微光環境下CMOS相機拍攝的圖像存在對比度低、噪聲大和細節模糊等問題，目前的增強算法雖然可以提升圖像亮度，卻沒有考慮保留原始圖像的細節信息，為此，本文提出了一種細節保留的微光圖像增強方法。首先，使用自適應濾波器對原始微光圖像中的每個通道進行處理，以改善噪聲對圖像的影響。然后，通過濾波后的圖像得到細節層和基本層，其中細節層用于保留圖像的紋理，基本層則用于增強圖像的亮度。細節層的求取通過粗照度和光照分量得到，而基本層亮度增強則使用Alpha算法融合原圖、伽馬校正結果和伽馬先驗校正結果得到。最后，將細節層和基本層的亮度通道進行融合，以獲得增強后的圖像。實驗結果表明，經過細節融合處理后的圖像，其平均梯度與信息熵均實現了顯著提升。此外，與選取的5種方法相比，SSIM指標均高于其他算法，表明本文方法增強后的圖像失真小。同時，在BRISQUE和PSNR指標上均取得了較好的效果。

　　關鍵詞

　　噪聲抑制;細節求取;圖像融合;微光圖像

　　論文《細節保留與亮度融合的微光圖像增強算法》發表在《紅外技術》，版權歸《紅外技術》所有。本文來自網絡平臺，僅供參考。

　　0 引言

　　隨著電子技術的迅速發展，CMOS相機由于其低成本、高成品率和低制作難度等優勢，使成像設備應用范圍不斷擴大，這也使得圖像數據呈現爆炸式的增長趨勢。然而，在實際應用中，成像條件并不總是理想的。在醫療領域中，內窺鏡容易受到光源干擾和人體組織復雜性影響，導致圖像對比度低、光照不均勻、細節模糊[1];在安防監控領域，夜晚自然光照強度大幅降低，使監控相機所得到的圖像細節難以辨認[2];在交通駕駛領域，車牌常常遭受光照、天氣和拍攝位置等因素的干擾，導致車牌圖像信息模糊不清[3-4]。因此，在微光圖像亮度提升的同時保留圖像細節信息就顯得尤為重要。

　　目前，針對微光圖像增強問題，主要分為傳統方法和基于深度學習的神經網絡方法。

　　傳統方法有灰度變換方法、基于直方圖均衡化方法、Retinex方法和頻域處理方法。灰度變換方法[5]通過調整像素的灰度值分布和動態范圍來增強圖像。基于直方圖均衡化方法[6]通過調整圖像的灰度級分布來提高圖像的對比度和亮度。Retinex方法[7]將圖像分解為照射分量和反射分量，通過增強照射圖以提高圖像的亮度。頻域處理方法[5]先將圖像轉換到頻率域進行處理，再逆向轉換回空間域。然而，這些方法或者只關注提高圖像亮度，忽視了對原始細節信息的提取，或者對圖像細節的恢復效果不盡人意。

　　基于深度學習的神經網絡方法有RetinexNet、LLCNN、EGAN等。RetinexNet通過估計光照圖以調整光照分量來增強微光圖像[8]。LLCNN通過卷積神經網絡學習微光圖像的特征，并改進局部對比度來進行微光圖像的增強[9]。EGAN通過生成對抗網絡和自監督機制以實現對微光圖像的增強[10]。盡管神經網絡相對傳統方法在亮度提升和細節恢復方面具有優勢，但目前的處理方法仍然更加注重圖像亮度和對比度的提高，并沒有引入專門的細節保留模塊。

　　針對上述問題，本文提出了一種細節保留的微光圖像增強方法，該方法在經過濾波之后求取原圖像的基本層與細節層，基本層用于提高原圖像的亮度，細節層用于保留原圖像紋理細節，最后將兩個圖層進行融合得到增強的圖像。

