《An Experiment-Based Review of Low-Light Image Enhancement Methods》低光图像增强综述

《An Experiment-Based Review of Low-Light Image Enhancement Methods》

在弱光照条件下拍摄的图像往往具有亮度低、对比度低、灰度范围窄、颜色失真等特点，并且噪声较大，严重影响了人眼的主观视觉效果，极大地限制了各种机器视觉系统的性能。
微光图像增强的作用是提高这些图像的视觉效果，以利于后续处理。本文综述了近几十年来发展起来的微光图像增强技术。首先，我们对这些算法进行了新的分类，将其分为七类：灰度变换法、直方图均衡法、Retinex methods、频域法、图像融合法、除雾模型法和机器学习法。

分类：

1 灰度变换方法

灰色变换方法是一种基于空间域图像增强算法，其原理是通过数学函数将单个像素的灰度值转换为其他灰度值，通常称为基于映射的方法。
这种方法通过修改像素的灰度值的分布和动态范围来增强图像。 这种方法的主要子类包括线性和非线性变换。

2 直方图均衡法

如果图像的像素值均匀地分布在所有可能的灰度级上，则图像显示高对比度和较大的动态范围。
基于此特性，HE算法使用累积分布函数（CDF）来调整输出灰度级，使其具有与均匀分布相对应的概率密度函数。这样，可以使暗区中的隐藏细节重新出现，并且可以有效增强输入图像的视觉效果。

3 Retinex methods

将图片分为反射部分和亮度部分

3.1 SINGLE-SCALE RETINEX (SSR)

通过估计环境亮度来得到反射图，公式如下：

I是输入的图像，R是反射图像，i表示通道数，(x,y)表示图片中像素的位置；
G(x,y)表示 Gaussian surround function，*表示卷积操作，Gaussian surround function表示如下：

σ 是比例参数
缺陷：无法在细节信息增强和颜色保真度之间保持平衡

3.2 MULTISCALE RETINEX (MSR) 多尺度

i表示三颜色通道，k表示 Gaussian surround scales；N表示尺度的数量，通常是3， ω表示尺度的权重。
不仅能增强图片细节和对比度，还能表现更好的颜色一致性和提高颜色效果

3.3 MULTISCALE RETINEX WITH COLOR RESTORATION (MSRCR)

前面两种方法都是在颜色的三个通道上各自应用的
颜色恢复系数如下

f是映射函数，C(x,y)是颜色恢复系数

3.4 OTHER RETINEX ALGORITHMS

4 频域法

研究从空间域到了频率域

4.1 HOMOMORPHIC FILTERING (HF) 同态滤波

4.2 WAVELET TRANSFORM (WT) 小波变换

5 基于图像融合的方法

弱光图像增强研究的另一个方向涉及基于图像融合技术的方法。
在这些方法中，使用不同的传感器获得许多相同场景的图像，或者使用各种成像方法或在不同的时间使用同一传感器获得了其他图像。最后，从每个图像中提取尽可能多的有用信息以合成高质量图像，从而提高图像信息的利用率。
合成的图像可以反映原始图像中的多级信息，以全面描述场景，从而使可用的图像信息更好地满足人类观察者和计算机视觉系统的要求

6 基于除雾模型的方法

7 基于机器学习的方法

未完…
深度学习方法开始使用：
Automatic photo adjustment using deep neural networks
LLNet: A deep autoencoder approach to natural low-light image enhancement
Dual autoencoder network for retinex-based low-light image enhancement
CNNs：
Deep reverse tone mapping
Low-light image enhancement using dual convolutional neural networks for vehicular imaging systems
Low-light image enhancement based on deep convolutional neural network
Improvement of low-light image by convolutional neural network
LLCNN: A convolutional neural network for low-light image enhancement
GLADNet: Low-light enhancement network with global awareness
DSLR-quality photos on mobile devices with deep convolutional networks
MBLLEN: Low-light image/video enhancement using CNNs
HDR image reconstruction from a single exposure using deep CNNs
Learning-based dequantization for image restoration against extremely poor illumination
Deep bilateral learning for real-time image enhancement
Learning to see in the dark
Based on Retinex theory：
MSR-net:Lowlight image enhancement using deep convolutional network
A pipeline neural network for lowlight image enhancement
Deep Retinex decomposition for lowlight enhancement
LightenNet: A convolutional neural network for weakly illuminated image enhancement
Kindling the darkness: A practical low-light image enhancer
Inspired by the multiple image fusion method：
Learning a deep single image contrast enhancer from multi-exposure images
Image correction via deep reciprocating HDR transformation
Convolutional neural networks considering local and global features for image enhancement
(GAN)-based methods：
Deep photo enhancer: Unpaired learning for image enhancement from photographs with GANs
RDGAN: Retinex decomposition based adversarial learning for low-light enhancement
From night to day: GANs based low quality image enhancement
WESPE: Weakly supervised photo enhancer for digital cameras