前言

弱光条件下拍摄的图像通常会出现能见度差和各种退化的情况，例如噪声干扰和模糊边缘特征。随着成像设备的发展，视觉监控数据的质量不断提高，如2K和4K，这对图像处理的效率有着更严格的要求。为了同时满足增强质量和计算速度的要求，提出了一种用于超高清交通监控的双域引导实时微光图像增强网络（DDNet）。具体地说，我们设计了一种编码器-解码器结构作为学习网络的主要结构。特别地，增强处理被分成两个子任务（即，该算法通过嵌入在编解码器结构中的粗增强模块（CEM）和基于LoG的梯度增强模块（GEM），实现了图像的颜色增强和梯度增强。它使网络能够同时增强颜色和边缘特征。通过对颜色域和梯度域的分解和重建。

动机

实时交通监控对微光图像增强有两个主要要求：有效性和效率。因此，有必要通过更好的噪声抑制和特征保留来有效地照亮黑暗。

传统弱光增强方法的缺陷

传统弱光增强方法主要通过全局增强对比度来改进（例如，直方图均衡化（HE）），其仅改善视觉感知而没有有效的噪声抑制。

基于深度神经网络