基于Retinex 算法实现图像增强
Retinex 算法通过对图像进行对数变换和高斯模糊来估计光照分量。然后,将原始图像的对数与光照分量的对数相减,得到反射分量的估计。最后,通过对反射分量进行适当的增强和调整,可以实现图像的亮度增强。 Retinex 算法的图像亮度增强能改善图像质量,有效去除阴影和光照不均匀现象,使亮度更均匀、对比度更高,同时增强细节和纹理,让图像更清晰锐利。该算法还能增强视觉效果,通过调整亮度和对比度,使图像更生动逼真,尤其能让低光照下暗淡模糊的图像变得明亮清晰,提高视觉舒适度。此外,它能较好地保持物体颜色不变,确保图像的真实性和准确性。
'''
用于对图像进行亮度增强
'''
import cv2
import numpy as np
import argparse
# 对图像进行单尺度 Retinex 处理
def single_scale_retinex(img, sigma):
retinex = np.log10(img) - np.log10(cv2.GaussianBlur(img, (0, 0), sigma))
return retinex
# 对图像进行多尺度 Retinex 处理
def multi_scale_retinex(img, sigma_list):
retinex = np.zeros_like(img)
for sigma in sigma_list:
retinex += single_scale_retinex(img, sigma)
retinex = retinex / len(sigma_list)
return retinex
# 进行颜色恢复
def color_restoration(img, alpha, beta):
img_sum = np.sum(img, axis=2, keepdims=True)
color_restoration = beta * (np.log10(alpha * img) - np.log10(img_sum))
return color_restoration
# 图像增强主函数,包括图像增强和颜色恢复
def retinex_process(img, sigma_list, G, b, alpha, beta):
img = np.float64(img) + 1.0
img_retinex = multi_scale_retinex(img, sigma_list)
img_color = color_restoration(img, alpha, beta)
img_retinex = G * (img_retinex * img_color + b)
# 将像素值限制在范围内
for i in range(img_retinex.shape[2]):
img_retinex[:, :, i] = np.clip(img_retinex[:, :, i], 0, 255)
img_retinex = np.uint8(img_retinex)
return img_retinex
def retinex(img_path,out_path):
# 读取图像
img = cv2.imread(img_path)
# 尺度列表
sigma_list = [15, 80, 250]
# 增益参数
G = 5.0
# 偏置参数
b = 25.0
# 颜色恢复参数
alpha = 125.0
# 颜色恢复参数
beta = 46.0
# 进行图像增强
img_retinex = retinex_process(img, sigma_list, G, b, alpha, beta)
cv2.imwrite(out_path, img_retinex)
def getargs():
parse = argparse.ArgumentParser()
parse.add_argument('--img_path',default=r"E:\0-hky\mmagic-main\data\test4.png", type = str, help='input img path')
parse.add_argument('--out_path', default=r'E:\0-hky\mmagic-main\output_quwu\test4_light.jpg',type = str, help='output img path')
return parse.parse_args()
if __name__ == "__main__":
opts = getargs()
img_path = opts.img_path
out_path = opts.out_path
retinex(img_path,out_path)
部分测试图像和结果: