关于Retinex理论的一些理解

目前一直在参与关于Retinex的相关课题，并完成了许多模型的构建，本文以个人的见解介绍Retinex的相关理论
 1. 基本原理
        Retinex理论是上世纪八十年代由land等人提出的算法。该理论认为人眼可以感知近似一致的色彩信息，这种性质称为色彩恒定性。这种恒定性是视网膜（Retina）与大脑皮层（Cortex）所共同作用的结果，即 Retinex理论。
        Retinex 理论认为人眼视觉系统（Human Visual System, HVS）所感知到物体的色彩和亮度取决于物体表面的反射特性，所以人类视觉系统往往能过够在不同的光照条件下感知物体的反射率。Land 等人为该理论构建了如下数学模型：

 2. Retinex理论的实质
        就本人个人的体会而言，Retinex理论实际上属于图像分解的一种，但是与某些图像分解方法不同的是。分解得到的照度分量和反射分量是相乘的关系，这里可以理解为图像的结构信息和图像的细节纹理部分相乘的结果。正如Land等人所说的，反射分量（即包含纹理的部分）代表了图像的本质属性（除去了图像的亮度信息）包含图像的所有边缘细节颜色等等。照度分量包含了图像中景物的大致轮廓和亮度的分布。

        什么意思呢？或许你觉得有点晦涩难懂，看完下面这张图像你将会对其有一个直观的感受。反射分量和照度分量图像如下所示：（左图原始图像，中图反射分量，右图照度分量）

        换句话说，类似于反射分量类似是一张图片的基本特征，但是非常不真实，需要加入一些明暗对比度以及一些晕影阳光等信息使得图像变得更加真实。那么我们换个思路，对于图像增强技术，完全可以对照度分量进行处理，提升明暗亮度，这样的话再与反射分量进行重新组合即可得到最终的图像。

由此，对于常见的图像增强策略，主要分为以下几点：

1，直接将反射分量作为增强结果

（先不论说是否能完全分解准确，反射分量往往会损失一部分信息，图像会变得非常不真实）

2，对亮度信息进行处理，再与反射分量重新组合

（为目前的主流算法，一方面，这样可以不损失图像的本质属性，而仅仅处理亮度低的部分）

 

3. Retinex图像分解方法的应用

1，光照不均匀图像的抑制

2，图像亮度增强，细节的保护，色彩的保护，自然度的恢复等等

3，图像去噪（噪声属于高频信息，可将噪声留在反射分量中再去噪）

4，细节提取（类似于Canny边缘提取）

5，图像结构和纹理的单部分获取。