　　1 細節保留與亮度融合算法

　　該算法的框架流程如圖1所示。為了防止噪聲對微光圖像增強的影響，輸入的低照度圖像的R、G、B三個通道都采用自適應空間濾波。將經過濾波處理后的圖像分為兩步處理，第一步根據粗照度和使用雙邊濾波估計的光照分量計算原始圖像的細節;第二步將圖像從RGB顏色空間轉換到HSV顏色空間，并使用第一步得到的光照分量代替V通道，同時使用改進的對數變換作為冪值對光照分量使用伽馬校正和伽馬先驗校正，然后通過Alpha融合算法將二者與光照分量融合為一個新的亮度通道。將細節融合進新的亮度通道后再將圖像從HSV顏色空間轉換到RGB顏色空間。

　　1.1 自適應濾波

　　對于RGB圖像中的每個原始通道，使用分步濾波方法進行處理。先對相關噪聲進行過濾，再對不相關噪聲進行濾除。由于相鄰信號之間存在相關性，圖像傳感器的讀出電路會對相鄰信號進行干擾，從而引入條紋噪聲和色斑噪聲即相關噪聲。不相關噪聲通常表現為隨機噪聲和均勻噪點，其來源主要是暗電流和量化噪聲[11]。兩種噪聲的抑制采用公式(1)：

　　[x'(i, j)=frac{sigma × x(i, j)+overline{x}^{2}}{sigma+overline{x}+varepsilon} p(i, j)=n(i, j) × x'(i, j)+(1-n(i, j)) × x(i, j)]

　　式中：(x'(i, j))為相關噪聲抑制結果;(p(i, j))為不相關噪聲抑制結果即最終濾波結果;(x(i, j))、(ar{x})和σ分別表示為窗口W的像素值、均值和方差;ε為一個極小值;(n(i, j))為二值噪聲矩陣，用于指明窗口W中的不相關噪聲的位置，通過比較窗口W中每個像素與窗口的誤差中值獲得。

　　濾波前后結果如圖2所示，圖(a)為無濾波增強圖像，圖(b)為濾波后的增強圖像。無濾波時，紅圈中的暗區增強后會出現密集的黑點，經過濾波后黑點基本消失，且圖像變得光滑。

　　1.2 細節提取

　　本文的細節提取算法是受到Retinex算法啟發而來。Retinex算法是一種常用的圖像增強算法，在算法中通常需要估計圖像的光照分量，而光照分量包含了圖像的邊緣和細節信息。為了從光照分量中提取出圖像的細節信息，需要在最大通道上估計出粗光照和光照分量。最大通道即R、G、B通道的最大值，由公式(2)確定：

　　[L(i, j)=max _{c in(R, G, B)} I^{c}(i, j)]

　　式中：(L(i, j))為原始圖像在點((i, j))處的3個通道最大值，(I^{C}(i, j))為原始圖像。假設局部圖像塊中的光照是恒定的，粗光照則是最大通道的擴展即一個圖像塊中的最大光照強度應該具有近似相同的照度值。為了克服在光照邊緣處由于光照不恒定而帶來的塊效應，使用公式(3)在估計粗光照的同時保持邊緣[12]：

　　[L^{e}(i, j)=frac{sum_{(i, j) in W} eta(i, j) × g(i, j) × L^{i}(i, j)}{sum_{(i, j) in W} eta(i, j) × g(i, j)}]

　　式中：(L^{ heta}(i, j))為保持邊緣的粗光照;(L^{i}(i, j))為粗光照;(eta(i, j))為階躍函數;(g(i, j))為類值域核函數。相比最大通道，粗光照更加接近真實照明結果。(L^{i}(i, j))、(eta(i, j))和(g(i, j))由公式(4)分別計算：

