1.一种基于多图像融合Retinex的弱光增强方法，其特征在于，包括以下步骤：S1、根据原始图像获得初始照明图；

S2、根据所述原始图像、所述初始照明图获得初始反射图；

S3、根据所述初始反射图，采用形态学闭合的方式获得调整反射图；

S4、选取获得初始融合照明图，所述初始融合照明图包括初始照明估计图、伽马矫正照明估计图、直方图规定化照明估计图；

S5、对所述初始融合照明图进行加权最小二乘滤波，获得滤波图；

S6、根据所述初始融合照明图、所述滤波图，获得平滑层融合照明图、细节层融合照明图；

S7、根据所述平滑层融合照明图、所述细节层融合照明图，获得最终照明融合图；

S8、根据所述调整反射图、所述最终照明融合图，获得增强图像。

2.根据权利要求1所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S1中，在获得初始照明图之前，对所述原始图像进行下采样处理。

3.根据权利要求1所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S1中，通过在所述原始图像的R、G、B通道中找到最大值来估计图像每个像素的亮度，得到所述初始照明图。

4.根据权利要求1所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S2中，获得所述初始反射图的公式为：c

式中，Rinit(x,y)表示初始反射图；ε表示微小实数；S (x,y)表示原始图像的像素位置，c表示颜色通道；Linit(x,y)表示初始照明图。

5.根据权利要求4所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S3中，获得所述调整反射图的公式为：式中，Estruc表示圆盘形结构元素，Radjust(x,y)表示调整反射图，表示形态学闭合操作。

6.根据权利要求4所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S4中，获得所述初始融合照明图的公式为：式中，I1表示初始照明估计图，记为第一个初始融合照明图；I2表示伽马矫正照明估计图，记为第二个初始融合照明图；I3表示直方图规定化照明估计图，记为第三个初始融合照明图；B表示伽马矫正的调整系数；Linitγ表示Linit的伽马矫正照明估计，γ为伽马矫正系数；

Pr表示通过双对数变换得到的映射关系。

7.根据权利要求6所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S5中，获得所述滤波图的公式为：式中，Ik,wlss表示第k个初始融合照明图对应的滤波图，记为第k个平滑层图像；F表示从Ik到Ik,wlss的函数映射关系；λ表示平滑因子；Ik表示第k个初始融合照明图，k＝1,2,3；LIk是第k个初始融合照明图的WLS矩阵形式；Dx、Dy表示前向差分矩阵；Ax、Ay表示权重分配值。

8.根据权利要求7所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S6包括以下子步骤：通过所述初始融合照明图和所述滤波图相减得到细节层图像，公式表示如下：Ik,wlsd＝Ik-Ik,wlss                              (5)d

式中，Ik,wls表示第k个细节层图像，k＝1,2,3；

平滑层图像的权重公式为：

式中，Wm(m,n)表示第n个平滑层图像关联的第m个平滑层图像的权重，Im表示第m个平滑层图像，In表示第n个平滑层图像，m＝1,2,3，n＝1,2,3；μ表示均值变换因子，σ表示方差变换因子，A表示权重调节系数；

所述平滑层图像的加权最小二乘法自适应加权融合公式如下所示：式中，Ls(x,y)表示平滑层融合照明图，分母表示总权重归一化项；

获得所述细节层融合照明图的公式为：

Ld(x,y)＝(I1,wlsd(x,y)+I2,wlsd(x,y))/2                  (8)式中，Ld(x,y)表示细节层融合照明图。

9.根据权利要求8所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述S7中，结合公式(7)和公式(8)得到最终照明融合图，公式为：Lfinal(x,y)＝Ls(x,y)+Ld(x,y)                    (9)式中，Lfinal(x,y)表示最终照明融合图。

10.根据权利要求9所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述S8中，获得所述增强图像的公式为：式中，Scenhance表示增强图像， 表示调整反射图。