低照度图像修复方法总结
在遇到图像曝光不足时，先前主要分为两种主流思路：基于直方图均衡和基于retinex算法（在之前的总结里分别有介绍）。
这两类算法大都存在的缺点：或多或少存在图像过增强现象，使得颜色失真。所以，图像曝光增强算法还是有待提高。
下面两篇是北大Zhenqiang_Ying的研究论文，他有好几篇文章都是围绕低照度图像增强主题写的，可以参照一下。
（一）《A New Image Contrast Enhancement Algorithm using Exposure Fusion Framework》
项目主页：https://baidut.github.io/OpenCE/caip2017.html
作者提出了一个曝光融合框架，提供一个精确的对比度增强的图像增强算法。具体来说，我们首先设计了加权矩阵，利用光照估计技术的图像融合。然后，我们介绍我们的相机响应模型合成的多重曝光图像。接下来，我们找到最佳的曝光率使合成图像是暴露在该区域曝光不足的图像。最后，输入图像和合成图像进行融合，根据权重矩阵得到增强的结果。
（二）《A Bio-Inspired Multi-Exposure Fusion Framework for Low-light Image Enhancement》
这篇文章还没有发表，现在处于投稿状态，他们的摘要：“低光图像由于能见度低，不利于人眼观察和计算机视觉算法。虽然已经提出了许多图像增强技术来解决这个问题，但是现有的方法不可避免地引入过对比和过增强。在人类视觉系统的启发下，我们设计了一个多曝光融合框架用于微光图像增强。基于该框架，我们提出了一种双曝光融合算法，以提供精确的对比度和亮度增强。具体而言，我们首先利用照度估计技术设计图像融合的权矩阵。然后介绍我们的相机响应模型来合成多曝光图像。其次，我们找到最佳曝光率，使合成图像在原始图像被曝光的区域被很好地曝光。最后，根据权值矩阵对输入图像和合成图像进行融合，得到增强的结果。实验结果表明，与几种先进的方法相比，我们的方法可以获得较少的对比度和亮度失真。”
第二篇文章还未公布，但可以调用算法查看处理效果。
参考：
