李博文，唐贵进，崔子冠

(南京邮电大学 江苏省图像处理与图像通信重点实验室，江苏 南京 210003)

0 引 言

在夜间等弱光环境下拍摄的图像，由于其亮度、对比度较低且含有噪声、色彩不饱和、细节模糊等缺点，人的肉眼难以观测，并给后续图像处理带来了严峻的挑战[1]。因此，弱光照图像增强变得尤为重要。

目前，国内外已经涌现了大量的弱光照图像增强算法，广泛使用的有两类：基于传统方法和基于深度学习方法。传统方法中，基于直方图均衡化(histogram equalization，HE)等算法[2-4]集中于增强图像对比度，但黑暗区域的细节增强不是很明显。Retinex理论[5-6]产生了一系列图像增强算法，单尺度Retinex(single-scale Retinex，SSR)[7]算法、多尺度Retinex(multi-scale Retinex，MSR)[8]算法以及唐宁等人[9]提出的改进多尺度Retinex的彩色图像增强算法等，它们增强的效果通常看起来不自然，并且在某些地方过度增强。Dong等人[10]提出了去雾方法来增强弱光照图像，并取得了较好的增强效果。Fu等人[11]提出了一种加权变分模型SRIE(simultaneous reflectance and illumination estimation)来估计反射分量和照度分量。Guo等人[12]估计具有先验结构的照明，并将反射率作为最终的增强结果。Ying等人[13]提出一种用于低照度图像增强的多重曝光融合框架，根据权重矩阵融合输入图像和合成图像来获得增强的效果。尽管这些方法在某些情况下可能会产生较好的结果，但增强后的图像往往不符合实际场景，且容易在边缘出现伪影。

随着深度神经网络的迅速发展，CNN(convolutional neural networks)已广泛用于图像处理任务当中，其中包括图像去噪[14]、图像去雾[15]、图像超分辨率[16]等方向。……