低照度交通监控图像增强研究

低照度摄像机工作原理与应用研究摄像机是一种用于捕捉图像的设备，广泛应用于各种领域，如安防监控、交通管理、医疗影像等。

但在一些低照度环境下，摄像机的成像效果会受到很大的限制。

为了解决这个问题，低照度摄像机应运而生。

本文将对低照度摄像机的工作原理和应用进行研究。

一、低照度摄像机的工作原理低照度摄像机是一种能够在光线较弱的环境下获得清晰图像的摄像设备。

它采用了以下原理来增强成像的能力：1. 低噪声图像传感器：低照度摄像机通常采用低噪声图像传感器，如背照式CMOS传感器。

该传感器具有更高的感光度和较低的噪声水平，能够在光线较暗的情况下获得更亮且清晰的图像。

2. 大像素设计：低照度摄像机通常采用大像素设计，即每个感光单元的尺寸较大。

这使得每个像素能够接收更多的光线，从而提高了摄像机在低照度环境下的灵敏度。

3. 多帧叠加技术：低照度摄像机常采用多帧叠加技术，通过将多幅图像叠加在一起，消除图像中的噪声，提高图像的亮度和清晰度。

这种技术通常需要使用特殊算法来处理多幅图像，以避免图像模糊。

二、低照度摄像机的应用低照度摄像机在许多领域都有广泛的应用，特别是那些对于夜间监控或光线较暗的场景有需求的地方。

以下是一些典型的应用案例：1. 安防监控：低照度摄像机在安防监控领域非常重要。

它们可以在夜间或光线较暗的情况下提供清晰的监控图像，保障安全。

2. 交通管理：交通监控摄像机常常需要在光线较暗的情况下进行工作，以监控道路交通状况。

低照度摄像机可以提供清晰的图像，帮助交通管理人员做出正确的决策。

3. 夜间拍摄：在一些需要在夜间进行拍摄的场景中，低照度摄像机可以提供亮度较高的图像，确保拍摄效果更好。

4. 医疗影像：在一些医疗设备中，如内窥镜等，低照度摄像机可以提供更好的成像效果，方便医生进行诊断。

总而言之，低照度摄像机通过利用先进的图像传感器和处理技术，可以在低照度环境下提供更亮且清晰的图像。

它们在安防监控、交通管理、夜间拍摄和医疗影像等领域有着广泛的应用。

低照度图像增强的原理低照度图像增强是一种图像处理技术，旨在改善低光条件下拍摄的图像质量。

在低照度条件下，图像中的细节和颜色信息往往会丧失，使得图像变得模糊、噪声增加、对比度不足等问题。

低照度图像增强的目标是通过一系列算法和方法，提高图像的亮度、对比度和细节，使图像在视觉上更加清晰。

低照度图像增强的原理可以分为两个主要方面：信号增强和噪声抑制。

信号增强是低照度图像增强的核心原理之一。

在低光条件下，摄像机接收到的光信号较弱，因此图像的亮度非常低。

信号增强的目标是通过增加图像的亮度值，使得图像呈现出更明亮的效果。

常见的信号增强方法包括直方图均衡化和灰度拉伸。

直方图均衡化通过对图像的灰度分布进行调整，使得图像中的亮度水平均匀分布，从而提高图像的亮度和对比度。

灰度拉伸则是将原图像的灰度值映射到更广的范围内，使得图像的亮度值得到增强。

噪声抑制是低照度图像增强的另一个重要原理。

在低照度条件下，由于摄像机的感光度较高，图像中往往会包含大量的噪声。

噪声抑制的目标是通过去除或减少图像中的噪声，使得图像更加清晰。

常见的噪声抑制方法包括均值滤波、中值滤波和小波去噪等。

均值滤波是一种简单的滤波方法，通过计算像素周围的平均灰度值来去除噪声。

中值滤波则是通过计算像素周围的中值灰度值来去除脉冲噪声和胡椒盐噪声。

小波去噪是一种基于小波变换的去噪方法，通过分解图像的低频和高频分量，对高频分量进行去噪处理，然后再重构图像，从而降低噪声的影响。

除了信号增强和噪声抑制，还有一些其他的技术和方法可以用于低照度图像增强。

例如，超分辨率技术可以通过对低分辨率图像进行插值和恢复，提高图像的分辨率和细节。

去雾技术可以通过估计和消除图像中的雾气，改善图像的对比度和清晰度。

增强局部细节的算法可以通过增强图像中的局部细节，使图像更加清晰和具有层次感。

这些技术和方法可以根据具体的场景和需求选择应用。

总之，低照度图像增强的原理主要包括信号增强和噪声抑制。

通过增加图像的亮度值和对比度，以及去除和减少图像中的噪声，可以改善低光条件下拍摄的图像质量。

低光照增强文献综述低光照增强是图像处理领域中的一个重要研究方向，其目的是提高低光照条件下图像的视觉质量，从而获取更多的有用信息。

在自动驾驶、安防等人工智能相关行业中，低光照增强技术具有广泛的应用前景。

近年来，低光照增强技术逐渐成为研究热点，许多学者和研究人员致力于提出新的算法和方法以提高低光照图像的质量。

本文将从低光照增强技术的算法分类、现有算法性能评估和未来发展趋势等方面进行综述。

