基于Retinex的低照度增强算法

一、基本原理

Retinex 理论将一幅图像分为亮度图像和反射图像两部分，通过改善亮度图像对反射图像的影响而达到增强效果。传统Retinex 理论假设，亮度图像对应于原始图像的低频部分，而反射图像对应于高频部分。因此，通常采用一个低通滤波器来估计图像的亮度,但此方法的缺点在于，对于边缘部分会造成模糊。随后，又发展出带“边缘保持”的低通滤波方法，可有效改善这个问题。由于边缘部分的梯度值通常较大，所以与梯度有关的函数也经常拿来“边缘保持”。

二、具体实现

基于以上原理，本算法对亮度图像的估计是实现的一种带限制的最优化问题。为加快速度，可先对原始图像进行多尺度分解，先从低分辨率图像中估计出亮度，再将其作为上一层迭代的初始值，直至到原始图像层。

按上面方法从原始图像中分解出亮度图像和反射图像后，对其亮度图像进行压缩映射，实现时发现有些图片一次映射后仍然偏暗，也可考虑多迭代几次。

三、效果说明

（一）亮度估计