帶色彩恢復的多尺度視網膜增強算法（MSRCR）的原理、實現及應用。

本文轉載自查看原文 2013-04-17 19:17 37068 [05] 圖像去霧技術/ SSR/ Retinex圖像增強/ [01] 圖像增強算法/ MSR/ MSRCR

Retinex這個詞是由視網膜(Retina)和大腦皮層(Cortex) 兩個詞組合構成的。Retinex理論主要包含了兩個方面的內容：物體的顏色是由物體對長波、中波和短波光線的反射能力決定的，而不是由反射光強度的絕對值決定的；物體的色彩不受光照非均勻性的影響,具有一致性。

根據Retinex理論，人眼感知物體的亮度取決於環境的照明和物體表面對照射光的反射，其數學表達式為：

I(x,y)=L(x,y)*R(x,y)　　　　　　　　　　　　　　　　　　　　　　　　　　　　(2-1)

　　式中： I(x,y)代表被觀察或照相機接收到的圖像信號；L(x,y)代表環境光的照射分量；R(x,y)表示攜帶圖像細節信息的目標物體的反射分量。

將(2-1)式兩邊取對數，則可拋開入射光的性質得到物體的本來面貌，即有關系式：

Log[R(x,y)] = Log[I(x,y)]-Log[L(x,y)];　　　　　　　　　　　　　　　　　　　　(2-2)

對上面的理論的進行一個簡單的注釋吧。把這個技術運用到圖像處理上，就是針對我們現在已經獲得的一副圖像數據I(x,y），計算出對應的R(x,y)，則R(x,y)認為是增強后的圖像，現在的關鍵是如何得到L(X,Y)。Retinex理論的提出者指出這個L(x,y）可以通過對圖像數據I(x,y）進行高斯模糊而得到，很多論文中都列出了那個中心/圍繞函數以及需要歸一化的K值，搞的很多新手都不明白是什么了，其實就是一個模糊而已。從實際運用的角度來說，也可以用均值模糊來代替高斯模糊。

因此這個算法的細路就很簡單了，具體步驟如下：

1、輸入: 原始圖像數據I(x,y),尺度（也就是所謂的模糊的半徑）

2、處理：(1) 計算原始圖像按指定尺度進行模糊后的圖像 L(x,y);

(2) 按照2-2式的計算方法計算出 Log[R(x,y)]的值。

(3) 將 Log[R(x,y)]量化為0到255范圍的像素值，作為最終的輸出。

可以看得出，算法很簡單，其核心的東西還是在於高斯模糊的實現。關於高斯模糊，網上有很多快速優化的文章參考，具體的參考代碼可能很少有好人提供的。

注意到一點，似乎在量化的時候沒有誰會將 Log[R(x,y)]進行Exp函數的運算而直接得到R(x,y)，至於為什么，我無法給出明確的答案。

量化的方式其實有很多種，而這個方法在很大的程度上對處理的效果有着決定性的影響。至今我沒看到有哪一篇論文對這一塊講的很清楚，也不知道他們的那些結果是如何取得的，一種最簡單的方式就是計算出Log[R(x,y)]的最大值Max和最小值Min,然后對每一個值Value，進行線性量化，公式為：

R(x,y) = ( Value - Min ) / (Max - Min) * (255-0) (2-3)

效果測試：

原圖經過Retinex（尺度為10）增強后的圖像經過Retinex（尺度為300）增強后的圖像

論文中說，尺度取值較小時，能夠較好地完成動態范圍的壓縮，暗區域的細節能得到較好地增強，但輸出顏色易失真；取值較大時，色感一致性較好。我倒是沒看出尺度小有什么好處。

以上算法所實現的過程通常倍稱作為SSR(Single Scale Retinex,單尺度視網膜增強）；

為了得到更好的效果，人們又開發出所謂的多尺度視網膜增強算法（MSR， Multi-Scale Retinex），最為經典的就是3尺度的，大、中、小，既能實現圖像動態范圍的壓縮，又能保持色感的一致性較好。同單尺度相比，該算法有在計算Log[R(x,y)]的值時步驟有所不同：

（1）需要對原始圖像進行每個尺度的高斯模糊，得到模糊后的圖像L_i(x,y),其中小標i表示尺度數。

(2) 對每個尺度下進行累加計算 Log[R(x,y)] = Log[R(x,y)] + Weight(i)* ( Log[I_i(x,y)]-Log[L_i(x,y)]); 其中Weight(i)表示每個尺度對應的權重，要求各尺度權重之和必須為1，經典的取值為等權重。

其他的步驟和單尺度的沒有區別。

原圖經過SSR（尺度為300）增強后的圖像經過MSR（最大尺度為300，尺度數為3）增強后的圖像

　 SSR和MSR在最大尺度相同的時候誰好誰壞我還真講不清。

在以上的兩幅測試圖像中，特別是第二幅，我們看到明顯的偏色效果，這就是SSR和MSR普遍都存在的問題。給一段比較經典的論文中的原話供大家參考：

The general effect of retinex processing on images with regional or global gray-world violations is a “graying out” of the image, either globally or in speciﬁc regions. This desaturation of color can, in some cases, be severe (see Fig. 4, middle). More rarely, the gray-world violations can simply produce an unexpected color distortion (see Fig. 4,top left).

為此，研究者又開發出一種稱之為帶色彩恢復的多尺度視網膜增強算法（MSRCR,Multi-Scale Retinex with Color Restoration) ，具體討論的過程詳見 <A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes>這篇論文，這里要說的是，我認為論文里的方法不起任何作用，並且論文里為了這個又引入了太多的可調參數，增加了算法的復雜性，不利於自動化實現。

從我目前的了解來看，GIMP的contrast-retinex.c文件里使用的算法很好，效果也很好。他直接從量化的方式上入手，引入了均值和均方差的概念，再加上一個控制圖像動態的參數來實現無色偏的調節過程，簡要描述如下。

（1）分別計算出 Log[R(x,y)]中R/G/B各通道數據的均值Mean和均方差Var（注意是均方差）。

（2）利用類似下述公式計算各通道的Min和Max值。

Min = Mean - Dynamic * Var;

Max = Mean + Dynamic * Var;
(3) 對Log[R(x,y)]的每一個值Value，進行線性映射：

R(x,y) = ( Value - Min ) / (Max - Min) * (255-0) ，同時要注意增加一個溢出判斷,即：

if (R(x,y) > 255) R(x,y) =255; else if (R(x,y) < 0) R(x,y)=0;

就是經過這么簡單的處理，實踐證明可以取得非常好的效果,下面貼出一些處理后的效果。