为了解决在低照度条件下,可见光成像设备采集的图像亮度低、细节不清晰等问题,提出一种基于亮度通道细节增强的低照度图像处理算法。首先,将图像从RGB转换到Lab颜色模型,将Lab模型中的亮度通道通过指数派生函数校正构造为光照分量,再经过Retinex增强得到初步增强图像。然后,采用结构张量和多尺度引导滤波分别对初步增强图像进行细节提取,并将两种方法提取的细节信息进行了融合。最后,将细节图像和初步增强图像融合得到了目标图像。实验结果主观上得到了亮度合适、细节清晰的增强图像,客观上在亮度失真、信息熵和能量梯度上均有良好且稳定的表现,表明该算法能够有效提高图像的亮度和细节信息,并保持自然的色彩和光照效果。

为获得更优的深度图像超分辨率重建结果，本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导，有益于恢复图像细节信息。在对LR深度图像提取特征的过程中，构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征，然后将每一个MRFRB输出的特征连接、融合，得到全局融合特征。最后，通过亚像素卷积层和全局融合特征，得到HR深度图像。实验结果表明，该算法得到的超分辨率图像缓解了边缘失真和伪影问题，有较好的视觉效果。

将引导滤波与提升小波相结合提出了一种多尺度引导滤波方法，以实现在平滑图像细节的同时保持图像边缘不模糊。该方法通过提升小波法对将图像进行多尺度分解，即将信号分解成一个低频子带和多个高频子带。在提升小波重构过程中，利用引导滤波平滑每个尺度的低频信息并保持其边缘不模糊。最后，针对滤波后残余的细节，对提升小波重构后的平滑图像再次进行引导滤波，以便进一步平滑图像细节。将多尺度引导滤波应用于暗通道去雾先验理论并进行了主、客观评价。结果显示: 多尺度引导滤波能够深层次平滑图像细节，保持边缘完整性，从整体上提高了图像的对比对和视觉效果，有效恢复了场景信息并保留场景的边缘信息。另外，该方法改善了客观评价指标，其对比度增强系数指标平均提升了0.1以上，场景结构相似度平均提升了1以上， 而LOE(Lightness Order Error)参数降低了10以上，满足了去雾应用的视觉需求。