韩梦妍，李良荣，蒋 凯

（贵州大学 大数据与信息工程学院，贵阳 550025）

0 概述

在目标检测、目标跟踪等计算机视觉领域进行下一步处理的关键是有高质量的输入图像。但是，在低光照条件下拍摄的图像通常对比度较低，大量细节难以识别，不但降低了人眼的视觉感知，而且难以满足更高级的计算机视觉系统中的算法对输入图像的要求。因此，低照度图像增强技术是当前图像处理和计算机视觉的研究热点之一。

近年来，低照度图像增强的常用算法分为直方图均衡法、基于反转图像去雾的方法、基于Retinex的方法以及基于深度学习的增强法4 类。直方图均衡法通过一种灰度映射使像素均匀地分布在更多的灰度级上，从而提高图像的对比度。这种灰度映射虽然扩大了像素的动态范围，但也增大了量化间隔，导致灰度级合并，出现伪轮廓现象，致使图像细节丢失。基于光照-反射模型的Retinex 理论最早由美国物理学家LAND［1］提出，其核心思想是：反射分量决定物体本质信息，准确估计出光照分量，是实现图像增强的关键步骤。JOBSON 等提出单尺度Retinex（SSR）［2］多尺度Retinex（MSR）［3］以及带颜色恢复的MSR 算法（MSRCR）［4］。FU 等［5］提出加权变分模型（SRIE），运用一种亮度阶次误差度量，既增强了图像的细节，又保持了图像的自然度。DONG 等［6］对低光照图像进行反转后，发现非天空区域至少有一个颜色通道具有低强度，类似于有雾图像，因此将去雾算法应用于反转的低光图像以进行图像增强。LI等［7］提出一种新的结合对比度增强和去噪的低光图像增强框架，将低光图像分割成超像素进行自适应降噪，进一步提高了视觉质量。……