基于Retinex的不均勻光照環(huán)境下的圖像增強(qiáng)

II前言(1)研究背景及意義時代在進(jìn)步，信息技術(shù)飛速發(fā)展，語言和圖像已然成為重要的信息傳遞的媒介.圖像處理技術(shù)飛速發(fā)展，其結(jié)果是計算機(jī)視覺這門學(xué)科的氤氳而生.這門學(xué)科主要用于計算機(jī)模擬生物相關(guān)功能的研究，涉及神經(jīng)生物學(xué)、人工智能以及圖像處理等領(lǐng)域.計算機(jī)視覺進(jìn)行一系列的識別和分析等圖形處理操作，使得對圖像處理的結(jié)果更適合儀器的檢測，同時在進(jìn)行肉眼觀看時也更加清晰.這項技術(shù)在從圖像和從多維數(shù)據(jù)里獲取信息方面，有著至關(guān)重要的作用.換一種說法可以是通過計算機(jī)模擬從而實現(xiàn)人的視覺，還有更深層次的對實際情況中出現(xiàn)呢的三維場景的識別，甚至做到理解.機(jī)器能夠完成一些特定任務(wù)的原因，就是因為在這些比機(jī)器內(nèi)部中設(shè)置或編輯了一些關(guān)于感知視覺的程序軟件，有目標(biāo)的定位、圖像識別、人臉識別等等，為機(jī)器制造了眼睛.一些特定任務(wù)主要是需要人工智能的方面.大家在采集圖像時會遇到各種環(huán)境的干擾，比如物體表面反光，或是在大霧天等一些非常規(guī)天氣里進(jìn)行拍攝，導(dǎo)致出來的圖像整體光照不均勻.一旦這樣的情況出現(xiàn)，結(jié)果是信息識讀的難度增加.對于這種非均勻光照環(huán)境下的圖像，想要獲得有用的信息，就要對圖像進(jìn)行增強(qiáng)處理，光照因素對圖像處理的難度有較大影響.處理不好，不方便計算機(jī)視覺的應(yīng)用.以上分析我們可以得出結(jié)論：前期先對光照不均勻的圖像處理是必須的一步.處理過程是進(jìn)行圖像增強(qiáng)，采用的技術(shù)手段隨著圖像質(zhì)量的高低而改變，這樣可以把有用的信息進(jìn)行極大程度的展示，同時忽略影響很小的相關(guān)信息.通過在局部或者整體的范圍內(nèi)增強(qiáng)圖像特征.因此對于圖像增強(qiáng)的研究在實際情況中有著廣泛且有效的應(yīng)用，具有極大的實際意義.（2）Retinex的發(fā)展歷史和現(xiàn)狀Maxwell（1831-1879）1831年生在愛丁堡，1850-1855年在劍橋大學(xué)學(xué)習(xí)，1856-1860年在瑪利亞學(xué)院聘為講座教授，主講自然哲學(xué)，1860-1865年轉(zhuǎn)到倫敦皇家學(xué)院任教，成為實驗物理教授和卡文迪許實驗室第一任負(fù)責(zé)人.Maxwell有一次在1861年5月17日英國皇家學(xué)會的FridayEveningDiscourse報告，在百年后引起了E.H.Land的興趣，Land在重復(fù)Maxwell實驗時，提出了Retinex思想.Retinex思想的首次提出者是埃德溫蘭德.他還對此思想進(jìn)行了描述.retina與cortex合成的結(jié)果就是本文用到的Retinex.埃德溫蘭德的

Retinex思想的前提是現(xiàn)實世界是沒有顏色的，并且他認(rèn)為紅、藍(lán)和綠三原色組成固定的顏色區(qū)域并且決定該區(qū)域的顏色.根據(jù)Retinex理論[6]可知物體對長波、中波和短波光線的反射能力決定了物體的顏色，而不是因為反射光的強(qiáng)弱程度.所以不均勻的光照對于物體的顏色沒有影響.隨后，EdwinLand發(fā)現(xiàn)了傳統(tǒng)的色彩理論的局限性，因為存在特殊的現(xiàn)象使得傳統(tǒng)的理論不適用.經(jīng)過長期的研究分析，Land的結(jié)論是人類的視覺系統(tǒng)對信息進(jìn)行了特殊處理，過濾了因為外界因素造成的不確定影響,只留下本質(zhì)特征信息再被大腦皮層接收.所以人類視覺是經(jīng)過更加復(fù)雜的處理最后形成的.因此，Land又提出了隨機(jī)路徑算法[7]。他所提出算法需要隨機(jī)提取像素作為比較像素，提取的來源是像素鄰域，隨機(jī)提取之后進(jìn)行像素間的計算，依據(jù)是相對明暗關(guān)系，這樣處理之后可以對每一個像素的顏色進(jìn)行校正.在這之后，EdwinLand考慮到隨機(jī)路這個算法的缺點，又再次提出了一種新的方法.這個方法的名稱為二維路徑選擇方法.這個方法實際是一個估算目前像素點亮度值的過程.估算的標(biāo)準(zhǔn)是當(dāng)前像素點所處的區(qū)域的像素量度.Retinex方面的算法發(fā)展到20世紀(jì)末期，出現(xiàn)中心環(huán)繞方面Retinex和低通濾波相結(jié)合的理念，形成了非常經(jīng)典的單尺度Retinex算法.這種算法存在環(huán)繞函數(shù)，這里所指的環(huán)繞函數(shù)是高斯函數(shù)。但是單尺度Retinex算法仍然被發(fā)現(xiàn)其局限性.這必然促使算法的改進(jìn)，改進(jìn)之后的算法就是目前應(yīng)用廣泛的多尺度Retinex算法[9].多尺度Retinex算法由相關(guān)單尺度算法融合，相關(guān)的單尺度算法是指三種大小不同的的單尺度Retinex算法.這樣處理的結(jié)果能夠結(jié)合不同尺度方法的長處，有效提高圖像細(xì)節(jié)增強(qiáng)的處理效果.隨著Retinex算法飛速發(fā)展成為可以恢復(fù)色彩的算法，也就是MSRCR算法.目前在國內(nèi)也有很多專家學(xué)者對此算法進(jìn)行改進(jìn).汪秦峰結(jié)合直方圖研究對圖像進(jìn)行去霧處理.使增強(qiáng)后的圖像更自然，對比度，較Retinex有所增強(qiáng).徐博等前輩提出的基于同態(tài)濾波及多尺度Retinex的低照度圖像增強(qiáng)算法[49]，并對細(xì)節(jié)進(jìn)行處理，對低照度圖像的增強(qiáng)效果比較好.（3）研究內(nèi)容及論文結(jié)構(gòu)安排本文主要是研究Retinex理論知識以及一些經(jīng)典的Retinex算法，并進(jìn)行了實現(xiàn).實驗結(jié)果表明了Retinex算法增強(qiáng)圖像的效果要比傳統(tǒng)的直方圖均衡化算法好，但是也存在不足.對存在的問題進(jìn)行分析及改進(jìn)得到新的方法，并進(jìn)行實驗來驗證了新方法的優(yōu)點及實用性.第一章緒論，主要就是為什么研究數(shù)字圖像，和Retinex算法增強(qiáng)圖像的國內(nèi)外的研究現(xiàn)狀，概述論文的研究內(nèi)容和結(jié)構(gòu).