　　[egin{aligned} & L^{i}(i, j)=max _{c in(R, G, B)}left(max _{(i, j) in W} I^{c}(i, j) ight) \ & eta(i, j)=left{egin{array}{cc} 1 & L^{i}(i, j)-L(i, j) geq 0 \ 0 & L^{i}(i, j)-L(i, j)<0 end{array} ight. \ & g(i, j)=e^{-frac{left|L^{i}(i, j)-2 × L(i, j) ight|}{2 sigma^{2}}} end{aligned}]

　　光照分量的估計采用雙邊濾波器來實現，它能在平滑紋理的同時保持邊緣信息。雙邊濾波器估計的光照分量由公式(5)確定：

　　[egin{aligned} & L^{b}(i, j)=frac{1}{W} sum W_{s} × W_{r} × I(i, j) \ & W_{s}=exp left(-frac{(i-k)^{2}+(j-l)^{2}}{2 sigma_{s}^{2}} ight) \ & W_{r}=exp left(-frac{(I(i, j)-I(k, l))^{2}}{2 sigma_{r}^{2}} ight) \ & W=sum W_{s} × W_{r} end{aligned}]

　　[W=sum W_{s} × W_{r}]

　　式中：(L^{b}(i, j))為估計的光照分量;W為權重;(W_{s})為空間域核函數;(W_{r})為值域核函數;((i, j))為窗口Ω中的某像素坐標;(I(i, j))為對應的像素;((k, l))為窗口Ω中值的坐標，(I(k, l))為中值。

　　圖3是提取出的粗光照與光照分量，它們與原圖的灰度圖相比，整體亮度稍亮。

　　由估計的光照分量和粗光照得到的粗細節層如公式(6)：

　　[D_{int }(i, j)=frac{L^{b}(i, j)}{L^{e}(i, j)+varepsilon}]

　　式中：(D_{int }(i, j))為提取的細節;ε是一個極小值。粗細節層包含了一些冗余細節和噪聲還不能用于后續細節融合，本文在此基礎上加入了調制因子d以減少上述缺點。

　　[d=frac{D_{std }}{D_{men }} quad(7)]

　　式中：(D_{std })和(D_{men })是粗細節層的方差和均值。

　　如圖4所示，加入調制因子d前后的細節層為圖(a)和圖(c)，分別與增強的亮度通道融合后的圖像為圖(b)和圖(d)。從圖(b)和圖(d)可以看出加入調制因子d后圖中物體邊緣更加平滑，黑邊消失。

　　對細節層進行模糊處理，從而減弱這種現象，或者去馬賽克算法消除。在實際應用中，需要根據具體情況選擇合適的核大小來進行高斯濾波處理，并且也可以針對性地調整去馬賽克算法的參數以達到更好的效果。在背景虛化的微光圖像上使用本文細節層算法進行圖像增強可能會導致增強后的圖像出現馬賽克現象。為了解決這個問題，可以選擇使用高斯濾波算法。

　　1.3 亮度增強

　　本文將對經過濾波處理的RGB圖像進行HSV顏色空間轉換，并使用雙邊濾波估算出的光照分量來替代原始V通道以實現圖像亮度增強。先使用自適應伽馬校正和伽馬先驗校正對光照分量進行預處理，再將二者校正后的圖像與光照分量通過Alpha算法進行融合。

　　原本的伽馬校正先驗公式的作用是圖像去噪和去霧，根據文獻[13]，本文使用伽馬先驗校正增強微光圖像的亮通道。自適應伽馬校正和伽馬先驗校正公式定義如下：

　　[L^{gc}(i, j)=L^{b}(i, j)^{s(i, j)} L^{gcp}(i, j)=1-left(1-L^{b}(i, j) ight)^{frac{1}{s(i, j)}}]

　　式中：(L^{gc}(i, j))為伽馬校正結果;(L^{gcp}(i, j))為伽馬先驗校正結果;(L^{b}(i, j))為歸一化的值;(s(i, j))為改進后的對數變換，這里作為校正公式的冪。經過對數變換后，圖像的亮度值會發生反轉即暗處的像素值將會變得更大，而亮處的像素值則會變得更小，再將對數變換的結果作為伽馬校正和伽馬先驗校正的冪，可以使淹沒在黑暗中的細節暴露出來。本文對數變換公式如下：

　　[s(i, j)=left{egin{array}{l}frac{log left(men+L^{b}(i, j) ight)}{log left(std^{c} ight)}+std & med > std \ frac{log left(men+L^{b}(i, j) ight)}{log left(std^{c} ight)}+med & med leq std end{array} ight.]

