1. 低光照增强概述
大家好，欢迎来到《低光照增强算法与色调映射优化实战》的第一章。
咱们开门见山。低光照增强，说白了就是让暗处的图像亮起来、看得清。你想想看，晚上用手机拍张照片，或者监控摄像头在深夜录了一段视频，结果黑乎乎一片，啥也看不清——这时候就需要低光照增强技术来救场了。
我最早接触这个方向，是在一个安防项目里。客户说他们夜间的监控录像“跟鬼片似的”，除了路灯下那一点亮，其他地方全是黑的。嗯，从那以后我就开始认真研究怎么把暗处的细节“挖”出来。
什么是低光照图像
低光照图像，就是拍摄环境光线严重不足时得到的图像。它的典型特征很明显：
- 整体亮度低——直方图集中在暗区，像素值普遍偏低
- 对比度差——亮部和暗部拉不开，细节糊在一起
- 噪声明显——传感器为了“看清”暗处会放大信号，噪声也跟着放大
- 色彩失真——颜色饱和度下降，偏色严重
我习惯用一个简单的指标来判断一张图是不是低光照：计算图像的平均像素值。如果低于40（0-255范围），基本就是低光照了。当然，这只是个经验值，具体还得看场景。
核心认知：低光照增强不是简单地“拉亮”图像。如果只是调高亮度，噪声和伪影也会被放大，结果反而更难看。真正的增强，是在提升亮度的同时抑制噪声、恢复色彩、保持自然感。
应用场景：三个典型领域
低光照增强不是实验室里的玩具，它在工业界有非常实在的需求。我挑三个最常见的场景聊聊。
安防监控
这是最刚需的场景。安防摄像头24小时工作，夜间占了将近一半的时间。你想想，如果晚上拍到的嫌疑人只是一团黑影，那这监控装了跟没装一样。
我在项目中遇到过一个问题：某款IPC（网络摄像机）在极暗环境下（0.01 lux以下）画面全是彩色噪点。后来我们用了多帧融合+自适应伽马校正，才把画面做到可用级别。
安防场景对实时性要求很高，通常需要30fps的处理速度。所以算法不能太复杂，轻量级模型或者传统方法反而更实用。
手机摄影
这个大家应该不陌生。现在手机厂商都在吹“夜景模式”，本质上就是低光照增强。手机摄影的特点是：
- 传感器小，进光量有限
- 用户手持拍摄，不能太慢（否则手抖糊片）
- 要兼顾美感和真实感
我建议做手机端算法时，一定要考虑功耗和发热。我曾经在某个芯片上跑了一个很重的增强模型，结果手机烫得能煎鸡蛋——这显然不行。
自动驾驶
这个场景比较特殊。自动驾驶的摄像头在夜间、隧道、雨雾等低光照条件下，必须能看清路况、行人、交通标志。一旦增强算法出问题，可能就是安全事故。
自动驾驶对算法的要求是：可解释性和稳定性。你不能让图像一会儿亮一会儿暗，也不能把红灯增强成绿灯。所以这个场景下，我一般更倾向于使用物理模型驱动的方法，而不是纯黑盒的深度学习。
| 场景 | 核心需求 | 典型约束 |
|---|---|---|
| 安防监控 | 看清细节、低噪声 | 实时性、全天候 |
| 手机摄影 | 自然美观、色彩真实 | 功耗、处理速度 |
| 自动驾驶 | 稳定可靠、可解释 | 安全性、低延迟 |
算法评价指标
做算法不能光靠“看着顺眼”，得有客观指标。我常用的三个指标是PSNR、SSIM和LOE。下面一个一个说。
PSNR（峰值信噪比）
PSNR是最传统的图像质量指标。它计算增强后的图像和参考图像（通常是正常光照下的同一场景）之间的像素差异。
公式很简单：
PSNR = 10 * log10(MAX^2 / MSE)其中MAX是像素最大值（8位图像就是255），MSE是均方误差。
PSNR越高，说明增强结果越接近参考图像。一般来说，PSNR超过30dB就算不错了。但我得提醒你：PSNR高不代表视觉效果好。有时候PSNR很高，但图像看起来就是怪怪的——因为它只关心像素差异，不关心人眼感知。
我的经验：PSNR适合做算法调优时的参考指标，但别把它当唯一标准。我曾经调出一个PSNR高达38dB的模型，结果图像看起来像塑料一样假。后来我学会了结合其他指标一起看。
SSIM（结构相似性）
SSIM比PSNR更聪明一些。它从亮度、对比度、结构三个维度来比较两幅图像的相似度。
SSIM的取值范围是0到1，越接近1说明越相似。一般认为SSIM大于0.9就算很好了。
SSIM的优势在于它更符合人眼视觉特性。比如，图像稍微变亮一点，PSNR可能会下降不少，但SSIM可能变化不大——因为结构信息没丢。
我在项目中习惯同时看PSNR和SSIM。如果PSNR高但SSIM低，说明图像可能被过度平滑了（细节丢了）。反过来，PSNR低但SSIM高，说明图像虽然有些噪声，但结构保持得不错。
LOE（亮度顺序误差）
LOE这个指标可能有些人不太熟，但它对低光照增强来说非常重要。LOE衡量的是增强前后图像中像素之间的相对亮度关系是否保持一致。
为什么要关注这个？因为低光照增强最容易犯的错误就是破坏自然光照感。比如，原本暗部比亮部暗，增强后暗部反而比亮部亮了——这就违背了物理规律，看起来会很假。
LOE的计算思路是：对每个像素，统计它在原图和增强图中比它亮的像素数量，然后比较这两个统计结果的差异。差异越小，LOE越低，说明亮度顺序保持得越好。
LOE值越低越好。一般来说，LOE小于100就算不错了。
注意：LOE对某些特殊场景可能不适用。比如，如果原图本身就是过曝的，那保持亮度顺序反而会保留过曝区域。所以用LOE时，要确保原图是典型的低光照图像。
这三个指标各有侧重，我建议在实际项目中综合使用：
- PSNR：看像素级还原度
- SSIM：看结构保持能力
- LOE：看自然光照感
没有哪个指标是完美的，但三个一起看，基本能判断一个算法的好坏。
本章知识体系
下面这张图梳理了本章的核心内容，方便你快速回顾。
好了，第一章的内容就到这里。我们搞清楚了什么是低光照图像，知道了它在安防、手机、自动驾驶里的实际价值，也掌握了PSNR、SSIM、LOE这三个评价指标。这些是后续所有算法的基础，一定要理解透。