随着社会和硬件设备的发展,人们采集了越来越多的视频图像,形形色色的图像丰富了人民的生活,但是数量众多的图像质量参差不齐,尤其在黄昏、夜间等曝光不足的环境下获取的图像往往为低质的,使得相关人员不能提取图像中有用的信息,需进行处理将其作为下一步工作的基础,所以,对低照度视频图像进行增强具有很强的现实意义。本课题的工作概括为以下内容:首先本文详细阐述了本课题的研究背景及意义,分析了低照度视频图像增强的国内外研究现状、发展趋势及存在的问题。对部分学者提出的低照度视频图像方法进行了研究仿真,如基于直方图的方法、Retinex方法和深度学习方法等,分别对他们的优缺点进行了解与分析。然后在前文分析其他低照度视频图像增强方法的基础上,针对其存在的不足,提出了两种方法对低照度图像进行增强:(1)针对传统算法对低照度图像增强后出现光晕伪影,细节丢失等情况,本文在Retinex算法的基础上提出了一种改进算法,首先将低照度图像从RGB图像转化为HSI颜色空间,只对亮度分量I进行处理,采用融合边缘检测算子的引导滤波对I分量进行卷积求得照度图像,将照度图像去除后得到反射图像,将低秩分解和局部对比度增强引入进一步改善图像,最后将HSI图像转换为RGB图像,得到最后的增强图像。本文算法能够在恢复细节、遏制噪声与去除伪影方面做到平衡。(2)针对传统算法在增强过程中需要人为干预,并且难以寻得满足各种场景的约束条件,本文依据深度学习的方法提出了基于卷积神经网络的低照度图像增强算法。首先对低照度图像以数据驱动的方式进行分解,分解为照度图像和反射图像。照度图像采用Encoder-Decoder网络结构,用分解的反射图像调整照度图像;反射图像同样采用卷积神经网络的方式增强;最后依据Retinex原理将增强的两幅图像合并为增强图像。该算法能够有效增强大面积黑暗区域的图像,得到质量较高的图像。最后为了验证本文算法的实用性进行了系统设计,在方法一的基础上设计并实现了一种低照度视频图像增强系统,该系统主要对图像和视频进行处理,用户可以根据自己的需求针对性地增强,并且硬件要求低,操作的界面简洁,用户易操作。对系统进行测试实验表明,本文系统可以较好地对视频图像进行增强,能够基本满足用户的需求。本文针对低照度图像增强方法的不足提出了两种算法,分别在Retinex和深度学习的基础上进行改进,取得了较好的实验结果。最后将改进的Retinex算法设计为低照度视频图像增强系统,同时对单幅图像和视频进行增强,能够很好地改善图像视觉效果。