江泽涛,覃露露,秦嘉奇,张少钦

1(广西图像图形处理与智能处理重点实验室(桂林电子科技大学),广西 桂林 541004)

2(桂林信息科技学院,广西 桂林 541004)

3(南昌航空大学,江西 南昌 330063)

在照度低或逆光等光照环境差的情况下采集的图像,称之为低照度图像(low-light images,简称LLI),此类图像容易出现低质量现象,例如对比度低、颜色失真和细节信息模糊等.由于其低质现象,低照度图像往往会造成目标识别、检测和跟踪等计算机视觉任务算法性能的降低.低照度图像增强方法旨在通过一些技术手段和方法恢复原本低质图像的真实场景信息,以获得具有完整的结构和细节信息且视觉效果自然、清晰的图像.低照度图像增强方法主要分为传统增强方法和基于神经网络的增强方法.

传统图像增强方法可以分为以下4 类.

1) 基于直方图的增强方法.通过统计方法调整图像中的像素值,使图像直方图达到均衡状态,从而对低照度图像的亮度和对比度进行提升,如LDR[1],ERMHE[2]等.但此类方法的增强结果图中常出现难以平衡图像暗区恢复和亮区保留的问题,同时也容易出现色彩失真问题,具有较弱的鲁棒性;

2) 基于Retinex 的传统增强方法.受益于Land[3]提出的人眼视觉的亮度与色彩感知模型——Retinex 理论,众多学者在该模型的基础上提出了单尺度Retinex(SSR)、多尺度Retinex(MSR)、带颜色恢复的MSR(MSRCR)[4]、LIME[5]、RobustRetinex[6]和JED[7]等经典算法.此类传统方法能够有效增强图像亮度且较好保存如边缘和角落等高频信息,但它们无法有效避免对比度不均……