第二章講了Retinex的理論，并實現(xiàn)了一系列基于中心環(huán)繞的Retinex經(jīng)典算法（SSR、MSR、MSRCR）.分析實驗結(jié)果，利用圖像質(zhì)量的客觀評價指標(biāo)對增強(qiáng)后的圖像進(jìn)行分析，指出了經(jīng)典Retinex算法的優(yōu)點與缺點，從而有利于下一章的研究及改進(jìn).第三章分析了對存在極大對比度的圖像，經(jīng)過基于中心環(huán)繞的經(jīng)典Retinex算法處理后，會出現(xiàn)“過增強(qiáng)”的現(xiàn)象，進(jìn)而提出了改進(jìn)的基于SHV空間和S型曲線的多尺度Retinex算法.通過實驗，將改進(jìn)的算法與經(jīng)典的Retinex算法增強(qiáng)后的圖像進(jìn)行主觀和客觀的比較，新方法在色彩恒常性和降低“過增強(qiáng)”方面體現(xiàn)出高性能.第四章結(jié)論及展望，本章總結(jié)了本文所提出的算法的理論和實驗結(jié)果，指出了算法存在的問題，并對算法的發(fā)展進(jìn)行了展望，指定了今后研究的內(nèi)容.1圖像增強(qiáng)的理論基礎(chǔ)數(shù)字圖像處理基礎(chǔ)圖像是隨著時代的發(fā)展慢慢的形成的，它體現(xiàn)了人類與外界信息的傳遞與接收.圖像是我們所有人認(rèn)識世界的一種快速的途徑，比如說照片、繪畫、影視畫面，他們都是圖像，照相機(jī)、顯微鏡，望遠(yuǎn)鏡的取景器的光學(xué)成像也是圖像.數(shù)字圖像就是圖像的量化，在計算機(jī)處理時，底層都是以二進(jìn)制數(shù)來處理的.圖像中模擬圖像是生活中最普遍可以見到的，整體層次很復(fù)雜，比如光學(xué)圖像，電視圖像等.模擬圖像，處理速度相當(dāng)?shù)目?，但是精度和靈活性差.圖像中還有一類比較抽象的圖像叫做數(shù)字圖像，它是一個二維函數(shù)，是采樣后用等間距的矩形網(wǎng)格對振幅進(jìn)行等距量化產(chǎn)生的.所以，數(shù)字圖像實際上是一個二維的量化采樣陣列.數(shù)字圖像可以用二維函數(shù)形式來表示[11].比如數(shù)字圖像有行和列.其中的，.此時，數(shù)字圖像就變成了一個的矩陣：圖像單元可以用上面矩陣中的每個元素來表示，即像素.它們是構(gòu)成數(shù)字圖像的基本單元，圖像分辨率的大小就是以像素每英寸PPI單位來表示的.坐標(biāo)是圖像在該點的位置，是指定坐標(biāo)對應(yīng)的函數(shù)值及強(qiáng)度或是灰度級.圖像由矩陣表示，矩陣實際上是對原始圖像進(jìn)行采樣，達(dá)到數(shù)據(jù)離散化的效果.采樣后，將模擬圖像在時間和空間上離散為像素，但像素值通過采樣后得到的仍然是一個連續(xù)的量.因此，需要進(jìn)行圖像灰度值的量化.量化的每個像素級數(shù)，不僅影響著數(shù)字圖像的質(zhì)量，也影響著數(shù)據(jù)量的大小，因此規(guī)定行和列的值必須取正整數(shù).對于量化后的灰度二進(jìn)制位數(shù)（即灰度級）為，一般滿足要求的取值應(yīng)為2的整數(shù)次冪.即有：（1-2）其中，k表示比特數(shù)，是區(qū)間內(nèi)的整數(shù).一般來說，我們也將灰度值范圍稱為圖像的動態(tài)范圍.所謂高動態(tài)范圍圖像，是指占據(jù)所有有效灰度段的圖像.當(dāng)圖像的大部分像素都具有這種特征時，圖像的對比度就會很高.梳理數(shù)字圖像的由來之后，對圖像的處理有了更好的理解，方便下面研究.我主要研究的就是圖像處理—圖像增強(qiáng)技術(shù).圖像增強(qiáng)方法分為空間域方法和頻域方法兩大類，空間域方法是直接處理圖像像素，而頻域方法是通過圖像的傅里葉變換再進(jìn)行圖像的增強(qiáng).1.2空間域由于空間域增強(qiáng)方法算法簡單，操作方便，通常用來作為圖像增強(qiáng)的處理域.所說的空間域是圖像所在的二維空間，它是圖像中所有像素的集合.在空間域增強(qiáng)圖像實際上是直接操作和處理圖像的每個像素,所以操作流程比較簡答，在一定范圍內(nèi)的圖像可以起到一個比較好的效果，也是人們最常用的.現(xiàn)今空間域圖像增強(qiáng)方法有灰度變換、直方圖處理和空間濾波等，下面簡單的介紹幾種空間域的圖像增強(qiáng)算法.1.2.1灰度變換圖像灰度變換是可以應(yīng)用到各種別的算法里的，所以它的應(yīng)用特別的廣泛，可以提高對比度，從而加大亮暗差異的對比，突出目標(biāo)特征.灰度級對于圖像來說是有限的，圖像灰度增強(qiáng)其實就是通過抑制不太重要的目標(biāo)信息，來增強(qiáng)重要的目標(biāo)信息.線性的灰度變換，分段線性的灰度變換與非線性灰度變換等都是灰度變換的衍生，擴(kuò)展.灰度線性變換就是通過一定的比例函數(shù)將原圖的灰度值范圍拉伸到一個指定的范圍，具體公式過程如下.設(shè)原來圖像的灰度值的范圍是，變換后的圖像的灰度值為，那么我們以前學(xué)過的線性方程就派上了用場，由線性方程推導(dǎo)得到式（1-3）（1-3）就是這樣一個簡單的拉伸公式就可以把輸入的圖像區(qū)間，伸展后成為亮度值區(qū)間在的輸出圖像了.通過分析可以知道，線性灰度變換對于改善圖像的視覺效果非常有用，所以它才會被很多其他的增強(qiáng)算法應(yīng)用在內(nèi).其中的原因是對像素的灰度進(jìn)行了線性拉伸處理，把灰度級集中的部分拉伸開來，灰度級稀松的部分壓縮一下.1.2.2直方圖均衡化增強(qiáng)圖像(1)直方圖的定義小學(xué)時我們就知道直方圖是統(tǒng)計數(shù)據(jù)的直觀表現(xiàn)形式.所以直方圖也可以統(tǒng)計圖像，從而體現(xiàn)圖像的特征，可以更加直觀的觀察到圖像的灰度值分布信息.數(shù)字圖像中每個灰度級與灰度像素個數(shù)之間的統(tǒng)計關(guān)系可以用直方圖表示.如下：（1-4）且滿足式子：（1-5）式子（1-4）中的表示一幅圖像中像素點的總和，是灰度級對應(yīng)的像素的個數(shù).第個灰度級的級數(shù)就用來表示了，當(dāng)然就是灰度級出現(xiàn)的頻率.進(jìn)行直方圖均衡化直方圖我們在上面了解了，均衡化就是使其均勻.所以直方圖均衡化就是在原圖像中將灰度值比較集中的區(qū)間變換為整體灰度值均勻分布的函數(shù)，使增強(qiáng)后輸出的圖像更適合眼睛的視覺.所以直方圖均衡化會使圖像的對比度增加，擴(kuò)大動態(tài)范圍.