图像是人类感知世界、认识世界最有效的途径,具有很好地视觉信息。但是由于图像在传送或获取的途中,往往会受到外界众多事物的影响而导致误差的存在。这不仅影响图像的整体效果,而且会对图像的后续处理造成一定的影响,因此,对于图像的增强这一技术的研究尤为重要。近几年。图像增强技术的发展越来越成熟,基于变分的图像增强技术也越来越普遍。尤其是Retinex变分模型提出后,众多学者在此基础上相继提出许多的改进模型,例如被广泛的应用到图像增强中的TV-Retinex模型。同样,利用大气散射模型对图像增强的技术应用也越来越广泛,尤其是应用到图像去雾方面。本文在详细研究这两种经典的图像增强方法基础上,利用L0范数的稀疏性,对经典的图像增强算法做如下改进:首先,本文在TV-Retinex变分模型的基础上,提出了基于L0范数和Retinex理论的图像增强变分模型。由于L0范数相较于L1范数具有更好的稀疏性,本文改进的模型将照度分量的正则项约束由L1范数改进为L0范数,并应用到Retinex变分模型当中。实验结果表明,利用本文算法得到的照度分量比其他方法得到的要光滑很多,与图像照度分量空间平滑性的设想相同。此外,利用本文算法获得的反射分量可以很好地辨别出更加丰富的的结构信息,而且最大程度的保留了图像的边缘纹理细节。其次,提出了基于L0范数和大气散射模型的图像去雾变分模型。传统的图像去雾变分模型利用L1范数作为梯度正则项的约束,本文利用L0范数的稀疏性对正则项进行约束;针对L0范数的求解问题,我们提出L0梯度约束的最小化算法,并给出了详细的求解步骤。本文提出的改进模型在去除雾霾的同时,可以很好地保留图像的边缘纹理信息。