将低照度图像分别从hsi方向进行图像增强，其中亮度方向采用MSRCR算法增强的代码

以下是使用MSRCR算法对低照度图像进行亮度增强的Python代码：

import cv2
import numpy as np

def gamma_correction(img, gamma=1.0):
    """
    Gamma校正函数
    :param img: 待处理图像
    :param gamma: Gamma值
    :return: Gamma校正后的图像
    """
    inv_gamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** inv_gamma) * 255
                      for i in np.arange(0, 256)]).astype("uint8")
    return cv2.LUT(img, table)

def HSI_enhancement(img, sigma_list=[15, 80, 250], gain=3, offset=10):
    """
    HSI图像增强函数
    :param img: 待处理图像
    :param sigma_list: 高斯核尺度列表
    :param gain: 增益
    :param offset: 偏移
    :return: 增强后的图像
    """
    # 将图像转换为HSI空间
    img_hsi = cv2.cvtColor(img, cv2.COLOR_BGR2HSV_FULL)
    intensity = img_hsi[:, :, 2]

    # 对亮度分量进行MSRCR算法增强
    intensity_log = np.log(intensity.astype(np.float64) + 1.0)
    intensity_log_mean = cv2.GaussianBlur(intensity_log, (0, 0), sigma_list[0])
    intensity_log_sub = intensity_log - intensity_log_mean
    intensity_log_var = cv2.GaussianBlur(intensity_log_sub ** 2, (0, 0), sigma_list[1])
    intensity_log_std = np.sqrt(intensity_log_var)
    intensity_log_norm = intensity_log_sub / intensity_log_std
    intensity_log_enh = cv2.GaussianBlur(gain * intensity_log_norm + offset, (0, 0), sigma_list[2])
    intensity_enh = np.exp(intensity_log_enh) - 1.0

    # 将增强后的亮度分量替换原来的亮度分量
    img_hsi[:, :, 2] = np.clip(intensity_enh, 0, 255).astype(np.uint8)

    # 将图像转回BGR空间
    img_enh = cv2.cvtColor(img_hsi, cv2.COLOR_HSV2BGR_FULL)
    return img_enh

# 加载低照度图像
img = cv2.imread('low_light_image.jpg')

# 对亮度分量进行MSRCR算法增强
img_enhanced = HSI_enhancement(img)

# 显示增强后的图像
cv2.imshow('Enhanced Image', img_enhanced)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，`gamma_correction`函数是Gamma校正函数，用于对增强后的亮度分量进行Gamma校正；`HSI_enhancement`函数是HSI图像增强函数，用于对低照度图像进行亮度增强。在`HSI_enhancement`函数中，首先将图像转换为HSI空间，然后对亮度分量进行MSRCR算法增强，最后将增强后的亮度分量替换原来的亮度分量，再将图像转回BGR空间。`sigma_list`参数是高斯核尺度列表，`gain`和`offset`参数是MSRCR算法的增益和偏移参数，可以根据具体情况进行调整。