暗态图像增强的⼀些典型算法汇总
暗态图像增强算法汇总
为了实现低光照条件下获取的图像进⾏⾊彩对⽐度增强及降噪，需要引⼊暗态图像处理⽅法。其中主流的算法⼤致可以即普通⽅法、基于光照的⽅法以及基于深度学习的⽅法三类。穆勒咖啡馆
传统⽅法中国第一大姓
斗马传统的暗态图像处理⽅法主要有直⽅图处理以及伽马均衡等⽅法。对于⼀个处在暗光条件下的图像，其所对应的直⽅图分布主要集中在低亮
度的区间。针对直⽅图概率密度函数进⾏重新伸缩变换就可以重新映射得到亮度分布符合⾃然光照条件的图像。
针对直⽅图均衡后的结果可以根据对应的变换函数得到增强之后的图像。
直⽅图匹配看似简单易⾏，但同时也会产⽣⼀系列问题。匹配后的图像有可能因为灰度级移⾄较⾼的⼀侧⽽出现对⽐度衰减，这时可以使⽤
直⽅图规定化（直⽅图匹配）来解决此类问题。
伽马校正也是⼀种传统的图像处理⽅法。它的提出来源于CRT显⽰器电流与显像管亮度⼤⼩⾮线性变换的关系。CRT显⽰器亮度与满⾜。为了得到线性的输⼊输出关系，需要在原先的基础上再取次⽅得到校正之后的输出结果。值越⼤输出图像亮度越
低。基于光照的⽅法
V out V in V =out V in γ
V in 1/γγ
采⽤基于光照的⽅法主要基于Retinex理论假设。Retinex理论也被称为是视⽹膜⽪层理论。该理论原始图像的固有属性则是由物体⾃⾝的反射系数决定，即假设反射图像和光照图像相乘为原始图像。基于去除光照的影响，保留住物体的固有属性的思路便可以对物体⾃然光照条件进⾏还原。这⾥选取⼏个较为有代表性的进⾏介绍。
1.单尺度SSR
预估照射图像为空间平滑图像，为反射图像（该图像的构造没有定论，⼀般通过数学近似的算法估计），可以得到以下分解：
其中*表⽰卷积，,c表⽰⾼斯环绕尺度，需要满⾜在平⾯上积分值为1的条件。c的取值⼀般在80-100。最终得到的为需要输出的图像。SSR通过加权平均估计并保留照度中的反射属性以增强图像。
2.多尺度MSR 多尺度MSR是在单尺度SSR基础上发展⽽来的，能够保持图像⾼保真度与动态压缩。与SSR相⽐，MSR增加了⾼斯中⼼环绕函数的个数，总体计算公式如下：
式中的K是⾼斯中⼼环绕函数的个数，通常取值为3，。实验表明合适的取值分别为15，80，120。
其他相关算法
NPE算法（论⽂：Naturalness Prerved Enhancement Algorithm for Non-Uniform Illumination Images）能够实现图像增强，根据相对光照误差函数使得原图⾃然特征得到保留，使⽤亮度滤波分解原图为光照图和反射图以保留⾃然部分和细节部分，通过对数双边转换，将光照图在细节和⾃然度之间寻求平衡，使得光照图细节不被淹没。另外还有SRIE算法（论⽂：A weighted variational model for simultaneous reflectance and illumination estimation）。该算法提出⼀种加权变分模型，能获得更好的光照分量和反射分量，以控制光照分量来得到⽬标图像。表白数字大全
基于深度学习的相关⽅法
问候短信
S (x ,y )R (x ,y )S =R ∘L
r (x ,y )=log R (x ,y )
r (x ,y )=log S (x ,y )−log [F (x ,y )∗S (x ,y )]时光如流
F (x ,y )=λe
−c 2x +y 22
λF (x ,y )r (x ,y )r (x ,y )=w {logS (x ,y )−k ∈K ∑k log [F (x ,y )∗k S (x ,y )]}
w =1,2,31/3c i
深度学习的⽅法也被引⼊了暗态图像增强的领域。MSR-net算法提出将MSR看作⼀种拥有不同⾼斯核的前馈神经⽹络以构建深度卷积神经⽹络，从⽽实现暗态图像与正常图像的端到端映射。
爱思想
Retinex-Net模型根据Retinex理论中分量分解的思想，通过引⼊了BM3D来对反射分量进⾏降噪。该模型引⼊了分解⽹络和增强⽹络，并通过回归线性模型进⾏处理构造出增强后的图像。
KinD++算法通过建⽴三个卷积神经⽹络以完成图像对⽐度增强及降噪。此算法将原始图像经过分解⽹络、重建⽹络以及校正⽹络三块进⾏处理得到增强之后的图像。
各有千秋
