2. 程式人生 > >retinex影象增強演算法ssr-msr-msrcr詳解及其opencv原始碼

retinex影象增強演算法ssr-msr-msrcr詳解及其opencv原始碼

阿新 • • 發佈：2018-12-10

原文：https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71435098

Retinex影象增強演算法(SSR, MSR, MSRCR)詳解及其OpenCV原始碼

Retinex是一種常用的建立在科學實驗和科學分析基礎上的影象增強方法，它是Edwin.H.Land於1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一樣，Retinex也是由兩個單詞合成的一個詞語，他們分別是retina 和cortex，即：視網膜和皮層。Land的retinex模式是建立在以下三個假設之上的：

  • 真實世界是無顏色的，我們所感知的顏色是光與物質的相互作用的結果。我們見到的水是無色的，但是水膜—肥皂膜卻是顯現五彩繽紛，那是薄膜表面光干涉的結果。
  • 每一顏色區域由給定波長的紅、綠、藍三原色構成的；
  • 三原色決定了每個單位區域的顏色。

Retinex理論的基礎理論是物體的顏色是由物體對長波（紅色）、中波（綠色）、短波（藍色）光線的反射能力來決定的，而不是由反射光強度的絕對值來決定的，物體的色彩不受光照非均勻性的影響，具有一致性，即retinex是以色感一致性（顏色恆常性）為基礎的。不同於傳統的線性、非線性的只能增強影象某一類特徵的方法，Retinex可以在動態範圍壓縮、邊緣增強和顏色恆常三個方面達到平衡，因此可以對各種不同型別的影象進行自適應的增強。

40多年來，研究人員模仿人類視覺系統發展了Retinex演算法，從單尺度Retinex演算法，改進成多尺度加權平均的MSR演算法，再發展成彩色恢復多尺度MSRCR演算法。筆者在本文中，從原理闡述演算法的流程，並提供原始碼地址。

參考連結：
http://blog.csdn.net/carson2005/article/details/9502053
http://www.cnblogs.com/Imageshop/archive/2013/04/17/3026881.html
參考論文：
《一種結合直方圖均衡化和MSRCR的影象增強新演算法》——李錦 等人

一. 單尺度SSR(Single Scale Retinex)

1. 原理

一幅給定的影象S(x,y)可以分解為兩個不同的影象：反射影象R(x,y)和入射影象（也有人稱之為亮度影象）L(x,y)，其原理圖如下所示：
這裡寫圖片描述
如上圖所示，影象可以看做是入射影象和反射影象構成，入射光照射在反射物體上，通過反射物體的反射，形成反射光進入人眼。最後形成的影象可以如下公式表示：

r(x,y)=logR(x,y)=logS(x,y)L(x,y)r(x,y)=logR(x,y)=logS(x,y)L(x,y)

其中，R(x, y)表示了物體的反射性質，即影象內在屬性，我們應該最大程度的保留；而L(x, y)表示入射光影象，決定了影象畫素能達到的動態範圍，我們應該儘量去除。
一般，我們把照射影象假設估計為空間平滑影象，原始影象為S(x, y)，反射影象為R(x, y)，亮度影象為L(x, y)，可以得出上面的公式(1)，以及下面的公式：

r(x,y)=logR(x,y)=logS(x,y)L(x,y)r(x,y)=logR(x,y)=logS(x,y)L(x,y) …………(2)

r(x,y)=logS(x,y)−log[F(x,y)⨂S(x,y)]r(x,y)=log⁡S(x,y)−log⁡[F(x,y)⨂S(x,y)] ………….(3)

這裡，r(x, y)是輸出影象，式(3)中後面中括號裡的運算是卷積運算。F(x, y)是中心環繞函式，表示為：

F(x,y)=λe−(x2+y2)c2F(x,y)=λe−(x2+y2)c2 ………….(4)

式(4)中的C是高斯環繞尺度，λ是一個尺度，它的取值必須滿足下式：

∫∫F(x,y)dxdy=1∫∫F(x,y)dxdy=1 ………….(5)

上面的式中可以看出，SSR演算法中的卷積是對入射影象的計算，其物理意義是通過計算畫素點與周圍區域在加權平均的作用下，估計影象中照度的變化，並將L(x,y)L(x,y)屬性。