　　式中：(s(i, j))為對數變換結果;men、med和std分別為光照分量的均值、中值和方差;c為冪值，用以控制對數變換后圖像數值的大小即反轉后圖像的亮度。不同圖像的c值可按下式取值：

　　[c=left{egin{array}{ll} frac{ med }{ immse × men } & med > immse \ frac{ men }{ immse × med } & 0.025 med \ frac{ med + immse }{ std +med } & med leq 0.025, std < med end{array} ight.]

　　式中：immse為光照分量的均方誤差。

　　Alpha融合算法是在原本的圖像通道外重新定義了第四通道即Alpha通道，該通道反映了圖像的透明度信息。在將前景圖像疊加到背景圖像的過程中，改變Alpha通道的值可使新圖像既包含前景圖像又包含背景圖像[14]。本文通過修改原先兩圖像的Alpha融合算法得到了適用于三圖像的Alpha融合算法，公式如下：

　　[V=frac{m_{b} × L^{b}+m_{gc} × L^{gc}+m_{g} × L^{gc}+m_{g} × L^{gcp}}{m_{b}+m_{gc}+m_{gcp}} (11)]

　　式中：V為融合后的亮度通道;(m_{b})、(m_{gc})、(m_{gcp})分別為光照分量、伽馬校正和伽馬先驗校正歸一化后的均值，以此來代表各自圖像的透明度。

　　亮度通道增強過程如圖5所示，原圖(a)經過圖(b)的對數曲線處理后，其圖像亮度反轉為圖(c)。以圖(c)的值作為冪值，在經過伽馬校正和伽馬先驗校正后得到圖(d)和(e)。相比于原圖，這兩幅圖像的亮度得到了明顯提高，其中圖(d)的亮度提高的更多。圖(a)、(d)和(e)被融合成圖(f)，其亮度在(d)和(e)之間。該融合方式可以防止單獨使用圖(d)時帶來的過曝光情況，同時也能夠防止單獨使用圖(e)時亮度增強不足的情況。

　　1.4 細節融合

　　在上一節中，使用Alpha融合算法來提高圖像的亮度，但圖像細節并不能很好地保留，反而會導致增強后的圖像變得模糊、紋理不清晰。因此，為了在提高圖像亮度的同時保留其細節，本文將細節層與增強后的亮度通道進行融合。如圖6所示，經過融合后的圖像在提高亮度的同時細節也得到了很好的保留。融合公式如下：

　　[V^tl7lrfpl=V × D quad(12)]

　　式中：(V^tl7lrfpl)為融合細節層的亮度通道;V為增強后的亮度通道;D為加入調制因子的細節層。

　　2 實驗結果與分析

　　2.1 細節保留實驗

　　為了評估本文算法在保留圖像細節方面的能力，對LOL數據集[15]中的圖像進行了處理。首先，獲取了經過亮度增強但沒有融合細節的圖像，以及融合了細節的亮度增強圖像。然后，分別計算了這兩種圖像的平均梯度(AG)[16]以及完全增強圖像的信息熵(Entropy)[15]。AG和Entropy指標可以反映圖像的細節程度，數值越大表示圖像中細節越豐富。因此，通過計算AG和Entropy指標，可以量化算法對圖像細節的保留能力。

