MSR图像增强算法

2744557306

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：

ssr图像增强算法 - 神经网络与机器学习 - 数学建模社区-数学中国 (madio.net)在看完SSR之后，我们了解到Retinex算法的核心思想就是消除入射光的影响，得到物体在不同光照条件下的真实颜色和纹理信息。

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

% _- N5 k7 ^. ?" C8 x

0 _# k8 R4 S' H% \7 f; r
8 ~3 f7 Y4 C  J