基于神經網絡的陳嘉庚集美一號實習船老照片修復

薛晗 方瓊林 集美大學航海學院

1.引言

修復老照片的意義在于凝固瞬間歷史、延續情感、定格人物。Feng通過對模糊圖像進行反演得到霧狀圖像，并對霧狀圖像應用金字塔型密集殘差塊網絡和暗通道先驗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與微光成像模型相結合，得到清晰的圖像。提出了一種基于融合的微光增強模型，該模型將場景語義明確地運用到增強過程中。Iqbal將圖像增強技術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框架，有效地增強了不同弱光條件下拍攝的圖像。

在圖像增強方法中，Retinex是一種有效的方法。由于Retinex容易產生光暈偽影，并可能在背景中產生額外的噪聲，Cai提出了一種聯合內-外先驗模型。然而，對于不同的圖像，其最佳參數不易獲得，而這些參數往往對微光增強效果有很大的影響。它在目標函數中的系數是固定的，不隨圖像的不同而變化。為此，本文提出了一種基于神經網絡的方法來優化修正Retinex的參數。

傳統的圖像增強算法在提高分類率方面存在一些問題，如顏色失真、亮度增強過大導致的暈現象、噪聲干擾、邊緣細節不清晰等。本文定義一個能量函數并用神經網絡求解，以自適應地求解最優參數。因此，可以將模型參數調整到最佳，以獲得更好的增強效果。在抑制噪聲的同時保持圖像的細節信息，更好地恢復低照度圖像的內容和結構信息。

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。

目標函數E的建立方法如下：

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

其中Mk和Vk是權重矩陣。Retinex算法估計I得到相應的R，基于Retinex理論的圖像增強方法是從圖像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

圖5 “集美一號”船模

圖6 “集美二號”船模

3.基于神經網絡的老照片修復算法

首先對神經網絡權值進行初始設定，以低照度圖像作為輸入。用神經網絡求解Retinex模型中的目標函數。將由神經網絡得到的真實圖像與照度增強圖像的差值作為神經網絡的誤差函數。用這種方法訓練神經網絡。然后，利用訓練好的神經網絡權值來增強數據集中其他樣本的亮度，并利用輸出的增強圖像與對應的地面真實圖像的差值來驗證神經網絡的有效性。所提出算法的流程圖如圖2所示。

4.陳嘉庚集美一號實習船老照片修復

集美一號實習船的老照片如圖3所示。

采用本算法進行老照片修復如圖4所示。

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

5.結論

本文采用網絡結構來處理老照片圖像增強任務，能夠很好地消除微光圖像增強中常見的偽影、色失真噪聲等問題。用老照片圖像來驗證神經網絡的有效性。結果表明，該方法有老照片修復能力。