MSR MSR算法基于Retinex理论,并引入了多尺度分解的概念。早期的Retinex(SSR)算法在实际应用中存在一些问题。例如,它对输入图像的亮度范围较为敏感,并且对于不同的光照条件和物体类型,其表现可能不稳定。因此,为了进一步改进Retinex算法的性能和效果,研究者们提出了多尺度Retinex(MSR)算法。 MSR算法的核心思想是通过在不同尺度上对图像进行处理,可以更好地捕获和处理物体的细节和光照信息。通过多尺度分解和重建,MSR算法可以在保持物体真实颜色的同时,增强图像的对比度和细节,并更好地适应不同的光照条件和物体类型。 MSR中得操作与SSR相似观看这篇文章之前先看一下之前写过得SSR,里面介绍了SSR的原理和计算过程。链接如下: @$ h' A: }9 E
在MSR中他的具体过程如下式所示:
4 y3 q- j8 L; V, }) O8 Z其中k为高斯核的个数,当k=1是MSR退化为SSR,通常来讲,为了保证兼有SSR高、中、低三个尺度的优点来考虑,K取值通常为3,w1=w2=w3=1/3,卷积核的大小为15, 80, 200可以得到较好效果。 对于MSR而言,为了综合多尺度的优点,选择使用3个不同尺度的高斯核来进行卷积操作,可以得到3个不同尺度的图像分量。较粗的尺度分量捕获较低频的光照信息,而较细的尺度分量则捕获更高频的细节。这样可以在不同尺度上更好地处理图像,并综合不同尺度分量的优点。将平分三次卷积所占的权重平均分给每个不同尺度的入射图像,在将它们相加的过程中,实际上是将不同尺度的图像分量进行加权合成。这样的加权合成考虑了不同尺度分量的贡献,并且不给予任何一个尺度过多的权重。通过这种方式,可以更好地平衡不同尺度分量的影响,得到更准确的图像增强结果。我们认为加权得到的结果更能够近似的表达其图像的入射影响。 最后得到的r(x, y)从对数域转换到实数域,得到输出图像R(x, y)。 SSR常见的缺点还有边缘锐化不足,阴影边界突兀,部分颜色发生扭曲,纹理不清晰,高光区域细节没有得到明显改善,对高光区域敏感度小等 " E. d3 h; y% \8 w' ?$ |" w
% _- N5 k7 ^. ?" C8 x" d2 m1 y% E$ m C8 T( h
0 _# k8 R4 S' H% \7 f; r
8 ~3 f7 Y4 C J |