黄 慧，董林鹭，刘小芳，赵良军

(1.人工智能四川省重点实验室，自贡 643000；2.四川轻化工大学 自动化与信息工程学院，自贡 643000；3.四川轻化工大学 计算机科学与工程学院，自贡 643000)

1 引 言

高可见度图像能够更清楚地反映目标场景中的细节，在目标识别[1]、跟踪[2]以及医学[3]研究等计算机视觉技术方向起着重要的作用。但是受摄像头系统成本高，拍摄技术人员的技巧等因素的限制，多数情况下选用相对便宜的传感器进行图像的采集。低光照图像在拍摄过程中受到光照不足、噪声等因素影响，图像的视觉质量无法令人满意，可能损害主要用于高可见度输入的算法性能[4]，图片的重要信息被隐藏或忽略。图像增强的主要想法是只突出显示图像中人们感兴趣的部分或特征，为提高低光照图像的视觉质量，发掘出被掩藏的有效信息，低光照图像增强技术具有重要价值和现实意义。

经典的图像增强技术主要可以分为：空间域法和频域法[5]。空间域法直接对图像的像素进行处理，不进行其他域变换，常见方法的有线性增强(Linear Enhancement， LE)[6]和直方图均衡(Histogram Equalization，HE)[7-8]处理。多研究人员试图根据原始输入图像的统计信息，直接将被埋没的结构放大到可见状态，例如线性变换对图像中的像素值进行增大，是调出暗区可见性的最直观和简单的方法，但是带来的问题是若存在已饱和的较亮的区域，反而会过度增强丢失相应的细节，原本的区域的纹理特征可能变得不可见[9]。HE策略通过归一化迫使输出图像落在[0,1]之间，使原始图像中较集中的某个灰度区间在全范围内均匀分布。……