低照度图像因对比度低而不利于人眼观察和机器学习,尽管已经提出了不少图像增强方法来解决此类问题,但现有的算法或多或少存在一定的缺陷。例如基于Retinex模型的低照度图像增强（low-light image enhancement,LLIE）算法不仅对图像的亮度和对比度具有提升效果,而且在彩色图像增强方面具有明显的优势。然而此类算法主要对亮度分量进行估计,其结果并不准确且无法保留图像边缘信息,从而导致某些区域出现光晕或模糊的现象。采用深度学习策略实现的LLIE算法在低照度图像增强中取得了一定的成功,但此类方法必须有大量训练数据集的支持,且模型复杂度的增加会导致相应算法的时间复杂度急剧增加,增强后的图像中仍有部分区域存在过曝光和欠曝光的现象。总之,现有的LLIE算法虽然已经取得了一定的成果,但仍然不够成熟,尤其是现有的LLIE算法往往只能在某个方面比其他算法效果更好,因此针对低照度图像找到一个稳定的、鲁棒性好的LLIE算法十分重要。本文充分考虑现有各种LLIE算法的优势和劣势,从获得待融合图像质量更佳（由不同的低照度图像增强算法获得）且互补性强、图像融合过程中权重设置和所采用的Loss函数3个方面入手,提出了基于无监督融合策略的低照度图像增强算法（unsupervised fusion strategy based low-light image enhancement algorithm,UFLLIE）。在待融合图像制备上,采用选定的n个LLIE算法分别对低照度图像进行增强,得到n张图像质量有显著改善的增强图像作为初步增强图像（待融合图像）。在融合阶段,本文首先将待融合图像的RGB空间表示转换成YCb Cr空间表示,然后分别对Y、Cb和Cr分量进行融合。Y通道权重设置方面,在Y分量的融合上提出一种无监督权重生成网络（unsupervised weight generation network,UWG）,该网络选用Encoder-Decoder架构作为骨干网络,以随机张量（tensor）作为骨干网络的输入,并以混合Loss函数值最小化为优化目标,从任意的随机输入开始进行梯度下降灵活设计Y通道融合的最优权重值。在Y通道融合阶段的Loss函数方面,采用增强后图像与初步增强图像之间的均方误差（mean square error,MSE）以及MEF-SSIM（multi-exposure image fusion structural similarity）损失函数共同构建混合Loss函数。Cb色度分量和Cr色度分量则分别利用加权融合技术进行融合,最后将融合后的Y分量、Cb分量和Cr分量转换回RGB空间表示,从而得到最终的增强图像。此外,在有大量训练数据集的情况下针对某些特定的图像可以采用有监督的卷积神经网络（convolutional neural network,CNN）与无监督的UWG网络形成互补,即对经过UFLLIE算法增强后的图像利用CNN网络进行再次增强,从而获得质量更佳的图像。为了验证所提出的UFLLIE算法对低照度图像的增强效果,分别在从各个文献中收集的低照度图像（没有无失真的图像）和SICE数据集（有原始无失真图像）上与目前主流的LLIE算法进行比较,并采用4个无参考和2个有参考图像质量评价指标衡量各个算法的增强效果。实验结果表明:与现有主流LLIE算法相比,UFLLIE算法在各项评价指标上均排在前列,整体性能好且能够很好的保留图像细节信息。