随着信息化时代的来临,较之灰度图像,彩色图像的应用日趋广泛,同时对图像处理技术提出了更为严峻的挑战。在工业生产、军事安全,甚至农林等领域视频图像都得到了广泛的应用。清晰且高质量的彩色图像往往可以更好地发挥整个系统的性能,然而自然界或是某些实际现场光线不足,可能导致传感器因曝光不够,所拍摄的图像整体亮度偏低,最终影响整个系统的正常运行,所以低照度彩色图像增强技术的研究是具有特殊的应用价值。针对单一彩色图像增强算法存在的局限性,本文提出了一种基于Retinex理论与多图像融合的低照度彩色图像增强算法。首先,将原始图像备份三幅,对第一幅原始图像进行直方图均衡化和三维块匹配算法处理;之后,将第二幅原始图像由RGB转换至YCb Cr色彩空间,并对其中的Y通道进行基于引导滤波的Retinex增强算法处理;再将第三幅原始图像由RGB转换至HSV色彩空间,对其V通道进行亮度拉伸;然后,将这三幅处理后图像的V通道进行拉普拉斯金字塔图像融合,并取第三幅图像的H、S通道和融合后的V通道进行重新组合;最后将新组合的图像从HSV转换至RGB色彩空间,输出最终增强图像。本文算法综合了各传统算法的特点,有效地保留了低照度图像的纹理细节,提升了图像质量。考虑到基于Retinex理论算法在图像增强时,由于人为设置参数不准确而影响系统鲁棒性的问题,本文提出了基于Retinex理论和卷积神经网络的低照度彩色图像增强算法。首先,利用分解网络对低照度彩色图像进行Retinex分量分解;然后,使用带注意力机制的增强网络对分解之后的入射分量进行亮度提升;最后,在图像重建过程中利用保边滤波进行去噪处理,随后的反锐化掩膜算法实现图像细节的挖掘。本文算法可以准确地设置运行参数,提高了算法的鲁棒性,实现了低照度图像的色彩恢复。最后,本文通过对实际环境中的低照度图像进行对比实验,从主观与客观对算法进行评定,验证了本文算法的有效性。