retinex算法图像

㈠ retinex比1296的好吗

retinex好一点。
Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法，它是Edwin.H.Land于1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一样，Retinex也是由两个单词合成的一个词语，他们分别是retina和cortex，即视网膜和皮层。
Land的retinex模式是建立在以下三个假设之上的，真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果。我们见到的水是无色的，但是水膜—肥皂膜却是显现五彩缤纷，那是薄膜表面光干涉的结果。每一颜色区域由给定波长的红，绿，蓝三原色构成的，三原色决定了每个单位区域的颜色。Retinex理论的基础理论是物体的颜色是由物体对长波（红色），中波（绿色），短波（蓝色）光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即retinex是以色感一致性（颜色恒常性）为基础的。

㈡ 请高手帮忙看下，matlab中为什么显示的彩色图像全白

你再加上归一化去除加性分量试试

㈢ ssr怎么求

根据之前对retinex算法的原理分析，我们可以得到：r=s-l=logS-logL，其中原始图像为S(x, y)，反射图像为R(x, y)，亮度图像为L(x, y)，下面我直接贴下SSR的公式部分：

在 SSR 算法中，参数 c 的选择直接影响图像增强的效果：c 越小，SSR 的动态压缩能力越强，图像阴暗部分的细节得到更好的增强，但是由于平均对比度范围较小，结果会产生颜色失真；c 越大，SSR 的颜色保真度越高，但是动态压缩能力会减弱。通常 SSR 是在动态范围压缩和色感一致性之间寻找平衡点。

㈣ 有谁matlab写过基于自适应滤波的Retinex图像增强算法

根据最后一个公式计算w(x,y), 实际上就是计算梯度水平(水平和垂直方向两个方向综合)

I = imread('test3.jpg'); %读入图象

subplot(121);imshow(I);

I = double(rgb2gray(I));

[m,n]=size(I);

H1 = [-1 -2 -1

0 0 0

1 2 1];

H2 = [-1 0 1

-2 0 2

-1 0 1];

w0 = (abs(conv2(I,double(H1),'same')) + abs(conv2(I,double(H1),'same')))/2+ones(m,n);

subplot(122);imshow(uint8(w0));

w = 1./w0;

㈤ 同态滤波与基于retinex理论的去雾有什么区别

同态滤波简介： 同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/ 反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。使用这种方法可以使图像处理符合人眼对于亮度响应的非线性特性

㈥ 低亮度图片增强方法：基于多图像融合的低亮度图片增强算法

这篇博客介绍两篇基于多图像融合的低亮度图片增强算法：

基于多图像融合的低亮度质量评价算法主要考虑融合多幅图片来进行低亮度图片的增强。

由Retinex理论：

其中 是亮度分量， 是RGB通道上的反射分量， 是待增强的分量。

首先，使用RGB通道上每个pixel的最大值最为亮度分量的一个估计值。

因为图像的亮度分量一般是局部光滑的，所以文章中使用了形态学中的闭环操作来进一步估计亮度分量：

公式中除以255是为了将亮度分量限制到了[0,1]，文章中选取了disk作为结构元素。

亮度分量通过guided filter来保持the shape of large contours：

是中心在 上的窗口。

multi_fusion融合了多幅增强的亮度分量：

最后，权重由以下公式表示：

文章中首先将各个亮度分量 通过Laplacian金字塔分解为多个尺度上特征图，将权重 使用高斯金字塔光滑过度的部分。

将第 金字塔层的图像进行融合：

融合多个金字塔层的图像：

其中 是上采样操作。

最后增强的图片由下式得到：

EFF考虑融合同一场景下不同曝光程度的图片来增强低亮度图片。

为了得到完美曝光的图片，Exposure Fusion框架融合了不同曝光的图片：

其中 是各个颜色通道上的不同曝光率下的图片， 为对应的权重。

由之前基于相机响应模型的低亮度图片增强算法，我们可以得到同一场景下，不同曝光率的图片间的转换公式：

在这篇文章中，作者只考虑了两种曝光率的图片，第一种是低亮度下的图片，另一种是低亮度下的图片使用曝光增强后的图片。

由于需要将曝光完好的像素赋予更大的权重，所以文章中使用图片的亮度分量作为权重：

其中 用来调节增强的程度

对于亮度分量的求解可参考原文或是之前介绍基于相机响应模型的低亮度图片增强算法的博客。

与之前介绍基于相机响应模型的低亮度图片增强算法的博客中一致：

文章中首先排除了原图中曝光较好的像素点：

其中 只包含了曝光不足的像素点。

的亮度部分定义为：

则对于曝光率增强后的亮度分量有：

将曝光不足的像素点转化为曝光正常的像素点后，可以提供的信息应该变大，所以，这里使用了图片墒最大化来求解曝光比：

则由

可得到增强后的图片。

https://xueyangfu.github.io/projects/sp2016.html
https://t.github.io/OpenCE/caip2017.html