首先圖像的灰度級經(jīng)過了歸一化的處理，這樣如果原來的圖像的灰度值分布為，會有.然后對內(nèi)的任意一個值進(jìn)行1-6式的函數(shù)變換：（1-6）就是直方圖均衡化后的灰度值分布.滿足兩個條件：在區(qū)間內(nèi)，必須是單調(diào)遞增；對于，有.設(shè)和分別表示原始圖像，和直方圖均衡化后的圖像的灰度級概率密度函數(shù).已知和變換函數(shù)時，反變換函數(shù)也是單調(diào)增加的，則可以表示為：（1-7）當(dāng)圖像時連續(xù)變化的時候，圖像均衡化并歸一劃后有，由式子（1-7）可得.與原圖像的概率密度函數(shù)之間的關(guān)系為：（1-8）根據(jù)上面的分析可得，變換滿足了上面提到的兩個條件，證明是一個均勻概率密度函數(shù).以上研究了基于連續(xù)隨機(jī)變量的均衡化處理，而對數(shù)字圖像的處理要使用離散化的公式形式.這樣會比連續(xù)圖像的處理更加的簡單，但是原理都是相通的.當(dāng)灰度級為離散值的時候，要找到對應(yīng)的變量，所以可以用頻數(shù)來代替頻率，即（1-9）直方圖均衡化的連續(xù)型累計分布函數(shù)是式，它的離散形式為：（1-10）通過對上面離散型直方圖均衡化的分析，可以利用MATLAB數(shù)學(xué)軟件來實現(xiàn)直方圖均衡化算法，對圖像進(jìn)行增強(qiáng).此函數(shù)為：I是輸入的原圖像，n為均衡化后的灰度級數(shù)，給定的默認(rèn)值為64.下面是我實現(xiàn)的案例，如圖1-1圖1-1直方圖均衡化增強(qiáng)前后對比圖Figure1-1histogramcomparisonbeforeandafterenhancementequalization圖1-2變換前后圖像RGB直方圖對比Figure1-2histogramcomparisonofimageRGBbeforeandaftertransformation由圖1-1，可以看到直方圖均衡化之后圖像更為清晰，效果更好.原始圖像比較暗并且變動的范圍小，從圖1-2中可以看出原圖像的R、G、B三個分量灰度都集中在尾部，說明圖像偏亮，對應(yīng)的直方圖所占的灰度級范圍很窄，出現(xiàn)極度波峰的形狀.均衡化后，圖像的細(xì)節(jié)信息有所突出了，R、G、B分量的直方圖分布更加均勻，增加了圖像灰度動態(tài)范圍，提高了圖像的對比度，由處理后的圖像可以看出，比原先的圖像清楚了一些.1.3頻率域圖像增強(qiáng)1.3.1頻率域濾波的介紹頻率域是在頻率空間上的，也是數(shù)值處理的空間，頻率域濾波的大體流程：將圖像從空間域進(jìn)過傅里葉變換轉(zhuǎn)到頻率域,然后在頻域利用低通濾波器作用到此圖像上進(jìn)行過濾處理,最后經(jīng)過傅里葉逆變換回到空間域，得到增強(qiáng)后的輸出圖像.那么通過以下模型流程圖簡單描述整個變換的過程：傅里葉變換濾波函數(shù)傅里葉反變換 傅里葉變換濾波函數(shù)傅里葉反變換 圖1-3頻率域圖像增強(qiáng)流程圖Fig.1-3Flowchartofimageenhancementinfrequencydomain其中，是經(jīng)過傅里葉變換后的中間圖像，是輸入圖像，中間的為傳輸函數(shù).經(jīng)過濾波后在頻率域輸出的圖像，就是傅里葉反變換后回到空間域輸出的圖像.根據(jù)不同的處理需求，我們在實際應(yīng)用中也可以選擇不同的傳輸函數(shù)，因此所采用的濾波器常常也不同.頻率域圖像增強(qiáng)方法主要是利用傅里葉變換來實現(xiàn)，通過選取不同的傳輸函數(shù)或者不同的濾波器，以實現(xiàn)不同的增強(qiáng)效果，包括低通濾波器、高通濾波器和同態(tài)濾波器，這里主要介紹同態(tài)濾波器.并引入亮度、對比度、信息熵來判定圖像增強(qiáng)效果的優(yōu)劣.其中低通濾波器函數(shù)可以衰減高頻信息而加強(qiáng)低頻信息，所以低頻濾波器可以去除圖像的高頻分量，從而消除噪音，有平滑圖像去噪聲的作用.但是經(jīng)過低通濾波器的處理，有時很有可能會濾除某些邊界對應(yīng)的高頻分量，所以要找到合適的處理方法來進(jìn)行邊界的處理.高通濾波器與其相反，可以加強(qiáng)邊界信息，使圖像得到銳化的效果.低通濾波器可以是理想低通濾波器,高通濾波器可以是理想高通濾波器1.3.2同態(tài)濾波算法同態(tài)濾波是基于同態(tài)系統(tǒng)的，同態(tài)的思想就是將非線性問題轉(zhuǎn)化為線性的問題，再進(jìn)行處理.利用取對數(shù)的方式就可以將乘性信號轉(zhuǎn)為加性信號.同態(tài)濾波把圖像的像素看成是照度和反射率的組成.照度變化相對較小，就可以看成低頻成分，而反射率就是高頻成份.用下面的式子來表示：(1-11)其中的表示這幅圖像，表示這幅圖像的照度分量，其特點是緩慢變化，對應(yīng)圖像低頻部分.表示景物反射到人的眼睛的反射分量，它的特點是包含景物各種的信息，高頻成分高.大致分為以下幾步：第一步：兩個函數(shù)的乘積的傅里葉變換是不可分的，所以對原圖做對數(shù)變換，得到兩個加性分量，即：（1-12）第二步：在對式1-12的等號兩邊同時進(jìn)行進(jìn)行傅里葉變換，從空間域轉(zhuǎn)化到頻率域，由此得到：（1-13），表示傅里葉變換，同理，分別是和的傅里葉變換.第三步：利用頻率域濾波器，對頻率域濾波進(jìn)行處理，可以得到：（1-14）第四步：對濾波后的圖像進(jìn)行傅里葉逆變換.第五步：取指數(shù)，得到空域濾波的結(jié)果，得到輸出圖像.利用matlab數(shù)學(xué)人那件實現(xiàn)同態(tài)濾波的圖像增強(qiáng)，具體代碼見附錄B圖1-4同態(tài)濾波處理圖像前后對比圖FIG.1-4comparisonofimagesbeforeandafterhomomorphicfilteringprocessing由圖1-4得，經(jīng)過同態(tài)濾波加強(qiáng)后的圖像，整體的亮度有所提高，細(xì)節(jié)部分有很大程度的突出，可以看清“遼寧工程技術(shù)大學(xué)”這幾個字.對于這幅低照度的不均勻光照圖像，同態(tài)濾波雖然可以有效的提高圖像的質(zhì)量，但是增強(qiáng)后的圖像色彩上會有些偏差，并且圖像有一點模糊.同態(tài)濾波算法對于不同類型的光照不均勻的圖像，它增強(qiáng)后的效果有的比較好，有的效果不明顯，并且色彩會失真，有光暈的存在.