1. 低照度图像增强概述
各位同学，咱们今天聊聊低照度图像增强。说实话，这个方向我做了快十年，踩过的坑比走过的路还多。先别急着看算法公式，咱们先把基础概念理清楚。
1.1 什么是低照度图像
低照度图像，说白了就是光线不足时拍出来的照片。你想想看，晚上用手机拍个夜景，或者监控摄像头在凌晨录的画面——暗部细节全糊在一起，噪点像雪花一样，颜色也偏得离谱。
从技术角度讲，低照度图像有几个典型特征：
- 亮度低：像素值集中在低灰度区间，直方图左边堆成一堵墙
- 信噪比差：信号弱，噪声强，尤其是暗部区域的噪点特别明显
- 对比度低：亮部和暗部的差异被压缩，细节难以分辨
- 色彩失真：颜色饱和度下降，色偏严重，尤其是蓝色和绿色通道
核心认知：低照度图像的本质问题是“信号不足”。增强算法的目标不是把暗图变亮那么简单，而是在提升亮度的同时，控制噪声、恢复色彩、保留细节。这三者往往是矛盾的——你压了噪点，细节就糊了；你提了亮度，噪声也跟着放大了。
1.2 应用场景
低照度增强不是实验室里的玩具，它在实际产品中到处都是。我挑三个最典型的场景说说。
安防监控
安防是低照度增强最大的战场。我记得2018年帮某厂商调一款IPC（网络摄像机），客户要求“晚上10米内能看清人脸”。结果呢？硬件上用的是1/2.8英寸的传感器，F1.6光圈，已经算不错了。但到了凌晨两点，画面还是惨不忍睹。
安防场景有几个硬约束：
- 不能补光（或者补光有限），怕暴露摄像头位置
- 实时性要求高，不能有延迟
- 要同时兼顾亮区和暗区——比如路灯下的区域和阴影里的区域
手机摄影
手机摄影是另一个主战场。现在的旗舰机都在吹“夜景模式”，本质上就是一套低照度增强+多帧融合的pipeline。我参与过某款手机的夜景调优，说实话，最难的不是算法本身，而是“用户感知”——你算法再牛，用户觉得“拍出来假”就白搭。
手机场景的特点：
- 传感器小，物理限制大
- 用户对色彩和细节敏感
- 处理时间不能太长（超过2秒用户就骂娘了）
自动驾驶
自动驾驶对低照度增强的要求最苛刻。为什么？因为这是人命关天的事。夜间行车时，摄像头要能看清路标、行人、障碍物。我有个朋友在做ADAS（高级驾驶辅助系统），他说最怕的就是“鬼影”——低照度下运动物体留下的拖尾，算法一旦误判，后果不堪设想。
自动驾驶场景的挑战：
- 动态范围极大（车灯区域和暗部区域同时存在）
- 运动模糊和噪声叠加
- 必须保证低延迟（毫秒级）
| 场景 | 核心需求 | 主要挑战 | 典型硬件 |
|---|---|---|---|
| 安防监控 | 夜间人脸识别 | 噪声抑制、实时性 | IPC、球机 |
| 手机摄影 | 夜景拍照 | 色彩还原、用户感知 | 手机摄像头 |
| 自动驾驶 | 夜间障碍物检测 | 动态范围、低延迟 | 车载摄像头 |
1.3 技术挑战
做低照度增强这么多年，我总结出三大核心挑战。嗯，这里要注意，这些挑战不是独立的，它们互相纠缠。
挑战一：噪声与细节的平衡
这是最头疼的问题。低照度下，噪声主要来自传感器热噪声和读出噪声。你用一个高斯滤波把噪声压下去了，但边缘也糊了。你用双边滤波保边，但计算量上去了，而且参数调不好反而更糟。我曾经在一个项目里试了十几种去噪算法，最后发现——没有银弹，只能根据场景选。
挑战二：动态范围压缩
真实场景的动态范围往往超过100dB，而普通传感器的动态范围只有60-70dB。这意味着什么？意味着你拍夜景时，路灯区域过曝成一片白，阴影区域黑成一团。HDR（高动态范围）技术可以缓解，但多帧HDR在低照度下容易产生鬼影，单帧HDR又不够用。
挑战三：色彩恢复
低照度下，颜色信息丢失严重。尤其是蓝色通道，因为传感器对蓝光的灵敏度本来就低。你强行拉饱和度，颜色会变得“假”——像塑料花一样。我见过不少算法，亮度提上去了，但颜色偏紫偏绿，用户一看就说“这照片有毒”。
避坑指南：我曾经在一个项目中，为了追求低照度下的亮度提升，把gamma曲线拉得太狠。结果呢？暗部细节是出来了，但亮部区域全部过曝，而且噪声被放大了三倍。后来我学乖了——先做噪声评估，再决定增强策略。如果信噪比低于某个阈值，优先去噪，而不是盲目提亮。
1.4 评价指标
做算法不能光靠“看着顺眼”，得有量化指标。我常用的评价指标分两类：全参考和无参考。
全参考指标
需要一张“理想图像”作为参考。适合实验室环境。
- PSNR（峰值信噪比）：衡量像素级差异。数值越高越好，但PSNR高不代表视觉效果好——这个坑我踩过。
- SSIM（结构相似性）：衡量结构、亮度、对比度的相似度。比PSNR更贴近人眼感知。
- LPIPS（学习感知图像块相似度）：用深度学习网络提取特征，比较感知差异。这个指标在低照度增强中越来越常用。
无参考指标
没有参考图时用。适合实际产品。
- BRISQUE：基于自然场景统计的失真评估。速度快，适合实时系统。
- NIQE：不需要失真图像训练，直接评估图像质量。我习惯用它做快速筛选。
- PIQE：感知质量评估，对块效应和模糊比较敏感。
| 指标 | 类型 | 优点 | 缺点 | 我的使用场景 |
|---|---|---|---|---|
| PSNR | 全参考 | 计算简单、标准化 | 不贴合人眼 | 算法调试初期 |
| SSIM | 全参考 | 更贴近人眼 | 对平移旋转敏感 | 对比不同算法 |
| LPIPS | 全参考 | 感知一致性高 | 计算量大 | 实验 |
| BRISQUE | 无参考 | 速度快、无需参考 | 对特定失真不敏感 | 实时系统 |
| NIQE | 无参考 | 无需训练数据 | 对纹理丰富场景偏差大 | 快速筛选 |
我的习惯：在实际项目中，我从来不看单一指标。我会同时看PSNR、SSIM和NIQE，再配合主观评价。如果PSNR高但SSIM低，说明像素接近但结构变了——这往往是过度平滑导致的。如果NIQE低但主观效果差，说明指标没选对场景。记住：指标是工具，不是真理。
1.5 知识体系总览
好了，咱们把这一章的核心内容串起来。下面这张图是我自己画的，把低照度图像增强的知识体系理清楚了。
这张图把咱们这一章的内容串起来了。从问题定义出发，到技术挑战，再到评价指标，最后落到应用场景。后面的课程，咱们会沿着这个框架一步步深入。