基于Retinex和金字塔结构的图像增强算法研究程序毕业论文验收报告文档.doc

基于Retinex和金字塔结构的图像增强算法研究程序验收报告 1多尺度Retinex算法 1.1Retinex理论 Retinex理论是将原始图像看作图像反射分量和图像照射分量的组成。该理论是在原始图像中去除或降低环境光照的影响(如光源强度、光照不均等一系列不确定的因素)从而保留反映物体本质特征反射属性。在Retinex模型中，对于一幅给定的图像 可分解为两部分，一部分是物体表面的入射光部分，对应图像的低频部分，称之为入射图像 ；另一部分是物理的反射部分，对应图像的高频部分，称之为可分解为反射图像 。其中不确定的干扰信息往往来自物体的入射光分量，反射分量能反映出物体的本质特征，所以如果将给定图像的入射图像和反射图像分离，那么可以通过改变调整入射分量和反射分量的大小，突出获取图像的更多有用信息。 观测图像可表示为： （2.1） 其中，是人眼观察到的图像，从照射图像就可以确定图像中像素灰度值能够到达的动态范围，反射图像反映图像中物体的本质特征信息，物体吸收和反射光线的能力与物体表面的性质有关。 由于对数形式更接近人眼亮度的感知能力，因此常常将图像转换到对数域进行处理。将乘积运算转换成对数域的加减运算，得： （3.2） 其中，，，。在处理的过程中，很难直接得到物体的反射分量，从数学角度来看，求解是一个奇异问题，只能通过数学方法来近似估算。 图1 retinex原理图 通过某种平滑尽可能准确地模拟照射图像。在Retinex计算中，先对原始图像取对数，再用特定的方法估计照射图像，最后计算原始图像和照射图像的差获得反射图像。 1.2 多尺度Retinex算法 采用高斯环绕函数对照度分量进行估计，就可得到单尺度Retinex算法。单尺度 Retinex算法公式为: （2.2） 采用高斯函数进行估算照度分量： （2.3） 其中尺度参数为高斯函数的标准差，且满足： （2.4） 因此入射分量可有和得到： （2.5） 所以，经过变换后的算法表达式为： （2.6） 一般情况下选取高斯环绕函数，其中尺度参数相当于高斯模板的半径，该值的选择对算法至关重要，其大小直接影响增强图像的质量。选择恰当值，在动态范围压缩、色彩保真、提高对比度之间得到折衷。较大时，处理后的图像颜色保真性更好，但随之图像灰度值动态范围的压缩效果减弱。而当较小时，高斯模板的半径变小，使得图像的局部细节信息突显出来，图像灰度值动态范围的压缩效果提高，但可能出现颜色失真现象。算法的一大缺陷即算法无法同时兼顾增强图像的动态范围压缩、边缘锐化、色彩保持度等多方面的特性，此外不能同时兼顾保留图像细节和图像整体结构，处理后得到的图像往往会出现光晕现象。 算法的可以看做是由多个不同尺度的加权平均值 （2.7） 其中，为在第个通道上的输出，表示输入图像的第个通道，为高斯环绕函数，是高斯环绕函数的个数，是尺度的相关权值。当时，算法即为简化了的算法；在常用的中，如果，算法的效率将会大大降低，而且与相比，增强效果并没有得到显著提高。因此权衡增强效果与处理速度，选取，三个尺度参数分别为小尺度、中尺度和大尺度[47]。这样选择使其兼备了算法多个尺度的优点。其中。 高斯卷积函数的公式定义如下： （2.8） Step1：将输入图像变换至对数域； Step2：设定小、中、大三个不同尺度参数，确定环绕函数，利用高斯函数计算相应的高斯模板；通过确定的高斯函数对原图像做卷积，得到滤波后的图像； Step3：根据选择的权值，对三个尺度的输出结果做加权求和； Step4：计算图像中原图像和加权后所得图像的相对明暗关系，即将两者在对数域中相减； Step5：对第四步的结果进行指数变换。 1.3 MSR算法程序 function z=MSR(f) fr=f(:, :, 1); fg=f(:, :, 2); fb=f(:, :, 3); %RGB通道 mr=mat2gray(im2double(fr)); mg=mat2gray(im2double(fg)); mb=mat2gray(im2double(fb)); %数据类型归一化 alf1=1458; %定义标准差alf1 n=161; %定义模板大小 for i=1:n