對于照度較暗，細(xì)節(jié)結(jié)構(gòu)不能夠很好的分辨，增強(qiáng)后的圖像會有一些模糊，處理效果不是很好.2基于中心環(huán)繞的Retinex理論基礎(chǔ)Retinex理論的核心就是，圖像是由照度分量和反射分量的共同合成的.并假設(shè)世界是沒有顏色的，人眼看到的色彩是由反射固定波長光的能力決定的.通過除光照圖像分量的影響，保留原始圖像本質(zhì)的反射屬性，復(fù)原其真實面貌，從而達(dá)到圖像增強(qiáng)的目的.介紹完Retinex理論，知道圖像可以分解為照射分量和反射分量.其中，照射分量是由光照所形成的，照射光的強(qiáng)度不應(yīng)該對物體本身進(jìn)行改變，不能左右物體的自身屬性，所以照度分量對應(yīng)低頻部分.而反射分量是由圖像中物體的自身的反射屬性決定的，包含圖像的邊緣，顏色等對應(yīng)的高頻成分.傳統(tǒng)圖像增強(qiáng)算法大多數(shù)都是針對圖像的某一個特征進(jìn)行增強(qiáng)，這種處理方式會使彩色圖像增強(qiáng)時容易產(chǎn)生顏色歪曲，也就是圖像會出現(xiàn)彩色失真的問題.Retinex就可以在動態(tài)壓縮范圍，增強(qiáng)邊緣和保持圖像顏色這三個方面達(dá)到一個相對的平衡.2.1基于理論的不均勻光照圖像増強(qiáng)算法是原始圖像也就是人眼成像，由Retinex理論得，它是由光照圖像和反射率圖像的乘積來表示的，可以由下面的式子表示.(2-1)Retinex圖像增強(qiáng)算法就是從要增強(qiáng)的圖像中，估計出入射分量，通過對數(shù)變化后相減分解出反射分量.這樣做處理后，不均勻的光照分量被取除，從而消除了不均勻光照對物體本身的影響，改善圖像的視覺效果.表示反射分量，它決定物體的內(nèi)在性質(zhì)，體現(xiàn)了物體本身的屬性特征.它決定了圖像像素的動態(tài)范圍，最后形成的圖像用圖2-1的模型來表示.圖2-1Retinex圖像的模型Fig.2-1ModelofRetineximage在計算當(dāng)中，為了Retinex算法的計算方便而且更簡便的地獲得反映圖像本質(zhì)內(nèi)容的反射分量，我們要對公式2-1兩邊取對數(shù)，一個巧妙的變換就可以將繁瑣的乘法運(yùn)算轉(zhuǎn)變?yōu)楹唵蔚募臃ㄟ\(yùn)算，得式(2-2)現(xiàn)令，，，則式2-2變?yōu)椋?2-3)經(jīng)過式子（2-1，2-2，2-3）可以的到三者的加法關(guān)系，相減就可以得到，表示的是對圖像進(jìn)行單尺度處理后得到的結(jié)果，再對其進(jìn)行指數(shù)變換就得到了反射分量.我建立了基于中心環(huán)繞的Retinex算法的大體流程如下：圖2-2一般的Retinex算法流程圖Figure2-2generalRetinexalgorithmflowchart由圖2-2可以看出，基于中心環(huán)繞的Retinex算法的核心步驟就是如何從圖像中估計出照射分量，SSR給出了解決辦法.2.2單尺度Retinex算法2.2.1SSR的理論在20世紀(jì)末Jobson等前輩對EdwinLand中心環(huán)繞算法進(jìn)行改進(jìn).將Land最初使用的指數(shù)形式或平方反比形式改為高斯濾波的處理，進(jìn)而得到了SSR算法.最初的人眼成像是，入射分量圖像是，反射分量圖像為.那么單尺度Retinex算法就可以用下面的數(shù)學(xué)形式表示：(2-4)是照度分量估計的核心公式，用原始的圖像與高斯濾波器進(jìn)行卷積，其中表示卷積用的低通濾波器.等式兩邊對數(shù)變換后，式子變?yōu)楹唵蔚募訙p法，直接從原圖像減去照度分量就得到了反射分量.是圖像的內(nèi)在特性的體現(xiàn).進(jìn)行卷積的濾波器選擇的是高斯濾波器，高斯濾波函數(shù)[12]是從實驗中來驗證它的實用性和準(zhǔn)確性.其中高斯函數(shù)是中心環(huán)繞函數(shù)，表示為：（2-5）是高斯函數(shù)的尺度參數(shù)，實驗中通過調(diào)節(jié)c的大小來觀察增強(qiáng)效果，需要進(jìn)行大量的實驗.最后分析得到，越小，增強(qiáng)后的圖像邊緣，線條等細(xì)節(jié)越突出，但是在色彩和原圖像完全不同，甚至?xí)淖冊瓉砦矬w的色彩.原因是圖像在RGB空間中，經(jīng)過增強(qiáng)，三個通道的比例發(fā)生了變化，從而色彩會失真.而越大，細(xì)節(jié)突出不那么明顯，但是色彩會保留原有的顏色.是一個尺度，常數(shù)矩陣，的取值應(yīng)滿足：（2-6）從上面的式子可以看出，可以由公式（2-6）確定下來，所以SSR算法中最重要的參數(shù)就是高斯濾波尺度，的值影響著增強(qiáng)后圖像的效果，在2.2.2章節(jié)中會詳細(xì)的介紹.卷積的物理意義是通過計算像素點與濾波區(qū)域模板進(jìn)行平均加權(quán)求和，進(jìn)而估計出圖像中照度的變化，并將去除，只保留屬性.2.2.2高斯環(huán)繞尺度對SSR的影響高斯環(huán)繞尺度c是高斯核，決定了高斯函數(shù)的鄰域大小，高斯函數(shù)決定著我們的目標(biāo)像素點的周圍區(qū)域?qū)υ擖c的照度像素值的估計大小.高斯環(huán)繞尺度c是SSR算法的唯一的參數(shù)，所以它對SSR算法的影響比較大，對它的分析是有必要的.c越小，高斯模型的形狀變的越尖銳，這樣會使原圖像局部細(xì)節(jié)較為突出，但是圖像的顏色和飽和度都相對較低，所以色彩失真嚴(yán)重；c越大，的鄰域范圍就越大，圖像的色彩飽和度會越好，則高斯模型會變的越平滑平緩，但是目標(biāo)像素點的周圍其他像素對這個像素點的影響就越小，所以圖像的細(xì)節(jié)部分信息保留較少，使圖像細(xì)節(jié)變的模糊，圖像對比度信息不強(qiáng)，動態(tài)范圍壓縮沒有小尺度的能力強(qiáng).圖2-3高斯環(huán)繞尺度c對高斯濾波函數(shù)的區(qū)域的影響Figure2-3influenceofgaussiansurroundscalecontheregionofgaussianfilterfunction由圖2-2可以明顯的看出，高斯環(huán)繞尺度c為15時，高斯模板直徑就會比較小，像素受到周圍區(qū)域其他像素的影響會比較大，這樣就起到了圖像銳化的效果.所以小尺度的參數(shù)c，對應(yīng)的增強(qiáng)圖像細(xì)節(jié)信息比較強(qiáng)大，而顏色會有一定程度的丟失.相反，高斯環(huán)繞尺度c為150時，高斯模板直徑就會比較大，像素受到周圍區(qū)域其他像素的影響會比較小，所以它對應(yīng)的增強(qiáng)后的圖像色彩飽和度好一些，色彩恒常性可以得到很好的體現(xiàn)，但是圖像的細(xì)節(jié)信息部分會變的比較模糊，動態(tài)范圍的壓縮沒有小尺度的強(qiáng).