基于JND效应和多尺度视觉感知最优对比度-色调映射的低光照图像增强与噪声抑制方法（适用于照明不均匀的情况）

《Optics & Laser Technology》：Joint enhancement and noise suppression for low-light images with uneven illumination based on JND effect and multi-scale visual perception optimal contrast-tone mapping

低光照图像增强面临不均匀光照导致的低对比度、噪声大等问题，传统方法难以平衡全局增强与局部细节。本文提出基于JND模型的联合增强与去噪方法：首先通过HSV分解将图像分为亮度基图和细节前景图；其次设计多尺度视觉感知OCTM算法，根据直方图分割亮度区间并独立增强；然后利用JND阈值构建优化模型，抑制高频率噪声；最后通过色度通道滤波消除色彩噪声。实验表明该方法在对比度、信噪比和主观质量上优于现有9种SOTA方法。

　　低光照场景中的图像增强一直是计算机视觉领域的重要研究方向，尤其在实际应用中，由于光照不均匀，图像常常面临对比度低、信噪比差以及动态范围宽等问题。这些问题对后续的图像处理任务，如目标检测和场景理解，构成了重大挑战。因此，开发一种能够有效平衡对比度增强、噪声抑制以及局部亮度调整的方法，具有重要的现实意义。本文提出了一种基于“最小可察觉差异”（Just Noticeable Difference, JND）模型的联合增强与降噪方法，旨在提升图像的整体亮度和对比度，同时保留细节结构并减少噪声影响。

在低光照条件下，图像的亮度通常较低，而噪声则相对较高，这不仅影响了图像的视觉质量，也对图像处理的准确性带来了干扰。许多传统图像增强方法主要依赖于全局统计信息，例如灰度直方图的调整，以提升整体亮度和对比度。然而，这些方法往往难以适应局部亮度变化，特别是在光照不均匀的情况下，容易出现某些区域过增强或欠增强的问题。此外，部分方法在提升亮度的同时，可能会引入色彩失真或边缘光晕等视觉干扰，影响最终的图像质量。因此，有必要探索一种能够兼顾亮度增强与噪声抑制的新方法。

本文提出的方法主要包括四个关键步骤：图像分解、基于多尺度视觉感知的优化对比度-色调映射（MVP-OCTM）、基于JND的联合增强与降噪策略，以及色彩通道的降噪处理。首先，图像被转换到HSV色彩空间，其中仅对亮度通道（V通道）进行增强，以保留色彩饱和度和自然视觉效果。接着，我们引入了一种基于线性优化模型的图像分解方法，该方法通过引入梯度正则化项，将原始低光照图像分解为一个表示全局亮度结构的基图像和一个捕捉细节与纹理的前景图像。这种分解方式能够更全面地考虑亮度与局部结构复杂性，从而克服许多现有方法在极端低光照条件下性能下降的问题。

在基图像增强阶段，我们提出了一种名为MVP-OCTM的多尺度视觉感知优化对比度-色调映射方法。该方法结合了传统OCTM技术的优点，特别是在映射函数中引入单调性和平滑性约束，以实现视觉上自然的增强效果。然而，传统的OCTM方法通常使用单一的全局映射曲线，难以适应局部亮度变化。为了解决这一问题，MVP-OCTM通过分析图像的灰度直方图，将灰度范围划分为明亮和暗淡区域，并对每个区域进行独立增强，最后通过亮度感知的方法进行融合，从而实现区域特定的最优增强效果，同时保持全局的自然性。

在前景图像的处理阶段，我们引入了一种基于JND的联合增强与降噪策略。该策略利用JND阈值和人眼视觉敏感性，构建了一个优化模型，以动态调整不同区域的增强强度。在感知敏感区域中，通过降低增强强度来抑制噪声放大，从而在噪声抑制和细节保留之间取得良好的平衡。这一策略不仅提升了图像的视觉质量，还有效减少了增强过程中可能引入的伪影。