㈦ retinex算法如何用中那个高斯核取多大

上式中*代表卷积,G(x,y)代表高斯核,最后我们看到的图像是对R(x,y)映射到[0,255]上的结果,一般取线性映射。

㈧ 本人毕业设计做的是基于Retinex算法研究，急需SSR,MSR,Mccann的Matlab仿真代码。要能运行的。

太多了太多了 只贴一个把

%Retinex的MSR实现图像增强的代码，可运行，
f=imread('c.jpg');
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alf=a^2/2 a=54
n=161;%定义模板大小
n1=floor((n+1)/2);%计算中心
for i=1:n
for j=1:n
b(i,j)
=exp(-((i-n1)^2+(j-n1)^2)/(4*alf1))/(pi*alf1); %高斯函数
end
end
nr1
= imfilter(mr,b,'conv', 'replicate');ng1 = imfilter(mg,b,'conv',
'replicate');nb1 = imfilter(mb,b,'conv', 'replicate');%卷积滤波
ur1=log(nr1);
ug1=log(ng1);
ub1=log(nb1);
tr1=log(mr);tg1=log(mg);tb1=log(mb);
yr1=(tr1-ur1)/3;yg1=(tg1-ug1)/3;yb1=(tb1-ub1)/3;
alf2=53.38;
%定义标准差alf=a^2/2 a=10.3325
x=31;%定义模板大小
x1=floor((n+1)/2);%计算中心
for
i=1:n
for j=1:n
a(i,j)
=exp(-((i-n1)^2+(j-n1)^2)/(4*alf2))/(6*pi*alf2); %高斯函数
end
end
nr2 = imfilter(mr,a,'conv', 'replicate');ng2 = imfilter(mg,a,'conv',
'replicate');nb2 = imfilter(mb,a,'conv', 'replicate');%卷积滤波
ur2=log(nr2);
ug2=log(ng2);
ub2=log(nb2);
tr2=log(mr);tg2=log(mg);tb2=log(mb);
yr2=(tr2-ur2)/3;yg2=(tg2-ug2)/3;yb2=(tb2-ub2)/3;
alf3=13944.5;
%定义标准差alf=a^2/2 a=167
l=501;%定义模板大小
l1=floor((n+1)/2);%计算中心
for
i=1:n
for j=1:n
e(i,j)
=exp(-((i-n1)^2+(j-n1)^2)/(4*alf3))/(4*pi*alf3); %高斯函数
end
end
nr3 = imfilter(mr,e,'conv', 'replicate');ng3 = imfilter(mg,e,'conv',
'replicate');nb3 = imfilter(mb,e,'conv', 'replicate');%卷积滤波
ur3=log(nr3);
ug3=log(ng3);
ub3=log(nb3);
tr3=log(mr);tg3=log(mg);tb3=log(mb);
yr3=(tr3-ur3)/3;yg3=(tg3-ug3)/3;yb3=(tb3-ub3)/3;
dr=yr1+yr2+yr3;dg=yg1+yg2+yg3;db=yb1+yb2+yb3;

cr=im2uint8(dr); cg=im2uint8(dg); cb=im2uint8(db);
z=cat(3, cr, cg,
cb);
figure, imshow(z)

㈨ 计算机视觉中对低能见度图像的处理方法有哪些

去沙尘用滤波，另外可以用降低基础层的对比度来增强图像细节的可视性，当然也可以做图像增强，或者伪HDR。
retinex原理，主要是分基础层和细节层，能够分别操控，得到你想要的，至于应用，我觉得retinex就是一个工具啊，看你怎么用吧。

可以一起讨论！

㈩ retinex算法为什么不能处理地址

前一段时间研究了一下图像增强算法，发现Retinex理论在彩色图像增强、图像去雾、彩色图像恢复方面拥有很好的效果，下面介绍一下我对该算法的理解。
Retinex理论
Retinex理论始于Land和McCann于20世纪60年代作出的一系列贡献,其基本思想是人感知到某点的颜色和亮度并不仅仅取决于该点进入人眼的绝对光线，还和其周围的颜色和亮度有关。Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex)两个词组合构成的.Land之所以设计这个词，是为了表明他不清楚视觉系统的特性究竟取决于此两个生理结构中的哪一个，抑或是与两者都有关系。
Land的Retinex模型是建立在以下的基础之上的：
一、真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果。我们见到的水是无色的，但是水膜—肥皂膜却是显现五彩缤纷，那是薄膜表面光干涉的结果；
二、每一颜色区域由给定波长的红、绿、蓝三原色构成的；
三、三原色决定了每个单位区域的颜色。
Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。如下图所示，观察者所看到的物体的图像S是由物体表面对入射光L反射得到的，反射率R由物体本身决定，不受入射光L变化。