随着煤矿智能化建设的逐步推进，智能视频监控系统越来越多的应用于煤矿井下。然而受粉尘、水雾及光源等因素的影响，视频监控系统采集的图像往往存在亮度低、光照不均匀、信息丢失、细节模糊等问题，导致煤矿井下视频监控视觉效果差，极大影响了后续图像分析与智能决策。因此，研究煤矿井下图像增强方法具有重要意义。针对非均匀照明下井下图像出现的局部区域亮度低和细节特征缺失的问题，提出了一种基于自适应估计的改进Retinex-Net井下图像增强算法。设计了分解网络来分离图像的照度分量和反射分量；在反射分量处理中，引入了融合通道和空间注意力的注意力模块CBAM（Convolutional Block Attention Module），进一步提升图像的细节和对比度，使图像更加清晰；在光照估计网络中构建渐进式的光照优化过程，通过多个网络层的级联，逐步优化光照分量的估计，引入了自校准模块，能够自动调整光照分量的估计值，使其更加接近真实的光照条件，最后将优化后的照度分量和反射分量结合，得到增强后的井下图像。基于自建井下图像数据集，改进算法较其他算法，其平均梯度、峰值信噪比、结构相似性、信息熵分别提高了25%、17%、24%、8%。实验结果表明，该算法能有效地提高光照不均匀照明中暗区域的图像亮度，增加图像细节信息，提高图像质量。

0 引言
1 Retinex-Net网络的基本结构
2基于自适应光照估计的Retinex-Net矿井图像增强算法
2.1分解网络设计
2.2 反射网络设计
2.3光照估计网络设计
3 实验结果与分析
3.1 数据集构建
3.2实验结果
3.2.1主观评价
3.2.2 客观评价
4 结论