2. 演算法的實現流程

單尺度Retinex演算法SSR的實現流程可以概括如下：

  1. 讀原圖S(x, y)：
    • 若原圖為灰度圖：將影象各畫素的灰度值由整數型(int)轉換為浮點數(float)，並轉換到對數域；
    • 若原圖為彩色圖：將顏色分通道處理，每個分量畫素值由整數型(int)轉換為浮點數(float)，並轉換到對數域；
  2. 輸入高斯環繞尺度C，把積分運算離散化，轉為求和運算，通過上式(4)(5)確定λ的值；
  3. 由式(3)得r(x, y)；
    • 若原圖是灰度圖，則只有一個r(x, y)；
    • 若原圖為彩色圖，則每個通道都有一個對應的r(x, y)；
  4. 將r(x, y)從對數域轉換到實數域，得到輸出影象R(x, y)；
  5. 此時的R(x, y)值的範圍並不是0–255，所以還需要進行線性拉伸並轉換成相應的格式輸出顯示。

前面的公式中，中心環繞函式F(x, y)用的是低通函式，這樣能夠在演算法中估計出入射影象對應原始影象的低頻部分。從原始影象中除去低頻照射部分，就會留下原始影象所對應的高頻分量。高頻分量很有價值，因為在人類的視覺系統中，人眼對邊緣部分的高頻資訊相當敏感，所以SSR演算法可以較好的增強影象中的邊緣資訊。
由於SSR演算法中所選用的高斯函式特點，對於動態範圍大幅度壓縮和對比度增強兩個指標，增強後的影象不能同時保證。但是為了平衡兩種增強效果，就必須選擇一個較為恰當的高斯尺度常量C。C值一般取值在80–100之間。

3. OpenCV原始碼

見原始碼附錄的Retenix()函式。

二. 多尺度MSR(Multi-Scale Retinex)

1. 原理

MSR是在SSR基礎上發展來的，優點是可以同時保持影象高保真度與對影象的動態範圍進行壓縮的同時，MSR也可實現色彩增強、顏色恆常性、區域性動態範圍壓縮、全域性動態範圍壓縮，也可以用於X光影象增強。
MSR計算公式如下：

r(x,y)=∑Kkwk{logS(x,y)−log[Fk(x,y)⋅S(x,y)]}r(x,y)=∑kKwk{log⁡S(x,y)−log⁡[Fk(x,y)⋅S(x,y)]} …………(6)

式中，K是高斯中心環繞函式的個數。當K=1時，MSR退化為SSR。
通常來講，為了保證兼有SSR高、中、低三個尺度的優點來考慮，K取值通常為3，且有：

w1=w2=w3=13w1=w2=w3=13 …………(7)

此外，實驗表明，ci分別取15, 80, 200可以得到較好效果。

一般的Retinex演算法對光照影象估計時，都會假設初始光照影象是緩慢變化的，即光照影象是平滑的。但實際並非如此，亮度相差很大區域的邊緣處，影象光照變化並不平滑。所以在這種情況下，Retinuex增強演算法在亮度差異大區域的增強影象會產生光暈。
另外MSR常見的缺點還有邊緣銳化不足，陰影邊界突兀，部分顏色發生扭曲，紋理不清晰，高光區域細節沒有得到明顯改善，對高光區域敏感度小等。

2. 效果對比

對於SSR與MSR的效果如下所示：
原圖
原圖
SSR（尺度為300）增強
SSR（尺度為300）增強
MSR（尺度為300，尺度數為3）增強
MSR（尺度為300，尺度數為3）增強

原圖
原圖
SSR（尺度為300）增強
SSR（尺度為300）增強
MSR（最大尺度為300，尺度數為3）增強
MSR（最大尺度為300，尺度數為3）增強

3. OpenCV原始碼

見原始碼附錄的MultiScaleRetinex()函式。

三. 帶顏色恢復的MSR方法MSRCR(Multi-Scale Retinex with Color Restoration)

在以上的兩幅測試影象中，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。

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演算法（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》論文。

1. 原理

在前面的增強過程中，影象可能會因為增加了噪聲，而使得影象的區域性細節色彩失真，不能顯現出物體的真正顏色，整體視覺效果變差。針對這一點不足，MSRCR在MSR的基礎上，加入了色彩恢復因子C來調節由於影象區域性區域對比度增強而導致顏色失真的缺陷。
改進演算法如下所示：

RMSRCRi(x,y)=Ci(x,y)RMSRi(x,y)RMSRCRi(x,y)=Ci(x,y)RMSRi(x,y) …………(10)
其中引數說明如下：

  • Ii(x, y)表示第i個通道的影象
  • Ci表示第i個通道的彩色回覆因子，用來調節3個通道顏色的比例；
  • f(·)表示顏色空間的對映函式；
  • β是增益常數；
  • α是受控制的非線性強度；

