1.一种基于Retinex模型的低照度图像增强与去噪方法，其特征在于，具体按照以下步骤实施：

步骤1、用图像采集设备获取待增强的低照度图像；

步骤2、将所述步骤1得到的低照度图像分解为光照分量L和反射分量R两个未知分量，根据先验特征为光照分量L和反射分量R构建先验约束；引入变量B代表无噪声的低照度图像，根据图像非局部相似性，为无噪声的低照度图像B构建无噪声的先验约束条件，结合光照分量L和反射分量R的先验约束条件，构建分解优化目标函数；

步骤3、采用交替优化求解策略对三个未知分量B、R、L进行求解，使光照分量L和反射分量R的哈达玛积即两个分量矩阵中的对应元素相乘，在逼近变量B的优化过程中，去除低照度图像中的噪声；

步骤4、依据收敛条件，判断是否达到可行性解；

γ γ

步骤5、最终的增强结果表示为L ⊙R，其中γ为校正因子，L 表示反射分量L矩阵中的每个元素的γ次方，⊙表示矩阵中对应元素相乘。

2.根据权利要求1所述的一种基于Retinex模型的低照度图像增强与去噪方法，其特征在于，所述步骤2具体如下：

依据Retinex成像原理，步骤1中获取的低照度图像I表示为：I＝L⊙R          (1)其中，L表示场景光照分量，R表示物体对光照的反射率，即反射分量，步骤2具体如下：

步骤2.1、引入变量N表示低照度图像I中含有的噪声，引入一个新的变量B表示无噪声的低照度图像，即有：B＝L⊙R           (2)步骤2.2、搭建完整的优化目标函数为：式(3)中，||||F表示矩阵的Frobenius范数, 表示矩阵Frobenius范数的平方，则是使用矩阵的Frobenius范数去度量低照度图像I和L⊙R之间的差异，即为保真项，使得估计出的图像与低照度图像在内容上保持一致；Φl(L)、Φr(R)、Ψ(B)分别代表R、L、B的先验约束项，也即正则项；

步骤2.3、为光照分量L构建约束模型Φl(L)：其中，αl为优化参数，下角标l表示该参数是用于求解光照分量L；Wl为控制光照分量L中每个像素梯度变化幅度的权重参数， 为梯度算子，将(4)式就x和y方向的梯度展开为：其中， 表示使用矩阵的Frobenius范数去约束光照分量L的梯度变化， 和分别代表光照分量L在x和y方向上的梯度，‑7

其中，Gσ是标准偏差为σ的高斯滤波器，ε用于防止分母为零，给定值为10 ；

步骤2.4、同理，为反射分量R构建约束模型Φr(R)：其中，αr是优化参数，下角标r表示该参数是用于求解反射分量R，Wr是控制反射分量R中每个像素梯度变化幅度的权重参数，将(6)式就x和y方向的梯度展开为：其中， 整体表示使用矩阵的Frobenius范数去约束反射分量R的梯度变化,和 分别代表反射分量R在x和y方向上的梯度，步骤2.5，为无噪声低照度图像B构建约束模型Ψ(B)：其中，β是优化参数； Bi0是一个以像素点i为中心的，大小为b*b的图像块，Bij,j＝1,...,n是图像中搜索得到的第j个与块Bi0相似的图像块，||Ni(B)||*代表Ni(B)的核范数；

步骤2.6基于步骤2.3、2.4及2.5，公式(3)展开为：(8)式为构建的分解优化目标函数。

3.根据权利要求2所述的一种基于Retinex模型的低照度图像增强与去噪方法，其特征在于，所述步骤3具体如下：

采用交替优化迭代法对公式(8)进行求解，为了消除约束项B＝L⊙R，采用拉格朗日乘子法，引入新的变量H，得到新的优化目标函数：其中，μ是优化参数；

步骤3.1、固定变量R、B、H，优化变量L的子问题为：将(10)式化简为：

式中， 表示两个矩阵中对应元素相除，公式(11)属于标准的二次优化问题，可直接求解；

步骤3.2、基于步骤3.2对变量L的优化过程，固定变量L、B、H，对变量R进行优化的子问题为：

公式(12)也属于标准的二次优化问题，可直接求解；

步骤3.3、对变量B进行优化：设计相应的惩罚参数βi：

公式(14)中 Bi＝Ni(B)；上式的解由奇异值收缩法得到：其中 U、S、V为Xi的奇异值分解结果，即svd(Xi)＝[U,S,V]，δi为第i个奇异值；

其中，ρ和λ是预先设定的控制参数，Wx和Wy的具体计算如下：其中R(i)为以i为中心，大小为b*b的图像块中像素点的集合；j是集合中的具体某个点；

根据公式(11)、(12)与(15)交替求得光照分量L、反射分量R及无噪声低照度图像B。

4.根据权利要求3所述的一种基于Retinex模型的低照度图像增强与去噪方法，其特征在于，所述步骤4具体如下：

根据公式(11)、(12)与(15)交替迭代更新分量L、R与B，直至B的更新幅度小于给定的收敛条件：

t t‑1

其中，B表示第t次迭代求取的结果，B 是第t‑1次迭代求取的结果，ρ是给定的阈值。

5.根据权利要求4所述的一种基于Retinex模型的低照度图像增强与去噪方法，其特征在于，所述步骤5具体如下：

当公式(18)的收敛条件达到时，求取的光照分量与反射分量分别为L和R,则最终的增γ

强结果可表示为L ⊙R，其中γ为校正因子。