看了两篇做低照图像增强的论文，分别是《FAST EFFICIENT ALGORITHM FOR ENHANCEMENT OF LOW LIGHTING VIDEO
》和《Enhancement and Noise Reduction of Very Low Light Level Images》，共同点是使用去雾算法去做图像的增强。下面依次说一下我的理解。
第一篇论文，其观察到将低照图像反过来之后，其看起来和雾图非常像。在于，雾图里，图像的背景信息的像素值通常都是非常高的，而里面的物体例如房子等至少有一个通道的值是比较低的。论文首先分析了一组低照图像的反转图像，发现和雾图像素分布非常接近，所以是可以使用去雾算法进行图像增强的。首先先对图像进行反转，如下所示:
去雾算法公式表示为:
其中，R是获得的图像，J是原始的图像，A是大气光散射图，t是传输图，衡量有多少光可以从物体到达相机，所以只要估计出A和t，就可以得到J本尊了。其中传输图t可以表示为:
其中，$\beta$是大气的散射系数，d是物体的深度。前者是一个固定的常量，所以t被d所决定。t一般用下面这个式子去估计:
其中,w一般设置成0.8。这里对大气光散射的估计方法是，挑选出100个像素它们的RGB三个通道的像素值都是最高的。然后在这些像素里，找出RGB值加在一起最高的那个像素，用其作为A的值。这样，J可以表示为:
当然，这里更趋向于增强有物体的区域而不是背景区域，所以需要动态调整t(x),有:
其中P(x)在t(x)小于0.5时为2t(x)，大于0.5时为1。这样就能当t(x)很小时，说明其是非背景区域，需要大大的增强，P的值比较小使得增强比较大。反之，t(x)比较大时，就要抑制增强的程度。
第二篇论文指出了第一篇论文的一些问题，即光点处会有盒状效应，而且深度也是不连续的，导致结果可视化效果非常糟糕。这里发现，场景颜色越暗，其对应的雾图也越稠密。这里的目标是使得传输图t和光照图尽可能的接近。首先获得低照图的亮度分量L，然后使得其和t尽可能的接近，使用一个参数C减去这个光照分量，可以得到一个粗略的传输图。由于传输图里，越平坦的区域越有更多的细节，也就是没有雾的区域会有更多的细节。因此对这个粗略的传输图使用中值滤波，结果可以用来拟合从低光照获取的雾图。
对于噪声部分，论文发现黑暗区域的噪声主要分布在蓝色通道，而绿色通道的噪声比较少，而在传感器上绿色通道的感受量是最多的，也就是说绿色通道值接近于0的概率应该是非常小的。所以可以使用双边滤波的方式，引导其他两个通道相对绿色通道做保边滤波，从而消除噪声，具体不表。