La plupart des algorithmes de renforcement d’image basés sur l’apprentissage profond ont été développés selon une approche de translation image à image, dans laquelle les processus de renforcement sont difficiles à interpréter. Dans cet article, nous proposons un nouvel algorithme interprétable de renforcement d’image, qui estime plusieurs fonctions de transformation pour décrire des mappages de couleur complexes. Tout d’abord, nous développons un réseau de estimation de fonctions de transformation multiples basé sur l’histogramme (HMTF-Net), capable d’estimer plusieurs fonctions de transformation en exploitant à la fois les informations spatiales et statistiques des images d’entrée. Ensuite, nous estimons des cartes de poids par pixel, qui indiquent la contribution de chaque fonction de transformation à chaque pixel, en fonction des structures locales de l’image d’entrée ainsi que des images transformées obtenues par chacune des fonctions de transformation. Enfin, nous obtenons l’image améliorée comme une somme pondérée des images transformées, en utilisant les cartes de poids estimées. Des expériences étendues confirment l’efficacité de l’approche proposée et démontrent que l’algorithme proposé surpasser les méthodes de pointe en matière de renforcement d’image pour diverses tâches de renforcement d’image.