Opencv c++对比度增强（1.多尺度Retinex；2.LICE-Retinex；3.自适应对数映射。）

常用对比度增强：直方图均衡化、gamma变换、对数变换，基本可以解决常见的工业问题。

 

本期主要讲述的是三种效果较好的对比度增强算法：1.多尺度Retinex；2. LICE -Retinex；2. 自适应对数映射。

1. 1. 多尺度Retinex

Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。如下图所示，观察者所看到的物体的图像S是由物体表面对入射光L反射得到的，反射率R由物体本身决定，不受入射光L变化。 

由于SSR 单尺度需要在颜色保真度和细节保持度上追去一个完美的平衡，而这个平衡在 应对不同图像的时候一般都有差别，所以针对这个清况，Jobson 和 Rahman 等人再次提出了 多尺度的 Retinex 算法(MSR)，即对一幅图像在不同的尺度上利用高斯进行滤波，然后在对不同尺度上的滤波结果进行平均加权，获得所估计的照度图像。MSR 简单来说就是相当于做 多次的 SSR。

1.2 LICE-Retinex（低亮度图像Retinex图像增强）

这个算法中有几个比较重要的点：

1. 该算法分为两个部分，第一部分是全局的自适应，第二部分是局部的自适应；
2. 该算法是基于Retinex算法的；
3. 该算法的局部自适应部分使用了导向滤波器。

1.2.1全局自适应

本节并非基于Retinex，而是通过首先计算图像像素的对数平均亮度值和最大亮度值，并以对数函数的形式压缩图像的动态范围来提高图像的对比度。

1.2.2区域自适应

难点在于Retinex和导向滤波的理解。

2.1Guide Filter导向滤波

导向滤波（Guided Fliter）显式地利用 guidance image 计算输出图像，其中 guidance image 可以是输入图像本身或者其他图像。导向滤波比起双边滤波来说在边界附近效果较好；另外，它还具有 O(N) 的线性时间的速度优势。和双边滤波的仿真对比效果如下：

基本原理如下：

 

 其中，p为输入图像，I 为导向图，q 为输出图像。在这里我们认为输出图像可以看成导向图I 的一个局部线性变换，其中k是局部化的窗口的中点，因此属于窗口 ωkωk 的pixel，都可以用导向图对应的pixel通过（ak,bk）的系数进行变换计算出来。同时，我们认为输入图像 p 是由 q 加上我们不希望的噪声或纹理得到的，因此有p = q + n 。

接下来就是解出这样的系数，使得p和q的差别尽量小，而且还可以保持局部线性模型。这里利用了带有正则项的 linear ridge regression（岭回归）.