煤矿井下照明有限，并且具有大量粉尘、雾气，使得采集到的图像对比度低、光照不均、细节信息弱，并含有大量噪声。基于传统模型的图像增强方法鲁棒性较差，常会引起图像过度增强和色彩失真；基于深度学习的图像增强方法大多没有考虑增强引起的噪声放大。针对上述问题，提出了一种面向煤矿井下低光照图像的增强方法。采用卷积神经网络构建图像增强网络，该网络包括特征提取模块、增强模块和融合模块。特征提取模块对输入图像进行不同程度的卷积，提取多层次的图像特征，得到多个特征层；增强模块对提取到的特征层通过子网络进行增强，强化不同程度的细节特征；融合模块将增强后的特征层进行融合，输出增强图像。之后通过结构损失函数、内容损失函数和区域损失函数的约束，提高图像质量并有效抑制图像颜色失真与噪声放大，得到最终的增强图像。实验结果表明，该方法能够有效提升煤矿井下低光照图像的亮度和对比度，并且具有较强的噪声抑制能力，使图像能更好地恢复原有的细节信息，同时避免出现过曝光或颜色失真。

国家自然科学基金项目（52074305）；河南理工大学博士基金项目（B2021-64）；

孔二伟,张亚邦,李佳悦,王满利.面向煤矿井下低光照图像的增强方法[J].工矿自动化,2023,49(04):62-69+85.DOI:10.13272/j.issn.1671-251x.2022110054.