retinex整理（其中个人理解部分不保证准确，请多指教）

retinex模型基于人眼，将图片中因雾霭等原因产生的模糊现象去除，提高图像清晰度。这里介绍最常见的一种retinex模型，采用高斯滤波。

人眼看事物时，周围的光照强度和事物的反射光均会进入人眼 I(x,y)=R(x,y)*L(x,y)，但真正决定人眼判定事物颜色的是事物的反射光R(x,y)。

拍摄出的照片显示了R,L两个分量，为了让图像更清楚，就需要加强照片里的R分量。于是retinex模型的根本就是提取图像中的R分量。

首先考虑如何估算L分量，假设光照均匀，既图像中的L分量在各处分布均匀，所以L分量占据图像中的低频成分，可以通过高斯滤波，以计算周围邻域内的加权平均值来提取其中的低频成分，并把提取出的低频成分当做L分量。


， sigma决定高斯滤波尺度，K保证G在x,y的二重积分为1.

为了降低运算复杂度，在提取R的时候用减法替代除法，首先对图像求log，于是logR=logI-logL，而不用R=I/L



Single-Scale Retinex：将原始图像分为RGB三个通道，针对每个颜色，采用单一尺度的高斯滤波。高斯尺度越大，影响最后结果的像素范围越大，色彩保真度越大，动态压缩能力越小；尺度越小，结果受周围像素的影响越大，细节越明显，动态范围压缩能力越大。尺度大小各有利弊，为充分发挥各尺度的优缺点，出现了Multi-Scale Retinex。



Multi-Scale Retinex: 一般采用尺度大小为大，中，小（80~100）的三种高斯滤波处理每个颜色通道。根据不同颜色通道对整体颜色的影响，对每个颜色通道的结果加权重，尽可能保持颜色不失真。



 


动态范围：最亮~最黑，灰度1~255，无论感光器件多高级，感知到的动态范围多大，数字化后只有255.

高斯函数经过傅里叶变换仍未高斯函数，只是原sigma大的，变换之后变为sigma小的。

图像中的高频成分为图像的边缘轮廓等；低频成分为整幅图像强度的综合度量。

sigma大的高斯滤波，平均更多的像素点，频域sigma小，滤掉更多成分，剩下很低频率部分的被当做光照，从原图像中剔除，剩下的便是最后输出，也可以理解为高斯滤掉的各种频率组成了最后输出的反射成分，所以色彩保真度更好，色彩保真了，自然明暗变化不明显，既动态范围压缩能力差

反之，sigma小的高斯滤波，频域sigma大，保留大量频率较低成分，只滤掉少了频率很高成分，这些成分可看做最后的输出反射成分，因为组成的频率种类少，所以色彩较单一，动态范围压缩能力强。高频率成分代表细节，缺少其他成分使得细节更明显。

缺陷：1.颜色分布集中于某一部分时，L分量估算错误。例如一块区域内红色通道均为255，高斯滤波求平均值仍为255，去除L分量，则剩余反射分量为0，显然不合理。

            2.retinex模型基于L分量分布均匀的假设，如果在某亮度有较大变化的边缘处，光照变化不符合原有假设，则会出现过亮或过暗的光晕现象（halo artifact）。例如明暗相差很大的临近区域，明亮侧的 I为50，L为30；暗侧的 I为20，L为10；实际的R分别为20,10；如果按假定的均匀L（30+10）/2=20计算的话，R为30,0。亮侧更加亮，暗侧更加暗，造成临界处颜色的感官差异放大。

            3.RGB各分量增减幅度不一时会产生颜色失真扭曲。20,10,30--->10,40,20

            4.从原图像基础上去除了L分量，使得结果图像产生褪色现象（graying-out）

改进：在之前传统方法的基础上进行改进。其中一种方法如下





EC是enhanced curve, 通过分析周边的直方图和edge分布，决定使用哪种曲线，使得图像可视性更好，轮廓更清晰



添加使用HSV色彩模型尽可能保证颜色的饱和度，鲜明度