低照度图像增强代码 7种算法 代码简单可靠，已应用于多篇文章

凌晨三点的监控画面总是糊成一团？手机拍的夜景全是噪点？今天咱们用七行代码破解低照度图像的魔法，这些方法都在顶会论文里实战过，保你朋友圈点赞翻倍。

1. 直方图均衡暴击法

最粗暴有效的增强方式莫过于直方图均衡，三行代码让像素值均匀分布：

import cv2 img = cv2.imread('low_light.jpg', 0) equ = cv2.equalizeHist(img)

这法子对X光片特好使，但用在夜景照片可能会让路灯变成太阳——对比度拉升太猛容易过曝，暗部细节直接起飞。

2. 分块柔光术（CLAHE）

聪明人想出了格子戏法，把图片切成小块分别处理：

clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) cl1 = clahe.apply(img)

clipLimit参数像美颜软件的力度调节，设成2-4比较安全。这个方法在医学影像增强中常见，处理皮肤纹理时比全局均衡细腻得多。

3. 伽马能量调节

显示器常用的伽马校正也能救场，调节幂指数控制亮度：

gamma = 2.2 inv_gamma = 1.0 / gamma table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype("uint8") cv2.LUT(img, table)

伽马值大于1是提亮模式，小于1是暗房效果。工业检测中常用这个做金属表面反光抑制，配合阈值分割效果拔群。

4. 对数变换戏法

低照度图像增强代码 7种算法 代码简单可靠，已应用于多篇文章

应对大动态范围场景可以试试这个：

c = 255 / np.log(1 + np.max(img)) log_image = c * (np.log(img + 1)) log_image = np.array(log_image, dtype=np.uint8)

处理CT图像的重建数据时常用，能保住高光区域的层次感。记得先做归一化，不然会得到满屏雪花噪点。

5. 多尺度Retinex玄学

传说中模拟人眼适应的算法，分离光照和反射：

def single_scale_retinex(img, sigma): retinex = np.log10(img) - np.log10(cv2.GaussianBlur(img, (0,0), sigma)) return retinex

三个不同sigma值的结果加权融合就是MSRCR，这玩意在遥感图像去云层干扰时效果惊艳。但颜色保真度是个玄学问题，得靠蒙版混合来找补。

6. 暗通道去雾大法

原本用于去雾的暗通道先验，拿来处理低照度竟有奇效：

dark_channel = cv2.erode(cv2.min(img, axis=2), np.ones((15,15))) atmospheric_light = np.percentile(dark_channel, 99) transmission = 1 - 0.95 * dark_channel / atmospheric_light result = (img - atmospheric_light) / transmission + atmospheric_light

处理雾天监控视频时，这方法能让车牌突然现身。但暗区噪声会被放大，得配合导向滤波食用更佳。

7. Zero-DCE神经魔法

终极武器是端到端深度学习模型：

model = cv2.dnn.readNetFromONNX('zero_dce.onnx') blob = cv2.dnn.blobFromImage(img, scalefactor=1/255, size=(256,256)) model.setInput(blob) output = model.forward()

这个无监督模型在手机端实时运行，论文里的夜间增强对比图基本都是它生成的。自己训练的话准备200张未配对图片就能开炼，不过显卡得准备好速效救心丸。

这些方法在实战中常常组合出击——先用Zero-DCE整体提亮，CLAHE处理局部阴影，最后伽马校正压制高光。实验室师弟的顶会论文里，这套组合拳在LOL数据集上PSNR干到了23.7，比单方法提升近15%。下次遇到暗光图像别慌，挑两个方法叠buff试试，说不定审稿人问效果怎么来时，你还能微微一笑：这是商业机密。