圖2-4尺度參數(shù)對SSR圖像增強(qiáng)影響的對比圖Figure2-3comparisondiagramoftheinfluenceofscaleparametersonSSRimageenhancement 由圖2-3得，高斯環(huán)繞尺度c確實對SSR算法圖像增強(qiáng)有著很大的作用，但是對于不均勻光照環(huán)境下的圖像增強(qiáng)，不同類型的圖片，通過SSR增強(qiáng)后得到的最佳效果所對應(yīng)的尺度參數(shù)c是不同的，沒有一個固定值，所以要根據(jù)圖像的情況來具體確定參數(shù)尺度c.從我的實驗觀察，一些明暗對比大的，比較清晰的圖片尺度參數(shù)c只能夠在圖像細(xì)節(jié)與色彩之間取一個折中，SSR算法尺度大小的取值一般在80-100范圍.而像這種霧天，對比度低，亮度偏暗的圖片，SSR算法尺度c要盡量大一些，圖像增強(qiáng)后的效果較好.圖2-5SSR算法圖像增強(qiáng)效果對比圖Figure2-5comparisonofimageenhancementeffectofSSRalgorithm如圖2-5所示，SSR算法增強(qiáng)后的圖像細(xì)節(jié)顯著提升，整體亮度變量，可以看清遼寧工程技術(shù)大學(xué)的牌匾，圖像效果比較好，但是圖像中的某些部分，如地面會出現(xiàn)顏色失真的現(xiàn)象.2.3MSR算法MSR算法是多尺度的Retinex算法，它是在SSR算法的基礎(chǔ)上改進(jìn)的，SSR只有一個尺度參數(shù)，不能兼顧色彩與細(xì)節(jié)的同時增強(qiáng).MSR針對這一點，利用幾個大小不同的尺度參數(shù)經(jīng)過濾波后再線性加權(quán)，歸一化就得到了MSR算法，也就是說多尺度Retinex算法是由多個單尺度Retinex算法按照一定比例組合而得到.MSR計算公式如下：（2-7）是高斯濾波尺度的個數(shù)，是對應(yīng)于每一個尺度的權(quán)值，且需滿足：（2-8）當(dāng)時，MSR退化為SSR.是每個尺度上的系數(shù)，如果，一般取有.其中與SSR的類似，（2-9）一般取，這樣就可以同時擁有算法中高、中、低三個尺度的優(yōu)點，具體取值由圖像加強(qiáng)后的效果而定.MSR優(yōu)點有，MSR對R、G、B三個通道分別進(jìn)行多尺度的增強(qiáng)，通過大中小三個尺度的高斯濾波處理后，每個通道可以在增強(qiáng)強(qiáng)細(xì)節(jié)的同時又可以保留原有的色彩.對局部和整體進(jìn)行動態(tài)范圍的壓縮，但是應(yīng)用范圍沒有SSR廣泛.MSR的缺點有，應(yīng)用范圍沒有SSR廣泛，因為MSR算法比較復(fù)雜，效果又沒有MSRCR處理后的效果好，所以它只是一個過渡的階段.另外MSR對邊緣的處理不明顯，細(xì)節(jié)比較模糊；在明暗層次差異大的地方會出現(xiàn)光暈的現(xiàn)象.對高光區(qū)域敏感度小，導(dǎo)致處理高對比圖像是時會處出現(xiàn)圖片整體昏暗的結(jié)果.2.4帶色彩恢復(fù)Retinex的算法MSRCR前面的增強(qiáng)過程中，經(jīng)過SSR，MSR處理后，會改變R、G、B三個通道的原有比例，使得圖像的局部細(xì)節(jié)色彩失真，整體視覺效果不佳.MSR的問題在于，對三個通道分別進(jìn)行處理，而沒有考慮R、G、B三個通道是存在內(nèi)在關(guān)系的，當(dāng)在分解、處理、再合成的這個過程中，通道之間的比例一定會發(fā)生變化.針對這一點不足，MSRCR在MSR的基礎(chǔ)上，加入了色彩恢復(fù)因子C來恢復(fù)調(diào)節(jié)R、G、B通道經(jīng)過增強(qiáng)處理后的比例關(guān)系，只能是盡可能的恢復(fù)，而不能完全恢復(fù)到原先的比例關(guān)系.所以Jobson等人又提出了對彩色圖像增強(qiáng)視覺效果更好的帶色彩恢復(fù)的Retinex算法.其基本原理表達(dá)式為.(2-10)(2-11)其中，表示第i個通道色彩恢復(fù)因子，式2-11中的表示原圖像的像素值，f表示顏色空間的映射函數(shù)，i，j表示RGB色彩通道，對其進(jìn)行取對數(shù)處理，所以的具體表達(dá)是如下： (2-12)其中是增益常數(shù)，是受控的非線性增強(qiáng)系數(shù)，用MSR處理后的結(jié)果乘上彩色恢復(fù)因子，最終得到MSRCR的算法公式為：(2-13)實驗的結(jié)果為：圖2.6SSR與MSRCR增強(qiáng)后的效果對比圖Figure2.6comparisonofenhancedeffectsofSSRandMSRCR根據(jù)圖2-6得，MSRCR算法通過彩色恢復(fù)因子的加入確實可以保持圖像的飽和度和色彩恒常性.細(xì)節(jié)也非常的清晰，但是圖像的整體泛白，普遍發(fā)灰.MSRCR的優(yōu)點，MSRCR算法不僅有MSR的所有優(yōu)點，還加入了彩色恢復(fù)因子，用來恢復(fù)原始圖像中3個顏色通道之間的比例關(guān)系.這樣圖像不僅可以增強(qiáng)細(xì)節(jié)等信息，還可以最大程度的保留原圖像的色彩.MSRCR的缺點，圖像顏色雖然有所改善，但是偏離自然色彩，圖像泛白，在明暗交界處容易產(chǎn)生光暈.在處理對比度大的圖像時，會出現(xiàn)過增強(qiáng)的現(xiàn)象，并且此算法比較復(fù)雜，運(yùn)行速度較慢.2.5圖像增強(qiáng)效果與評價2.5.1圖像質(zhì)量客觀評價指標(biāo)客觀的評價圖像增強(qiáng)后的質(zhì)量是很重要的，我引入了，圖像的亮度、對比度、信息熵以及運(yùn)行時間來評價圖像的質(zhì)量.因為圖像的亮度反映了圖像的明暗程度,對比度可以反映圖像的黑白差,熵則可以對圖像信息量進(jìn)行度量,運(yùn)行時間體現(xiàn)的是一個算法的可行性及好壞.雖然圖像增強(qiáng)后可以通過我們?nèi)搜塾^看到的圖片效果，從而判斷圖片是否更加清晰，顏色是否失真，這是我們?nèi)祟惖闹饔^判斷，不能具體的展示圖片的信息，評價過程因人而異，沒有一個標(biāo)準(zhǔn)，很難應(yīng)用到實際中.我們需要的是評價過程自動化，所以客觀評價指標(biāo)很重要.客觀評價是用建立的數(shù)學(xué)模型來進(jìn)行計算，進(jìn)而可以對比并得到評價結(jié)果.圖像的客觀評價就有一定的穩(wěn)定性.