随着目前信息技术的不断发展,数字图像已成为人类获取外部信息的一种重要途径,目前在日常生活时,人类收集图像的条件往往不是很理想,在类如雨天雪天或者大雾的恶劣外部环境中,就会收集到无法清晰表达信息的图像,而且如果拍摄水平较低或者拍摄机器较差,也会使收集到的图像难以使用。这类图像往往拥有平均亮度较低,细节模糊,信噪比较大等特性被称为微光图像,微光图像必须要通过图像增强处理来达到日常生活或科研要求。Retinex理论是基于人类视觉系统的非线性增强理论,对图像质量的提升效果较为理想,是当前微光图像增强算法研究中的重点和热点。本文针对整体亮度偏低的图像提出了基于自适应MSR算法和曝光融合方法的图像增强新算法。该算法首先对图像进行颜色空间的转换来最大程度的避免丢失色彩信息,然后对图像亮度分量按照要求进行分块操作。引入信息熵来区别图像具有不同特性的局部区域,根据图像局部的信息熵来定义一个衡量信息丰富程度的概念,然后分别计算图像各局部区域高斯核的尺度参数,达到在图像不同特性的区域能够获得最为理想的增强结果。对待处理图像的亮度分量引入引导滤波器中,达到保留图像结构信息的目的。最后,采用曝光融合方法将多幅处理结果图进行合并,并根据实际图像增强实验和客观图像评价数据分析,基于自适应MSR算法和曝光融合方法的图像增强新算法相较于几种已有算法,得到的新图像能够兼顾多种处理手段的优点。本文针对局部亮度较低的图像提出了基于自适应对数处理模型和Retinex理论的图像增强算法。该算法首先在理论方面证明了自适应PLIP模型能够满足图像增强算法的需求,并将PLIP模型进行了根据图像局部特性自适应权值改进,该算法首先根据图像不同局部区域的特性来建立自适应对数处理模型。在该模型下对微光图像增强在多个方面进行增强,并对细节增强的结果进行亮度保持的处理,避免算法的过度增强问题。通过多幅各类微光图像的增强实验和多种客观评价参数的证明,和现有算法相比,基于自适应对数处理模型和Retinex理论的图像增强算法能够有效解决当前算法对于具有双峰特性的微光图像处理过程中产生的信息丢失问题。