　　圖7展示了LOL數據集中部分圖像的AG和Entropy指標計算結果，而表1則展示了這些圖像中AG和Entropy的提升百分比。對于其他圖像，其計算結果與圖中所示相一致。從圖7可以明顯觀察到以下情況：融合了細節的亮度增強圖像的AG值普遍高于沒有融合細節的亮度增強圖像，同時融合了細節的完全增強圖像的Entropy值普遍高于原始圖像。通過表1可以看出，融合了細節的圖像的AG和Entropy值均有顯著的提升。這兩個指標的變化表明，融合了細節的增強圖像具備更為豐富的信息內容和更加充分的細節展現。

　　2.2 微光圖像增強實驗

　　為了評估本文算法對整體微光圖像處理的效果，對不同類型的圖像使用對比度受限的自適應直方圖均衡化算法(contrast limited adaptive histogram equalization, CLAHE)[17]、帶色彩恢復的多尺度視網膜增強算法(multi-scale Retinex with color restoration MSRCR)[18]、基于照度估算的方法(low-light image enhancement, LIME)[19]、用于增強低光照視頻的快速高效算法(Dong)[20]、微光圖像增強的仿生多重曝光融合算法(bio-inspired multi-exposure fusion, BIMEF)[21]進行處理，并使用主流的圖像評價指標進行評價。

　　2.2.1 無參考圖實驗

　　本文使用ExDark數據集[22-23]進行無參考圖實驗。該數據集包含了7千多張自然環境中的微光圖像。實驗中使用上述算法對該數據集中的圖像進行處理，圖8所示的是不同類型的微光圖像的部分處理結果。

　　經過CLAHE處理后的圖像整體亮度增強不足，一些細節還隱藏在黑暗中。經過MSRCR處理的圖像，圖像亮度不恒定，會出現某些圖像亮度足夠，某些圖像亮度不足的情況。經過LIME處理后的圖像亮度過曝，導致暗區過增強呈現黑塊。經過Dong處理的圖像，邊緣黑邊嚴重。經過BIMEF處理的圖像亮度提升明顯。本文算法處理后的圖像，亮度適中，無黑邊現象。

　　為了進一步評價本文算法對無參考圖的處理效果，使用BRISQUE[24]、Entropy和NRSS[15,25]三個指標進行評價。BRISQUE反應了圖像的失真程度或圖像的視覺質量;Entropy反應了圖像的信息豐富度即圖像的邊緣、紋理和細節特征;NRSS(no-reference structural sharpness)反應了圖像的模糊程度。

　　從表2可以看出，除Boat圖像的BRISQUE值大于MSRCR算法，其他均小于其他算法，表明經過本文處理的圖像失真小。因LIME算法處理后的圖像過曝，暴露出了更多的細節，故Entropy值小于LIME算法，但與BIMEF和Dong相近甚至部分圖像的Entropy值超過，且大于CLAHE和MSRCR算法，表明本文算法可以較好的保留圖像的邊緣細節。NRSS值除Bus圖像小于LIME算法，其他均高于其他算法，表明經過本文處理的圖像具有很好的清晰度。

　　2.2.2 有參考圖實驗

　　本文使用BrighteningTrain數據集[26]進行有參考圖實驗。該數據集包含了1000張真實場景拍攝的微光圖像和對應的正常亮度圖像。實驗中使用上述算法對該數據集中的圖像進行處理，并選取不同類型的微光圖像的部分處理結果進行展示，結果如圖9所示。

　　經CLAHE處理后的圖像亮度太暗，存在少量偏色問題;經MSRCR處理的圖像亮度一致性差，不同類型圖像之間亮度存在過亮和較暗情況，同一張圖像也會存在過曝和過暗情況;經LIME處理后的圖像亮度過度曝光導致整體泛白，且色彩飽和度過高，紋理過于平滑;經Dong處理后的圖像雖然提高了亮度，但圖像邊緣黑邊明顯，人眼視覺感受差;經BIMEF處理的圖像亮度有所提高，但還低于正常圖像;本文算法處理的圖像亮度最接近原圖，一致性好，且保留了部分細節。

