摘要：针对井下监控装置采集的图像普遍存在照度低、颜色失真及细节特征损失严重等缺陷,提出一种基于改进CycleGAN网络的煤矿井下低照度图像增强算法.首先针对井下成对图像数据获取困难的问题,基于循环生成对抗网络搭建循环图像增强主体框架实现模型的无监督训练;然后基于CSDNet的全局图像分解架构,设计了一种融合空间-通道注意力模块CBAM的双分支估计网络以并行估计图像的光照分量和反射分量,并在两分支网络之间建立多尺度特征分解机制,从而在大幅提升亮度的同时避免颜色失真现象,保留大量细节信息;使用全局-局部判别器调节图像局部区域的亮度,改善亮度不均,避免过曝及阴影现象.实验结果表明:相较于对比算法RetinexNet,LLNet,MBLLEN,EnlightenGAN和CSDNet,本算法在客观质量指标PSNR(峰值信噪比)、SSIM(结构相似性)、IFC(信息保真度)和VIF(视觉信息保真度)上的表现分别提高了11.787%,8.256%,9.658%和8.654%,并在人类视觉主观分析上优于对比算法,证明本文算法能够有效改善井下低照度图像视觉效果.