王满利 ，张 航 ，李佳悦 ，张长森

（河南理工大学 物理与电子信息学院, 河南 焦作 454000）

0 引 言

随着煤炭科学开采理论的发展[1]，智能化无人开采技术稳步推进，越来越多的数字图像、视频设备应用于矿井下，用来进行煤炭识别、危险行为识别和灾害警报等重要任务，但是由于这些设备需要依赖良好的正常光输入图像，而矿井下环境复杂，光照条件差，这些都可能会导致采集的图像对比度低、细节损失严重，严重影响了数字图像、视频设备的工作可靠性，为提高矿井下图像的质量，图像增强成为建设智慧矿山需要攻克的关键环节。目前低光照图像增强领域研究的热点主要包括基于模型的传统增强方法和基于深度机器学习的增强网络。

基于模型的方法主要集中在直方图均衡化和基于Retinex 理论的方法。直方图均衡化的方法容易引起图像过增强，影响图像的视觉质量，随着理论与技术的不断发展，研究热点逐渐转移至基于Retinex 理论的方法。Retinex 理论认为成像设备采集到的图像可分为光照分量和反射分量，反射分量由物体本身的反射性质决定的，实现图像增强就是通过去除图像的场景光照信息，消除光照分量的干扰，获取反射图像分量。GUO 等[2]基于Ritinex 理论提出LIME 算法，选取输入图像各像素通道中的最大值，对光照图初始化处理，再用结构化的先验知识对光照图进行处理，将反射图的输出作为增强结果，但容易出现过增强的现象。SHU 等[3]提出名为NPE 的算法，在增强图像对比度的同时保持了照明的自然度，但没有考虑不同场景中照明的关系。……