【Retinex theory】【图像增强】【python实现】-笔记

1 前言

retinex 是常见的图像增强的方法，retinex 是由两个单词合成的：retina + conrtex ，即视网膜+皮层。

2 建立的基础

Land 的 retinex theory 建立在三个假设之下：

1. 真实世界是无色的，我们所谓的颜色是光和物质相互作用的结果。（举例：我们见到的水是无色的，但是水膜—肥皂膜却是显现五彩缤纷，那是薄膜表面光干涉的结果）
2. 每一颜色区域由给定波长的红、绿、蓝三原色构成。
3. 每个单位区域的颜色由三原色决定。

3 算法理论的发展

1. 单尺度 Retinex 算法 SSR （single scale retinex）
2. 多尺度加权平均 Retinex 算法 MSR （multi-scale retinex）
3. 带彩色恢复的多尺度 Retinex 算法 MSRCR（multi-scale retinex with color restoration）

4 算法理论

1. 物体的颜色由物体对长波、中波、短波光线的反射能力决定，与反射光强度的绝对值无关。
2. 物体的色彩不受光照非均性影响，具有一致性。即，retinex 以色感一致性（颜色恒常性）为基础。
3. 不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应的增强。

Retinex theory 认为图像$I(x,y)$由两幅不同的图像构成：入射图像（亮度图像）$L(x,y)$ + 反射图像$R(x,y)$。
入射光照射到反射物体上，通过物体的反射，形成反射光进入人眼，最后形成图像。
用公式表示就是：$I(x,y)=L(x,y)\ast R(x,y)$
其中，$L(x,y)$表示入射光图像，环境光的照射分量，它直接决定了图像中像素所能达到的动态范围，应当尽量去除。$R(x,y)$表示了物体的反射性质，即图像的内在属性，应尽量的保留。$I(x,y)$表示人眼所能接收到的反射光图像。
$L(x,y)$的输入是光源的位置、强度、颜色，输出是物体表面上不同位置的照亮值。
$R(x,y)$的输入是物体表面的材质、颜色、法线，输出是表面不同位置的反射率和颜色。

Retinex 理论的基本思想：在原始图像中，通过某种方法去除或者降低入射图像$L(x,y)$的影响，从而尽量的保留物体本质的反射属性图像$R(x,y)$。
基于Retinex的图像增强的目的：从原始图像S中估计出光照L，从而分解出R，消除光照不均的影响，以改善图像的视觉效果，正如人类视觉系统那样。
根据亮度图像$L(x,y)$估计方法的不同，先后涌现出了很多Retinex算法。

Retinex核心

包括两方面：
（1）在颜色感知时，人眼对局部相对光强敏感程度要优于绝对光强。
（2）反射分量R(x,y)储存有无光源物体的真实模样，一幅图像对其光照分量L(x,y)的估计越准确，求得的R(x,y)也就越准确。

对于第一点，人对颜色的认知并不是基于绝对光强，反应在图像上时可以理解成，人眼对一像素点(X0,Y0)的颜色的认知不是基于其RGB三通道绝对值大小，而是与两个因素相关：
1、（X0,Y0)点三通道值的差异，它会致使色偏。
2、（X0,Y0)一个邻域内其余像素的RGB值，它会形成颜色的感觉，RGB三通道绝对值主导亮度感觉。

对于第二点，在给定场景的时候，如果场景内无光源，那么R(x,y)应该是一常量。无论光照L(x,y)如何改变，R(x,y)该不变。也就是说，无论我光照是什么颜色什么强度，我都应该能将其矫正到标准光照情况下。这也是色彩恒常性的体现。

5 处理步骤

原理：

1. 利用取对数的方法将照射光的分量与反射光分量分离：
   $log(I(x,y))=log(L(x,y))+log(R(x,y))$
   （因为对数形式与人类在感受亮度的过程属性最相近）
2. 用高斯模板对图像$I(x,y)$做卷积，近似获得入射图像$L(x,y)$，即 L ( x , y ) = F ( x , y ) ∗ I ( x , y ) L(x,y)=F(x,y)*I(x,y)