在实际拍摄场景中,由于光照变化、目标遮挡等多种原因影响,通常会导致拍摄的图像出现亮度信息不理想的现象,尤其在暗环境下拍摄的图像,会严重影响后续处理的性能。其中,不均匀低照度低质图像是最为常见的但具有独特性的一种图像。与其他类型的低照度低质图像相比,不均匀低照度低质图像中不同区域的信息不同,需要对其进行不同程度的处理。因此,本文以不均匀低照度低质图像为研究对象,以提升增强后图像质量以及处理速度为目标,从基于Retinex分解和无参考图像的神经网络增强算法两个方面出发,探索Retinex模型中的照度分量、反射分量,以及无参考图像的神经网络增强算法中图像对比度、多尺度特征及噪声的影响,以解决现有算法面临的问题。本文的主要研究内容和创新点如下:1.针对不均匀低照度低质图像的特性,设计具有特定性的照度分量估计方式,提出了一种基于不均匀亮度先验的低质图像增强算法。该算法首先针对不均匀低照度低质图像不同区域信息不同的特点,采用场景分割技术将图像分割聚类,并对每类使用三个颜色通道的比例系数进行照度分量的初始估计,以保留照度分量的自然性;然后,利用不均匀低照度低质图像的统计特性对初始估计的照度信息进行照度保留操作;最后,将保留后的照度分量进行结构纹理分解,从而将包含在照度分量中的纹理信息通过Retinex相除保留在反射分量中。与其他基于照度分量约束的Retinex变分分解增强算法的主观和客观对比实验表明,该算法在提升不均匀低照度低质图像的亮度方面具有优越的性能,且保证在增强不均匀低照度低质图像亮度的同时能够保留图像的细节信息,避免细节的丢失。2.针对不均匀低照度低质图像内部信息之间的相似性,为进一步保留图像的自然性以及避免颜色失真,提出了一种基于非局部相似性的低质图像增强算法。该算法对照度分量的梯度使用边缘信息进行权重约束,而对反射分量使用非局部相似性进行约束。其中,非局部相似性是根据图像的相似性寻找与目标图像块最相似的图像块,并利用该图像块的信息约束反射分量。在该算法中,利用颜色、对比度及纹理三个方面的信息对图像的相似性进行定义。基于上述照度分量梯度的权重约束和反射分量的非局部相似性约束可以构建相应的Retinex变分分解模型,从而获得分解的照度分量和反射分量。对照度分量进一步调整后,将其与分解的反射分量相乘即可得到该算法增强的图像。实验结果表明,该算法在提升原图像暗区域亮度的同时,对原图像亮区域的增强程度小。此外,与基于照度分量和反射分量同时约束的Retinex变分分解增强算法相比,本算法增强的图像保留了良好的自然性,且有效地避免了图像出现颜色失真。3.针对不均匀低照度低质图像的对比度和亮度需要同时增强的需求,以及人眼系统分频感知信号的特点,提出了一种无参考图像的双路径网络低质图像增强算法。该算法根据人眼视觉系统对不同频带感知信号的特性,将不均匀低照度低质图像利用高低频信号带的差别分为细节路径和结构路径,并对结构路径使用图像到亮度调整曲线的映射网络进行亮度增强,而对细节路径使用增强对比度的神经网络进行对比度增强。其中,增强对比度的神经网络利用亮度增强后的结构图像中的信息作为导向图,并且利用对数图像处理减法运算进行对比度调整,从而得到亮度和对比度同时增强的结果图像。实验结果表明,该算法在增强不均匀低照度低质图像的亮度和对比度方面具有较大的优势,可以快速有效地实现不均匀低照度低质图像的增强。4.针对不均匀低照度低质图像不同区域的对比度和噪声需要不同程度处理的需求,为更好地丰富图像的细节信息,提出了一种基于多特征注意力机制的低质图像增强算法。该算法首先使用多尺度稠密网络对不均匀低照度低质图像进行多尺度特征提取;然后,利用通道混洗操作对通道间的特征进行提取,以完善特征信息,并将这些特征通过对比度注意力机制与噪声注意力机制,引导后续的增强网络对不同区域予以不同的注意力或权重;最后,使用亮度映射曲线实现不均匀低照度低质图像的增强。通过对各个模块的分析,表明了该算法对增强不均匀低照度低质图像的有效性。除此之外,与基于深度学习的增强算法比较发现,该算法在提升图像细节信息方面具有较大的优势。通过对这四种增强算法的主观对比和客观评价,表明每种算法具有各自独特的优点和应用场合。基于不均匀亮度先验的低质图像增强算法用于提升图像的亮度信息;基于非局部相似性的低质图像增强算法用于保留图像的自然性;无参考图像的双路径网络低质图像增强算法用于快速有效地平衡图像的亮度和对比度信息;而基于多特征注意力机制的低质图像增强算法可用于丰富图像的细节信息。