随着自动化成像设备的发展,数字图像处理被广泛应用于视频监控、智能交通等多个领域。在各种不可控的因素影响下,特别是天气因素和夜间等环境下,获取的图像往往会呈现出对比度低、亮度差、细节模糊不清和图像质量退化等问题,严重影响信息的传递以及自动化成像系统的性能。为了缓解这些问题,本文基于深度学习和Retinex理论的框架下,对低光照图像增强算法进行了研究。本文的主要研究内容如下:1、本文提出了一种基于Retinex模型的低光照图像增强算法。这个方法是基于数据驱动的方式进行训练的,可以用正常光照图像引导低光照图像。在分解模型中,采用配对的图像进行Retinex分解,并进行参数共享,低光照图像可以学习正常光照图像的分解方式。在重组模型中,设计了一个自动编码器网络,并且引入注意力机制可以提高网络对图像重要特征的提取,提高图像亮度。使用引导滤波对反射图像进行去噪,然后进行图像融合并采用对抗生成的方式进行训练,使用判别器网络对图像进行判别,可以增强图像的质量。最后,将本文方法在多个数据集上进行测试,并且与现有的方法进行比较,取得了不错的效果。2、对上述工作的总结与分析,本文进一步提出了一种基于最大熵的Retinex模型的低光照图像增强算法。目前,基于驱动学习的方法具有局限性,通过缩小增强图像与正常光图像之间的误差进行训练,会忽略主观视觉的影响。而采用无监督学习的方法,会缺少图像先验信息,导致实验效果不理想。对此,本文设计了一个基于自监督和无监督学习相结合的方法。在自监督模型中,通过基于最大熵的Retinex模型对图像进行分解,可以利用图像本身的先验信息对分解后的图像进行约束。在无监督模型中,使用特定曲线对光照图像亮度进行动态调整,提高图像亮度。然后,对图像进行融合得到增强的图像。最后,通过实验与目前代表性的方法进行对比,具有一定的竞争优势。