图像处理实例--Retinex增强处理

算法概述

Retinex理论的基础理论是物体的颜色是由物体对长波（红色）、中波（绿色）、短波（蓝色）光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即retinex是以色感一致性（颜色恒常性）为基础的。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打到平衡，因此可以对各种不同类型的图像进行自适应的增强。

40多年来，研究人员模仿人类视觉系统发展了Retinex算法，从单尺度Retinex算法改进成多尺度加权平均的Retinex算法，再发展成彩色恢复多尺度Retinex算法。

算法优点

该算法可以平衡图像灰度动态范围压缩、图像增强和图像颜色恒常三个指标，能够实现对含雾图像的自适应性增强。

实验代码

function in=retinex(f,flag)
% 用retinex的msr实现图像去雾
%提取图像的RGB分量
fr=f(:,:,1);
fg=f(:,:,2);
fb=f(:,:,3);
%数据类型归一化
mr=mat2gray(im2double(fr));
mg=mat2gray(im2double(fg));
mb=mat2gray(im2double(fb));
%定义alpha参数
alpha=1200;
%定义模板大小
n=128;
%计算中心
n1=floor((n+1)/2);
for i=1:n
    for j=1:n
        %高斯函数
        b(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alpha))/(pi*alpha);
    end
end
%卷积滤波
nr1=imfilter(mr,b,'conv','replicate');
ng1=imfilter(mg,b,'conv','replicate');
nb1=imfilter(mb,b,'conv','replicate');
ur1=log(nr1);
ug1=log(ng1);
ub1=log(nb1);
tr1=log(mr);
tg1=log(mg);
tb1=log(mb);
yr1=(tr1-ur1)/3;
yg1=(tg1-ug1)/3;
yb1=(tb1-ub1)/3;
%定义beta参数
beta=55;
%定义模板大小
%x=32;
%计算中心
%x1=floor((n+1)/2);
for i=1:n
    for j=1:n
        %高斯函数
        a(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*beta))/(6*pi*beta);
    end
end
%卷积滤波
nr2=imfilter(mr,a,'conv','replicate');
ng2=imfilter(mg,a,'conv','replicate');
nb2=imfilter(mb,a,'conv','replicate');
ur2=log(nr2);
ug2=log(ng2);
ub2=log(nb2);
tr2=log(mr);
tg2=log(mg);
tb2=log(mb);
yr2=(tr2-ur2)/3;
yg2=(tg2-ug2)/3;
yb2=(tb2-ub2)/3;
%定义eta参数
eta=13944.5;
%定义模板大小
%l=500;
%计算中心
%l1=floor((n+1)/2);
for i=1:n
    for j=1:n
        %高斯函数
        e(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*eta))/(4*pi*eta);
    end
end
%卷积滤波
nr3=imfilter(mr,e,'conv','replicate');
ng3=imfilter(mg,e,'conv','replicate');
nb3=imfilter(mb,e,'conv','replicate');
ur3=log(nr3);
ug3=log(ng3);
ub3=log(nb3);
tr3=log(mr);
tg3=log(mg);
tb3=log(mb);
yr3=(tr3-ur3)/3;
yg3=(tg3-ug3)/3;
yb3=(tb3-ub3)/3;
dr=yr1+yr2+yr3;
dg=yg1+yg2+yg3;
db=yb1+yb2+yb3;
cr=im2uint8(dr);
cg=im2uint8(dg);
cb=im2uint8(db);
%集成处理后的分量得到图像
in=cat(3,cr,cg,cb);
%结果显示

    figure;
    subplot(1,2,1);imshow(f);title('原图像');
    subplot(1,2,2);imshow(in);title('处理后的图像');
end

测试图像如下：

参考文献：《MATLAB计算机视觉与深度学习实战》刘衍琪 詹福宇等著 电子工业出版社 2017年6月