当前位置：首页 > news >正文

Retinex视网膜算法（SSR、MSR、MSRCR）

news 2025/7/15 8:10:12

Retinex视网膜算法

Retinex算法模拟人类视觉系统对光照和反射的处理机制，核心是将图像分解为光照分量（Luminance）和反射分量（Reflectance），公式为：
$\times L(x,y)$
通过对数变换转为加法模型（便于分离分量）：
$\log(I(x,y)) = \log(R(x,y)) + \log(L(x,y))$

以下是 SSR、MSR、MSRCR 的原理与区别：

1. 单尺度 Retinex（SSR, Single - Scale Retinex）

核心思想：用单个高斯核估计光照分量，分离反射分量实现增强。

步骤：

对数变换：将图像转对数空间，拆分光照和反射的加法关系：
$\log(I) = \log(R) + \log(L)$
高斯滤波估计光照：
用高斯核 ( G_{\sigma} ) 对对数图像卷积，模拟缓慢变化的光照：
$\log(L) \approx G_{\sigma} * \log(I)$
（( * ) 表示卷积，( \sigma ) 是高斯核标准差，控制光照平滑程度）
提取反射分量：
反射分量的对数为原始对数图像减去光照对数：
$\log(R) = \log(I) - \log(L)$
指数变换还原：
将反射分量转回线性空间：
$\exp(\log(R))$
归一化：映射到 0 - 255 范围，输出增强图像。

特点：

优点：计算简单，适合增强局部细节。
缺点：仅用一个尺度，易出现过度增强（小 ( \sigma )）或细节丢失（大 ( \sigma )），对不同场景适应性弱。

代码实现

import cv2
import numpy as np
import matplotlib.pyplot as pltdef single_scale_retinex(img, sigma=128, normalize=True):"""SSR算法实现:param img: 输入图像 (BGR格式):param sigma: 高斯核标准差 (控制光照估计尺度):param normalize: 是否进行结果归一化:return: 增强后的图像"""# 转换为浮点型并加1避免log(0)img = img.astype(np.float32) / 255.0 + 1e-6# 分别处理每个通道channels = []for ch in range(3):img_ch = img[:, :, ch]# 步骤1: 高斯模糊估计光照分量gaussian = cv2.GaussianBlur(src=img_ch,ksize=(0, 0),  # 自动根据sigma计算核大小sigmaX=sigma,sigmaY=sigma)# 步骤2: 对数域减法分离反射分量log_img = np.log(img_ch)log_blur = np.log(gaussian)retinex = log_img - log_blurchannels.append(retinex)# 合并通道result = np.stack(channels, axis=2)# 可选归一化 (增强视觉效果)if normalize:result = (result - np.min(result)) / (np.max(result) - np.min(result))result = (result * 255).astype(np.uint8)return result# 示例使用
if __name__ == "__main__":# 读取图像image = cv2.imread('img_1.png')  # 替换为你的图像路径# 应用SSRssr_result = single_scale_retinex(image, sigma=100,normalize=True)cv2.imwrite('enhanced_image.png', ssr_result)# 显示结果plt.figure(figsize=(12, 6))plt.subplot(121)plt.title("Original Image")plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(122)plt.title("SSR Enhanced")plt.imshow(cv2.cvtColor(ssr_result, cv2.COLOR_BGR2RGB))plt.axis('off')plt.tight_layout()plt.savefig('ssr_result.jpg', dpi=300)plt.show()

结果图像

输入图像：
在这里插入图片描述
增强图像：

2. 多尺度 Retinex（MSR, Multi - Scale Retinex）

核心思想：融合多个不同尺度的 SSR 结果，平衡全局与局部增强。

步骤：

多尺度 SSR 计算：
用一组不同 $s i g ma$ 的高斯核（如 $s i g ma 1$ , $s i g ma 2$ , $s i g ma 3$ ），分别计算单尺度 Retinex：
$\frac{1}{N} \sum_{i=1}^N \left[ \log(I) - \log\left(G_{\sigma_i} * I\right) \right]$
（( N ) 是尺度数量，通常取 3 - 5 个尺度覆盖不同频率）
直接输出或后处理：
多尺度结果已平衡全局光照和局部细节，可直接归一化输出。

特点：

优点：比 SSR 更鲁棒，兼顾大尺度（保留整体对比度）和小尺度（增强细节）。
缺点：未显式处理颜色失真，易出现色偏；仅优化对比度，未针对性恢复颜色。

代码实现

import cv2
import numpy as np
import matplotlib.pyplot as pltdef multi_scale_retinex(img, sigma_list=[15, 80, 250], weights=None, normalize=True):"""MSR算法实现:param img: 输入图像 (BGR格式):param sigma_list: 高斯核标准差列表，定义不同尺度:param weights: 各尺度的权重，默认等权重:param normalize: 是否进行结果归一化:return: 增强后的图像"""# 如果没有提供权重，则使用等权重if weights is None:weights = [1.0 / len(sigma_list)] * len(sigma_list)elif len(weights) != len(sigma_list):raise ValueError("权重列表长度必须与sigma_list相同")# 转换为浮点型并加1避免log(0)img = img.astype(np.float32) / 255.0 + 1e-6# 初始化MSR结果msr = np.zeros_like(img)# 对每个尺度进行处理for sigma, weight in zip(sigma_list, weights):# 分别处理每个通道channels = []for ch in range(3):img_ch = img[:, :, ch]# 高斯模糊估计光照分量gaussian = cv2.GaussianBlur(src=img_ch,ksize=(0, 0),sigmaX=sigma,sigmaY=sigma)# 对数域减法分离反射分量retinex = np.log(img_ch) - np.log(gaussian)channels.append(retinex)# 加权累加到MSR结果msr += weight * np.stack(channels, axis=2)# 可选归一化 (增强视觉效果)if normalize:# 将结果缩放到0~255msr = (msr - np.min(msr)) / (np.max(msr) - np.min(msr))msr = (msr * 255).astype(np.uint8)return msr# 示例使用
if __name__ == "__main__":# 读取图像image = cv2.imread('img_1.png')  # 替换为你的图像路径# 应用MSR (三个尺度)msr_result = multi_scale_retinex(image,sigma_list=[15, 80, 250],  # 小、中、大三个尺度weights=[0.4, 0.3, 0.3],  # 权重分配normalize=True)# 保存结果cv2.imwrite('msr_enhanced.png', msr_result)# 与单尺度结果对比ssr_small = multi_scale_retinex(image, sigma_list=[15])ssr_medium = multi_scale_retinex(image, sigma_list=[80])ssr_large = multi_scale_retinex(image, sigma_list=[250])# 对比显示plt.figure(figsize=(18, 10))plt.subplot(231)plt.title("Original Image")plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(232)plt.title("SSR (Small Scale, σ=15)")plt.imshow(cv2.cvtColor(ssr_small, cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(233)plt.title("SSR (Medium Scale, σ=80)")plt.imshow(cv2.cvtColor(ssr_medium, cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(234)plt.title("SSR (Large Scale, σ=250)")plt.imshow(cv2.cvtColor(ssr_large, cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(235)plt.title("MSR (Multi-Scale)")plt.imshow(cv2.cvtColor(msr_result, cv2.COLOR_BGR2RGB))plt.axis('off')plt.tight_layout()plt.savefig('msr_comparison.jpg', dpi=300, bbox_inches='tight')plt.show()

结果图像

输入图像：
在这里插入图片描述
增强图像：

3. 多尺度 Retinex 颜色恢复（MSRCR, Multi - Scale Retinex with Color Restoration）

核心思想：在 MSR 基础上，增加**颜色恢复（Color Restoration）**步骤，解决色偏问题。

步骤：

多尺度 Retinex（MSR）：
同 MSR 步骤，得到反射分量的对数 ( \log® )。
颜色恢复（Color Restoration）：
用原始图像的颜色统计信息，补偿反射分量的色偏。公式（以 RGB 通道为例）：
$CR_c = \beta \cdot \left[ \log(\alpha \cdot I_c) - \log\left( \sum_{c=R,G,B} I_c \right) \right]$
- ( CR_c )：通道 ( c ) 的颜色恢复因子
- ( \alpha, \beta )：调整参数（控制颜色恢复强度，需经验调参）
- 作用：让颜色更贴近原始图像的色彩分布，避免 MSR 导致的色偏。
融合反射与颜色恢复：
最终增强公式：
$\cdot \left( R \cdot CR + b \right)$
- ( G )：增益系数（调整整体亮度）
- ( b )：偏移量（微调亮度基准）
颜色平衡（可选）：
对每个通道做直方图截断（如 simplestColorBalance），限制极端亮度值，优化颜色分布。

特点：

优点：在 MSR 基础上解决色偏，增强后颜色更自然；适合低光、雾天等场景的图像增强。
缺点：参数多（( \sigma ) 组、( \alpha, \beta, G, b ) 等），需经验调参；计算复杂度高于 SSR/MSR。

代码实现

import numpy as np
import cv2
import matplotlib.pyplot as plt# 单尺度 Retinex 计算
def singleScaleRetinex(img, sigma):temp = cv2.GaussianBlur(img, (0, 0), sigma)gaussian = np.where(temp == 0, 0.01, temp)retinex = np.log10(img + 0.01) - np.log10(gaussian)return retinex# 多尺度 Retinex 计算
def multiScaleRetinex(img, sigma_list):retinex = np.zeros_like(img, dtype=np.float64)for sigma in sigma_list:retinex += singleScaleRetinex(img, sigma)retinex = retinex / len(sigma_list)return retinex# 颜色恢复
def colorRestoration(img, alpha, beta):img_sum = np.sum(img, axis=2, keepdims=True)color_restoration = beta * (np.log10(alpha * img) - np.log10(img_sum))return color_restoration# 简单颜色平衡
def simplestColorBalance(img, low_clip, high_clip):total = img.shape[0] * img.shape[1]for i in range(img.shape[2]):current = img[:, :, i]unique, counts = np.unique(current, return_counts=True)low_val = 0high_val = 0cumulative_count = 0for u, c in zip(unique, counts):if float(cumulative_count) / total < low_clip:low_val = ucumulative_count += celif float(cumulative_count) / total < high_clip:high_val = ucumulative_count += celse:if high_val == 0:high_val = ubreakcurrent = np.maximum(np.minimum(current, high_val), low_val)img[:, :, i] = currentreturn img# MSRCR 算法实现
def MSRCR(img, sigma_list, G, b, alpha, beta, low_clip, high_clip):img = np.float64(img) + 1.0img_retinex = multiScaleRetinex(img, sigma_list)img_color = colorRestoration(img, alpha, beta)img_msrcr = G * (img_retinex * img_color + b)for i in range(img_msrcr.shape[2]):img_msrcr[:, :, i] = (img_msrcr[:, :, i] - np.min(img_msrcr[:, :, i])) / \(np.max(img_msrcr[:, :, i]) - np.min(img_msrcr[:, :, i])) * 255img_msrcr = np.uint8(np.minimum(np.maximum(img_msrcr, 0), 255))img_msrcr = simplestColorBalance(img_msrcr, low_clip, high_clip)return img_msrcrif __name__ == "__main__":# 读取图像image_path = r'E:\lgl\DeepLearning\retinex\img_1.png'  # 替换为你的图像路径img = cv2.imread(image_path)if img is None:print("无法读取图像，请检查路径是否正确。")else:# 设置参数sigma_list = [15, 80, 250]  # 多尺度的 sigma 值G = 5  # 增益系数b = 20  # 偏移量alpha = 125  # 颜色恢复参数 alphabeta = 46  # 颜色恢复参数 betalow_clip = 0.01  # 颜色平衡低阈值high_clip = 0.99  # 颜色平衡高阈值# 应用 MSRCR 算法result = MSRCR(img, sigma_list, G, b, alpha, beta, low_clip, high_clip)cv2.imwrite('enhanced_image.png', result)# 显示原始图像和处理后的图像（需要导入 matplotlib 库）plt.subplot(121)plt.title("Original Image")plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(122)plt.title("MSRCR Enhanced")plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))plt.axis('off')plt.tight_layout()plt.savefig('msrcr_result.jpg', dpi=300)plt.show()

结果图像

输入图像：
在这里插入图片描述
增强图像：

三类算法对比

算法	核心优势	典型应用场景	不足
SSR	计算简单，局部细节增强效果明显	小范围细节优化（如医学图像）	尺度单一，适应性差
MSR	多尺度平衡，兼顾全局与局部增强	通用图像增强（如监控、遥感）	易色偏，无颜色恢复机制
MSRCR	多尺度 + 颜色恢复，自然还原色彩	低光、雾天图像（如夜景、航拍）	参数多，计算复杂度高