Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model TIP 2018阅读记录

Abstract& Introduction

到目前为止，经典的Retinex模型都是不够健壮的，对于噪声的加入抵抗力很差，我们提出了健壮的Retinex模型，进行对噪声图的估计，加入了对照明情况和反射率的新的正则项
之前增强低光图像有很多办法：
包括HE的方法，它的主要bonous点在于增强了对比度，然而正因为他增强了对比度，必然带来过度增强的隐患
倒置弱光图像的算法（就像我们之前说的那篇文章一样），倒置的弱光图像看起来像是雾度图像，然后运用除雾算法，将得到的结果再次反转，然而不具有很好的物理背景，同时在处理过程中，增强和降噪的顺序一直是一个问题。在去噪之前执行增强方法可能会导致噪声放大，从而增加了去噪的难度。另一方面，去噪后，增强效果可能会有些模糊。
这里还认为那些state of art的深度学习算法所采用的数据集都是合成的，所以可能有问题
之前的retinex算法对正则项也运用对数，我们认为正则项是不应该用对数来作用的，这样是无法很好地处理图像中的噪声的，所以我们主要的改进点就在这里

Contributions

在传统的retinex模型的基础上考虑了噪声的影响，显式估计噪声图像，同时估计结构图和光照图
增强的拉格朗日求解器，不采用对数的求解法
我们的方法不仅可以用于弱光图像的增强，也可以用于水下图像，图像去雾、沙尘暴天气

Methods

依然是基于如下的公式

intrinsic image decomposition和上面的方程基本类似，它要考虑的是L（朗博shading）、R（反射率）和C（镜面反射分量），只不过在大部分方法中，C被出于简单的考虑而舍弃掉了，这里我们依然舍弃掉C，但是加入了一个噪声分量N
而正是这个N的加入导致无脑求对数失败，我们提出的新方法既考虑到了噪声，又避免了对数求解的使用

Structure

在[14]和[23]之后，我们在HSV颜色空间中的V通道上执行所提出的方法。给定输入的低亮度彩色图像，我们首先将其转换为HSV空间。然后，将该分解应用于归一化V通道图像I，得到光照分量L和反射率分量R。之后，为了照亮黑暗区域，我们调整照明L并生成调整后的照明L‘。然后将调整后的照明L’与反射组件R集成，生成增强的V通道图像I。最后，将增强的HSV图像转换回RGB颜色空间，得到了最终的增强结果。下面的小节将详细介绍所提出的结构显示微光图像增强方法
待优化函数如下

F代表Frobenius范数，下三角就是一阶微分算子，第一项约束了ground truth和估测结果之间的差异，第二项控制着光照图的光滑性，第三项缩小R和G之间的差异，以便保证结构信息不丢失
之间的工作大家都用l2范数来约束亮度梯度，l1约束反射梯度，然而发现亮度的分布并不均匀，所以不适用l2范数
G实际上是把I的梯度放大之后得到的，因为弱光图像往往伴随着对比度低的问题，G的形成是如下的方程

注意这里的K会随着梯度的增大而减小，最终会导致G里面的梯度趋于相同

其他的拆分方法

求解

以上提出的两个优化方程都是非凸的，我们用alternating direction minimization（ADM）来解决这个问题，因为ADM对于非凸的问题也是收敛的

简而言之就是通过变形，把这个优化函数转化为迭代求解的过程（具体迭代过程略），最后利用了一个gamma校正来让L变得更好看

Discussion& Conclusion

采用经典Retinex模型的弱光增强方法往往不能有效地处理噪声，这种情况不可避免地存在。在本文中，我们提出了一个稳健的Retinex模型，在强噪声的情况下，加入一个噪声项来处理弱光图像增强。此外，我们在光照和反射率的优化问题中引入了新的正则化项，以联合估计分段平滑光照和结构显示反射率。提出了一种基于ADM的优化算法。除了低光图像增强，我们的方法也适用于其他类似的任务，如水下或遥感图像增强，以及在朦胧或灰尘环境中。未来的工作包括加速我们的方法并将其推广到视频增强。自动决定哪个模型对输入图像是最佳的也是一个很有吸引力的话题
（顺便吐槽一句这个方法还真是慢的可以）