当前位置：首页 > news >正文

Python图像处理——基于Retinex算法的低光照图像增强系统

news 来源：原创 2025/4/27 20:59:28

1.项目内容

（1）算法介绍

①MSRCR (Multi-Scale Retinex with Color Restoration)

MSRCR 是多尺度 Retinex 算法（MSR）的扩展版，引入了色彩恢复机制以进一步提升图像增强质量。MSR 能有效地压缩图像动态范围，但在增强图像细节时常引入色彩失真，而 MSRCR 则通过引入颜色恢复因子，调节图像色彩比例，从而克服这一缺陷。

核心思路：利用多个尺度的高斯核对原图做 SSR 操作（即多尺度 SSR 加权平均）。增加一个颜色恢复模块，提升图像色彩一致性，抑制颜色失真。对增强结果进行非线性调节及像素值范围归一化处理。

步骤流程：首先使用高斯函数对原始图像进行低通滤波，抑制图像中的高频信息；随后将原始图像与滤波后的图像转换到对数域后做差，得到去除低频成分的对数域反射图像。接着，采用多尺度策略重复上述滤波与差分操作，在像素层面将各尺度反射图像进行求和，得到多尺度Retinex（MSR）结果。在此基础上，为增强图像颜色，先在通道层面对原始图像进行求和，作为归一化因子，用以生成归一化的权重矩阵，并转换至对数域以获得图像颜色增益，再将MSR结果与该颜色增益矩阵进行连乘组合，实现颜色恢复。最后，通过乘以增益系数、加上偏移量以及自动色阶调整，完成图像的最终恢复和增强处理。

②AutoMSRCR(Automatic Multi-Scale Retinex with Color Restoration)

AutoMSRCR 是对 MSRCR 的进一步改进，主要目标是实现参数的自适应调节，即根据不同图像自动调整高斯尺度参数、权重、颜色恢复系数等，避免手动调参的繁琐，提高算法的实用性与通用性。

核心思路：采用图像特征自动估计方法选择 MSRCR 所需的各项参数。使用色彩增益调节和图像直方图均衡提升亮度分布均衡性。保持 MSRCR 的基本结构框架，增强其适应不同图像内容的能力。

步骤流程：首先对图像应用SMR（Single-scale Retinex）算法，生成一个三维像素值数组作为初始处理结果。接着，对每个通道的像素值进行去重、排序，并统计不同像素值的数量，从中筛选出最小值、最大值以及像素值等于0的数量。然后，为了增强图像对比度，对每个通道的像素值范围进行缩放处理：通过统计小于0和大于0像素值的分布情况，确定每个通道的下限和上限——其中下限为像素值小于0且出现次数不超过0值像素数十分之一的最大值，上限为像素值大于0且出现次数不超过0值像素数十分之一的最小值。在此基础上，将所有超出上下限范围的像素值分别替换为上下限值，并对每个通道的像素值进行线性拉伸至0~255范围，最终取整后用于图像的可视化显示。

③MSRCP (Multi-Scale Retinex with Chromaticity Preservation)

MSRCP 是为了解决 MSRCR 在某些图像中出现“偏色”问题而提出的改进算法，适用于原始图像色调较自然时。其核心思想是：仅对图像亮度（Intensity）分量进行 MSR 操作，而不直接干预颜色信息（即 Hue 和 Saturation）。

核心思路：首先将彩色图像转换为亮度图，使用 MSR 对亮度分量进行增强。然后按照原图 RGB 各通道的比例，对增强后的亮度图进行映射，实现增强同时保留原有色彩分布。

步骤流程：首先对图像的每个像素点进行RGB分量求均值处理，作为亮度信息基础，然后对原始图像使用高斯函数进行低通滤波，以提取图像的低频成分。接着，将原始图像与滤波结果一同转换到对数域后做差，得到去除低频后的对数域反射图像。随后，在像素层面对该反射图像进行多尺度求和，完成多尺度Retinex（MSR）处理，并结合线性调节与自动色阶平衡提升图像视觉效果。最后，根据原始图像RGB通道的比例，将增强后的亮度信息映射回各个颜色通道，实现图像的颜色还原与增强，输出最终结果图像。

④R2RNet(Real-low to Real-normal Network)

一种全新的基于 Retinex 理论的真实低光到真实正常光图像增强网络（R2RNet），该网络由三个子网组成：Decom-Net、Denoise-Net 和 Relight-Net，分别用于图像的分解、去噪、对比度增强与细节保留。R2RNet 不仅充分利用图像的空间信息以提升对比度，还融合频域信息以更好地保留细节，从而在多种退化类型的图像上都表现出更强的鲁棒性。