李 淼，周冬明，刘琰煜，谢诗冬，王长城，卫依雪

(云南大学 信息学院，云南 昆明 650500)

图像增强一直以来都是计算机视觉领域的重要研究方向，通常情况下由于相机曝光度或室内光线不足等原因，容易导致监控摄像头或者个人相机拍摄的图像出现局部甚至整体黑暗的情况，影响人们对图像的进一步的使用.特别是在极端低照度的情况下，靠人眼来识别图像细节几乎是不可能的.因此对低照度图像进行光照增强，能够将图像细节效果更好地提升，有利于让人们对图像进一步地处理使用.

低照度图像增强[1]方法主要分为传统算法和深度学习方法两类.传统方法中，通过利用红外图像和可见光图像的融合[2]也能捕捉图像的细节，但是红外图像仅仅能够捕捉热源信息，不能对细节进行更好的描述.另外，基于暗通道先验的算法[3]能够很好地对图像进行去模糊和重构，在细节方面保持较好，由于其先验理论是假设暗通道的灰度值趋向于零，而一般图像的天空区域的暗通道往往不为零，所以增强的图片容易产生光圈效应.Retinex 理论[4]20 世纪60 年代由Edwin.H.Land 提出，基于该理论的方法一直以来在图像增强方面有着显著的效果.通过Retinex 理论也衍生出了多种不同的传统模型方法，其中主要是基于路径的Retinex 算法.基于迭代的McCann Retinex 算法[5]和McCann99 Retinex 算法[6]分别采用螺旋式路径和图像金字塔的方式处理像素，利用多次迭代缓解了原始Retinex算法在光照估计上的不足，但是由于该……