MSRCR演算法利用彩色恢復因子C，調節原始影象中3個顏色通道之間的比例關係，從而把相對較暗區域的資訊凸顯出來，達到了消除影象色彩失真的缺陷。
處理後的影象區域性對比度提高，亮度與真實場景相似，在人們視覺感知下，影象顯得更加逼真。

但是MSRCR演算法處理影象後，畫素值一般會出現負值。所以從對數域r(x, y)轉換為實數域R(x, y)後，需要通過改變增益Gain，偏差Offset對影象進行修正。使用公式可以表示為：
RMSRCRi(x,y)′=G⋅RMSRCRi(x,y)+ORMSRCRi(x,y)′=G⋅RMSRCRi(x,y)+O …………(11)
式(11)中，G表示增益Gain，O表示偏差Offset。它們的值取決於軟體中的演算法實現。

2. MSRCR其他實現方法

MSRCR方法如上，且獲得了不錯的效果。但在博文《MSRCR》中，作者認為論文裡的方法不起任何作用，並且論文裡為了這個又引入了太多的可調引數，增加了演算法的複雜性，不利於自動化實現。
博文作者認為，GIMP的contrast-retinex.c檔案裡使用的演算法很好，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，再加上一個控制影象動態的引數來實現無色偏的調節過程，簡要描述如下：

  • 計算出 log[R(x,y)]中R/G/B各通道資料的均值Mean和均方差Var（注意是均方差）。
  • 類似下述公式計算各通道的Min和Max值。
    • Min = Mean - Dynamic * Var;
    • Max = Mean + Dynamic * Var;
  • 對Log[R(x,y)]的每一個值Value，進行線性對映：
    R(x,y) = ( Value - Min ) / (Max - Min) * (255 - 0), 同時要注意增加一個溢位判斷，即：
    • if (R(x, y) > 255) R(x,y) = 255;
    • else if (R(x,y) < 0) R(x,y) = 0;

就是經過這麼簡單的處理，實踐證明可以取得非常好的效果，下面貼出一些處理後的效果。

MSR（尺度為300，尺度數為3）增強
MSR（尺度為300，尺度數為3）增強
MSRCR（尺度為300,尺度數3,Dynamic = 2）增強
MSRCR（尺度為300,尺度數3,Dynamic = 2）增強
MSRCR（尺度為300,尺度數6,Dynamic = 2）增強
MSRCR（尺度為300,尺度數6,Dynamic = 2）增強

MSR（尺度300，尺度數為3）增強
MSR（尺度300，尺度數為3）增強
MSRCR（尺度300,尺度為3,Dynamic = 2）增強影象
MSRCR（尺度300, 尺度為3, Dynamic = 2）增強影象
MSRCR（尺度300,尺度為6,Dynamic = 2）增強影象
MSRCR（尺度300, 尺度為6, Dynamic = 2）增強影象

由以上三幅圖的效果得出的結論：

  • MSRCR效果要比MSR好很多，基本消除了色偏。
  • 對於MSRCR，尺度數對結果的影像不是特別大，但是隨著尺度數的增加，演算法耗時會線性增加，因此，一般尺度數取3就較為合適了。

繼續做比較：
MSRCR（Dynamic = 1）增強影象
MSRCR（Dynamic = 1）增強影象
MSRCR（Dynamic = 2）增強影象
MSRCR（Dynamic = 2）增強影象
MSRCR（Dynamic = 5）增強影象
MSRCR（Dynamic = 5）增強影象

MSRCR（Dynamic = 1）增強影象
MSRCR（Dynamic = 1）增強影象
MSRCR（Dynamic = 2）增強影象
MSRCR（Dynamic = 2）增強影象
MSRCR（Dynamic = 5）增強影象
MSRCR（Dynamic = 5）增強影象

由以上三幅圖的效果得出的結論：

  • Dynamic取值越小，影象的對比度越強。
  • 一般來說Dynamic取值2-3之間能取得較為明顯的增強效果，即能取得很自然過渡效果，又能保持影象的清晰度適度增強。

關於尺度，個人建議取值以大於100為佳。

retinex演算法的效果對於一些正常的影象處理後的效果並不佳，我們可以認為它就是為那些在外界環境不理想的狀態下拍攝的影象增強而設計的，如對於航拍的霧天圖片，醫學上的成像圖片等成像條件惡劣的圖有很明顯的效果。筆者的畢業設計涉及了水下影象的修復，水下影象相對於空氣中成像性低，應該會有很大的效果。

NASA在處理航天相關照片時也使用了Retinex技術。關於NASA對Retinex技術的應用，可以參考：http://dragon.larc.nasa.gov/retinex/