亮度我們?nèi)搜鄹杏X到的亮度，主要是相對的明暗效果，也就是圖像的目標(biāo)與背景之間的明暗差異，相對于目標(biāo)，當(dāng)背景越暗，感覺目標(biāo)物體越亮，當(dāng)背景越亮，感覺目標(biāo)物體越暗.這種情況可以用側(cè)抑制原理來解釋.圖像在歸一化后，會歸一到，其中0就是黑色，255就是白色.經(jīng)過查閱，亮度的計算公式讓如下： （2-14）就表示圖像的亮度，表示灰度圖像對應(yīng)的矩陣在點的像素值，M，N分別表示圖像矩陣的高和寬.是的傅里葉變換在頻率原點的值，等價于的平均值.傅里葉變換后的零頻分量，也稱作直流分量，由公式2-14得，零頻分量反應(yīng)了原始圖像的平均亮度.圖像熵我們在處理信息的量化相關(guān)問題時，通過利用信息熵的概念來解決這個問題.因為在信息論中我學(xué)習(xí)了信息熵的概念，在20世紀(jì)80年代香農(nóng)提出了“信息熵”，這個概念可以解決信息量化的度量問題.這里所提到的信息熵是指平均不確定性的量度，換一種說法就是說就是離散的隨機(jī)事件的出現(xiàn)概率.信源中各個消息的自信息量的數(shù)學(xué)期望就為信源的平均自信息量，那么對于圖像熵其實就是各個像素的平均自信息量.圖像信息熵，簡稱為圖像熵，圖像熵反映了圖像中平均信息量的大小.其中圖像有一維圖像熵和二維圖像熵，一維圖像熵表示的是圖像中灰度值分布的情況特征所包含的信息量.則定義一維圖像熵的公為：(2-15)灰度圖像中灰度值為的像素在圖像所有像素中所占的比例為.一維圖像熵雖然簡單但是它只能體現(xiàn)圖像的灰度值分布的統(tǒng)計特性，不能反映圖像灰度分布的空間特征.為了解決一維圖像熵的局限性，我們在一維信息熵的基礎(chǔ)上加上空間因素，來組成二維圖像熵.關(guān)鍵是如何加上這個空間特性，通過查閱資料得到一種方法，就是將該灰度值的鄰域灰度均值作為灰度分布的空間特征向量，并與一維熵特征向量組成特征二元組.記為，表示的是像素的灰度值，范圍在，表示的是鄰域灰度平均值，范圍在，定義：（2-16）上面式子中的表示特征二元組的出現(xiàn)的頻率，M，N表示圖像的尺寸，即高和寬.所以定義離散的二維圖像信息熵為：（2-17）最終我采用如式（2-17）的二維圖像熵來體現(xiàn)圖像的整體平均統(tǒng)計特性.當(dāng)圖像熵越大說明圖像包含的平均自信息量越大，包含的灰度級越多，圖像的細(xì)節(jié)就越豐富.圖像熵越小，圖像包含的信息量就越小，圖像的灰度級就會越集中，越不利于觀看或進(jìn)一步研究與應(yīng)用.對比度在一幅不均勻光照圖像中，有比較明亮的區(qū)域和比較暗的區(qū)域，圖像的對比度是指：圖像中明暗區(qū)域中最亮部分與最暗部分之間不同的亮度層級差，也就是說在最亮處與最暗處的差.差異范圍越大說明圖像的對比度越大，否則相反.對比度越大，圖像的輪框越清晰，圖像越鮮亮，給人一種刺眼的感覺；對比度越小，圖像反差就越小，變換越不明顯，圖像目標(biāo)物體不突出.對比度目前沒有一個標(biāo)準(zhǔn)的值，所以人眼的觀察效果是比較好的辨識方式.目前已經(jīng)有很多不同的對比度計算方法，其中主要有韋伯對比度[46]，Michelson對比度，平方根對比度等等，本文采用的圖像對比度公式如下：(2-18)其中，，表示相鄰像素之間的灰度差；表示相鄰像素之間灰度差為的像素分布概率.運(yùn)行時間一個算法的運(yùn)行時間體現(xiàn)了這個算法的可行性，在圖像處理效果上，如果兩種算法處理的效果差不多，那么運(yùn)行時間較短的那個算法就越好，也越容易應(yīng)用到實際中，可以提高圖像處理的效率.所以運(yùn)行時間也是評價一個算法的比較重要的客觀評價指標(biāo).我利用的是matlab中tic和toc組合來計算程序運(yùn)行的時間.2.5.2上述算法增強(qiáng)效果對比對于圖像出現(xiàn)高光現(xiàn)象的不均勻光照圖像，經(jīng)過傳統(tǒng)的圖像增強(qiáng)算法，和基于Retinexd的一些經(jīng)典的圖像處理算法進(jìn)行對比，以客觀和主觀的方法說明基于Retinex新算法的優(yōu)勢和不足.圖2-7傳統(tǒng)算法與Retinex算法對高光圖像增強(qiáng)效果對比圖FIG.2-7comparisonofenhancementeffectsoftraditionalalgorithmandRetinexalgorithmonhigh-lightimage表2-1高光圖像增強(qiáng)算法的評價指標(biāo)值比較Table2-1comparisonofevaluationindexvaluesofspecularimageenhancementalgorithms亮度對比度圖像熵運(yùn)行時間原圖像208.944.425.41直方圖均衡化127.4417.916.843.75同態(tài)濾波154.1485.996.896.28SSR171.89181.577.127.59MSR182.06197.127.099.93MSRCR273.93189.347.418.98對于光照比較強(qiáng)的圖像，各種算法的亮度會有所降低，圖2-7列出了兩種傳統(tǒng)算法和經(jīng)典的Retinex算法增強(qiáng)后的圖像，可以看出經(jīng)典的Retinex算法增強(qiáng)后的圖像效果更好，表2-1提現(xiàn)了圖像質(zhì)量的客觀指標(biāo)值，通過經(jīng)典的Retinex算法增強(qiáng)后的圖像的亮度，對比對，和圖像熵要比傳統(tǒng)算法增強(qiáng)后的圖像高，但是運(yùn)行的時間要比傳統(tǒng)增強(qiáng)算法的運(yùn)行時間要長，所以傳統(tǒng)算法比較簡單，適用于灰度圖像的處理.對于原始圖像局部灰度值偏低,整體偏暗的光照不均勻圖像經(jīng)過上述傳統(tǒng)的圖像增強(qiáng)算法，和基于Retinexd的一些經(jīng)典的圖像處理算法處理后，效果如下：圖2-8傳統(tǒng)算法與Retinex算法對光線較暗圖像增強(qiáng)效果對比圖FIG.2-8comparisonofenhancementeffectsoftraditionalalgorithmandRetinexalgorithmondimimages表2-2光線昏暗圖像的增強(qiáng)算法的評價指標(biāo)值比較Table2-2comparisonofevaluationindexvaluesofenhancementalgorithmsfordimlylitimages亮度對比度圖像熵運(yùn)行時間原圖像22.8917.305.49直方圖均衡化127.60245.377.674.99同態(tài)濾波60.9035.154.898.66SSR46.5764.186.628.41MSR49.1668.966.688.99MSRCR77.4290.497.019.35圖2-8是對光亮較暗的圖像進(jìn)行上述算法的增強(qiáng)，效果還是經(jīng)典的Retinex算法比傳統(tǒng)的要好，由表2-2也可以得出SSR、MSR、MSRCR增強(qiáng)后的圖像，亮度對比度以及熵都有顯著的提高，這三個算法之間有一定的聯(lián)系，MSR是在SSR基礎(chǔ)上改進(jìn)的，MSRCR是在MSR上加上色彩恢復(fù)因子得到的.