由于夜间光照不足以及采集设备的不完善,获得到的图像一般视觉效果不佳。亮度较低、色彩失真严重、噪声大、细节丢失。因此不利于人类观察和计算机视觉算法。为了解决这个问题,目前为止已经提出了许多图像增强技术。但是,现有的技术在增加可见度的同时不可避免地会引起颜色和亮度失真。为了降低图像亮度和颜色失真,本文对现有的低照度增强方法进行了深入的研究。改进了一种利用光照估计和相机响应模型的新型低照度增强方法。本文主要的研究内容如下:本文改进了基于暗原色先验理论,将低照度图像的像素值取反得到去雾图像。利用暗原色先验可以得到透射率以及大气光。再自适应求取暗原色,将引导滤波应用到透射率上得到更加真实的透射率。最后改进透射率,得到低照度增强后的图像。针对亮度特别低的图像,提出了一种基于光照估计和相机响应模型的低照度增强算法。在设计低照度增强算法时考虑了相机内部的处理。对于大多数数码相机,像素值不是直接与落在相机上的照度成正比。与相机传感器照度和图像像素值相关的非线性函数称为相机响应函数(Camera Response Function,CRF)。在同一场景中拍摄的不同曝光量的两张图像之间的映射函数称为亮度转换函数(Brightness Conversion Function,BCF)。在本文中,提供了一种新的增强算法,其中考虑了CRF与BCF。利用现有提出的相机响应函数与亮度转换函数结合获得准确的相机响应模型。其中包括两个关键问题:一个是找到合适的相机响应模型,另一个是确定光照图,得到曝光率图。最后,借用光照图来估计曝光率图。光照图采用权重估计的方法,经过几种方法对比得到。得到光照图之后再进行伽马校正。而此时曝光率图就是光照图的倒数,为了避免光照图为零,引入参数。然后使用相机响应模型根据估算的曝光率图将每个像素调整为所需的曝光,得到增强后的图像。本文进行多组实验验证,与几种常用的增强方法相比,基于光照估计和相机响应模型的增强方法可以减少图像颜色和亮度失真,且算法的时间空间复杂度较低,可以应用到实际工作当中,具有很好的实用性。