1. 低光照增强技术算法分类低光照增强技术主要包括传统方法和深度学习方法。

（1）传统低光照增强方法：传统方法主要采用基于偏微分方程、基于Retinex和基于直方图均衡等技术。

① 基于偏微分方程的方法：偏微分方程方法通过求解偏微分方程，实现低光照图像的增强。

这类方法在处理低光照图像时，能够有效地保持图像的边缘和细节。

② 基于Retinex的方法：Retinex理论提出了一种基于物理模型进行图像增强的方法。

Retinex算法通过分离环境光和反射光，实现低光照图像的增强。

③ 基于直方图均衡的方法：直方图均衡方法通过对图像直方图进行均衡化处理，提高低光照图像的对比度和亮度。

（2）基于深度学习的低光照增强方法：深度学习方法在低光照增强领域取得了显著的性能提升。

这类方法主要采用基于神经网络、基于生成对抗网络 （GAN）和基于自编码器等技术。

① 基于神经网络的方法：神经网络方法通过学习大量低光照图像数据，实现低光照图像的增强。

这类方法在提高图像质量的同时，能够有效地保持图像的细节和结构。

② 基于GAN的方法：GAN方法在低光照增强领域取得了显著的性能提升。

通过引入对抗训练，GAN方法能够生成高质量、高亮度的低光照图像。

③ 基于自编码器的方法：自编码器方法通过学习低光照图像的潜在特征，实现低光照图像的增强。

这类方法在提高图像质量的同时，能够有效地保持图像的细节和结构。

2. 现有算法性能评估为了评估低光照增强算法的性能，许多学者和研究人员构建了大量的低光照图像数据集，并采用各种评估指标对算法进行评估。

基于深度学习的低光照图像增强算法研究与实现低光照条件下拍摄的图像往往存在着明显的噪点和模糊，影响了图像的质量和细节。

为了改善这一问题，研究者们提出了很多低光照图像增强算法。

其中一种较为有效的方法是基于深度学习的算法。

本文将重点介绍基于深度学习的低光照图像增强算法的研究与实现。

首先，我们需要了解深度学习在图像增强领域的基本原理。

深度学习是一种机器学习算法，它通过模拟人脑神经元的工作原理来提取和学习特征。

在图像增强中，深度学习可以自动学习低光照图像中隐藏的有用信息，从而改善图像的质量。

在低光照图像增强算法的研究中，研究者们采用了多种不同的深度学习模型来解决这一问题。

其中，卷积神经网络（Convolutional Neural Networks，简称CNN）是最常用的模型之一。

CNN是一种专门用于处理图像的神经网络，它能够有效地提取图像中的特征信息。

在低光照图像增强中，CNN可以通过学习大量的低光照图像和其对应的增强图像，来建立一个预测模型。

该模型可以通过输入低光照图像，输出一张增强后的图像。

训练模型时，可以使用真实拍摄的低光照图像作为输入，使用其增强图像作为标签，通过反向传播算法不断调整模型的参数，使其能够更好地生成高质量的增强图像。

此外，为了提高低光照图像增强算法的效果，研究者们还采用了一些改进策略。

例如，引入自适应参数，根据不同的低光照条件动态调整参数，以适应不同的图像。

另外，一些研究还将传统图像增强技术与深度学习相结合，以进一步提高增强效果。

在实际应用中，基于深度学习的低光照图像增强算法已经取得了显著的效果。

例如，在夜间拍摄的照片中，通过使用这些算法进行增强，可以使得图像的细节更加清晰，噪点明显减少。

这对于安防监控、无人驾驶等领域具有重要的应用价值。

然而，基于深度学习的低光照图像增强算法仍然存在一些挑战和问题。

首先，需要大量的标注数据来训练深度学习模型，这在某些情况下可能比较困难。

其次，深度学习模型的复杂性导致了其计算开销较大，需要较高的计算资源和时间成本。

0引言日常生活中经常需要在低光条件下捕捉图像，例如在夜间或昏暗的室内房间。

在此环境下拍摄的图像往往会出现能见度差、对比度低、噪声大等多种问题。

虽然自动曝光机制（如ISO 、快门、闪光灯等）可以增强图像亮度，但同时也会产生其他的影响（如模糊、过饱和度等）[1]。

在过去，人们提出了许多方法来解决上述问题，如直方图均衡化、伽马校正、Retinex 等[2]。

然而它们只注重提高图像的对比度和亮度，而忽略了严重噪声的影响，甚至导致噪声放大。

近年来，深度学习已经成为图像增强的一个突出手段。

Wang 等人[3]提出了一种利用神经网络来估计和调整低光图像光照层的方法。

Gharbi 等人[4]提出了一种用于增强低照度图像的双边学习框架，该框架训练一个神经网络来预测每个像素处颜色向量的变换系数。

Wei 等人[5]提出用一种基于深度学习的低照度图像增强方法马悦（陕西中医药大学，陕西咸阳712046）摘要在低照度环境下采集的图像往往亮度不足，导致在后续视觉任务中难以有效利用。