關於GIMP的實現程式碼，筆者提供從網上找到的連結。如果要想完全看懂程式碼的意思很難，但演算法部分還是不難提取的（不過筆者也懶得把它移植到OpenCV上……）下載連結如下；
http://files.cnblogs.com/Imageshop/contrast-retinex.rar

四. Retinex影象增強演算法的其他演算法

先貼出前面MSRCR的基本公式如下：

RMSRCRi(x,y)=255RMSRCRi(x,y)−mini(min(x,y)RMSRCRi(x,y))maxi(max(x,y)RMSRCRi(x,y)−mini(min(x,y)RMSRCR(x,y)))RMSRCRi(x,y)=255RMSRCRi(x,y)−mini(min(x,y)RMSRCRi(x,y))maxi(max(x,y)RMSRCRi(x,y)−mini(min(x,y)RMSRCR(x,y)))
…………(12)

由於Retinex資料處理後的高動態特性，所以這種方式處理後，資料分佈很廣，會出現嚴重兩極化現象，一般情況難以得到滿意的結果。

第二種方法：經典Canonical Gain/Offset演算法：
即在經典MSRCR文章《A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes》論文中提到的演算法。公式如下：
RMSRCRi(x,y)=G[RMSRCRi(x,y)−b]RMSRCRi(x,y)=G[RMSRCRi(x,y)−b] …………(13)
式(12)中的G與b均為經驗引數。

第三種方法：自動色階方法：
該方法的處理類似於Photoshop中的自動色階，將資料按照一定百分比去除最大最小部分，然後中間部分重新線性量化到0–255之間。

第四種方法：GIMP的Retinex演算法：
詳見前文上文：三.2.MSRCR其他實現方法

五. OpenCV原始碼

筆者整理了OpenCV原始碼，在程式碼中做了中英文註釋，並已經將原始碼上傳到了我的GitHub賬戶上。筆者的OpenCV版本是2.4.9。
資料夾下載完畢後，終端進入其根目錄執行指令即可：

cmake ./
make
  
    
   
  • 1
    • 
   
  • 2
    •

原始碼連結：
https://github.com/upcAutoLang/MSRCR-Restoration

相關推薦

retinex影象增強演算法ssr-msr-msrcr詳解及其opencv原始碼

原文：https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71435098 Retinex影象增強演算法(SSR, MSR, MSRCR)詳解及其OpenCV原始碼 Retinex是一種常用的建立在科學實驗和科學分析基

影象增強處理之：同態濾波與Retinex演算法(三)Retinex鄰域演算法:SSR,MSR,MSRCR

關於Retinex的基礎知識這裡就不再說了，http://blog.csdn.net/piaoxuezhong/article/details/78248219已經介紹過了，本篇將繼續講一下基於鄰域的

retinex影象增強演算法的研究

     影象增強方面我共研究了Retinex、暗通道去霧、ACE等演算法。其實，它們都是共通的。甚至可以說，Retinex和暗通道去霧就是同一個演算法的兩個不同視角，而ACE演算法又是將Retinex和灰度世界等白平衡理論相結合的產物。下面將依次討論，每個演算法寫一個心

影象增強演算法實現（直方圖均衡化、拉普拉斯、Log、Gamma）

OpenCV影象增強演算法實現（直方圖均衡化、拉普拉斯、Log、Gamma） 轉載自： https://blog.csdn.net/dcrmg/article/details/53677739 1. 基於直方圖均衡化的影象增強   直方圖均衡化是通過調整影象的灰階分佈，使得

Opencv 影象增強演算法 影象檢測結果

                本code通過直方圖變換增強了影象對比度，實現了單通道影象增強。將影象灰度閾值拉伸到0-255，影象檢測結果見底部Keywords: 影象增強 增強對比度 直方圖變換int ImageStretchByHistogram(IplImage *src1,IplImage *dst

影象增強演算法實現--影象邊緣提取

(1)演算法描述： Laplacian 運算元是n維歐幾里德空間中的一個二階微分運算元，定義為梯度grad（）的散度div（）。因此如果f是二階可微的實函式，則f的拉普拉斯運算元定義為：(1) f的拉普拉斯運算元也是笛卡兒座標系xi中的所有非混合二階偏導數求和：(2) 作為

影象增強演算法之 限制對比度自適應直方圖均衡化演算法原理

一、自適應直方圖均衡化(Adaptive histgram equalization/AHE)       1.簡述        自適應直方圖均衡化(AHE)用來提升影象的對比度的一種計算機影象處理技術。和普通的直方圖均衡演算法不同，AHE演算法通過計算影象的區域性直方圖，然後重新分佈亮度來來改變影象對比

