基于Matlab低光照图像自适应分段线性增强方法及系统实现

摘要：低光照环境下获取的图像往往存在亮度不足、对比度低、细节丢失等问题，严重影响了后续的视觉分析与计算机视觉任务。针对这一问题，本研究设计并实现了一种基于 Matlab 的低光照图像自适应分段线性增强方法及系统。本研究首先从图像的直方图分布、亮度均值与方差等统计特性出发，构建了多种自适应分段线性拉伸模型，包括基于 μ±2σ 的三段线性增强、直方图剪切与动态阈值调节的改进型线性增强方法。

作者：Bob(原创)

项目概述

低光照图像由于受光照不足和成像条件限制，往往呈现亮度偏低、对比度不足和细节模糊等问题，给后续的图像分析与计算机视觉任务带来显著挑战。针对上述问题，本文围绕低光照图像增强需求，研究并实现了一种基于 Matlab 的低光照图像自适应分段线性增强方法及系统。首先，本文从图像亮度统计特性出发，引入均值与方差构建自适应阈值，以此设计分段线性亮度映射模型，并结合直方图剪切策略提高亮暗区域的动态范围，从而有效提升图像亮度与对比度。此外，为增强系统的普适性与稳定性，本文集成了多种典型增强方法，包括 CLAHE、单尺度 Retinex（SSR）、多尺度 Retinex（MSR）、视觉感受野 Retinex（VRF-Retinex）及去雾算法，实现多模型互补的增强框架。

在系统实现方面，本文基于 Matlab GUIDE 构建图形化用户界面，实现图像导入、颜色空间转换（RGB、HSV、HSI、YCbCr、Lab）、增强算法选择、可视化展示及参数对比等功能，形成一个完整、可视化、可扩展的低光照图像增强平台。系统同时集成标准差、信息熵和平均梯度等评价指标，用于从亮度分布、信息量以及边缘清晰度等角度对增强结果进行量化分析。

实验结果表明，本文提出的自适应分段线性增强方法能够有效改善低照度图像的亮度不足与细节丢失问题，并在视觉效果与客观指标方面均取得了优于 CLAHE 和传统 Retinex 等方法的表现。综合来看，本研究为低光照图像增强技术提供了一种高效、可靠且易于应用的解决方案，并为相关系统开发与算法研究提供了参考价值。