分析上述案例可以看到無論是圖像效果還是增強(qiáng)圖像質(zhì)量的指標(biāo)值表，都證明本文研究的Retinex算法要比傳統(tǒng)的圖像增強(qiáng)算法應(yīng)用更廣泛，一般的圖像經(jīng)過Retinex算法處理后效果會更好一些，Retinex算法的SSR，是單尺度的它只能在細(xì)節(jié)和色彩恒常性之間取一個比較均衡的值，進(jìn)而有了MSR多尺度的Retinex算法，但是在明暗交界處色彩容易失真，從而提出了帶色彩恢復(fù)的MSRCR算法.但是MSRCR處理后的圖形整體發(fā)灰，對于對比度較大的圖之前效果不是很好.改進(jìn)的Retinex算法3.1實例分析，發(fā)現(xiàn)問題對于不均勻光照環(huán)境下的圖像增強(qiáng)在上面已經(jīng)介紹并進(jìn)行了實驗，我們可以直觀的看到，對于圖像增強(qiáng)的傳統(tǒng)算法比如直方圖均衡化和同態(tài)濾波，它們可以有效的增強(qiáng)圖像效果，最主要的是算法簡單，運(yùn)行時間短；但是傳統(tǒng)算法的作用比較單一，對于光照比較均勻變化的圖像增強(qiáng)效果比較強(qiáng)，但是對于圖像中同時包含曝光不足和過度曝光的部分，傳統(tǒng)算法就解決不了.所以本文要研究比較新的Retinex圖像增強(qiáng)算法，第二章主要介紹了Retinex理論以及一連串經(jīng)典的Retinex算法，有SSR、MSR、MSRCR.我通過實驗證明了Retinex算法對不均勻光照環(huán)境下的圖像可以有較好的增強(qiáng)新效果，但是也有不足之處，在一幅圖像中有明暗交界處時，經(jīng)過Retinex的經(jīng)典算法增強(qiáng)會產(chǎn)生光暈現(xiàn)象，并且當(dāng)圖像中同時存在高照度（曝光）和低照度部分時，通過Retinex算法增強(qiáng)后會產(chǎn)生“過增強(qiáng)”的現(xiàn)象，如圖3.1圖3-1強(qiáng)對比度不均勻光照圖像的增強(qiáng)Figure3-1enhancementofstrongcontrastnon-uniformilluminationimage表3-1增強(qiáng)極大對比度光照圖像后的指標(biāo)值對比Table3-1comparisonofindexvaluesafterenhancedmaximumcontrastilluminationimages亮度對比度圖像熵運(yùn)行時間原圖像157.66379.986.92直方圖均衡化133.13722.357.323.44MSR99.671313.507.1611.48MSRCR152.66776.687.568.94圖3.1是對有較大明暗差異的不均勻光照環(huán)境下的圖像進(jìn)行增強(qiáng)，由表3-1可以看出，原圖像的對比度特別大.第一個圖是原圖像，它同時存在曝光的部分和低照度部分，利用傳統(tǒng)的直方圖均衡化算法，雖然可以讓對比度急劇變高，但是增強(qiáng)后的圖像完全失真，暗處的細(xì)節(jié)部分突出不明顯，天空的部分又太過增強(qiáng)，所以效果不好.表3.1明顯的顯示出基于Retinex算法的信息熵要高于直方圖均衡化算法，并且用MSR算法增強(qiáng)后的圖像效果比傳統(tǒng)算法要好，但是同樣存在“過增強(qiáng)”的現(xiàn)象，并且圖像整體昏暗，效果不佳.SSR算法增強(qiáng)后的效果與MSR差不多，這里沒有列舉出SSR算法的結(jié)果.表3-1中顯示直方圖的信息熵要大于MSR的，帶色彩恢復(fù)的Retinex算法（MSRCR）對圖像增強(qiáng)后，雖然顏色有所恢復(fù)，信息熵也比較高，但是增強(qiáng)后的圖像整體泛白，發(fā)灰，視覺效果不加.不能很好的應(yīng)用.因此也有很多人在此基礎(chǔ)上進(jìn)行了改進(jìn).3.2基于SHV空間和S型曲線的多尺度Retinex算法因為Retinex算法的廣泛應(yīng)用，已經(jīng)有很多前輩在Retinex算法的基礎(chǔ)上進(jìn)行了改進(jìn)，比如國內(nèi)的汪秦峰改進(jìn)的基于直方圖均衡化和Retinex的圖像去霧算法研究[47]，將自適應(yīng)的直方圖均衡化應(yīng)用到Retinex算法中.還有的提出基于同態(tài)濾波的Retinex，利用同態(tài)濾波進(jìn)行預(yù)處理，降噪.通過3.1章的實例分析和我所查閱的關(guān)于改進(jìn)Retinex算法的論文，我有所收獲，下面我針對存在極大對比度的不均勻光照環(huán)境下的圖像進(jìn)行實驗，進(jìn)而對經(jīng)典多尺度的Retinex算法進(jìn)行改進(jìn)，達(dá)到一個比較好的增強(qiáng)效果.原來的多尺度Retinex算法是在RGB空間上分別對R、G、B三個顏色通道進(jìn)行大中小三個尺度的高斯濾波，進(jìn)而得到三個通道的反射分量，在將他們疊加起來，在這個過程中，R、G、B三個顏色通道的比例很大程度上發(fā)生了改變，所以圖像會有失真的現(xiàn)象.另外對于對比度大的圖像，Retinex算法以及傳統(tǒng)算法都是進(jìn)行的平滑處理，高斯濾波器的尺度參數(shù)是一個常數(shù)值，通過很多次實驗才能確定一個比較合適的值，無論是高亮還是低照度的部分都是在同一個比例下進(jìn)行照射分量的估計，沒有側(cè)重點，照射分量有偏差，減法得到的反射分量自然不準(zhǔn)確，所以增強(qiáng)后的圖像會有色偏，失真和產(chǎn)生光暈的現(xiàn)象.3.2.1改進(jìn)算法的整體思路針對經(jīng)典的多尺度的Retinex算法的不足，我對此進(jìn)行了改進(jìn).我主要從三方面對其進(jìn)行改進(jìn)：第一部分：首先要進(jìn)行空間的轉(zhuǎn)換，將圖像所在的RGB空間轉(zhuǎn)化為HSV空間.