陈清江， 屈 梅

(西安建筑科技大学 理学院，陕西 西安710055)

1 引 言

在低照度环境下拍摄的图像常存在曝光不足以及对比度低的问题，给后续图像处理带来严峻的挑战，因此低照度图像增强已经成为计算机视觉领域的一个研究热点。近年来，基于直方图的方法以及由LAND[1]提出的Retinex理论模型在低照度图像增强领域取得了重大突破，如Pizer等人[2]和Reza等人[3]先后提出AHE算法和CLAHE算法增强低照度图像，但增强后的图像往往会出现颜色失真现象。Jobson等人[4]利用高斯平滑函数估计原图像的亮度分量，提出单尺度Retinex(SSR)方法。LIN等人[5]将多个不同尺度的SSR线性加权求和，提出多尺度Retinex(MSRCR)方法。Fu等人[6]提出了一种基于融合的单背光低照度图像增强算法。Ying等人[7]提出了一种双曝光融合算法，以提高精确的对比度和亮度增强，从而实现低照度图像增强。Ren等人[8]提出基于Retinex模型的弱光图像联合去噪与增强算法。虽然以上方法在低照度图像增强领域取得了很大的进展，但增强后的图像，亮度恢复不够，容易造成图像的细节丢失，仍有一定的局限性。

最近，随着深度学习的快速发展，深度学习在目标识别[9-12]、超分辨率重建[13-14]以及图像去雨[15-16]等方面取得优于传统算法的效果。一些学者也将深度学习应用于图像增强领域，如Li等人[17]通过将浅层的Lightennet网络和Retinex模型结合，实现低照度图像增强；Ma等人[18]提出深度卷积神经网络(DCNN)实现低照度图像增强，从而获得增强后的图像。

本文提出一种与以往通过估计低照度图像中照度分量，或将RGB图像转换到其他颜色空间不同的预处理的分解方法。……