基于Retinex的图像去雾处理

1，前言

这段时间一直在研究图像去雾算法，先后看了好几篇相关的论文和期刊，最开始接触的算法是最简单的直方图均衡化处理，然后是同态滤波处理彩色图像，到现在的Retinex的的的和暗通道先验，每接触一个算法，我都会写出相对应的代码来验证，经过实验我发现目前暗通道处理效果稍微好一点，的的Retinex的处理也不错，同态滤波次之。

2，基于的Retinex理论简单介绍

视网膜皮层理论始于土地和麦肯于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（视网膜）和大脑皮层（皮层）两个词组合构成的。土地之所以设计这个词，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。

土地的视网膜皮层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;

三，3原色决定了每个单位区域的颜色。

的的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，即的的的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小号是由物体表面对入射光大号反射得到的，反射率 - [R由物体本身决定，不受入射光大号变化。

图1.Retinex理论中图像的构成

Retinex理论的基本假设是原始图像小号是光照图像大号和反射率图像[R的乘积，即可表示为下式的形式：

基于Retinex的的的图像的增强的目的就是从原始图像小号中估计出光照L，从而分解出R，消除光照不均的影响，以改善图像的视觉效果，正如人类视觉系统那样。在处理中，通常将图像转至对数域，即，从而将乘积关系转换为和的关系：

的Retinex的方法的核心就是估测照度L，从图像小号中估测大号分量，并去除大号分量，得到原始反射分量R，即：

具体步骤如下：

（1），通俗理解：S就是现在要处理的图像，R就是物体的反射性质，也就是我们要求的图像，L就是入射光图像或者照度，使我们要去除的东西;

在颜色恒常理论中，入射光或者照度L（X，Y）往往变化比较缓慢，在图像中对应的就是低频，而反射分量R（X，Y）对应的是高频。在我们处理的过程中，简易的认为，L（X，Y）= S（X，Y）* F（X，Y）;

  F（X，Y）是环绕函数，F（X，Y）= a.exp [ - （x ^ 2 + y ^ 2）] / c ^ 2; a是归一常数，要满足∫∫F （X，Y）dxdy = 1; Ç叫做环绕尺度，根据经验，C越小，局部细节越突出，能实现较大的动态范围压缩;Ç越大，图像细节突出不够，但整体颜色较自然。

但在实验代码中，我们通常用高斯低通滤波器代替F（X，Y）;

（2）对上式取对数;得s（x，y）= r（x，y）+ l（x，y）;即r（x，y ）= s（x，y）-log] S （X，Y）* F（X，Y）] ;

（3）对三个通道进行一样的处理即可;

3，Retinex的算法的主流分类

1，SSR

SSR：单一尺度的的的Retinex的，是最基础最简单的一种;原理就是我们上述分析的步骤，代码编写过程也是和上述原理一样;

2，MSR

MSR：多尺度的Retinex算法，是基于SSR，原理为R（X，Y）=Σw^ ķ [日志（X，Y）-logF（X，Y）* S（X，Y）]，这个求和过程求三次，也。就是说得有三个不同的w ^ K，我们在实际操作过程中选择三个不同的滤波函数，换言之就是三个不同的尺度，一个大，一个小，一个中间;例如， C = 40,70,120;分别进行处理，和上述SSR处理过程一样，只不过由SSR的一个滤波函数变成三个，一个一个处理就OK了;

3，MSRCR

MSRCR只是在MSR的基础上加了一个色彩恢复因子C（每个通道都有对应的C，一共三个）;知道C = log {h.S r （x，y）/ [Sr（x，y）+ SG（X，Y）+ SB（X，Y）] }即可;最后就是ř MSRCR = CR MSR 就ok带色彩回复的跟自然一些。h是个控制系数，自己选择；

4，代码

我的是用MATLAB写的，的OpenCV的的暂时还没写，因为的OpenCV的的用的还不是很熟练不过目前正在自学中;有想参考的私聊我。

注：如果有什么错误的地方欢迎大家指正让我们一块共同学习，本人研究生阶段主攻方向为图像去雾，有兴趣的可以加我的QQ：2256524804，大家可以一块学习，稍后我会慢慢更新！