摘要
低照度图像普遍存在于夜间、雾霾等弱光环境下拍摄的照片和视频中，其特点是亮度低、对比度差、噪声明显，严重影响了人们的视觉体验和后续图像处理任务的执行。
因此，低照度图像增强与去噪成为了计算机视觉领域的重要研究方向，其目的是提高图像的视觉质量，为后续目标检测、识别等任务提供更清晰的图像信息。
本文首先介绍了低照度图像增强的概念、意义以及研究难点，并对图像增强和去噪常用的数据集以及评价指标进行了概述；其次，对传统方法和基于深度学习的低照度图像增强和去噪算法进行了详细的综述，分析了各种方法的优缺点；最后，对该领域未来可能的研究方向进行了展望。
关键词：低照度图像；图像增强；图像去噪；深度学习；视觉质量
随着智能手机和监控摄像头的普及，图像已经成为人们获取信息的重要来源。
然而，在夜间、雨雾等弱光环境下拍摄的图像往往存在亮度低、对比度差、噪声明显等问题，这些问题被称为低照度图像退化问题[1]。
低照度图像退化问题严重影响了人们对图像信息的理解和应用，例如人眼难以分辨低照度图像中的细节信息，基于低照度图像的目标检测、识别等任务的精度也会受到严重影响。
为了解决低照度图像退化问题，研究人员提出了许多低照度图像增强和去噪算法，其目的是提高图像的亮度和对比度，抑制噪声，恢复图像细节，从而提高图像的视觉质量和后续图像处理任务的性能。
低照度图像增强与去噪是一个极具挑战性的任务，其难点主要体现在以下几个方面:
1.低照度图像的信噪比较低，增强过程中容易放大噪声，导致图像失真。
2.低照度图像的细节信息往往隐藏在噪声中，难以有效地分离噪声和细节信息。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