　　鑒于BRISQUE、Entropy以及NRSS評價指標無法利用參考圖像進行圖像質量評估，為了更全面地評價本文所提算法的性能表現，采用能夠利用參考圖像的評價指標，即結構相似性(structural similarity, SSIM)和峰值信噪比(peak signal-to-noise ratio, PSNR)[27]，作為衡量標準，對上述不同算法處理后的圖像質量進行評估。PSNR用于度量微光圖像經過處理后的噪聲水平;而SSIM用于衡量圖像的相似程度，該指標可反應不同算法處理后的圖像品質。

　　從表3可看出，本文算法的SSIM指標均高于其他算法，表明經過本文算法處理的圖像更加接近原始正常亮度圖像;PSNR指標高于CLAHE、MSRCR、LIME算法，但對于Scenery圖像低于Dong和BIMEF算法，對于Person圖像低于BIMEF算法，表明本文算法可以有效抑制微光圖像增強后的噪聲。

　　2.3 算法運行時間

　　為了測試不同算法的處理速度，本文從無參考圖和有參考圖的數據集里選擇不同分辨率的微光圖像進行實驗，實驗結果如表4所示。CLAHE方法因圖像分塊均衡化、每小塊內部操作簡單故運行時間最短，且運行時間對圖像大小的增加表現出極高的魯棒性，即便圖像尺寸顯著擴大，其運行時間的增幅亦相當有限;與CLAHE方類似，BIMEF方法在局部區域進行曝光融合操作且有選擇性地對微光區域進行處理，故運行時間快;MSRCR方法由于其多尺度高斯濾波操作而具有較高計算復雜度;Dong算法將微光圖像增強問題轉化成了暗通道去霧問題，又因低光照圖像的反轉圖，可以看成是霧很嚴重的情況，在使用暗通道去霧算法求取反轉圖時需要更多的計算時間;LIME方法需要迭代優化來估計圖像的光照圖從而增加了算法的計算復雜度和運行時間，導致運行時間最長;本文算法因含有濾波等操作導致運行時間低于CLAHE和BIMEF方法，但又不含迭代計算從而使運行時間快于其他方法。

　　3 結論

　　為避免微光圖像增強過程中出現細節丟失導致圖像信息恢復不足，本文提出了一種細節保留與亮度融合的微光圖像增強算法。在微光圖像亮度增強的同時融合細節層以保留原始圖像的紋理信息。實驗結果表明，融合了細節層的圖像在AG方面可以提升49%，信息熵可以提升43%。無參考圖情況下，增強后的圖像Entropy值可達7.7911，BRISQUE值可達5.8177，表明本文算法很好地保留了原始圖像的細節。有參考圖對比時，增強后的圖像SSIM值達到0.965。表明增強后的圖像與原圖之間具有最高的相似度，同時圖像失真也最小。

　　參考文獻

　　[1] WANG L, WU B, WANG X, et al. Endoscopic image luminance enhancement based on the inverse square law for illuminance and retinex[J]. The International Journal of Medical Robotics and Computer Assisted Surgery, 2022, 18(4): e2396.

　　[2] 朱明秀. 視頻圖像處理技術在安防行業的應用[J]. 電子技術與軟件工程, 2020(2): 155-156.

　　[3] 曹行健, 張志濤, 孫彥贊, 等. 面向智慧交通的圖像處理與邊緣計算[J]. 中國圖象圖形學報, 2022, 27(6): 1743-1767.

　　[4] 馬曉東. 數字圖像處理技術在智能交通中的應用[J]. 電腦知識與技術, 2022, 18(21): 123-124.

　　[5] WANG W, WU X, YUAN X, et al. An experiment-based review of low-light image enhancement methods[J]. IEEE Access, 2020, 8: 87884-87917.

