本文介绍的是一种比较实用的低照度图像增强效果很好的方法，Xuan Dong论文《Fast efficient algorithm for enhancement of low lighting video》
概述
低光照图像取反（255 - 低光照图像），和有雾图像存在一些共性，比如在天空或者遥远的背景这些地方，亮度值都是很高的，但在近景的 RGB 三通道中至少有一个亮度值很低。作者提出直接用去雾算法对低光照图像的反转图像处理，去雾结果再取反得到低照度增强结果。
低照度图像增强算法
大气散射模型
大多透雾算法基于大气散射模型，模型如下：
I(x)=J(x)t(x)+A(1−t(x))
其中，I(x)表示含雾图，J(x)表示无雾图，A表示大气光模型，t(x)=e−βd(x)表示传输率矩阵，β 表示大气散射系数，d(x)表示图像区域的景深。雾越浓，到达相机的物体反射的光越少，即传输率越小。
上式可以改写为：
J(x)=t(x)I(x)−A+A
为了得到J(x)，重点在估计A和t(x)。
暗通道先验知识：
在大部分无雾图像的无天空区域，像素中至少存在一个颜色通道存在很低非常低的亮度值。这个最低的亮度值几乎等同于0。因此，对于一个观测图像J，其暗通道趋近于0，即
Jdark(X)=miny∈Ω(x)(minc∈r,g,bJc(y))→0
其中，Jc表示彩色图像每个通道，Ω(x)表示以x为中心的窗口
透雾算法
基于大气散射模型，透雾模型的方法步骤如下：
1、从雾图I (x) 估计传输率矩阵t(x)
2、估计大气光值A
3、通过公式估计无雾图J(x)
首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有WindowSize=2∗Radius+1
将雾模型
I(x)=J(x)t(x)+A(1−t(x))
处理为：
AcIc(x)=AcJc(x)t(x)+1−t(x)
假设在窗口内透射率t(x)为常数，定义为t~(x)，A值已知。对上式求两次最小值运算，得到
y∈Ω(x)min(cminAcIc(y))=t~(x)y∈Ω(x)min(cminAcJc(y))+1−t~(x)
根据暗原色先验理论
Jdark(x)=y∈Ω(x)min(cminJc(y))=0
推导出
y∈Ω(x)min(cminAcJc(y))=0
带入透射率为常数的公式，得到透射率预估值
t~(x)=1−y∈Ω(x)min(cminAcIc(y))
上式添加一个限制系数，得到t~(x)：
t~(x)=1−ωy∈Ω(x)min(cminAcIc(y))
ω取值0.95
以上假设全球达气光A值时已知的，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。具体步骤如下：
1）从暗通道图中按照亮度的大小取前0.1%的像素。
2）在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。
算法参数优化
文中自适应调节t(x)，如下式
t′(x)={2∗t(x),0<t(x)<0.51,0.5<t(x)<1
优化t(x)如下,增强暗区提亮，亮区微处理，效果更好
t′(x)={t(x)2∗2,0<t(x)<0.5t(x),0.5<t(x)<1
效果对比
图、测试图像1、原文处理效果、算法优化处理效果
图、测试图像2、原文处理效果、算法优化处理效果
图、测试图像3、原文处理效果、算法优化处理效果
算法总结
简单易实现的增强算法，普世性较好，透雾算法处理部分兼容各种透雾算法。
算法实现参考
github.com/AomanHao/IS…