OpenCV，常用影象增強演算法的實現

非CS科班出身，喜歡用C/C++思考數學 ，專注於影象處理和軟體開發！本部落格基於交流和記錄學習的歷程為目的，與諸君共勉，歡迎交流。同時，博文有不少文字並非一字一字地敲打，若侵權，請聯絡本人， E-mail：[email protected]

高斯濾波、雙邊濾波、Retinex影象增強的學習

一、高斯濾波 二維高斯函式(均值為0)，以及 δ = 6影象： G ( x

影象增強演算法效果評價指標及實現

前言： 對於一種影象處理方法，怎麼樣來判斷該演算法效果的好壞呢？除了人眼本身的觀察，還可以用某種指標來量化評判，本文將總結一下影象質量評判的方法及實現。 影象質量評價分類（IQA:image quality assessment）： 影象質量評價目前來看主要分為兩類： （1

OpenCV影象增強演算法實現（直方圖均衡化、拉普拉斯、對數變換、Gamma）

1. 基於直方圖均衡化的影象增強 直方圖均衡化是通過調整影象的灰階分佈，使得在0~255灰階上的分

OpenCV影象增強演算法實現（直方圖均衡化、拉普拉斯、Log、Gamma）

1. 基於直方圖均衡化的影象增強 直方圖均衡化是通過調整影象的灰階分佈，使得在0~255灰階上的分佈更加均衡，提高了影象的對比度，達到改善影象主觀視覺效果的目的。對比度較低的影象適合使用直方圖均衡化

OHEM演算法及Caffe程式碼詳解

版權宣告：本文為博主原創文章，未經博主允許不得轉載。    https://blog.csdn.net/u014380165/article/details/73148073 這是CVPR2016的一篇論文，用於目標檢測，本篇博文先介紹這個演算法，然後介紹其Caffe程

C語言實現八大排序演算法詳解及其效能之間的

概述 排序是資料結構中的重要一節，也是演算法的重要組成部分。主要分為內部排序以及外部排序，今天我們講內部排序，也就是八大排序。 插入排序 直接插入排序 演算法思想 演算

減少網站跳轉時間，增強網站資料安全——HSTS 詳解

近年來隨著 Google、Apple、百度等公司不斷推動 HTTPS 普及，全網 HTTPS 已是大勢所趨。目前多數網站都已經支援 HTTPS 訪問，但是在由 HTTP 轉向 HTTPS 路程中，不少網站依然會面臨很多問題。 通常使用者準備訪問某個網站時，不會在輸入的域名前面加上 http:// 或者 ht

jvm垃圾回收演算法以及回收器詳解

本文主要講述JVM中幾種常見的垃圾回收演算法和相關的垃圾回收器，以及常見的和GC相關的效能調優引數。 GC Roots 我們先來了解一下在Java中是如何判斷一個物件的生死的，有些語言比如Python是採用引用計數來統計的，但是這種做法可能會遇見迴圈引用的問題，在Ja

ELFhash 字串雜湊演算法（以ELFHash詳解）

字串雜湊演算法（以ELFHash詳解）   更多字串雜湊演算法請參考：http://blog.csdn.net/AlburtHoffman/article/details/19641123 先來了解一下何為雜湊： 雜湊表是根據設定的雜湊函式H(key)和處

強連通演算法--Tarjan個人理解+詳解

tarjan用來求強連通分量的！說白了就是 A到B，B到了到不了A。 運用了dfs，堆疊的知識 討論如何用Tarjan演算法求強連通分量個數： 假設我們要先從0號節點開始Dfs，我們發現一次Dfs我萌就能遍歷整個圖（樹），而且我們發現，在Dfs的過程中，我們

Java常見排序演算法之選擇排序詳解

一、簡介 選擇排序，就是每一趟從待排序的序列中選出最小的元素，順序放在已排好序的序列最後，直到全部序列排序完畢。簡單理解就是假設一個最小值，將剩餘的未排序的序列與假設的最小值進行比較，如果發現比假設的最小值還小的值，那麼將它與假設的最小值調換位置。 二、排序思路 排序思

Java常見排序演算法之插入排序詳解

一、簡介 插入排序，就是假定一個參考值，假設該參考值左邊的元素都有序，那麼從該元素開始從後往前挨個查詢，如果找到比參考值大的數，那麼就將這個大的數後移，如果未找到比參考值大的數，說明不用移動元素。迴圈比較，這樣經過比較後移之後就會空出下標為0的位置，用於存放這個參考值。