由于成像条件的限制,实际生活中拍摄出的图像往往存在光照不均匀的现象,导致图像的对比度低、颜色失真和细节丢失等问题,既影响了视觉效果,又使得一些计算机视觉算法(例如,物体识别、对象跟踪等)难以奏效。基于Retinex模型,设计了一种自适应暗区域细节增强算法。Retinex理论将图像分解为代表场景光照的光照图和代表场景物理特性的反射图。论文首先将基于Retinex的暗光图像增强问题公式转化为贝叶斯优化框架。然后,设计了暗区域先验和自适应梯度放大策略,将该先验结合到光照图的估计中。用暗区域先验结合广泛使用的空间平滑度和结构先验,实现暗区域和结构感知的平滑度正则项的优化。论文针对该优化问题,给出了求解算法,之后经过后期处理得到增强结果。实验表明,该算法可以获得更好的增强效果,显示出了更多的暗区域细节。设计了一种可见光与近红外图像融合的增强算法。算法初衷是利用近红外图像通常包含的场景细节,而这些细节在可见光图像中难以探测到。在Retinex模型的光照图估计过程中,将近红外图像的梯度信息融入结构先验中,结合空间平滑度先验获得优化的光照图,再经过后期处理获得最终的增强结果。实验表明,融合近红外图像的信息能够很好地恢复可见光图像。