Revealing Shadows: Low-Light Image Enhancement Using Self-Calibrated Illumination

数字图像处理中，提高在光线较暗的环境下的视觉内容是一个重要的挑战，因为图像通常会受到亮度不足、细节隐藏以及整体质量降低的影响。这个问题在夜间监视、天文摄影和低光摄像等应用中尤为关键，因为清晰详细的视觉信息至关重要。我们的研究通过增强暗图像的照明方面来解决这个问题。我们使用不同的颜色空间提取照明分量、增强它，然后重新组合图像的其他分量，从而超越了以往的技术。通过采用最初为 RGB 图像开发的自校准照明（SCI）方法，我们有效地增强和澄清在低光条件下通常会丢失的细节。这种选择性照明增强方法保持了颜色信息的完整性，因此保留了图像的颜色完整性。关键是，我们的方法消除了成对图像的需求，因此适用于这些图像不可用的情况。实施修改后的 SCI 技术代表了传统方法的重大转变，为低光图像增强提供了精细而有效的解决方案。我们的方法为更复杂的图像处理技术奠定了基础，并扩展了需要精确的颜色表示和改善能见度的可能的实际应用范围。

本论文旨在解决低光环境下图像质量不佳的问题，通过提取和增强图像的照明部分来改善图像质量。

通过使用不同的颜色空间提取照明组件并对其进行增强，然后将其与图像的其他组件重新组合，从而实现选择性照明增强，保留图像的颜色信息，消除了需要成对图像的需求。

本论文采用了自校准照明方法(SCI)，并在RGB图像的基础上进行了改进，实现了对低光图像的增强。实验结果表明，该方法能够有效地提高图像的清晰度和细节，同时保持图像的颜色完整性。此外，该方法不需要成对图像，适用于缺乏成对图像的情况。

在这个领域中，还有一些相关的研究被进行，例如《基于深度学习的低光图像增强方法》、《低光环境下的图像增强方法综述》等。