彩色图像由于包含大量的色彩,能够比灰度图像提供更多的信息。对彩色的视觉感知是人类视觉系统的固有能力,并且不会随光照条件而改变。然而,在彩色图像采集的过程中,往往由于设备、光照和成像原理等原因,无法获得高质量图像。导致图像能见度不足、颜色失真,影响图像的使用价值,因此,低能见度彩色图像增强有着十分重要的实践意义,能够广泛地运用于军事、医学、民用、公安等各个方面。对彩色图像进行增强首先需要了解基本的彩色图像知识,包括常见的色彩空间和人眼对彩色图像的感知原理。常见的色彩空间有RGB色彩空间、YCbCr色彩空间、HSI色彩空间等。这些空间的空间模型和通道含义都互不相同,各有优势。人眼依靠视网膜上的柱状细胞来感受亮度,锥状细胞感受色彩,人眼对色彩的感知具有恒常性,能够自发地剔除入射光对物体颜色的影响,恒定地判断物体的颜色。即不论光照条件的变化或其他外界因素,人眼对同一事物的颜色感知是一成不变的。基于人眼的这一特性,Land提出了Retinex模型。Retinex模型是人类视觉对亮度和色彩的感知模型,解释了人类视觉系统如何调节感知到的物体颜色和亮度,同时解释了相同物体在不同的光源或光线底下颜色恒定的机理。基于这个模型,单尺度Retinex算法、多尺度Retinex算法和带色彩恢复因子的多尺度Retinex算法等被提出。多尺度Retinex算法具有动态范围压缩大、色彩恒常性、色彩保真度高等特点,被广泛运用于低光照图像的增强。本文引入了图像融合和图像分割的原理和算法,对传统的Retinex增强算法进行了改进。首先,本文提出一种基于子带加权融合的多尺度Retinex图像增强算法,首先用混合灰度变换函数替代传统的灰度变换函数,对图像做不同尺度的Retinex变换,并分解重复的频带信息,对各个独立的频带分别进行增强。其次引入图像融合的思想,利用特定的评价标准,将不同尺度Retinex图像的每个像素点都赋予不同的权重,突出目标信息,弱化干扰信息。为了避免出现剧烈的突变,将待融合的图像序列做拉普拉斯金字塔分解,利用无缝拼接技术,得到输出图像。其次,本文提出一种基于图像分割的Retinex增强算法。该算法首先利用图像分割算法找出亮度较低、需要增强的区域,对这一区域使用传统的Retinex算法进行增强,而其他区域保持原像素值不变,这样就能避免过度增强问题的产生。为了避免在需要增强的区域与不需要增强的区域的边界附近出现突然的情况,同样可以采用拉普拉斯金字塔的无缝拼接技术。由于基于分割的Retinex增强算法主要是针对图像的灰度值大小进行分割,故主要涉及到是的图像的亮度信息。因此,本文提出YCbCr空间上的增强算法,将图像投影到YCbCr空间上,对亮度通道Y单独分割后增强,其余两通道不变。最后,本文使用主客观评价相结合的方法,用图像的亮度、对比度、信息熵和饱和度作为图像的客观评价标准,用人眼所见作为主观评价,对增强后的图像进行评价。文本同时对比了传统的经典增强算法,如直方图均衡化及其改进、多尺度Retinex算法及其改进等方法。实验结果证明,本文提出的算法能有效地提高图像的亮度,恢复图像的色彩信息,改善图像质量。