基于单尺度Retinex和多尺度Retinex的图像增强算法实现

基于单尺度Retinex（SSR）和多尺度Retinex（MSR）的图像增强算法实现

一、算法原理对比

1. 单尺度Retinex (SSR)

• 核心公式：

  $R(x,y) = I(x,y) \cdot \frac{1}{L(x,y)} = \frac{I(x,y) - L(x,y)}{L(x,y)} + 1$ 其中 $L(x,y)$通过高斯滤波估计光照分量

• 处理流程：

  1. 对数变换分离光照与反射分量
  2. 高斯滤波估计光照分量
  3. 对数域减法分离反射分量
  4. 指数变换恢复图像

2. 多尺度Retinex (MSR)

• 核心改进：

  $MSR = \frac{1}{N}\sum_{k=1}^N w_k \cdot SSR(I, \sigma_k)$

  通常选择3个尺度（如15, 80, 250）进行加权融合

• 优势：

  • 低频尺度（大σ）保留整体结构
  • 中频尺度（中σ）增强中等细节
  • 高频尺度（小σ）突出局部纹理

二、Python实现代码

1. 单尺度Retinex (SSR)

import cv2
import numpy as np

def single_scale_retinex(img, sigma=80):
    # 转换到对数域
    img_float = np.log1p(img.astype(np.float32))

    # 高斯滤波估计光照
    blurred = cv2.GaussianBlur(img, (0,0), sigma)
    log_blur = np.log1p(blurred.astype(np.float32))

    # 分离反射分量
    retinex = img_float - log_blur
    return np.expm1(retinex).astype(np.uint8)

2. 多尺度Retinex (MSR)

def multi_scale_retinex(img, sigmas=[15,80,250], weights=[1/3,1/3,1/3]):
    # 初始化结果矩阵
    msr = np.zeros_like(img, dtype=np.float32)

    # 多尺度处理
    for sigma, weight in zip(sigmas, weights):
        # 单尺度Retinex计算
        ssr = single_scale_retinex(img, sigma)
        msr += weight * ssr

    # 动态范围压缩
    msr = cv2.normalize(msr, None, 0, 255, cv2.NORM_MINMAX)
    return msr.astype(np.uint8)

三、算法优化策略

1. 色彩恢复（MSRCR）

def color_restoration(img, alpha=125, beta=46):
    # 分离通道
    channels = cv2.split(img)

    # 色彩恢复因子
    for i in range(3):
        channels[i] = beta * (np.log1p(channels[i]) - np.log1p(alpha * np.mean(channels[i])))

    return cv2.merge(channels)

2. 自适应高斯滤波

def adaptive_gaussian(img, sigma):
    # 根据图像梯度调整滤波强度
    grad_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
    grad_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
    adapt = 1 + 0.5*(grad_x**2 + grad_y**2)

    blurred = cv2.GaussianBlur(img*adapt, (0,0), sigma)
    return blurred / (adapt + 1e-6)

四、效果对比实验

1. 测试图像

2. 性能指标

五、应用场景分析

1. 低光照增强
   • 医学影像（X光片增强）
   • 夜间监控视频处理
   • 卫星遥感图像修复
2. 细节增强
   • 工业检测（表面缺陷识别）
   • 文物修复（纹理细节恢复）
   • 航拍图像处理
3. 色彩校正
   • 雾霾天气图像恢复
   • 老旧照片着色
   • 多光谱图像融合

六、完整实现流程

# 读取图像
img = cv2.imread('input.jpg', cv2.IMREAD_COLOR)

# 预处理
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB).astype(np.float32)/255

# MSR增强
msr_img = multi_scale_retinex(img_rgb, sigmas=[15,80,250])

# 色彩恢复
msrcr_img = color_restoration(msr_img)

# 后处理
final_img = cv2.normalize(msrcr_img, None, 0, 255, cv2.NORM_MINMAX)
cv2.imwrite('output.jpg', final_img)

七、算法改进方向

1. 引导滤波优化
   用引导滤波替代高斯滤波，减少光晕效应：

   def guided_filter(guidance, radius=60, epsilon=1e-3):
       mean_I = cv2.boxFilter(guidance, cv2.CV_64F, (radius,radius))
       mean_p = cv2.boxFilter(guidance, cv2.CV_64F, (radius,radius))
       corr_I = cv2.boxFilter(guidance*guidance, cv2.CV_64F, (radius,radius))
       cov_Ip = cv2.boxFilter(guidance*guidance, cv2.CV_64F, (radius,radius))
   
       var_I = corr_I - mean_I*mean_I
       cov_Ip = cov_Ip - mean_I*mean_p
   
       a = cov_Ip / (var_I + epsilon)
       b = mean_p - a*mean_I
   
       mean_a = cv2.boxFilter(a, cv2.CV_64F, (radius,radius))
       mean_b = cv2.boxFilter(b, cv2.CV_64F, (radius,radius))
   
       return mean_a*guidance + mean_b
   

2. 深度学习融合
   使用预训练CNN提取特征，指导Retinex参数自适应调整：

   class RetinexNet(nn.Module):
       def __init__(self):
           super().__init__()
           self.encoder = models.resnet18(pretrained=True)
           self.decoder = nn.Sequential(
               nn.ConvTranspose2d(512, 256, 4, 2, 1),
               nn.ReLU(),
               nn.Conv2d(256, 3, 3, padding=1)
           )
   
       def forward(self, x):
           features = self.encoder(x)
           return self.decoder(features)
   

八、实验结果验证

通过对比传统算法与改进算法的PSNR和SSIM指标：

该方案通过多尺度分解有效平衡全局光照校正与局部细节增强，结合色彩恢复模块可显著提升视觉质量。实际应用中需根据图像特性动态调整尺度参数，可通过迁移学习优化模型泛化能力。