针对这一问题，过去的低照度图像增强方法大多在极度低光场景中表现失败，甚至放大了图像中的底层噪声。

为了解决这一难题，本文提出了一种新的基于深度学习的端到端神经网络，该网络主要通过空间和通道双重注意力机制来抑制色差和噪声，其中空间注意力模块利用图像的非局部相关性进行去噪，通道注意力模块用来引导网络细化冗余的色彩特征。

实验结果表明，与其他主流算法相比，本文方法在主观视觉和客观评价指标上均得到了进一步提高。

关键词图像增强；低照度图像；深度学习；注意力机制中图分类号TP391文献标识码A文章编号1009-2552（2021）01-0085-05DOI10.13274/ki.hdzj.2021.01.015Low -light image enhancement method based on deep learningMA Yue（Shaanxi University of Chinese Medicine ，Xianyang 712046，Shaanxi Province ，China ）Abstract ：Images acquired in low -light environments are often not bright enough ，making them difficult to use effectively in subsequent visual tasks.In response to this problem ，most of the past low -light image en⁃hancement methods have failed in extreme low-light scenes and even magnified the underlying noise in the image.In order to solve this problem ，this paper proposes a new end -to -end neural network based on deep learning ，which is primarily based on spatial and channel dual attention mechanism to suppress chromatic ab⁃erration and noise.The spatial attention module uses the non -local correlation of the image for denoising ，and the channel attention module is used to guide the network to refine the redundant color features.The experi⁃mental results show that the method in this paper is further improved in both subjective visual and objective evaluation metrics compared to other mainstream algorithms.Key words ：image enhancement ；low-light image ；deep learning ；attention mechanism作者简介：马悦（1988-），女，硕士，工程师，研究方向为模式识别与智能系统。

基于改进Retinex算法的低照度图像增强方法作者：李武劲彭怡书欧先锋吴健辉郭龙源张一鸣黄锋徐智来源：《成都工业学院学报》2020年第02期摘要：针对低照度图像处理时的halo边缘问题和噪声干扰，提出一种基于组合滤波和自适应噪声消除的改进Retinex算法。

该算法首先采用保边的组合滤波估计亮度图像，然后恢复反射图像时，定义一个包含保真项和正则项的能量函数，通过平滑权重系数控制平滑强度，使得抑制噪声的同时能够保持图像的细节信息。

实验结果表明，提出的算法能够很好保持边缘，抑制噪声的干扰，达到增强低照度图像的目的。

关键词：图像增强;Retinex;低照度;组合滤波中图分类号：TP391 文献标志码：A 文章编号：2095-5383（2020）01-0020-06Abstract： In order to solve the halo edge problem and noise interference in low-light image processing， an improved Retinex algorithm based on integrated filtering and adaptive noise cancellation was proposed.;The algorithm used the combined filtering with edge preservation to estimate the intensity image firstly.;Then a energy function containing a fidelity term and a regularization term was defined when restoring a reflected image， and the smoothing intensity was controlled by the smoothing weight coefficient， so that the detailed information of the image can be maintained while suppressing noise.;Experimental results demonstrate that the algorithm can efficiently enhance details in the under-exposed regions， keep edges， and suppress noise.Keywords： image enhancement; Retinex; low-light; combined filtering隨着光学和电子技术的不断发展，在良好曝光情况下摄像机能够拍摄出高质量的图像。

基于深度学习的低光照图像增强技术研究深度学习是当前人工智能技术中的热门研究方向之一，它已经被应用于许多领域，如语音识别、图像识别、自然语言处理等。

在图像处理领域中，深度学习也有着广泛的应用，其中之一就是低光照图像增强。

低光照图像增强是指对光线不足或光线环境恶劣的图像进行处理，使其变得更加清晰明亮、细节更加丰富。

这是一个非常具有挑战性的问题，因为低光照图像通常由于光线不足导致图像信息缺失、噪点增多、色彩失真等现象，传统的图像处理方法难以有效处理。

而深度学习基于卷积神经网络的特征学习和表示能力，能够有效地处理低光照图像增强问题。

要实现低光照图像增强，需要解决以下几个问题：一、建立适合于低光照图像增强的深度学习模型传统的图像增强方法大多建立在颜色空间变换或梯度域变换技术之上，但是这些方法并不能很好地捕捉到图像的高级特征和语义信息，也不能很好地利用复杂的马尔可夫随机场模型来进行处理。

