面向快速自适应低光照图像增强的视觉感知模型

低光照图像增强是解决人类视觉系统(HVS)在低光环境下感知信息灵敏度不足问题的一种有前景的方案。以往基于 Retinex 的工作总是通过估计光强来完成增强任务。遗憾的是,单一光强建模难以精确模拟视觉感知信息,导致视觉感光失衡与适应性弱的问题。为解决这些问题,我们探究光源与视觉感知的精确关系,进而提出视觉感知(VP)模型以获取视觉感知的精确数学描述。VP 模型的核心是将光源分解为光强与光空间分布来描述 HVS 的感知过程,提供对照明与反射率的精细化估计。为降低估计过程复杂度,我们引入快速自适应的 $\mathbf{\beta}$ 与 $\mathbf{\gamma}$ 函数构建照明与反射率估计方案。最后,我们提出一种最优确定策略,由\emph{循环操作}与\emph{比较器}组成。具体而言,\emph{比较器}负责通过执行\emph{循环操作}从多个增强结果中确定最优增强结果。通过协同所提 VP 模型、照明与反射率估计方案及最优确定策略,我们提出一种快速自适应的低光照图像增强框架。大量实验结果表明,与当前最优方法相比,所提方法在视觉对比、定量评估与计算效率方面均取得更优性能。