最后，对色彩通道（H和S通道）进行降噪处理，以进一步抑制色彩噪声，并将图像转换回RGB色彩空间，生成最终的增强结果。整个处理流程通过图1进行了直观展示，为读者提供了清晰的结构理解。

本文的研究贡献主要体现在三个方面。首先，我们提出了一种高效的图像分解方法，该方法通过引入基于梯度的正则化项，将低光照图像分解为一个表示全局亮度结构的基图像和一个捕捉细节与纹理的前景图像。这种分解方式能够更全面地考虑亮度与局部结构复杂性，从而克服许多现有方法在极端低光照条件下性能下降的问题。其次，我们提出了一种基于多尺度视觉感知的优化对比度-色调映射方法（MVP-OCTM），通过分析图像的灰度直方图，将灰度范围划分为明亮和暗淡区域，并对每个区域进行独立增强，最后通过亮度感知的方法进行融合，从而实现区域特定的最优增强效果，同时保持全局的自然性。第三，我们提出了一种基于JND的联合增强与降噪策略，通过构建优化模型，动态调整不同区域的增强强度，以在噪声抑制和细节保留之间取得良好的平衡。这一策略不仅提升了图像的视觉质量，还有效减少了增强过程中可能引入的伪影。

为了验证所提出方法的有效性，我们对低光照图像进行了广泛的实验评估。实验中，我们使用了8个公开的数据集，并将所提出方法与9种现有的最先进的图像增强方法进行了对比。这些对比方法包括LIME + BM3D、LR3M、EGFM、PNAR、EGOM、Zero-DCE、CSDGAN、RetinexFormer和DiffLL。实验结果表明，所提出方法在亮度、对比度、信噪比和感知质量方面均优于现有方法。此外，我们还进行了主观评价，以验证图像在视觉上的自然性和细节保留能力。

在实际应用中，低光照图像的增强和降噪具有重要的意义。许多实际场景，如夜间监控、天文摄影、低光环境下的医学影像等，都需要对图像进行增强以提升视觉效果和处理精度。然而，由于光照不均匀，这些图像往往面临亮度低、噪声高以及动态范围宽等问题。这些问题不仅影响了图像的视觉质量，也对后续的图像处理任务构成了挑战。因此，开发一种能够有效平衡亮度增强、噪声抑制以及局部亮度调整的方法，具有重要的现实价值。

本文提出的方法不仅在技术上具有创新性，也在实际应用中展现出良好的效果。通过将图像分解为基图像和前景图像，我们能够分别处理亮度和细节，从而提升图像的整体质量。同时，通过引入MVP-OCTM和基于JND的联合增强与降噪策略，我们能够在增强亮度的同时，有效抑制噪声并保留细节结构。这种处理方式不仅提高了图像的视觉质量，还增强了图像处理的鲁棒性。

在实验评估中，我们使用了多种客观评价指标，如峰值信噪比（PSNR）、结构相似性指数（SSIM）和视觉质量评分（VQS），以全面评估所提出方法的效果。此外，我们还进行了主观评价，邀请专家和普通用户对增强后的图像进行评分，以验证其在视觉上的自然性和细节保留能力。实验结果表明，所提出方法在这些指标上均优于现有方法，能够提供更高质量的图像增强效果。

总的来说，本文提出了一种基于JND模型的联合增强与降噪方法，能够有效解决低光照场景中图像亮度低、噪声高以及动态范围宽等问题。通过将图像分解为基图像和前景图像，分别进行亮度增强和细节增强，我们能够在保持图像自然视觉效果的同时，提升其处理精度。此外，通过引入多尺度视觉感知优化对比度-色调映射方法和基于JND的联合增强与降噪策略，我们能够在增强亮度的同时，有效抑制噪声并保留细节结构。这一方法不仅在技术上具有创新性，也在实际应用中展现出良好的效果。