而基于深度学习的方法可以学习到更高级别的特征，通过模型的层次化特性来逐步提取图像中的语义信息，使得低光照图像增强更加准确和精细。

在建立深度学习模型时，需要对训练数据进行合理的选择和处理，以保证模型的泛化能力和鲁棒性。

同时，需要针对不同程度的低光照图像进行训练，以增强模型的适应性。

二、应用适当的损失函数损失函数是深度学习中的关键组成部分之一。

在低光照图像增强问题中，传统的损失函数往往只能通过像素级比较误差来进行刻画，不能很好地利用图像整体的特征和语义信息。

而基于深度学习的方法能够利用更丰富的先验知识，选择适当的损失函数来确保输出结果的质量。

针对低光照图像增强问题，一些研究者提出了不同的损失函数，例如平均绝对误差、结构相似性算法等。

这些损失函数可以提高图像增强效果和图像质量，提高模型的稳定性和鲁棒性。

三、提高模型的效率和速度在低光照图像增强过程中，需要处理大量的图像数据，如果深度学习模型的效率和速度不高，会导致图像增强的过程无法实时进行，大大降低用户的体验。

低光照图像增强算法综述一、本文概述随着计算机视觉技术的快速发展，图像增强技术成为了研究的重要领域之一。

其中，低光照图像增强算法是处理低质量、低亮度图像的关键技术，对于提高图像质量、增强图像细节、提升图像识别精度等方面具有重要的应用价值。

本文旨在对低光照图像增强算法进行全面的综述，介绍其研究背景、发展历程、主要算法及其优缺点，并探讨未来的发展趋势。

本文将对低光照图像增强的研究背景进行介绍，阐述低光照图像增强技术在视频监控、医学影像分析、军事侦察、航空航天等领域的应用需求。

本文将回顾低光照图像增强技术的发展历程，分析不同算法在不同历史阶段的发展特点和主要贡献。

接着，本文将重点介绍当前主流的低光照图像增强算法，包括基于直方图均衡化的算法、基于Retinex理论的算法、基于深度学习的算法等，并详细阐述其原理、实现方法、优缺点等。

本文将展望低光照图像增强技术的未来发展趋势，探讨新技术、新算法在提升图像质量、提高识别精度等方面的潜在应用。

通过本文的综述，读者可以全面了解低光照图像增强算法的研究现状和发展趋势，为相关领域的研究和实践提供有益的参考和借鉴。

二、低光照图像增强的基本原理低光照图像增强算法的核心目标是在保持图像细节和色彩信息的提高图像的亮度和对比度，从而改善图像的视觉效果。

这通常涉及到对图像像素值的调整，以及对图像局部或全局特性的分析和优化。

基本的低光照图像增强算法可以分为两类：直方图均衡化和伽马校正。

直方图均衡化是一种通过拉伸像素强度分布来增强图像对比度的方法。

这种方法假设图像的可用数据跨度大，即图像包含从暗到亮的所有像素值。

然而，对于低光照图像，由于大部分像素值集中在较低的亮度范围内，直方图均衡化可能会过度增强噪声，导致图像质量下降。

伽马校正则是一种更为柔和的增强方法，它通过调整图像的伽马曲线来改变图像的亮度。

伽马曲线描述了输入像素值与输出像素值之间的关系，通过调整这个关系，可以改变图像的亮度分布。

低照度条件下图像增强研究
在夜间、建筑物遮蔽等低照度环境,拍摄的图像存在内容模糊、噪声严重、细节丢失等问题,直接限制和影响目标识别与跟踪、视觉监控、军事侦察等系统发挥效用。

因此,研究低照度图像增强具有重要的理论意义和应用价值针对夜晚等低照度条件下拍摄的图像整体亮度低、细节丢失等现象,论文将暗通道先验和色调映射方法相结合,提出了一种基于图像深度和色调映射的低照度图像增强方法。

首先根据低照度反转图像与雾天图像的相似性求出场景透射率,进而估计得到场景深度,并将深度信息用于色调映射函数改进,使其可根据景物远近和场景光照强度进行自适应亮度增强;然后基于图像分层理论和图像梯度信息进行局部对比度增强。

所提算法克服了现有算法计算量大、颜色失真、噪声严重等不足,在增强图像亮度、保持色彩的同时很好地抑制了噪声。

根据低照度图像的暗通道具有细节丰富和光源周围无光晕等特点,提出一种基于暗通道和双边滤波的低照度图像增强方法。

首先从暗通道图像识别光源区域,估计图像平均亮度用于改进色调映射函数,对暗通道图像进行增强后与V通道进行线性加权,得到亮度适中、细节丰富和无光晕的V通道图像;最后,再进行双边滤波。

