随着计算视觉和人工智能的快速崛起,图像逐渐成为人类获得外界信息最重要的媒介之一,同时作为当今的研究重点被各个研究领域进行了深入的研究,例如智能驾驶、无人机拍摄、医学临床检测和遥感监测等领域,推动着相关领域的技术发展。然而在图像的实际拍摄过程中,可能会因为拍摄环境和拍摄光照等不可抗拒因素导致图像质量严重下降,从而很难从图像中获取到有价值的信息。因而采用增强的技术对质量已退化的图像进行相关处理,可以改善其细节信息和提高图像质量,甚至促进其相关领域的发展,具有较强的工业应用价值。本文在Retinex理论的基础上提出了两种图像增强算法。为了使处理后的图像符合人眼视觉感知,并解决单尺度Retinex算法中增强结果不自然,细节增强与整体视觉之间的不平衡等问题,本文在单尺度Retinex框架的基础上,提出了一种基于光照补偿和细节调整的自适应Retinex增强算法。首先基于加权引导滤波和形态学的结合,提出一种新的图像光照分量估计方法,能够有效地消除增强结果中的光晕和增强细节信息,并在单尺度Retinex模型上加入亮度调节因子和细节调节模型,解决其增强结果不自然的问题;引入蜂群算法并结合熵值实现参数自适应,使增强结果达到参数最优;同时为了使增强结果在视觉上达到最优效果,在原图的基础上结合三角函数和改进的细节调整模型对增强结果进行光照补偿和细节调整,在补偿和调整结果融合中可能出现部分细节丢失和模糊,基于像素之间的调整提出了细节恢复方案,从而得到增强结果。实验仿真结果发现,本文的提出的算法无论在在客观评价和主观分析上都能取得好的增强结果。上述增强算法是在对数域中进行计算的,采用估计的方法去解决图像反射分量,给算法本身增加了不确定性。为了解决这个问题,在变分框架的基础上,提出了基于光照补偿和细节调整的变分Retinex增强算法。首先构造一种新的目标函数并结合交替求解的策略求解图像的光照分量和反射分量;并直接在变分增强结果进行光照补偿和细节调整,其中光照补偿通过估算图像之间的暗度并结合三角函数原理实现,细节通过函数归一化实现;特别地,为了能够将调整和补偿后的信息有效地与变分增强结果融合在一起,本文分别从亮度,色调和曝光率设计了加权值;最后通过多尺度融合的方式得到最终的增强结果。在公开的低照度数据上的测试表明,本文提出的算法在客观和主观分析上都要优异与对比的算法。