基于多曝光图像生成的低照度图像增强方法有哪些（基于多曝光图像生成的低照度图像增强方法是）

低照度图像会降低许多计算机视觉算法的鲁棒性，严重影响机器人领域的许多视觉任务，例如自动驾驶、图像识别、目标跟踪等。为了获得具有更详细信息和更大动态范围的增强图像，提出了一种基于多重曝光图像生成的弱光图像增强方法。该方法对现实生活中的多重曝光图像进行分析，发现不同曝光时间图像的像素值之间存在线性关系，从而可以将正交分解的思想应用于多重曝光图像生成。多重曝光图像是基于物理成像机制生成的，更接近真实拍摄的图像。将原始图像分解得到光照不变量和光照分量后，设计自适应算法生成不同的光照分量，然后与光照不变量结合得到多重曝光图像。最后，采用多重曝光图像融合方法获得具有更大动态范围的增强图像。融合结果与输入图像一致，最终增强图像能够有效保留原图像的色彩，高度自然。在真实低照度图像的公共数据集上进行了实验，并与现有的先进算法进行了比较。结果表明，该方法得到的增强图像与参考图像的结构相似度提高了2.1%，特征相似度得到提高。增强后的图像与参考图像更接近，更自然，提高了4.6%。

在弱光条件下或相机曝光时间不足拍摄的图像称为弱光图像。低照度图像通常具有低亮度、低对比度和结构信息模糊的特点，这给许多机器人视觉任务带来了困难，例如低照度图像中的人脸识别、目标跟踪[1]、自动驾驶[2]、特征提取[3]等任务。弱光图像的增强方法不仅可以改善图像的视觉效果，还可以提高后续机器人视觉任务算法的鲁棒性，具有重要的实际应用价值。

根据是否需要依赖大量数据进行训练，现有的弱光图像增强算法可以分为两类：传统方法和基于深度学习的方法。传统的低光图像增强方法中，基于直方图的方法[4-5]通过调整图像的直方图来提高图像的对比度，以达到增强低光图像的目的。这种方法简单高效，但缺乏物理机制。往往会导致图像的过度增强或增强不足，并且图像的噪声也会被显着放大。基于Retinex理论的方法[6]首先通过分解图像得到照明分量和反射分量，然后分别对其进行增强。王等人。 [7]设计了一个低通滤波器将图像分解为反射图像和照明图像，并使用对数变换来增强图像以平衡自然度和图像细节。郭等人。文献[8]首先通过取低照度图像的三个RGB通道的最大值得到初始照度图像，然后通过结构先验信息对初始照度进行校正，使用gamma校正方法调整图像亮度，然后使用将调整后的光照图像与反射图像进行组合，得到最终的增强结果。任等人。 [9]提出了一种噪声抑制序列评估模型来分别估计照明分量和反射分量。在这个噪声抑制序列分解过程中，对每个分量进行空间平滑并巧妙地使用权重矩阵来抑制噪声并提高对比度，最终将估计的反射分量与伽马校正的照明分量相结合以获得增强图像，最终达到低照度增强联合去噪的目的。

基于深度学习的方法[10-13]通过大量数据的训练，在弱光图像增强方面取得了良好的效果。洛尔等人。 [10]首先提出了一种用于对比度增强和噪声消除的深度自动编码器，以增强低光图像。魏等人。 [11]结合Retinex模型和深度神经网络进行低光图像增强。江等人。 [12]使用生成对抗网络来实现低光图像增强模型，该模型不需要使用配对训练数据进行训练。郭等人。 [13]将低光图像增强任务转换为具有深度网络的特定曲线估计任务。这些基于深度学习的方法的训练过程通常需要大量的时间和计算资源。而这些方法的效果很大程度上取决于训练数据。不准确的参考图像会影响训练结果。例如，在实拍的正常光照图像中，可能会出现局部高光区域过曝的情况，或者由于光照不均匀而导致局部低光的情况。照明区域曝光不足的问题。

在弱光图像增强中，光照不均匀也是一个需要解决的问题。对于局部弱光图像，图像亮度提升过高会导致图像高光区域曝光过度，而亮度提升不足则会无法显示弱光区域的图像细节。得益于摄像设备的进步，可以固定摄像设备并在短时间内获得不同曝光时间的图像，并融合一组拍摄的图像以获得更大动态范围的图像。王等人。 [14]设计了一种基于YUV颜色空间中边缘信息保留的平滑多尺度曝光融合算法，可以同时保留场景高光和低光区域的细节。为了弥补融合过程中丢失的细节信息，设计了矢量场构造算法从矢量场中提取可见的图像细节，该方法可以避免图像融合过程中出现的颜色失真。图像融合方法虽然可以有效提高图像的动态范围，但需要预先采集一组不同曝光时间的图像，无法对单张弱光图像进行增强。拍摄动态场景或拍摄过程中相机抖动会使拍摄的图像难以对齐，从而导致融合结果出现伪影。

为了将图像融合方法应用于弱光图像增强以提高图像的动态范围，需要首先基于单幅图像生成一组用于融合的信息。目前有一些方法将图像融合的思想应用于弱光图像增强。其中，傅等人。文献[15]首先通过基于形态学闭包的光照估计算法对图像进行分解，得到光照图像和反射图像，然后分别使用Sigmoid函数和自适应直方图均衡化。