随着科技的发展和网络的普及,人们倾向于通过网络分享各种图片。为了降低图片的存储大小,提高图片的传输速率,这些图片往往会被压缩。而压缩后的图像会产生一定程度的压缩伪影。当压缩对象是暗光图像时,其压缩伪影一般都隐藏在图像的暗区域中。经过亮度增强后,原来的暗区域会产生比较明显的压缩伪影,这影响了图像的视觉效果。因此,为了提高暗光压缩图像的质量,给用户带来更佳的视觉体验,在增强暗光压缩图像亮度的同时,减少图像的压缩伪影是必要的。基于此,本文针对暗光压缩图像的增强,调研了暗光图像增强和减少压缩伪影的相关算法,发现无论这些算法的使用顺序(先亮度增强再减少伪影或先减少伪影再增强)如何,处理的效果都存在缺陷。当先对暗光压缩图像减少伪影再亮度增强时,结果会出现过度平滑的问题;反之,结果会出现伪影抑制效果不明显的问题,这是因为在亮度增强的过程中,图像的压缩伪影也被增强,加大了伪影抑制的难度。考虑到以上问题,本文采用了分而治之的思想,提出了基于图像分解的暗光压缩图像增强的方法,实现了暗光增强的同时抑制压缩伪影目标。本文的主要工作有:(1)本文使用引导滤波器提取图像的光照层,并基于Retinex理论,计算出图像的反射层。然后在光照层上使用伽马变换增强图像亮度,在反射层上使用总变差正则化的方法减少压缩伪影,最后,再重组处理后的光照层和反射层。初步实现了本文的研究目标。(2)在本文提出的框架基础上,优化了(1)的相关处理方法。引入了灵活性和适用性更好的分解模型,并结合图像融合的思想实现图像的亮度增强。另外,本文尝试使用深度学习的方法减少图像的压缩伪影,并与总变差正则化的方法进行对比。最后,将减少伪影后的反射层与图像融合后的光照层结合,得到最终的输出结果。并通过实验,证明了方法的有效性。