python图像增强算法_retinex图像增强算法的研究

图像增强方面我共研究了Retinex、暗通道去雾、ACE等算法。其实，它们都是共通的。甚至可以说，Retinex和暗通道去雾就是同一个算法的两个不同视角，而ACE算法又是将Retinex和灰度世界等白平衡理论相结合的产物。下面将依次讨论，每个算法写一个心得，欢迎拍砖。

今天先写Retinex。Retinex理论认为，人眼观测到的图像S是光照图像L和物体反射图像R的乘积。而R才是真实的恒常性的图像，但是怎么从观测图像S中计算R呢？这是个病态问题，根本不可解。研究者就通过加以一定的约束条件，比如光照L具有缓变平滑性、L与S有一定的弱相关性等等，然后估计出光照图像L，进而得到R。

从S中如何估计L，就衍生出了各种各样的实现方式，影响较大的有：中心环绕、随机路径、变分、金字塔迭代等等方法。其中，中心环绕算法无疑是影响最大的retinex实现方式，使用高斯尺度算子来估计光照图像，计算速度快。当然，它也有一些缺点：

1) 在强光阴影过渡区容易出现光晕现象；

主要是由于高斯算子不能在过渡区很好的估计光照所致。

2) 对比较亮的图像处理欠佳，比如雾霾图像。

主要原因有二：retinex不是专门的去雾算法；对数化处理压缩了亮区域的显示范围，导致其细节弱化。

由于L和R是乘积的关系，为了便于处理，一般对观测图像S先进行对数处理，这样就转换成了加性关系。使用对数处理可以极大的提升暗区域的像素值，以增加对比度，但代价是压缩了亮区图像的显示范围，导致其细节模糊甚至丢失。所以个人认为，retinex适用于处理那些光照不足黑不拉几的图像，对于比较亮的图像，不妨先进行反色处理再retinex。

3) 色彩保持能力较弱。

因为对rgb三个颜色通道各自归一化处理的缘故，有论文提到了一些改善方法，但我发现还是不容乐观。

此外，三通道各自归一化处理后，其颜色均值是接近于128的，如果后面再跟一个指数化操作(对数处理的反操作)，将导致图像颜色明显偏暗，所以这是一般retinex算法只有对数处理没有指数处理的缘故。

所以，我对中心环绕算法做了一点点改进：

主要如下：

1)使用引导滤波来快速估计光照图像，减少光晕的出现，实验表明，该步骤对色彩保持能力也有一定的提升；

2)在使用多个尺度算子进行合成的时候，不是简单的做均值处理；

3)在完成retinex处理之后，再做一次简单的gamma校正，使其均值接近于128。

下面给实验结果图, 可见色彩保持的还不错哦，对雾霾图像也有较好的效果。

程序采用python实现，未经性能优化，exe中打包了python及numpy wxpython opencv等重量级模块，故体积较大，如杀毒软件误报为病毒，请信任运行。