一、低光增强概述：什么是低光图像？

先问个问题——你手机在晚上拍照时，是不是经常拍出一片噪点？那就是典型的低光图像。

低光图像，说白了就是光照不足环境下采集到的画面。我个人的定义更直接：人眼都看不清细节的场景，相机拍出来基本也是废片。这类图像有几个明显特征：整体亮度低、对比度差、颜色偏暗偏蓝、暗部细节全埋在噪声里。

你想想看，一张 8-bit 图像，正常光照下像素值分布在 50-200 之间。低光场景呢？大部分像素挤在 0-30 这个区间。信息量少得可怜，后期怎么拉都拉不回来。

1.1 低光增强的应用场景

低光增强不是实验室里的玩具。我在三个领域踩过坑，也拿到过实际收益。

安防监控

这是最刚需的场景。夜间监控画面，你总不能指望每个角落都装补光灯吧？我记得有一次帮某园区做安防系统升级，他们原有的摄像头一到晚上就是一片漆黑，偶尔能看到几个模糊的人影。用了低光增强算法后，至少能分辨出人脸轮廓了。

• 需求：实时处理，延迟低于 50ms
• 难点：不能引入运动模糊，不能放大噪声
• 我的经验：传统直方图均衡化在监控场景基本失效，得用时空联合的方法

手机摄影

这个大家都懂。现在手机厂商都在卷夜景模式，本质上就是低光增强。我参与过一款手机 ISP 的调试，说实话，算法比硬件更关键。同样的传感器，算法好能拉开两档曝光差距。

自动驾驶

这个场景要求最高。隧道出入口、夜间乡村道路、雨天黄昏——这些都是低光环境。我曾在某自动驾驶公司做过测试，低光场景下的目标检测召回率比白天低了 30% 以上。不增强，车就看不见；增强过头，又会产生伪影。嗯，这里要注意平衡。

应用场景	核心要求	典型挑战
安防监控	实时性、低噪声	运动模糊、光照突变
手机摄影	画质、色彩自然	多帧对齐、色调映射
自动驾驶	可靠性、低延迟	极端光照、动态范围

1.2 技术挑战

低光增强看着简单，做起来全是坑。我总结了几条核心挑战：

1. 噪声放大——亮度一拉，噪声跟着放大。这是最头疼的问题。
2. 颜色失真——暗部颜色信息本来就少，增强后容易偏色。
3. 过曝风险——图像中如果有局部亮区（比如路灯），增强后亮区直接过曝。
4. 细节恢复——暗部纹理能不能真正恢复，还是只是「看起来亮了」？

1.3 评价指标

算法好不好，不能光靠眼睛看。我习惯用三个指标来量化评估：

PSNR（峰值信噪比）

衡量像素级重建误差。值越高，失真越小。一般 30dB 以上算不错，低于 25dB 就明显有瑕疵了。

PSNR = 10 * log10(MAX² / MSE)
MAX = 255（8-bit 图像）
MSE = 均方误差

SSIM（结构相似性）

这个指标更贴近人眼感知。它比较亮度、对比度、结构三个维度。SSIM 在 0.9 以上，人眼基本看不出差异。

LOE（亮度顺序误差）

这个指标专门用来评估低光增强的自然度。它衡量增强前后图像中像素的相对亮度顺序是否被破坏。LOE 越小越好，一般低于 100 算合格。

指标	含义	理想值	适用场景
PSNR	像素级误差	> 30dB	有参考图像时
SSIM	结构相似性	> 0.9	人眼感知评估
LOE	亮度顺序保持	< 100	无参考图像时

为什么需要 LOE？因为很多低光场景根本没有「真值图」做对比。LOE 不需要参考图像，只评估增强后的图像是否保持了原有的亮度相对关系。说白了，就是看算法有没有把暗的地方变亮、亮的地方变暗——这种错误人眼一眼就能看出来。

1.4 本章知识体系

下面这张图是我自己整理的，把低光增强的核心脉络画出来了。你看一遍就能明白整个章节在讲什么。

这张图把本章内容串起来了。左边是应用场景，中间是技术挑战，右边是评价指标。你学完这一章，应该能回答三个问题：低光增强用在哪儿？难点在哪儿？怎么判断做得好不好？