在光照条件不佳的环境下,由于曝光不足,光学成像设备所收集的图像整体视觉暗淡、细节模糊、可见性差,必须经过增强处理后才能用于后续的各类图像处理任务。现有的低照度图像增强（low-light image enhancement,LLIE）算法大多数是基于Retinex的光学物理模型,所得到的图像整体上视觉效果较好,但估计照射分量或反射分量时受约束的限制很容易导致图像出现局部细节模糊等问题。近年来,基于深度学习的LLIE算法成为研究者关注的热点。该类方法所实现的LLIE算法对于特定的图像内容,在图像对比度、细节增强方面具有一定的优势。但受制于深度学习固有的数据依赖困扰,并不是对所有给定的低照度图像都有稳定的增强效果。在深入分析主流LLIE算法的各种实现策略的优缺点可知,仅依靠单一策略实现的增强算法无法保证其能达到最佳的增强效果,或多或少存在着不足。为此,本文采用融合策略提出一种多图像局部结构化融合（multi-image local structured fusion-based,MLSF）的LLIE算法。首先,用预先训练好的最佳曝光度预测模型获得低照度图像的最佳伪曝光度值,并基于该值用亮度转换函数（brightness transform function,BTF）分别生成一张最佳伪曝光图像（适度增强图像）和一张过伪曝光图像（利用比最佳伪曝光值更高的曝光度值生成）。其次,为了在图像局部结构细节上获得更好的纹理边缘保持和颜色保真效果,将经典Retinex算法得到的适度增强图像、最佳伪曝光度图像、过伪曝光图像和原始低照度图像同一空间位置处的图块数据矢量化,并将其分解为对比度,纹理结构和亮度值三个分量表示。针对对比度分量,采用最高对比度作为融合后图块的对比度分量,而对于纹理结构和亮度值信息则分别用相位一致性、视觉显著度作为权重系数进行加权融合。最后,将融合后的三个分量重构为图块,从而完成图像融合实现图像增强的目的。鉴于DCNN具有强大的、自动的特征提取功能,能充分利用自然图像中所蕴涵的先验知识达到提高图像增强的效果。本文在融合框架的基础上结合深度学习提出了一种利用混合策略（deep learning and image fusion,DLIF）实现的LLIE算法。首先,利用深度学习技术训练照射分量预测模型,该预测模型可直接基于输入的低照度图像快速地估计出其最佳照射分量并在Retinex模型框架下获得一张整体上适度曝光图像;其次,针对适度曝光图像中部分区域仍然可能存在的欠曝光和过曝光问题,将低照度图像本身及它的过曝光图像两张图像作为适度曝光图像的修正补充图像参与融合;最后,将制备好的各个待融合图像从RGB颜色空间转换到YCb Cr颜色空间表示,采用局部结构化融合技术将低、适度、过曝光图像的Y分量进行融合,同时利用色度加权融合机制将低、适度和过曝光图像各自的Cb和Cr颜色分量分别进行融合,接着将融合后的Y、Cb和Cr三个颜色通道图像组合并转换回RGB空间表示,从而获得最终的增强图像。为了验证所提出的MLSF和DLIF算法,分别在有参考图像集和常用无参考图像集上与经典的LLIE算法进行对比实验。在有参考图像集上选用IW-PSNR（information content weighted peak signal to noise ratio）和IW-SSIM（information content weighted SSIM）两个评价指标进行比较,对于无参考图像集则选用对比度失真度量（no-reference image quality metric for contrast distortion,NIQMC）、增强图像质量的盲度量（blind image quality measure of enhanced,BIQME）、优化的BIQME图像增强算法（BIQME-optimized image enhancement method,BOIEM）和集成的局部自然图像质量评价器（integrated local natural image quality evaluator,ILNIQE）共4个评价指标进行比较。其中,IW-PSNR、IW-SSIM、BOIEM、BIQME和NIQMC指标值越大则表示图像质量越好,而ILNIQE则是越小表示图像质量越好。实验数据表明:与现有各种主流LLIE算法相比,MLSF和DLIF算法在各项评价指标上均排在前两名,对室内和室外获得的低照度图像均能有效提高视觉效果,避免了明显的颜色失真、曝光过度等现象,在局部图像结构细节上具有更好的图像细节保持能力和颜色保真效果。