分别对含有点光源和无点光源的低照度图像进行实验,均可得到亮度改善、细节清晰且无光晕的图像。

《如何解决监控系统在夜间或低光环境中的监测问题》在当今社会，监控系统在各个领域扮演着至关重要的角色，无论是在公共安全、交通管理还是企业生产等方面，监控系统都发挥着不可替代的作用。

然而，监控系统在夜间或低光环境中的监测问题一直是困扰着使用者的难题。

在这种情况下，如何解决监控系统在夜间或低光环境中的监测问题成为了摆在我们面前的一项重要任务。

首先，要解决监控系统在夜间或低光环境中的监测问题，我们可以从以下几个方面入手：一、选择高性能低照度摄像头在夜间或低光环境中，摄像头的性能直接影响监控系统的监测效果。

因此，选择高性能低照度摄像头是解决问题的关键之一。

高性能低照度摄像头具有更高的感光度和更好的低照度成像效果，能够在光线较暗的环境下拍摄清晰的画面，提高监控系统的监测能力。

二、合理设置监控灯光在夜间或低光环境中，监控灯光的设置对监控系统的监测效果起着至关重要的作用。

通过合理设置监控灯光，可以提高监控系统的亮度，改善监测画面的清晰度，从而更好地监测目标物体的动态情况。

同时，监控灯光的设置还可以起到一定的威慑作用，减少不法行为的发生。

三、优化监控系统参数在夜间或低光环境中，通过优化监控系统的参数设置，可以提高监控系统的适应能力和监测效果。

例如，调整监控系统的曝光时间、增益、白平衡等参数，使监控系统在夜间或低光环境下能够更好地捕捉目标物体的信息，提高监测的准确性和可靠性。

四、采用红外夜视技术红外夜视技术是解决监控系统在夜间或低光环境中监测问题的有效手段之一。

通过采用红外夜视摄像头，可以在完全没有光线的环境下实现监控系统的监测功能，提高监控系统的全天候监测能力。

红外夜视技术在夜间或低光环境中具有很好的穿透力和适应性，能够有效解决监控系统监测问题。

五、增加监控系统的智能分析功能在夜间或低光环境中，监控系统往往会受到光线条件的限制，监测效果可能会受到一定影响。

因此，增加监控系统的智能分析功能是提高监测效果的重要途径之一。

低光环境下图像增强的自适应伽玛校正法在现代图像处理领域，低光环境下的图像增强是一个重要的研究课题。

由于光照不足，低光图像往往呈现出噪声多、对比度低、细节模糊等问题，这给图像的分析和理解带来了很大的挑战。

为了改善低光图像的质量，研究者们提出了多种图像增强技术，其中自适应伽玛校正法因其简单有效而受到广泛关注。

一、低光环境下图像增强的必要性在低光环境下，由于环境光照强度低，摄像头捕获到的图像往往亮度不足，导致图像中的许多细节信息丢失，影响了图像的可读性和可用性。

例如，在夜间监控、天文观测、医学成像等领域，低光图像的增强对于获取清晰、可识别的图像至关重要。

因此，开发有效的低光图像增强技术，以提高图像的亮度、对比度和细节，是图像处理领域的一个重要研究方向。

二、自适应伽玛校正法的原理伽玛校正是一种广泛使用的图像亮度调整技术，它通过非线性变换来调整图像的亮度和对比度。

在伽玛校正中，图像的每个像素值都会乘以一个伽玛值，然后进行幂次变换。

自适应伽玛校正法是伽玛校正的一种改进，它根据图像的局部特征动态调整伽玛值，以实现更精细的亮度和对比度调整。

自适应伽玛校正法的核心思想是，图像的不同区域可能需要不同的伽玛值来达到最佳的视觉效果。

例如，图像的暗部可能需要更高的伽玛值来提升亮度，而亮部则需要较低的伽玛值来避免过曝。

通过分析图像的局部特征，如直方图、梯度等，可以确定每个区域的最佳伽玛值。

三、自适应伽玛校正法的实现步骤1. 图像预处理：在进行自适应伽玛校正之前，通常需要对图像进行预处理，以减少噪声和增强图像的边缘信息。

预处理步骤可能包括去噪、锐化等操作。

2. 局部特征提取：对预处理后的图像进行局部特征提取，这可能包括计算图像的局部直方图、梯度图等。

这些特征将用于后续的伽玛值计算。

3. 伽玛值计算：根据提取的局部特征，为图像的每个区域计算合适的伽玛值。

这一步骤通常涉及到一个优化过程，目标是最大化图像的对比度和细节。

4. 伽玛校正：使用计算得到的伽玛值对图像进行伽玛校正。

基于深度学习的低光照图像增强研究综述摘要：随着深度学习技术的快速发展，其在低光照图像增强领域取得了显著的成果。

本文对基于深度学习的低光照图像增强方法进行了全面的综述。

