摘要
图像增强是指对图像中特定特征（如边缘、边界或对比度）进行强化处理的过程。其主要目标是通过对原始图像进行处理，显著提升后续可视化、分类与分割等任务的整体性能。传统方法通常需要人工手动调参以控制增强效果。截至目前，基于卷积神经网络（Convolutional Neural Network, CNN）的最新方法常将上述技术作为增强的预处理步骤加以应用。在本研究中，我们提出了首个基于经典非锐化掩模（unsharp masking）算法的内在CNN预处理层。该提出的层通过向输入图像添加高频信息，注入关于图像增强方式的先验知识，从而突出有意义的图像特征。该层在模型训练过程中自动优化非锐化掩模的参数，无需任何人工干预。我们在两个应用场景中评估了该网络的性能表现及其影响：CIFAR100图像分类任务与PlantCLEF植物识别挑战赛。实验结果表明，相较于主流CNN模型，本方法在PlantCLEF任务上取得了2.42%的准确率提升，在通用CIFAR100任务上实现了9.49%的显著性能改进。设计非锐化增强层可显著提升简单CNN模型的分类准确率，且几乎不增加额外计算开销，其核心优势在于将先验知识直接注入网络，从而增强模型的鲁棒性。