這樣就可以只對亮度分量V進(jìn)行處理，既不需要考慮R、G、B三個顏色通道經(jīng)過處理后比例是否改變，也可以提高算法的運(yùn)行速率.因為在RGB空間上對R、G、B三個分量分別處理，而在HSV空間上只需要對V分量進(jìn)行相同的處理.第二部分：多尺度的Retinex算法中對每一個通道要進(jìn)行大、中、小三個尺度的高斯濾波，這三個高斯尺度參數(shù)是三個常數(shù)，要通過大量的實驗才能找到合適的值，并且每種類型的圖像這三個值會發(fā)生一些改變，需要再次調(diào)整.所以我采用自適應(yīng)的方式，對著三個尺度參數(shù)進(jìn)行計算，可以提高代碼的適用性.第三部分：以往的經(jīng)典Retinex算法，是估計出照度分量，然后直接減下去.得到反映物體本身特性的反射分量，并沒有考慮經(jīng)過三個尺度的高斯濾波估計出的照射分量應(yīng)該對應(yīng)不同的比例權(quán)重，因為我們假設(shè)圖像都是平緩變化的，灰度空間是均勻分布的，但是在現(xiàn)實生活中這樣的圖像是很少的，我們應(yīng)該考慮明暗交界處亮度的過度.所以最后利用關(guān)于尺度參數(shù)sigma的S型函數(shù)來作用到照度分量上，這樣可以在一定程度上來解決明暗差極大的圖像增強(qiáng).產(chǎn)生“過增強(qiáng)”的現(xiàn)象.最后將改進(jìn)算法總結(jié)為流程圖，如圖3.2圖3-2改進(jìn)算法流程圖Figure3-2flowchartofimprovedalgorithm3.2.2HSV空間HSV是我們常用的色彩空間[50]，是符合我們觀看的直覺顏色模型.HSV（Hue,Saturation,Value）其中到的Hue是色調(diào)（H），Saturation是飽和度（S），Value是亮度（V）.HSV是在1978年由A.R.Smith創(chuàng)建的色彩空間，它有個別名叫六角椎體模型，如下圖：圖3-3HSV色彩空間模型Figure3-3HSVcolorspacemodel由圖3-3可以看出色調(diào)（H）是用角度度量的，色調(diào)的取值范圍是；飽和度（S）表示的是顏色可以接近光譜色的程度.它的取值范圍為，值越大，顏色愈飽和，顏色越飽和表現(xiàn)出的色彩就越深并且艷麗.亮度（V）表示顏色明亮的程度，取值范圍為，其中0代表黑色，255就是白色.HSV色彩空間可以將亮度分量與顏色分量分離開，這樣就可以只對亮度分量進(jìn)行增強(qiáng)處理，而顏色分量就不會受到影響了.完美地避開了在RGB空間因為各個通道的增強(qiáng)幅度不一致而產(chǎn)生的色彩失真的問題.并且在HSV空間上對V分量進(jìn)行多尺度的Retinex增強(qiáng)，是對一個維度上的處理，而RGB空間是對R、G、B三個維度上進(jìn)行增強(qiáng)，所以在HSV空間可以提升圖像增強(qiáng)處理的速度.因此我改進(jìn)的第一步就是在HSV色彩空間上對圖像進(jìn)行增強(qiáng)處理.3.2.3自適應(yīng)尺度參數(shù)的設(shè)計本文介紹的經(jīng)典的多尺度Retinex算法中，圖像增強(qiáng)是對R、G、B三個顏色通道分別和大、中、小三個尺度的高斯濾波器進(jìn)行卷積，進(jìn)而估計出圖像的照度分量.在這個過程中，三個高斯濾波的尺度參數(shù)是手動指定的常數(shù)值，要通過大量的實驗才能夠得到一個比較合適的值，那么我的第二個改進(jìn)部分就是設(shè)置自適應(yīng)的尺度參數(shù).查閱資料，看到一篇由蔡利梅,向秀華,李紫陽發(fā)表的自適應(yīng)HSV空間Retinex煤礦監(jiān)控圖像增強(qiáng)算法[51]，在這篇文章里，提到了如何建立自適應(yīng)的尺度參數(shù)，但是他們主要研究的是煤礦監(jiān)控圖像的增強(qiáng)，因為煤礦下的灰度近乎為0，只有一小部分是特別明亮的，而我研究的圖像是比較亮的但是同樣存在明暗對比極大的情況，所以我在他們的基礎(chǔ)上進(jìn)行了改進(jìn)，得到了三個自適應(yīng)尺度參數(shù)的模型.（3-1）（3-2）（3-3）式3-1，3-2，3-3中的表示的是原圖像的平均值，這樣構(gòu)造出來的高斯濾波器的尺度參數(shù)，隨著圖像的不同，他們也會隨之改變，這就是自適應(yīng)性.并且這三個尺度參數(shù)一定是存在大中小的關(guān)系，這樣就滿足了多尺度Retinex算法同時運(yùn)用大中小三個尺度參數(shù)進(jìn)行圖像增強(qiáng)的要求.3.2.4基于S型曲線多尺度Retinex上文通過實驗分析了經(jīng)典多尺度Retinex算法的不足，知道了Retinex算法是平滑處理的，對對比度大的圖像沒有側(cè)重加強(qiáng)的地方，在此基礎(chǔ)上對多尺度的Retinex進(jìn)行改進(jìn).首先介紹S型函數(shù)，本文采用的S型函數(shù)是從最基本的Sigmoid函數(shù)修正得到的.基本的Sigmoid函數(shù)為：（3-4）修正后的S型函數(shù)為：（3-5）自變量是尺度參數(shù)，和是兩個常數(shù).決定了曲線的位置，決定了曲線的傾斜度，如下圖所示：圖3-4兩個常數(shù)參數(shù)對S型曲線圖的影響FIG.3-4effectsoftwoconstantparametersonthes-shapedcurve 根據(jù)圖3.3可以看出，決定了曲線的傾斜度，越大，曲線越陡，相反就越平緩；體現(xiàn)了曲線的位置，越大離縱軸越遠(yuǎn)，越小離縱軸越近.利用S型曲線非線性變化和參數(shù)對其影響的特點，用來對高斯濾波器尺度參數(shù)進(jìn)行非線性修正，修正后并作用到由高斯濾波器卷積估計得到的照度分量上，從而估計的照射分量就可以非線性變化，更加的靈活，即對較暗的部分加大增強(qiáng)，對較亮的部分少一些增強(qiáng)，這樣可能會降低圖像的對比對，但是這并不影響觀看的效果.那么在式子（2-7）的基礎(chǔ)上進(jìn)行了改進(jìn)，得到改進(jìn)的多尺度的Retinex的公式為：（3-6）式3-6中的符號意義與式2-7是一樣的，是與HSV空間下的亮度分量V，是不同尺度下的高斯濾波函數(shù)，是每個尺度下對應(yīng)的權(quán)值，；是作用在照度分量上的權(quán)重，也就是利用S型函數(shù)修正后的非線性的函數(shù)值.經(jīng)過改進(jìn)后，對于對比度很大的圖像增強(qiáng)效果比經(jīng)典的Retinex算法要好一些.3.3實驗結(jié)果對于上面那副對比度極大的圖像通過改進(jìn)的算法增強(qiáng)后與其他增強(qiáng)方法對比，效果