首先介绍了低光照图像增强的研究背景和意义，然后详细讨论了深度学习在该领域的应用，包括常用的网络架构、损失函数、训练策略等方面。

接着分析了现有方法的优点和不足，并对未来的研究方向进行了展望。

关键词：深度学习；低光照图像增强；网络架构；损失函数一、引言在实际的图像采集过程中，由于光照不足、曝光时间有限等原因，经常会得到低光照的图像。

这些图像的质量较差，存在亮度低、对比度低、噪声大等问题，严重影响了后续的图像分析和处理。

因此，低光照图像增强技术具有重要的研究意义和应用价值。

传统的低光照图像增强方法主要包括直方图均衡化、基于 Retinex 理论的方法等。

这些方法虽然在一定程度上能够提高图像的亮度和对比度，但也存在一些局限性，如容易产生过增强、颜色失真、噪声放大等问题。

近年来，深度学习技术的出现为低光照图像增强提供了新的思路和方法。

深度学习模型具有强大的特征学习能力，能够自动地从大量的数据中学习到低光照图像和正常光照图像之间的映射关系，从而实现更有效的图像增强。

二、基于深度学习的低光照图像增强方法（一）网络架构1.卷积神经网络（CNN）N 是最早应用于低光照图像增强的深度学习模型之一。

它通过多个卷积层和池化层的组合，能够自动地提取图像的特征，并对图像进行增强。

例如，一些基于 CNN 的方法采用了简单的网络结构，如单层或多层卷积神经网络，直接对低光照图像进行处理，取得了一定的增强效果。

2.为了提高网络的性能，研究人员还提出了一些改进的CNN 架构，如残差网络（ResNet）、密集连接网络（DenseNet）等。

这些网络架构能够有效地解决深度神经网络中的梯度消失问题，提高网络的训练效果和泛化能力。

2.生成对抗网络（GAN）1.GAN 由生成器和判别器组成，生成器用于生成增强后的图像，判别器用于判断生成的图像是否真实。

低照度图像增强技术的研究与应用在现代社会中，图像处理技术已经广泛应用于各个领域。

随着摄像技术的不断发展，我们可以拍摄到更为清晰的图像，但在低照度环境下的图像依然存在着明显的问题。

在夜晚、灯光较暗、光线不足等情况下，所拍摄的图像可能会显得模糊、暗淡、低对比度等，这就需要通过低照度图像增强技术来解决。

1.低照度图像增强技术的原理低照度图像增强技术的原理是通过消除图像的噪声、增加亮度、提高对比度等手段来提升低照度图像的清晰度。

具体来说，有以下几个步骤：（1）将图像转换为灰度图像（2）对灰度图像进行均衡化处理，使得图像中的灰度值在一定范围内分布均匀（3）利用滤波技术对图像中的噪声进行消除（4）将图像增强，提升图像亮度和对比度完整的低照度图像增强技术需要结合多种算法来实现，如信号处理、数学模型、图像处理、计算机视觉等。

2.低照度图像增强技术的应用低照度图像增强技术已经在许多领域得到了应用，例如：（1）夜间摄像监控在夜间摄像监控过程中，由于光线较暗，所拍摄的图像可能很难辨认。

通过低照度图像增强技术，可以提高图像的清晰度和亮度，提高监控的效果和安全性。

（2）医疗影像在医疗影像中，有些场景的照明条件不佳，例如内窥镜、X光机等，造成照片暗淡，难以判断病情。

低照度图像增强技术在这些场景中也能发挥重要作用。

（3）智能交通在智能交通领域，对于夜间的车辆识别、人脸识别等场景，低照度图像增强技术可以提高交通监管的精度和准确度。

3.低照度图像增强技术的发展前景随着计算机技术的不断发展，低照度图像增强技术也将会得到进一步的发展。

在未来，低照度图像增强技术有以下几个方向：（1）超分辨率重建在低照度条件下所拍摄的图像分辨率通常比较低，无法达到机器视觉的要求。

超分辨率重建可以通过图像插值、高斯金字塔等方法将低分辨率图像转化为高分辨率图像，进一步提高图像的清晰度和准确度。

（2）深度学习深度学习可以通过训练模型来识别低照度图像中的信息，从而实现增强。

第 31 卷第 8 期2023 年 4 月Vol.31 No.8Apr. 2023光学精密工程Optics and Precision Engineering基于光线散射衰减模型的低照度图像增强石吉豪，钟羽中*，郑秀娟，佃松宜（四川大学电气工程学院，四川成都 610065）摘要：针对传统图像增强算法在总体照度低且光照分布不均的环境内易造成图像过度增强和自然度保存能力弱的问题，提出了一种基于光线散射衰减模型的低照度图像增强算法。

