由于光照不足的原因,往往会导致传感器获取的图像或视频存在对比度低、质量差和大量细节信息不可见的问题,这大大降低了图像的辨识度。因此为了提高低照度图像的视觉效果,以便应用于目标识别等领域,需要利用图像增强算法来增强图像的细节并提高图像的质量。目前大多数传统的低照度图像增强算法难以达到预期要求。因此,本文将深入研究低照度图像增强算法,并对现有的增强算法进行完善和改进。主要的研究成果和内容如下:1.本文基于图像融合的思想提出了一种单幅低照度图像增强的算法。从一幅低照度图像通过三种增强算法衍化出三幅图像作为输入图,再根据三幅输入图像各自的有效信息和特征来计算对应的权重图,最后利用权重图将三幅输入图像进行有效融合,以获得增强后的图像。通过实验对比,本文所提出的算法在保证图像亮度得到增强的同时,能够较好地保持图像的对比度。2.本文提出了基于深度残差网络的单幅低照度图像增强算法。受上述融合算法思想的启发,通过深度学习方法来对亮度差的低照度图到亮度好的增强图之间的非线性模型进行学习,无需人工设计特征和调整参数。具体地,本文通过引入深度残差网络,训练得到一个适用于低照度图像增强的系统。通过仿真实验可以看出,该系统可以在增强低照度图像亮度的同时保持图像的自然性。3.本文建立了对应的低照度图像库。为了实现残差网络的监督式训练,需要大量的图像数据。因此,本文通过三种退化模型对清晰的图像进行亮度退化,得到相应的亮度退化图像。这些退化图像与对应清晰图像构成训练集,从而建立了训练残差网络的图像库。通过实验,可以看出利用仿真得到的图像库所训练出的残差网络可以有效地增强低照度图像。