图像是获取信息的重要方式,图像经常在拍摄过程中,会因为低光环境、拍摄者的专业水平和硬件设备等条件的限制,拍摄图像会存在亮度过低、模糊、伪影和不同类型的噪声。为了提高图像质量和内容辨识度,低光图像增强算法一直都是计算机视觉前沿研究领域的热点,在对低光图像增强时,诸多因素都会对结果产生干扰,导致图像增强效果不理想,严重影响了图像的观感。本文首先详细描述了低光图像增强的历史发展、背景和意义,介绍了经典低光图像增强算法的原理,对各种低光图像增强技术做了全面剖析和深入了解,借鉴了超分辨率和模糊图像增强等相关领域的前沿成果,提出了对低光图像增强的新思路,本文的主要研究内容如下。传统的低光图像增强算法一般只考虑增强图像对比度,对于噪声抑制、图像细节等问题考虑不足,一些基于深度学习的低光增强网络对低光图像细节还原不足,对亮度较低的低光图像增强会出现图像模糊、颜色偏差和伪影等问题。本文考虑到低光图像的特点,提出了基于生成对抗网络的低光图像增强模型,使用U-Net作为生成器,用Patch GAN判别增强图像和正常光图像的真假,损失函数由多种损失构成,包括对抗损失、均方误差损失、VGG损失和颜色损失,VGG损失会使生成图像具有丰富的高频细节信息,颜色损失应对增强图像颜色失真问题。本文提出的模型与BIMEF、LIME、Retinex-Net和Kin D等一些经典的低光图像算法做了对比实验,利用图像质量评价标准NIQE、SSIM和PSNR对实验结果分析,实验结果表明,本文方法对低光图像质量增强作用明显,恢复低光图像清晰细节,使图像颜色自然和纹理明显。针对U-Net生成器网络层数过深、模型过大,加大了模型训练难度,本文还提出用U-Net++、U-Net 3+和Attention U-Net,对生成器进行网络优化,这些网络能在减少采样层的基础上,还能充分提取低光图像的纹理、颜色等特征。分析了各种算法对不同亮度的低光图像的实验效果,通过对比增强图像和各项图像质量评价指标发现,本文设计的模型对亮度较低的低光图像质量提升效果更加明显。通过大量的实验表明,改进的生成器网络不仅优化模型参数,简化了网络训练难度,提升了运行效率,改善了低光图像的观感质量,并且性能也优于对比实验的其他低光图像增强算法。