.png){kind=icon}
返回
Enhancing low-light images with optimal graph convolutional neural network using osprey optimization algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s12597-026-01198-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一种被称为低光照图像增强的计算机视觉任务，专注于恢复和改善在不良光照条件下捕获的图像质量。其目标是在增强可见度的同时抑制噪声、伪影和结构失真，从而产生具有增强亮度、改善清晰度和更好感知保真度的图像。本研究介绍了一种新颖的增强策略，该策略通过由鱼鹰优化算法（OOA）驱动的优化图卷积神经网络（OGCNN）来保留关键场景特征并自适应地调节光照。最初，输入图像在预处理阶段被旋转一定角度。优化图卷积神经网络（OGCNN）被用于识别低光照图像增强。鱼鹰优化算法（OOA）优化了优化图卷积神经网络（OGCNN）的超参数。利用MATLAB计算语言实现了所提出的模型。使用LIME（低光照图像增强）、DICM（数码相机）和MEF（多曝光图像融合）数据集评估了改进低光照图像的技术。在所有三个数据集中，结果表明，与当前技术相比，所建议的模型具有最小的亮度顺序误差（LOE）和最大的结构相似性指数（SSIM）。
Keyword:
Low light image enhancement
Graph convolutional neural network
Osprey optimization algorithm
Hyperparameters
Rotation
Lightness order error
Structural similarity index
