这周在继续学习新内容(基于opencv的图像编程和Python的深入学习)的同时有回顾了之前关于图像增强方面的知识。因为一直看的都是关于图像复原的内容,增强这方面有所遗忘,所以回顾一下看有没有新的心得!
1、关于retinex算法的内容和特点:
Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法,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。
原理:一幅给定的图像S(x,y)可以分解为两个不同的图像:反射图像R(x,y)和亮度图像(也有人称之为入射图像)L(x,y),L又称为光照分量,R又称为反射分量。Retinex的基本思想是,在S中,降低L的影响,从而尽量保留物体本质的反射属性,即R。Retinex只是一个框架,采用不同的亮度图像估计算法,其具体形式也不同。一般直接通过空间平滑得到照射图像估计,常用的是高斯核的低通滤波。具体步骤如下: