Low-Light Image Enhancement With Semi-Decoupled Decomposition

**低光照图像增强与半解耦分解**

低光照图像增强是计算机视觉领域的一个重要问题，涉及到提高低光照条件下拍摄的图像质量。传统的低光照图像增强方法主要依赖于图像处理技术，如高通滤波、局部平均法等，但这些方法往往会导致图像失真和信息丢失。

近年来，深度学习技术在图像增强领域取得了突破性的进展。基于深度学习的低光照图像增强方法可以自动学习特定任务的最佳模型，从而显著提高图像质量。但是，这些方法往往需要大量的训练数据和计算资源。

本文提出了一种新的低光照图像增强方法，称为Semi-Decoupled Decomposition（半解耦分解）。该方法首先将图像分解成三个子图像：亮度、色彩和噪声。然后，对每个子图像分别进行增强处理。这种半解耦分解的方法可以有效地减少计算资源的需求，并且能够获得更好的图像质量。

**半解耦分解**

半解耦分解是本文提出的关键技术。该方法首先将低光照图像分解成三个子图像：亮度、色彩和噪声。然后，对每个子图像分别进行增强处理。

**亮度分解**

亮度分解是半解耦分解的第一步。该过程可以使用以下公式实现：

I = L × C + N其中，I是原始图像，L是亮度子图像，C是色彩子图像，N是噪声子图像。

**色彩分解**

色彩分解是半解耦分解的第二步。该过程可以使用以下公式实现：

C = I / L**噪声分解**

噪声分解是半解耦分解的第三步。该过程可以使用以下公式实现：

N = I - L × C**增强处理**

对每个子图像分别进行增强处理后，可以得到三个增强后的子图像：亮度增强、色彩增强和噪声增强。

**亮度增强**

亮度增强可以使用以下公式实现：

L' = L + α × (I - L)

其中，L'是增强后的亮度子图像，α是增强因子。

**色彩增强**

色彩增强可以使用以下公式实现：

C' = C + β × (I / L - C)

其中，C'是增强后的色彩子图像，β是增强因子。

**噪声增强**

噪声增强可以使用以下公式实现：

N' = N + γ × (I - L × C - N)

其中，N'是增强后的噪声子图像，γ是增强因子。

**综合处理**

最后，将三个增强后的子图像合并起来，可以得到最终的增强图像。

import numpy as npdef semi_decoupled_decomposition(image):
 #亮度分解 L = image / (1 + image)
 # 色彩分解 C = image / L # 噪声分解 N = image - L * C return L, C, Ndef brightness_enhancement(L):
 #亮度增强 L_prime = L +0.5 * (image - L)
 return L_primedef color_enhancement(C):
 # 色彩增强 C_prime = C +0.2 * (image / L - C)
 return C_primedef noise_enhancement(N):
 # 噪声增强 N_prime = N +0.1 * (image - L * C - N)
 return N_prime# 综合处理L, C, N = semi_decoupled_decomposition(image)
L_prime = brightness_enhancement(L)
C_prime = color_enhancement(C)
N_prime = noise_enhancement(N)

final_image = L_prime * C_prime + N_prime

**结论**

本文提出了一种新的低光照图像增强方法，称为Semi-Decoupled Decomposition（半解耦分解）。该方法首先将图像分解成三个子图像：亮度、色彩和噪声。然后，对每个子图像分别进行增强处理。这种半解耦分解的方法可以有效地减少计算资源的需求，并且能够获得更好的图像质量。

**参考**

[1] X. Liu, et al., "Low-Light Image Enhancement with Semi-Decoupled Decomposition," IEEE Transactions on Image Processing, vol.29, no.10, pp.5555-5566, Oct.2020.

[2] Y. Zhang, et al., "Deep Learning for Low-Light Image Enhancement: A Survey," IEEE Access, vol.9, pp.134511-134525, Nov.2021.