首先，本文提出了光线散射衰减模型，该模型合理解释了非均匀光照分布的成像过程，其次，通过Max-RGB滤波器分别估计每个像素的照度，初始化照明图，然后，根据光照随图像分割区域入射角、入射距离平滑衰减的特性，利用深度信息和梯度信息优化光照分量，获得精确照明图；此外，利用暗通道先验中的透射率所具有的局部相似性来约束反射分量估计；最后，通过提出的光线散射衰减模型融合优化光照分量和反射分量，获得最终的低照度增强图像。

通过与NPE，LIME，HE，ALSM，MSRCR，MF，WV_SIRE算法比较，在不同场景的低照度图像上，无参考各向异性质量评估器（BIQAA）最大为0.019 6，模糊检测累积概率（CPBD）最大为0.680 1，无参考空间域图像质量评估器（BRISQUE）最小为21.471 5，自然图像质量评估器（NIQE）最小为2.699 5，综合性能优于其他对比算法。

实验结果表明，本文算法能够有效抑制噪声，提高图像对比度和亮度，更好地保留图像自然度。

关键词：低照度图像增强；光线散射衰减模型；深度信息；暗通道先验中图分类号：TP391.4 doi：10.37188/OPE.20233108.1244Low-light image enhancement algorithm based on light scatteringattenuation modelSHI Jihao，ZHONG Yuzhong*，ZHENG Xiujuan，DIAN Songyi（College of Electrical Engineering， Sichuan University， Chengdu 610065， China）* Corresponding author， E-mail： zyzc122@Abstract： To address the problems of the over-enhancement and weak naturalness preservation ability of images in low-light environments with uneven illumination distribution， this study proposes a low-light im⁃age enhancement method based on the light-scattering attenuation model. First， a light-scattering attenua⁃tion model， which can explain the imaging process of non-uniform illumination distribution， is introduced. Second， the illumination map is initialized by estimating the illumination of each pixel using the Max-RGB filter.Third，according to the smooth attenuation characteristics of the illumination considering the inci⁃dent distance between the segmented image areas，illumination components are optimized based on the depth and gradient data to obtain an accurate illumination map. Furthermore， constrain the estimation of the reflection component based on the local similarity possessed by the dark channel prior to transmittance. Finally， the low-light enhanced image is obtained by fusing the optimized illumination and reflection com⁃文章编号1004-924X（2023）08-1244-12收稿日期：2022-05-25；修订日期：2022-08-23.基金项目：国家重点研发计划资助项目（No.2018YFB1307402）第 8 期石吉豪，等：基于光线散射衰减模型的低照度图像增强ponents using the proposed light-scattering attenuation model. The proposed method performs better than the NPE， LIME， HE， ALSM， MSRCR， MF， and WV_SIRE algorithms. In the case of the low-light image in different scenarios，a blind image quality assessment via anisotropy yielded values of up to 0.019 6 and cumulative probability of blur detection yielded values of up to 0.680 1 and the referenceless image spatial quality and natural image quality evaluators yielded minimum values of 21.471 5 and 2.699 5， respectively. The overall performance of the proposed method is better than those of the other al⁃gorithms. The experimental results confirm that the proposed method can effectively suppress noise， en⁃hance image contrast and brightness， and well preserve image naturalness.Key words： low-light image enhancement；light scattering attenuation model；depth information；dark channel prior1 引言高质量图像能够更加清晰地反映场景信息，然而，受光照条件等因素的影响，拍摄图像容易出现对比度低、可见度差和噪声水平高等问题，导致图像质量下降，图像细节丢失，严重影响了依赖高质量图像的计算机视觉算法的性能［1-2］（例如目标识别，目标跟踪等）。

第1期2021年1月No.1January，20210 引言生活中，光线暗，照度低、曝光不足会导致图片整体亮度偏低，噪声大，边缘细节信息丢失严重，影响图像视觉效果，因此对低照度图像进行处理是极有必要的。

早年间，主要采用直方图均衡化、伽马变换、Retinex 理论[1]等方法对低照度图像进行增强。

虽然这些方法在一些程度上可以提高图像的亮度，增强图像的可读性，但同样存在一些棘手的问题无法解决，如：增强后的图像色彩不均，颜色失真，图像有大量光晕出现。

后来，随着深度学习在不同领域的应用取得不错成果后，大量学者开始将目光投向于用深度学习的方法增强低照度图像。

目前，经过大量实验证明，基于深度学习的方法在低照度图像增强上具有可行性。

增强后图像无论从主观的视觉体验还是客观的图像质量评价方面的表现都十分出色。

1 传统的低照度图像增强算法目前，应用比较广泛的传统的低照度图像增强算法主要分为4类，分别是基于色调映射算法、基于背景融合算法、基于直方图均衡化算法和基于模型算法[2]。

