失真噪声等问题。用老照片图像来验证神经网络的有效性。结果表明，该方法有老照片修复能力。