当前位置：首页 > 行业动态 > 正文

光照不均图像增强方法综述

光照不均图像增强主流方法包括传统算法（直方图均衡、Retinex）与深度学习模型（U-Net/GAN），结合多尺度融合与自适应增强策略，有效提升对比度及细节保留

光照不均图像增强方法分类与原理

光照不均是指图像因光源位置、反射特性或传感器限制导致的亮度分布不均匀，常见于户外场景、医学影像、文档扫描等领域，此类问题会降低图像对比度、掩盖细节，甚至影响后续计算机视觉任务（如目标检测、分割）的性能，以下是主流的图像增强方法分类及原理：

通过直接调整像素灰度值或空间梯度来平衡光照差异。

光照不均图像增强方法综述

方法	原理	优点	缺点
直方图均衡化（HE）	拉伸图像全局灰度直方图，增强对比度。	简单快速，提升整体亮度。	易放大噪声，可能丢失局部细节。
自适应直方图均衡化（AHE）	对局部区域进行直方图均衡化，保留局部细节。	适应局部光照变化，细节保留好。	计算量大，可能产生块状伪影。
Retinex算法	模拟人眼视网膜成像机制，分离光照分量和反射分量（单尺度/多尺度）。	有效去除光照不均，细节增强。	参数敏感，易导致颜色失真。
同态滤波	通过频域滤波分离光照（低频）和细节（高频），调整动态范围。	平衡亮度与细节，抑制噪声。	参数调节复杂，可能模糊边缘。

通过数学变换（如DCT、小波变换）分离光照与纹理成分。

方法	原理	优点	缺点
DCT/Wavelet变换	将图像转换到频域，对低频（光照）和高频（细节）分别处理。	数学基础扎实，可针对性处理。	计算复杂度高，需逆变换重构。
Illumination Map估计	通过梯度、边缘信息估计光照分布，再通过除法或减法校正。	直接修正光照，物理意义明确。	对复杂光照估计误差大，依赖先验。

基于数据驱动，学习光照不均到均匀图像的映射关系。

光照不均图像增强方法综述

方法	原理	优点	缺点
监督学习	训练集需配对（光照不均图像→均匀图像），损失函数优化像素级/特征级差异。	精度高，泛化能力强。	依赖标注数据，计算资源消耗大。
无监督学习	通过对抗生成网络（GAN）、自监督约束（如亮度一致性）生成均匀图像。	无需标注数据，灵活性强。	可能生成不真实纹理，训练不稳定。
混合方法	结合传统算法（如Retinex）与深度网络（如U-Net），分阶段处理光照和细节。	兼顾效率与效果，可解释性强。	模型设计复杂，调参难度高。

挑战：
- 复杂场景（如多光源、强阴影）下的泛化能力不足。
- 计算效率与效果的平衡（如实时应用需求）。
- 缺乏统一基准数据集和评价标准。
趋势：
- 自适应算法：结合场景语义（如天空/地面分割）动态调整增强策略。
- 多模态融合：利用深度信息、红外数据辅助光照校正。
- 轻量化模型：面向移动端/嵌入式设备的高效网络设计。