Retinex图像增强算法(SSR, MSR, MSRCR)详解_ssr算法

Retinex理论认为，人眼观测到的图像S是光照图像L和物体反射图像R的乘积。而R才是真实的恒常性的图像，但是怎么从观测图像S中计算R呢？这是个病态问题，根本不可解。研究者就通过加以一定的约束条件，比如光照L具有缓变平滑性、L与S有一定的弱相关性等等，然后估计出光照图像L，进而得到R。

单尺度Retinex:SSR

根据之前对retinex算法的原理分析，我们可以得到：r=s-l=logS-logL，其中原始图像为S(x, y)，反射图像为R(x, y)，亮度图像为L(x, y)，下面我直接贴下SSR的公式部分：

 

在 SSR 算法中，参数 c 的选择直接影响图像增强的效果：c 越小，SSR 的动态压缩能力越强，图像阴暗部分的细节得到更好的增强，但是由于平均对比度范围较小，结果会产生颜色失真；c 越大，SSR 的颜色保真度越高，但是动态压缩能力会减弱。通常 SSR 是在动态范围压缩和色感一致性之间寻找平衡点。

多尺度Retinex:MSR

SSR 算法可能出现 halo 现象，Jobson等人又提出了多尺度Retinex算法。通过联合多个尺度的滤波结果，补偿 halos 和照射信息的缺失，突出暗区域的细节；

代码请参见：http://download.csdn.net/download/piaoxuezhong/10029685。

带色彩恢复的Retinex:MSRCR

论文：A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes

从S中如何估计L，就衍生出了各种各样的实现方式，影响较大的有：中心环绕、随机路径、变分、金字塔迭代等等方法。其中，中心环绕算法无疑是影响最大的retinex实现方式，使用高斯尺度算子来估计光照图像，计算速度快。当然，它也有一些缺点：

    1） 在强光阴影过渡区容易出现光晕现象； 主要是由于高斯算子不能在过渡区很好的估计光照所致。

    2） 对比较亮的图像处理欠佳，比如雾霾图像。

        主要原因有二：retinex不是专门的去雾算法；对数化处理压缩了亮区域的显示范围，导致其细节弱化。

        由于L和R是乘积的关系，为了便于处理，一般对观测图像S先进行对数处理，这样就转换成了加性关系。使用对数处理可以极大的提升暗区域的像素值，以增加对比度，但代价是压缩了亮区图像的显示范围，导致其细节模糊甚至丢失。所以个人认为，retinex适用于处理那些光照不足的图像，对于比较亮的图像，不妨先进行反色处理再retinex。

    3） 色彩保持能力较弱。

        因为对rgb三个颜色通道各自归一化处理的缘故，有论文提到了一些改善方法，但我发现还是不容乐观。此外，三通道各自归一化处理后，其颜色均值是接近于128的，如果后面再跟一个指数化操作（对数处理的反操作），将导致图像颜色明显偏暗，所以这是一般retinex算法只有对数处理没有指数处理的缘故。

    一点点改进如下：

        1）使用引导滤波来快速估计光照图像，减少光晕的出现，实验表明，该步骤对色彩保持能力也有一定的提升；

        2）在使用多个尺度算子进行合成的时候，不是简单的做均值处理；

        3）在完成retinex处理之后，再做一次简单的gamma校正，使其均值接近于128。

参考资料：

• https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71435098
• https://blog.csdn.net/piaoxuezhong/article/details/78261336
• 带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用。