林剑萍，廖一鹏

(1. 阳光学院 人工智能学院，福建 福州 350015;2. 福州大学 物理与信息工程学院, 福建 福州 350108)

1 引 言

低照度图像对比度较低，细节丢失严重，不利于人眼观察和计算机视觉算法的使用。因此，有效的图像增强算法对后续图像分析和图像理解非常重要。

图像增强的主流算法包括：直方图均衡化、Retinex、分数阶微分、模糊集理论及多尺度变换等[1-2]。直方图均衡化的增强算法，整体对比度有明显提高，但会出现过增强、微弱信息被丢失的情况[3-5]。万智萍[6]等提出的结合人眼视觉特性与直方图均衡化的增强算法，改善了图像的整体视觉效果，但不可避免地出现微弱信息丢失、放大噪声以及局部信息被弱化等情况。Land[7]等人提出的 Retinex 理论被广泛用于图像增强，其中最经典的是单尺度 Retinex(Single scale Retinex，SSR)[8]与多尺度 Retinex(Multi-scale Retinex，MSR)[9]算法，它们均以高斯滤波器作为低通滤波器， 虽然算法简单，但增强后的图像光晕现象严重，且算法是基于时域的增强方法，处理低照度图像时会出现细节丢失、边缘模糊等现象。Elad[10]等提出基于双边滤波(bilateral filter)的 Retinex 算法, Wang[11]等提出基于引导滤波(guided filter)[12]的 Retinex 算法， 张诗[13]等提出的基于Retinex的引导滤波变分框架低照度图像增强算法， 尽管这些滤波器具有一定的保边平滑能力, 但在维持保边能力的同时难以做到对图像充分平滑, 使得照度图像估计仍然存在偏差。云海姣[14]等人提出了结合直方图均衡和模糊集理论的红外图像增强，克服了过增强和局部信息被弱化等问题，但是在计算能力、去模糊化等方面的效果仍有待加强。……