这是2016年Siganal Processing上一篇做低光照图像增强的一篇论文，谈一下我的理解。
论文的核心思想是，首先根据形态学将图像分解成光照图和反射图，估计出的光照图可以反映出图像的光照特性和自然特性。然后对于光照图，这里使用光照改善方法和对比度改善方法，并对结果进行融合。最后改善的光照图和反射图结合获得增强的图像。出发点是，通过实现一个快速有效的方法结合多种成熟的图像处理方法，实现图像的光照图增强。整体结构图如下所示:
图像的主观和客观效果都和光照图有很大的关系，所以首要的任务就是要有效的估计出光照图。其次是要对光照图进行一个调整，实现全局和局部调整的平衡。所以实现增强的三个关键点是，全局光照改善，局部对比度调整和自然度保持。增强的步骤分成了以下四步:
1.光照估计
这部分认为，三个通道有相同的光照程度，而颜色分量保持在反射图里。所以这里借鉴dark channel prior的理论，首先从一张图像三个通道的最大值获得图像的亮度，表示为:
光照图本身是局部平滑的，所以对于上述结果还需要进行滤波操作，这里使用形态学闭操作来实现。同时将值限定在0到1之间，表示如下:
再然后使用引导滤波对上式结果进行操作，这里不表。
2.输入分离
这里将输入光照图变为I1,也就是原始的光照图，其包含图像原始的结构信息。第二个输入I2用来调整全局光照去确定图像的暗区域，如下所示:
上述式子可以确保结果在0到1之间，因为不同图像的光照程度不一样，所以$\lambda$的值也是动态调整的，如下所示:
可以看出来越暗的图，$\lambda$的值越大，从而做更大的增强。第三个输入，I3，使用CLAHE算法做局部直方图增强，可以用来直接估计光照图I，说白了就是I2可以用来做全局增强，I3可以用来做局部增强。
3.权重定义
这里的权重是像素级别的权重，通过对较好曝光度的图像进行分析，这里图像的均值是0.5，方差偏离是0.25，所以这里亮度权重设置表示为:
k表示是上面提到的第k个输入，$W_B$的值越大，代表像素曝光度越好，越小则反映过曝或者欠曝。第二个权重，则是用来做对比度权重增强，结合了色度信息，表示如下:
这里H和S分别是输入图像的色度和饱和度。$\alpha$和$\phi$分别用来表示颜色对抗度和颜色的角度。所以最后的$W_k$表示为两者的结合，如下所示:
然后对$W_k$进行归一化，上述计算过程的可视化如下所示:
4.多尺度融合
所以融合的结果如下所示：
但是这样的结果会产生artifact，这里将输入I放在拉普拉斯金字塔获取图像的特征，对W使用高斯金字塔去平滑，在特征层面上做操作比亮度层面上做操作更加有效，表示如下：
然后是对其进行上采样，得到最终修正的光照图，如下所示:
最后和反射图相乘，得到增强的图像，表示为: