针对低照度图像存在识别度不高、亮度低、信噪比低和细节模糊等问题，提出了一种非下采样剪切波变换（NSST）域结合生成对抗网络（GAN）的低照度图像增强方法。首先，收集弱光图像和正常光图像数据集，将图像进行RGB颜色空间到HSV颜色空间的变换处理，保持色度、饱和度分量不变，对亮度分量进行NSST多尺度分解，利用分解得到的低通子带图像构建训练集；其次，构建基于GAN的低频子带图像增强模型，并利用低频子带图像训练集对模型进行训练；然后，对待处理的低照度图像进行NSST分解，利用训练的模型增强低频子带图像，利用尺度相关系数去除各高频方向子带噪声，并通过非线性增益函数增强边缘系数；最后，将增强处理后的低频、高频子带图像进行NSST重构，并将重构图像恢复至RGB颜色空间。所提方法与常见的方法相比，就低照度图像增强而言，结构相似度平均提升了3.89%，均方误差平均降低了1.03%，且在对噪声图像增强时，峰值信噪比和连续边缘像素比保持在21 dB和88%以上。实验结果表明，所提方法不论从视觉效果还是图像质量客观评价指标上较常见方法都有较大提升，能有效改善低照度图像的低质问题，为后续的图像处理分析奠定基础。

为解决当前低照度图像增强问题, 提出了一种基于双残差卷积网络的图像增强算法。首先, 根据Retinex理论模型, 将正常照度图像合成低照度图像, 再分别将它们分解在R(红)、G(绿)、B(蓝)3个分量上, 然后通过特征提取模块和双残差模块学习低照度图像与正常照度图像在各分量的映射关系, 获得各分量上的增强图像, 最后合成增强的RGB图像。采用双边滤波优化增强的RGB图像, 使得所获得的图像更加接近参考图像。实验表明, 本文所提算法, 对于处理合成的低照度图像, 峰值信噪比最高可达25.931 1 dB, 结构相似度最高可达0.945 2; 对于处理真实的低照度图像, 盲图像质量评估指标高于其他算法, 且运行速度更快。

针对低光照条件下拍摄的图像受可见光低和噪声的影响, 不仅降低图像在视觉上的美感而且会造成重要信息丢失的问题。本文提出结合平滑聚类和改进Retinex算法的估计照明图的低光照图像增强方法。使用平滑聚类将图像分离为细节层和基础层; 利用max-RGB找到各通道最大值用于估计每个像素的照度, 构建初始照明图, 根据局部一致性和交替方向最小化技术优化照明图; 自适应Gamma 矫正对优化后的照明图进行非线性重标形成最终光照图; 根据最终光照图增强输入图像, 将增强后图像与细节层进行融合, 获得清晰且细节更为丰富的图像; 通过与LE, GC, HE, SSR, MSR, MSRCR, MSRCP算法相比, 在图像HightB上, 边缘强度最高达到1.00e+02, 平均梯度最高达到10.520 6, 空间频率最高达到52.050 8, 图像清晰度最高达到14.656 2, 在主观评价和客观评价均优于其他对比算法。实验结果表明, 所提算法具有良好的清晰度, 更好的保留边缘和细节纹理, 使用本文算法增强后的图片质量更高, 细节更加丰富。

为了提高低照度图像的清晰度和避免颜色失真,提出了基于注意力机制和卷积神经网络(CNN)的低照度图像增强算法,以改善图像质量。首先根据Retinex模型合成训练数据,将原始图像从RGB (red-green-blue)颜色空间变换到HSI (hue-saturation-intensity)颜色空间,然后结合注意力机制和CNN构建A-Unet模型以增强亮度分量,最后将图像从HSI颜色空间变换到RGB颜色空间,得到增强图像。实验结果表明,所提算法可以有效改善图像质量,提高图像的清晰度,避免颜色失真,在合成低照度图像和真实低照度图像的实验中均能取得较好的效果,主观和客观评价指标均优于对比算法。

针对现存的低照度图像视觉效果差和图像质量低的问题,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,该算法将构建的级联残差卷积神经网络作为生成器网络和改进的PatchGAN作为判别器网络。首先根据Retinex理论,通过正常照度图像合成训练样本,再将低照度图像从RGB空间转换到HSV颜色空间,保持色调分量和饱和度分量不变,利用级联残差生成器网络对亮度分量增强。通过判别器网络监督生成器网络不断增强低照度图像,二者相互博弈,最终使生成器网络具备较好的低照度图像增强的能力。实验结果表明,本文增强算法在合成的低照度图像和自然的低照度图像上,获得了更为良好的视觉效果和对比度,特别在合成的低照度图像上,其峰值信噪比和结构相似度明显优于其他对比算法。

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。

弱光夜视是短波红外成像的重要应用领域之一。针对短波红外弱光图像对比度低, 增强后噪声也被放大的特点, 提出了一种基于小波变换与像元对目标的短波红外图像增强算法。首先通过小波变换获得不同频率成分的子带图像; 然后对低频子带图像进行基于像元对目标的灰度变换处理, 对高频子带图像进行可变阈值降噪处理; 最后通过小波反变换将处理后的子带重构得到增强结果。将该算法与基于直方图的增强算法, 全局优化线性窗口色调映射算法和自然保持增强算法进行比较, 采用图像的信息熵和基于Michelson法则的对比度增强度量作为客观评价指标, 结果表明本文算法更为有效地提高了短波红外弱光图像的对比度, 抑制了噪声的增强, 提升了图像的视觉效果。