随着计算机视觉技术的高速发展,成像系统与计算机视觉监控设备能够捕获到大量的图像信息。然而在室内、夜间、光照不均匀等低照度条件下,由于非自然光源的照度不充分,目标表面的反射光较弱,造成进入成像传感器的光线不足,所以导致在这种低照度条件下获取到的图像质量下降严重、图像辨识性能差,而且含有大量噪声,以至于难以辨别图像中的细节,降低了图像的使用价值。传统的图像增强算法大多是从空间域和频率域对图像进行增强,处理结果往往达不到预期要求。针对这种情况,本文对低照度环境下降质图像增强的理论和关键技术进行深入的研究,并对现有的处理方法进行完善和改进,具体的研究内容如下:首先,分析了本课题的现实背景和应用价值,深入研究了传统的低照度图像增强算法,比如直方图均衡化、同态增晰、以及目前被广泛使用的基于色彩恒常性的Retinex算法。Retinex算法通过模仿人类的视觉特性,对低照度图像的照射分量进行近似估计,再进行相关运算,获得反映物体本质特征的反射分量,从而实现对图像的增强处理。其次,针对Retinex算法存在的不足之处,提出了一种改进的基于变分Retinex的低照度图像增强框架,先采用变分Retinex算法对输入的低照度图像的亮度分量进行处理,通过多次迭代得到趋于稳定的反射分量和照射分量;接着对照射分量进行修正,来提高图像的对比度;对反射分量进行修正,来去除图像的噪声和增强图像的细节;然后再采用自动白平衡处理得到最终的增强图像。实验表明,该算法有效的改善了图像的过度增强以及颜色失真等问题。最后,基于LIP图像增强模型,提出了一种改进的LIP模型低照度图像增强新算法,该算法将人眼的视觉特性与经典的对数图像增强模型相结合,先利用对数处理模型对输入低照度图像的亮度分量进行增强处理,并通过自适应调整参数来修正图像的动态范围以及调节图像的锐化程度;针对处理后的图像噪声较大,引入三维块匹配对增强后图像进行去噪处理。实验表明,该算法在提高图像亮度的同时还能有效地削弱图像的噪声。