3. 低光照图像特性分析

低光照图像，说白了就是光线不够时拍出来的照片。我做了这么多年视频增强，可以负责任地告诉你——理解低光照图像的退化规律，是所有增强算法的基础。你连敌人长什么样都不知道，怎么打？

这一节，我们就把低光照图像的几个核心问题掰开揉碎。信噪比、直方图、暗部细节、色彩偏移，一个一个来。

3.1 信噪比退化：噪声为什么在暗处特别明显？

先问一个问题：为什么白天拍照噪点很少，晚上全是雪花？

答案其实很简单——信号弱了，但噪声没怎么变。信噪比（SNR）这个指标，就是信号和噪声的比值。光线充足时，信号强度远大于噪声，画面干净。光线不足时，信号强度掉到和噪声一个量级，甚至比噪声还低，那画面自然就花了。

SNR ≈ 10 * log10(信号功率 / 噪声功率)

低光照下：信号功率 ↓↓↓，噪声功率基本不变
结果：SNR 急剧下降，图像质量崩盘

我在项目中遇到过最典型的场景——安防摄像头在夜间监控。白天 SNR 能到 40dB 以上，画面通透。到了晚上，如果不开补光灯，SNR 直接掉到 15dB 以下。什么概念？就是人脸轮廓都看不清，全是颗粒。

噪声类型主要有三种：

• 光子散粒噪声——光本身的量子特性，躲不开的物理极限
• 读出噪声——传感器电路产生的，和温度强相关
• 暗电流噪声——传感器热运动产生的，曝光时间越长越严重

嗯，这里要注意：低光照下，光子散粒噪声占主导。因为信号光子本来就少，随机波动就显得特别突出。

3.2 直方图分布特征：像素都挤在左边了

你想想看，一张正常曝光的图像，直方图应该是中间高、两边低，像个钟形。但低光照图像呢？

我习惯先看直方图再决定用什么算法。低光照图像的直方图有非常明显的特征：

1. 主峰集中在低灰度区——大部分像素值在 0-50 之间（8位图像）
2. 高灰度区几乎没数据——255 附近基本是空的
3. 直方图整体偏窄——动态范围被压缩了
4. 可能有多个小尖峰——那是噪声造成的伪影

为什么会这样？因为传感器在低光照下，每个像素收集到的光子太少，电荷量不足，输出的数字值自然就低。说白了，就是传感器没吃饱，干不了活。

3.3 暗部细节丢失：信息被噪声淹没了

这是最让人头疼的问题。暗部细节丢失，不是简单的「看不清」，而是信息真的没了。

我举个例子：你在昏暗的房间里拍一张照片，墙上有一幅画。正常光照下，画的纹理、颜色、边缘都很清楚。但在低光照下，这些细节会被噪声覆盖，甚至完全消失。

暗部细节丢失的三种表现：

我曾经做过一个项目，需要从夜间监控视频中提取车牌信息。结果发现，车牌区域在原始图像中几乎全是黑的，直方图显示像素值都在 5 以下。这种情况下，任何增强算法都救不回来——因为信息已经丢失了。

3.4 色彩偏移问题：颜色为什么不准了？

低光照下，颜色不准是常态。你拍一张夜景，原本红色的灯笼变成了橙色，蓝色的天空变成了紫色。这不是相机坏了，是物理规律在作祟。

色彩偏移的核心原因有两个：

• Bayer 滤波器的灵敏度差异——不同颜色的滤光片对光的透过率不同，绿色通道通常最敏感，蓝色和红色通道在低光照下信号更弱
• 白平衡算法失效——自动白平衡依赖场景中的中性色参考，低光照下参考点被噪声污染，算法算出来的色温就不准了

我习惯用色差指标来量化色彩偏移：

ΔE = sqrt((L1-L2)² + (a1-a2)² + (b1-b2)²)

低光照下，ΔE 通常 > 10，肉眼明显可见色偏
正常光照下，ΔE < 3，人眼基本看不出差异

你想想看，如果红色通道的信号只有绿色通道的 1/3，那红色物体的颜色信息就严重不足。后期再怎么调，也很难还原出真实的红色。

3.5 知识结构总览

下面这张图，把低光照图像的核心退化问题串起来了。我建议你把它当作本章的思维导图，每次做低光照增强时，对照着检查一遍。

3.6 小结：理解退化，才能对症下药

低光照图像的问题，不是单一的「暗」。它是信噪比、动态范围、细节信息、色彩准确性四个维度同时退化。我个人的经验是：

• 先看直方图，判断低光照的严重程度
• 再算 SNR，评估噪声水平
• 然后检查暗部是否有信息残留
• 最后看色差，决定是否需要色彩校正

这四个步骤走下来，你就能清楚地知道：这张图还有没有救？该用什么策略？