　　[6] 扈佃海, 呂緒良, 文劉強. 一種改進的直方圖均衡化圖像增強方法[J]. 光電技術應用, 2012, 27(3): 65-68.

　　[7] 黃輝先, 陳凡浩. 基于注意力機制和Retinex的低照度圖像增強方法[J]. 激光與光電子學進展, 2020, 57(20): 53-60.

　　[8] 何錦成, 韓永成, 張聞文, 等. 基于通道校正卷積的真彩色微光圖像增強[J]. 兵工學報, 2023, 44(6): 1643-1654.

　　[9] Lore K G, Akintayo A, Sarkar S. LLNet: A deep autoencoder approach to natural low-light image enhancement[J]. Pattern Recognition, 2017, 61: 650-662.

　　[10] 趙興運, 孫幫勇. 融合注意力機制和上下文信息的微光圖像增強[J]. 中國圖象圖形學報, 2022, 27(5): 1565-1576.

　　[11] 劉嶸侃, 邢德智, 唐昭煥, 等. 低噪聲CMOS圖像傳感器技術研究綜述[J]. 半導體光電, 2020, 41(6):768-773.

　　[12] GAO Y, HU H M, LI B, et al. Naturalness preserved nonuniform illumination estimation for image enhancement based on retinex[J]. IEEE Transactions on Multimedia, 2017, 20(2): 335-344.

　　[13] LI C, TANG S, YAN J, et al. Low-light image enhancement via pair of complementary gamma functions by fusion[J]. IEEE Access, 2020, 8: 169887-169896.

　　[14] 楊斌. 基于FPGA的頭戴顯示器視頻圖像處理系統設計與實現[D]. 成都: 電子科技大學, 2021.

　　[15] 陳清江, 顧媛, 李金陽. 雙分支金字塔網絡的微光圖像增強算法[J]. 液晶與顯示, 2022, 37(3): 395-404.

　　[16] 楊艷春, 李嬌, 王陽萍. 圖像融合質量評價方法研究綜述[J]. 計算機科學與探索, 2018, 12(7): 1021-1035.

　　[17] Zuiderveld K. Contrast limited adaptive histogram equalization[J]. Graphics Gems, 1994: 474-485.

　　[18] Petro A B, Sbert C, Morel J M. Multiscale retinex[J]. Image Processing On Line, 2014: 71-88.

　　[19] GUO X, LI Y, LING H. LIME: low-light image enhancement via illumination map estimation[J]. IEEE Transactions on Image Processing, 2016, 26(2): 982-993.

　　[20] DONG X, PANG Y, WEN J. Fast efficient algorithm for enhancement of low lighting video[C]//IEEE International Conference on Multimedia and Expo, 2011.

　　[21] YING Z, LI G, GAO W. A bio-inspired multi-exposure fusion framework for low-light image enhancement[J]. arXiv preprint arXiv, 1711.00591, 2017.

　　[22] Loh Y P, Chan C S. Getting to know low-light images with the exclusively dark dataset[J]. Computer Vision and Image Understanding, 2019, 178: 30-42.

　　[23] JIANG Y, GONG X, LIU D, et al. EnlightenGAN: deep light enhancement without paired supervision[J]. IEEE Transactions on Image Processing, 2021, 30: 2340-2349.

　　[24] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12): 4695-4708.

　　[25] 謝小甫, 周進, 吳欽章. 一種針對圖像模糊的無參考質量評價指標[J]. 計算機應用, 2010, 30(4): 921-924.

　　[26] ZHOU D, QIAN Y, MA Y, et al. Low illumination image enhancement based on multi-scale cycle GAN with deep residual shrinkage[J]. Journal of Intelligent & Fuzzy Systems, 2022, 42(3): 2383-2395.

　　[27] 劉柯, 李旭健. 水下和微光圖像的去霧及增強方法[J]. 光學學報, 2020, 40(19): 73-85.