视频监控是政府和公司用于安全目的工具,在我们的生活中起着重要的作用。但是其图像质量受到诸如弱光等某些条件的影响很大。大多数消费级相机具有较差的弱光特性,这通常导致图片具有明显的噪声和低动态范围。由于图片质量差,导致图像不清晰,不容易观察细节信息,甚至影响后续处理,如图像理解。而且,随着智能交通和户外监控的发展,图像采集系统被要求在各种条件下工作,包括弱光下,这使对图像进行去噪和增强成为必须。另一方面,由于监控系统的广泛使用,产生了大量的视频数据,这些数据被存储以供将来或即时使用。图像检索是智能视频分析的一个非常重要的任务,其目的是识别大量图像的正确匹配。基于内容的图像检索方法利用计算机具有重复任务的优点,使人们免于使用大量的人力,物力和财力来进行人工检索目标。因此,在这种情况下,保证检索的速度和精度是十分重要的。在本论文中,专注于图像处理工作的前期处理(去噪、增强),及后处理(图像检索)。研究工作主要包括以下几个方面:(1)针对弱光下的图像,提出了一种基于泊松噪声模型和加权全变差算子的去噪方法。不同于大多数去噪方法假设噪声为与信号不相关的高斯白噪声,在去噪模型的数据保真项中,结合了弱光下传感器噪声的泊松分布特点。此外,考虑到噪声与信号的相关性,基于不同亮度程度,以及噪声和边缘的不同表现形式,设计了加权的全变差正则化算子来调整平滑程度。实验结果表明,该方法可以成功地保持图像的细节,同时降低弱光下图像的噪声。(2)提出了一种基于双树复小波变换的弱光下图像增强的方法。在对弱光下图像进行增强的过程中,最主要的问题是在提升对比度和亮度的同时要防止噪声放大。针对这些问题,首先使用照明补偿来提升全局亮度并增强细节。然后,通过双树复小波变换,在低频子带中,使用对比度有限自适应直方图均衡来改善局部对比度。而在高频子带中,采用全变差算子来进行降噪。实验结果表明,所提出的方法实现降噪,局部对比度增强和全局亮度提升的性能改进。(3)利用成对的数据标签,提出了一种端对端的有监督的深度哈希算法。通过利用卷积神经网络,建立起图像数据与哈希码的共同学习。考虑到符号函数的梯度在大部分地方为零,给网络的反向传播带来困难,对符号函数的梯度进行了松弛量化,从而解决了网络训练的问题。实验数据表明,无论是与传统的哈希算法还是流行的深度哈希算法相比,该方法在图像检索的应用方面都能取得更好的结果。