基于融合注意力的矿井低照度图像增强模型OA

针对煤矿井下图像增强过程中易出现暗区、细节恢复不足与噪声同步放大的问题,提出了一种基于融合注意力的矿井低照度图像增强模型。采用编码−解码网络作为主干网络,在各阶段引入残差密集块(RDB),以缓解井下暗区弱纹理在深层特征传递过程中易衰减、细节难保留的问题;在解码阶段设计通道–空间融合注意力(CSA)模块,以增强设备边缘、人员轮廓等关键区域响应,并抑制背景噪声及粉尘散射干扰;构建由均方误差损失与感知损失组成的复合损失函数,以解决亮度恢复过程中结构保持与视觉自然度难以兼顾的问题,在保证像素一致性的同时提升结构保真度与视觉质量。基于自建CMUHL矿井数据集开展对比实验,结果表明:所提模型的峰值信噪比(PSNR)达30.544 dB,结构相似性(SSIM)达0.914,均优于FLOL,AnlightenDiff,Retinexformer等模型;模型参数量为4.37×10^(6)个,计算量为56.19 GFLOPs,在取得较优增强性能的同时兼顾了模型复杂度与部署可行性。真实场景验证结果显示,该模型在自然图像质量评价器(NIQE)指标上取得最低值,说明增强结果在统计自然度方面表现较好;盲/无参考图像空间质量评估器(BRISQUE)指标整体保持较低水平,与主观视觉效果一致,表明其在真实井下复杂光照环境下具有较好的稳定性和适用性。