低照度视频增强算法研究综述.docxVIP

低照度视频增强算法研究综述

一、研究背景与意义

在安防监控、自动驾驶、夜间航拍、医学影像等众多领域，低照度环境下获取的视频往往存在亮度不足、细节模糊、噪声显著、色彩失真等问题，严重影响后续的目标检测、跟踪、识别等计算机视觉任务的准确性和可靠性。例如，夜间道路监控视频中，车辆轮廓和车牌信息因光照不足难以清晰辨认；自动驾驶系统在隧道或黄昏场景下，低质量视频会导致传感器对障碍物的判断延迟。

低照度视频增强技术的核心目标，是在提升视频整体亮度的同时，有效抑制噪声、保留细节信息、恢复真实色彩，为后续视觉任务提供高质量的视频输入。随着人工智能技术的快速发展，低照度视频增强算法已从传统的信号处理方法向深度学习驱动的端到端优化方向演进，成为计算机视觉领域的研究热点之一。

二、低照度视频增强核心算法分类

低照度视频增强算法可分为传统方法和深度学习方法两大类，两类方法在技术思路、性能表现和适用场景上存在显著差异。

（一）传统低照度视频增强方法

传统方法主要基于信号处理理论，通过对视频帧的像素域或频域进行变换和调整实现增强，具有原理简单、计算复杂度较低的特点，但在复杂低照度场景下易出现过增强、细节丢失等问题。

基于空域的方法

核心思路：直接对视频帧的像素灰度值进行调整，优化亮度分布。

典型算法：

直方图均衡化（HE）：通过拉伸像素灰度直方图，使灰度分布更均匀，提升整体亮度。但该方法易导致局部过亮（如天空区域），且会放大噪声。

自适应直方图均衡化（AHE）：将图像划分为多个子块，对每个子块单独进行直方图均衡化，能更好地保留局部细节。但子块间易产生“块效应”，且对噪声敏感。

限制对比度自适应直方图均衡化（CLAHE）：在AHE基础上增加对比度限制，避免局部过增强，是目前传统方法中应用较广的技术（如在监控摄像头实时增强中）。

局限性：仅关注像素灰度调整，未考虑视频的动态特性和噪声与细节的区分，对严重低照度场景效果有限。

基于频域的方法

核心思路：将视频帧从空域转换到频域（如傅里叶变换、小波变换），对不同频率分量分别处理（如增强低频分量提升亮度，抑制高频分量减少噪声），再逆变换回空域。

典型算法：

小波变换增强：通过多尺度分解将图像分为低频近似分量和高频细节分量，对低频分量进行亮度提升，对高频分量进行噪声抑制和细节增强，能在提升亮度的同时较好保留细节。

曲波变换增强：相比小波变换，对图像边缘和纹理的表示更优，适用于含有复杂结构的低照度视频（如城市夜景中的建筑轮廓）。

局限性：频域变换和逆变换的计算复杂度较高，难以满足实时视频处理需求；对动态场景的帧间一致性处理不足，易产生帧间闪烁。

基于Retinex理论的方法

核心思路：Retinex理论认为，图像可分解为照度分量（Illumination）和反射分量（Reflection），其中照度分量决定图像的整体亮度，反射分量决定图像的细节和色彩。低照度视频的核心问题是照度分量不足，因此通过估计照度分量并调整，可实现亮度增强，同时保留反射分量中的细节。

典型算法：

单尺度Retinex（SSR）：通过高斯滤波估计照度分量，计算反射分量实现增强，但对噪声敏感，易出现光晕。

多尺度Retinex（MSR）：结合不同尺度的高斯滤波估计照度分量，平衡全局亮度和局部细节，能有效恢复色彩，但计算量较大。

带色彩恢复的多尺度Retinex（MSRCR）：在MSR基础上增加色彩恢复步骤，解决了传统Retinex易出现的色彩失真问题，广泛应用于图像增强，但在视频处理中需额外处理帧间一致性。

局限性：照度分量的估计依赖人工设计的滤波核，对复杂光照场景（如明暗交替的动态场景）适应性差；帧间处理不足，易产生视频闪烁。

（二）深度学习低照度视频增强方法

随着深度学习在图像增强领域的成功应用，基于深度学习的低照度视频增强方法逐渐成为主流。这类方法通过构建神经网络，从大量低照度-正常照度视频对中学习增强规律，实现端到端的视频增强，在细节保留、噪声抑制和帧间一致性方面表现更优。

基于卷积神经网络（CNN）的方法

核心思路：利用CNN强大的特征提取能力，学习低照度视频帧到正常照度视频帧的映射关系，同时通过设计特殊网络结构（如残差连接、注意力机制）提升增强效果。

典型算法与创新点：

LLNet：早期基于CNN的低照度增强模型，通过多尺度CNN估计噪声和照度分量，实现亮度提升和噪声抑制，但主要针对图像，未考虑视频帧间相关性。

VideoLLVE：专门针对视频设计的CNN模型，在网络中加入帧间时序模块（如光流估计、循环连接），通过利用相邻帧的信息，提升帧间一致性，减少视频闪烁；同时引入残差注意力机制，重点增强细节区域（如纹理、边缘）。

MBLLEN：采用多分支CNN结构，不同分支负责不同亮度区间的增强