图像作为信息的载体,在通信、交通、监测、遥感、机器人等领域广泛应用,海量的图像中,因为拍摄环境因素造成的低照度图像占了很大的比例。低照度图像一般具有亮度比较低、细节不清晰、颜色失真严重、噪声大等缺点,其应用价值大打折扣,因此研究低照度图像增强具有重要的实践意义。Retinex算法是基于人眼视觉系统感知物体亮度和颜色的模型,具有恒常性,并且可以做到亮度提升、细节增强和颜色保真的统一,对低照度提升比较全面。针对部分图像在光照不均匀和过暗下出现的对比度低、细节不可见等问题,基于Retinex理论,提出了两种算法。一种是多层融合和细节恢复图像增强方法。将输入图像转换至HSV空间,将V通道等价复制为三层:Retinex增强层、亮度增强层、细节突出层。在Retinex增强层中,利用加权引导滤波和形态学结合来消除光晕现象,并引入整体亮度和局部细节调节因子改进单尺度Retinex模型达到提高图像整体亮度、突出细节的效果;在亮度增强层,利用反三角函数性质,提出新的归一化函数进一步增强了图像的亮度;在细节突出层,采用人工蜂群算法优化改进了一种局部线性模型来突出图像细节。根据Gamma校正特性和邻域像素关系,提出细节恢复方案避免了三层融合后造成的部分细节模糊。仿真实验结果表明该算法无论主观还是客观上都能够有效地提高图像对比度和突出细节。另一种是改进的多尺度Retinex算法图像增强算法。将输入图像转换至HSV空间,将V通道等价复制为两层,记为Retinex增强层和细节恢复层。在Retinex增强层中,对V通道进行三层不同尺度的高斯滤波,将滤波输出结果的均值作为亮度估计,并用整体亮度调节因子和局部细节调节因子改进单尺度Retinex模型达到突出细节、提高亮度的效果。在细节恢复层中,对V通道采用三层不同尺度的高斯模糊,达到细节恢复增强的效果。将两层结果按照多尺度方式融合,最后进行实验仿真。结果表明该算法能有效地提高图像对比度,且具有最小的亮度失真率。