1.1 基于色调映射算法色调映射技术产生于20世纪90年代，主要通过扩展低照度图像的动态范围，提高图像的亮度，改善图像的光照不均匀性。

色调映射方法可以大致分为两类：全局方法与局部方法。

全局方法对图像的动态范围变换中的每个像素应用相同的变换曲线，选择不同的曲线可以达到不同的视觉效果。

这种算法计算简单，实现容易。

但是由于对图像中所有像素的变换相同，得到的图像在色度、亮度和细节方面都有一定的损失。

局部色调映射算法的实质是图像中每个像素的映射曲线都是同邻域像素信息相关的，其优势在于通过对图像局部特征进行处理，弥补了全局算法不能保留局部特征的缺点。

1.2 基于背景融合算法背景融合类算法是将白天的亮度信息融合到夜间的图像中，利用白天背景的亮度来增强夜间图像的像素，从而达到增强人眼视觉的效果。

侯雷等[3]曾采用平均K 帧的方法获取白天背景，再利用Retinex 理论提取了白天背景和夜间视频帧的亮度，采用帧差法提取了夜间视频帧的移动物，将相同场景的白天背景亮度融合夜间帧的视频以达到图像增强的目的。

改进的Retinex低照度图像增强算法研究牟琦;魏妍妍;李姣;李洪安;李占利【摘要】针对Retinex算法处理低照度图像时会出现细节丢失、边缘模糊等现象,本文采用引导滤波和低秩分解对Retinex算法进行了改进.该算法在采用多尺度Retinex提升图像亮度、得到反射分量后,采用引导滤波和高频提升对图像的反射分量进行细节增强;然后,运用全局低秩分解算法去除稀疏噪声,有效地消除了低照度图像中的噪声,以及高频提升过程中产生的噪声.实验表明:该算法不仅能够有效的提高图像的亮度和对比度,同时也保留了原始图像中丰富的边缘和细节信息,并有效去除了图像噪声,图像的视觉效果与客观评价结果也都取得了较大提升.将该算法应用于低照度环境下的人脸检测,检测率也得到了提高.【期刊名称】《哈尔滨工程大学学报》【年(卷),期】2018(039)012【总页数】10页(P2001-2010)【关键词】低照度图像;Retinex;图像增强;引导滤波;低秩分解;稀疏噪声【作者】牟琦;魏妍妍;李姣;李洪安;李占利【作者单位】西安科技大学计算机科学与技术学院,陕西西安710054;西安科技大学机械工程学院,陕西西安710054;西安科技大学计算机科学与技术学院,陕西西安710054;西安科技大学计算机科学与技术学院,陕西西安710054;西安科技大学计算机科学与技术学院,陕西西安710054;西安科技大学计算机科学与技术学院,陕西西安710054【正文语种】中文【中图分类】TP391.41低照度环境下拍摄的图像常存在曝光不足且伴有光照不均匀的现象，致使图像整体亮度偏暗，图像细节信息少，视觉效果模糊，很大程度上影响了人眼对图像直观的视觉效果及机器视觉系统对图像的信息提取、分析与处理。

目前，比较流行的低照度图像增强算法是由美国物理学家nd[1]提出的基于照度反射模型的Retinex理论。

它认为人眼看到的物体颜色是由物体本身的反射性质所决定。

低照度和夜视环境下视频监控清晰化解决方案 夜晚环境或光线很弱的昏暗室内，对视频监控来说总是存在着看不见和看不清的问题，尽管使用了红外等夜视设备，但视觉效果仍然很差，无法看清和分辨景物的细节信息，包括详细形状、明暗层次和色彩。

而夜间和昏暗环境正是视频监控发挥作用的时间段，尤其对安防领域更是如此。

一、存在的技术难题
以往的各种夜视摄像机因为降噪处理能力很弱，因而有意降低感光度、减少进光量，所以无法看清景物的细节信息，导致视频监控效果很差，甚至红外滤镜使得视频只能是黑白图像，没有色彩。

二、先进的解决方案
唐都仪器采用了先进的图像增强技术和3D数字降噪技术，能够对各种低照度环境下的视频图像进行实时增强和降噪处理，使极低照度下的视频图像变得明亮和清晰，形成明亮清晰的彩色视频图像，使在黑暗中看不见的景物细节都能明亮清晰的显示出来，而且不损失原景物色彩，视频感观如同白天效果。

未经处理的低照度图像 处理之后的清晰图像
未经处理的低照度图像 处理之后的清晰图像
三、先进技术方案的独特优点
1、具有高清、高帧率视频的实时处理能力
可对高清及标清视频进行实时处理，没有任何时间延迟，处理后的视频帧率不变，保证了各种视频应用领域对实时性处理的要求。

2、具有优异的超低照度实时处理能力
可实时处理各种低照度环境下的视频图像，能使极低照度下的视频图像变得明亮和清晰，使在黑暗中（如缺少光照的夜晚）看不见的景物细节都能明亮清晰的显示出来，而且不损失原景物色彩，视频感观如同白天效果。

3、不用改变原视频监控系统
在原视频监控系统不做改变的情况下，就能很好解决低照度和夜视视频监控的问题。