该项目包含Retinex、EnlightenGAN、SCI、Zero-DCE、IceNet、RRDNet、URetinex-Net等低照度图像增强代码，均已经过测试，可直接运行。

低照度图像增强算法的研究与实现_彭波，研究了增强算法

在MSR图像增强算法的基础上进行了改进，采用RGB与HSV颜色空间的快速转换算法，并在MSR算法中用快速均值滤波代替高斯模板卷积，提高算法运算速度；对增强后的图像采用自动截断式对比度拉伸方法，提高增强后图像的对比度。实验结果表明，本算法在提高图像质量的同时，算法速度提高3~4倍。

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。

针对低照度条件下图像降质严重的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本, 将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间, 保持色度分量和饱和度分量不变, 利用DCNN对亮度分量进行增强, 最后将HSI颜色空间转换到RGB空间, 得到最终的增强图像。实验结果表明, 与现有主流的图像增强算法相比, 所提算法不仅能够有效提升亮度和对比度, 改善过增强现象, 而且能够避免色彩失真, 主观视觉和客观评价指标均得到了进一步提高。

针对多尺度Retinex算法在处理煤矿井下低照度图像时存在细节增强不足和耗时等问题，提出了一种基于光照校正的快速多尺度Retinex算法对煤矿井下低照度图像进行增强。该算法通过计算高斯模糊后图像的每个像素点的亮度值，将图像划分为暗调区域和高光区域，并对不同区域进行光照校正，从而降低高光区域的亮度，保证不过分曝光，同时提升较暗区域的亮度，凸显更多细节信息；利用三次快速均值滤波代替高斯滤波来估计光照强度，减少算法耗时。实验结果表明，该算法能有效提高图像的亮度和对比度，增强图像中暗调区域和高光区域的细节，具有较快的处理速度。

针对光照不均匀、光线暗等环境导致图像采集单元采集到的图像视觉效果差、噪声大等问题，本文提出一种基于视网膜和皮层(Retinex)理论改进的低照度图像增强算法去恢复图像原有的视觉特征。将低照度图像从红、绿、蓝(RGB)空间转换到色调、饱和度、亮度(HSV)空间，在HSV空间的V通道去对低照度图像进行处理，这样能够避免图像三基色比例关系被破坏；采用改进的多尺度Retinex (MSR)算法估计光照分量，用非局部均值(NLM)滤波代替高斯滤波，利用滤波窗口与相邻窗口间的递归关系来简化计算，不仅能准确估计光照分量，还能够提高图像的处理速度；最后进行颜色空间逆变换，转换到人眼习惯的RGB颜色空间。实验结果表明该算法可以有效提高图像清晰度，保护图像的细节信息。

基于Retinex的MSRCR算法，MATLAB实现

低照度视频图像 处理文档10篇 主要讲述怎么处理低照度的图像 ，的图片文档 各种算法均有提到 还有小波等的去噪声 去雾化的一些方法 总共127M 文档

为了提高低照度图像的清晰度和避免颜色失真,提出了基于注意力机制和卷积神经网络(CNN)的低照度图像增强算法,以改善图像质量。首先根据Retinex模型合成训练数据,将原始图像从RGB (red-green-blue)颜色空间变换到HSI (hue-saturation-intensity)颜色空间,然后结合注意力机制和CNN构建A-Unet模型以增强亮度分量,最后将图像从HSI颜色空间变换到RGB颜色空间,得到增强图像。实验结果表明,所提算法可以有效改善图像质量,提高图像的清晰度,避免颜色失真,在合成低照度图像和真实低照度图像的实验中均能取得较好的效果,主观和客观评价指标均优于对比算法。