微光图像增强技术是改善低照度图像质量的重要手段,其应用领域十分广泛,在日常拍摄、军用图像、医学图像、航空航天、监控视频、水下探索拍摄等领域都有重要应用。然而,微光图像不但存在光照不足的问题,而且其中的纹理细节信息十分脆弱,极易在图像增强的过程中丢失。但是,现阶段的研究大多致力于解决图像光照不足的问题,而忽视了细节信息的保留问题。近年来,分数阶微分工具在图像处理领域的应用和研究不断出现。一些学者尝试将分数阶微分工具引入到基于Retinex理论的变分方法中。但是这些工作都是利用分数阶微分的阶次灵活性,使建立的分数阶变分模型具有更多的自由参数,期望模型能够在某个特定参数下获得更好的效果。此类方法往往给模型带来的性能提升十分有限,同时还会给模型带来更高的复杂度。因此,本文从另一个角度出发,利用分数阶微分的非线性增强特性,来设计基于Retinex理论的分数阶变分模型,以解决现有模型难以兼顾光照校正性能和细节保留性能的问题。首先,针对光照层估计结果中存在纹理残留的问题,本文提出了一种用于估计光照层的分数阶变分模型。在该模型的设计中,不但使用了引导滤波来优化初始光照层估计方法,而且根据分数阶微分的非线性增强特性设计了分数阶梯度抑制项。使模型能够在保留清晰光照边缘的同时,拥有更强的纹理去除效果。然后,针对反射层估计结果中存在的纹理丢失问题,提出了一种用于估计反射层的分数阶变分模型。分数阶微分掩模虽然能够利用其非线性增强特性来有效增强纹理信息,但存在拉低图像整体亮度的弊端。为了保留分数阶微分掩模的纹理增强特性并消除其缺陷,本文构造了一种特殊的梯度引导项。然后,用所设计的梯度引导项替换传统的反射层梯度抑制项,有效提升了该模型的细节保留能力。在上述工作的基础上,本文提出了两种微光图像增强方法。第一种方法是基于分离模型的方法,它直接利用了上述两种模型的估计结果进行增强,解决了现有方法难以兼顾光照校正效果和细节保留效果的难题。第二种是基于同时估计模型的方法。为了进一步验证本文设计的分数阶模型的结构优越性,本文对分离模型进行整合设计,提出了一种能够同时估计光照层和反射层的分数阶变分模型,即同时估计模型。在该类模型中,各个估计量的估计误差会在相互作用的过程中进一步放大。所以这种模型不仅结构更复杂、而且对模型结构的精准性要求更高。而本文所设计的方法仍具有非常好的光照校正效果和细节保留效果,这进一步证明了所提出的分数阶模型的结构优越性。