低照度增強相關演算法
低照度增強調研情況
目前使用的低照度增強方法主要包括四種：基於直方圖均衡化的方法（HE）；基於Retinex理論的方法；基於去霧模型的方法以及基於深度學習的方法。這些方法都是基本的方法，對於其他的一些方法大都是基於這些方法進行改進得到的。
基於直方圖均衡的方法
直方圖均衡化的思想就是將影象的灰度直方圖從較為集中的某灰度區間拉伸至全部灰度範圍內，用以擴大影象灰度值的範圍，提升影象對比度並突出部分細節效果。對於一副圖片來說其直方圖可以用來表示灰度值的分佈。其中如果大部分畫素集中在低灰度區間則圖片整體較暗，相反則圖片較亮。所以我們可以對於灰度分佈圖採用均衡化的方法將其灰度的分佈範圍在整個區域平均化，這樣就相當於減少了低灰度的畫素個數，整個圖片就會變亮一些。
基於Retinex的方法
Retinex方法主要是基於人類的視覺系統可以不受光源強度和照射不均勻等不確定因素的干擾而準確感知物體的顏色和亮度這一理論提出的。提出這一理論主要是基於真實世界中物體的顏色由光與物體的相互作用產生的，其本身是無顏色的；構成顏色的基本單元是紅、綠、藍三原色光波、單位區域的顏色由紅綠藍三原色光波決定這幾個理論。
根據上述理論，我們可以得出物體的顏色不受反射光強和非均勻光照的影響僅有物體的反射光線決定。基於此，我們假設如下公式：
，其中
表示視覺系統最終的圖片（人看到的圖片），
表示物體特有的性質稱為物體的反射特性，
表示入射光的影響。根據公式我們需要的是，已知的是
，需要估計的是
為了簡化計算，我們對上式兩邊同時取對數（乘除變加減）則可以得到：
由上式可知，我們只需要估計出
就可以得到對應的
。對於
的估計採用高斯卷積函式進行：
其中
表示的是高斯函式，*表示卷積運算。
的表示式為：
表示的是一個尺度，
表示高斯函式的尺度選擇，其滿足
。該式中
是需要求的。因此對於一個彩色通道的圖片，其某一通道
對應的影象變換後為：
然後在利用
就可以求出每一個通道的值。最終就得到了每個通道處理後的值進而得到處理後的圖片。
上述方法採用了一個高斯核，因此一般被稱為單尺度Retinex方法（SSR）。現在假設整個過程採用了
個高斯核，則每個
在評估的時候就會出現
表示權重。
由於MSR會存在色差，有人提出來在通道上加入調節因子來消除色差，其具體如下：
表示的是調節因子，其對應的取值方式不同往往會產生不同的效果。現在常用的有基於其各通道的均值 ，方差計算出最小值和最大值，然後用最小值和最大值進行歸一化。
其中取值越小，增強效果越明顯，一般取2-3最適宜。
基於去霧模型的圖片增強
去霧模型一般是針對霧霾或者大霧天氣，考慮到空氣中的懸浮物導致的圖片效果不佳時需要採用的方法。該方法假設：
其中
表示待去霧的影象，
表示無霧影象，
表示全球大氣光成分，
表示折射率（大氣傳遞係數）。在使用過程中
是要求的，
為輸入的，
和
是需要通過暗通道先驗來進行估計的。
暗通道先驗規律是指每一個圖片的區域性區域都很有可能有至少一個顏色通道有很低的值。根據這個規律我們定義了暗通道的值如下：
通過上式可以看出，求暗通道的值首先是求出通道的最小值。在根據通道最小值求出區域內的最小值。
根據暗通道的值我們可以估計大氣折射率：
根據暗通道的值估計大氣光：
（1）：選取暗通道影象中暗通道最亮的0.1%。
（2）：在取出的位置中，對應到原圖找出最高亮度點的值作為大氣光。
然後迴帶到開始的式子中就可以求出對應的去霧圖
：
基於深度學習
使用卷積神經網路來進行低照度增強的資料較少，目前只發現了一種方式，並且也沒有固定的官方模型，只是一個簡單的7層卷積網路，由於圖片增強的目的是把亮度低的地方亮度變高，所以該模型要求輸出的大小和原來的相同，因此該網路沒有池化層。其具體結構如下：
上述就是採用的網路結構，由於圖片增強的目的只是為了提高亮度，同時並不希望色彩方面的值發生改變而引起不必要的色彩差異。因此本次採用的是將RGB色彩空間轉化為HSI空間，然後再對I分量進行卷積處理，最後再轉換成RGB空間合成最後的圖片。其具體流程如下：
各方法的優劣
上述方法是最近看到的低照度增強使用較多的方法，其各有優缺。現在將其總結如下：
直方圖法可以有效的提高對比度，並且處理速度快。但是容易出現色差並且灰度級的合併會丟失細節資訊。
SSR方法假設光照是緩慢變化的，但是真是情況下光照是不平滑的，因此採用這種方法在亮度差異大的區域會產生光暈。
MSR方法能夠較好的提高圖片的對比度和亮度，但是圖片邊緣銳化不足，容易出現光暈或者圖片泛白。
去霧模型雖然能夠在一定程度上提高視覺質量，但是增強後的影象往往不符合場景，因為我們的場景是光線不夠導致的影象變暗，而不是由於懸浮物遮擋導致的。
基於深度學習的方法能夠避免傳統方法的引數調節問題，也能夠使色彩更加協調，但是缺乏訓練樣本，在訓練時我們必須要給出同樣場景只有照度不同的圖片，因此該方法也比較難實現。
參考文獻
《基於深度卷積神經網路的低照度影象增強》馬紅強1 ，馬時平1，許悅雷1,2，朱明明1；
《基於卷積神經網路的水下影象增強演算法研究》 丁雪研