图像处理之Retinex算法（C++）

图像处理之Retinex算法（C++）

文章目录

  • 图像处理之Retinex算法（C++）
  • 前言
  • 一、单尺度Retinex（SSR）
    • 1.原理
    • 2.代码实现
    • 3.结果展示
  • 二、多尺度Retinex（MSR）
    • 1.原理
    • 2.代码实现
    • 3.结果展示
  • 三、带色彩恢复的多尺度Retinex（MSRCR）
    • 1.原理
    • 2.代码实现
    • 3.结果展示
  • 总结

前言

Retinex 理论的基本思想就是光照强度决定了原始图像中所有像素点的动态范围大小，而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。所以 Retinex 的思路即是去除光照的影响，保留住物体的固有属性。
Retinex模型示意图
如图所示，假设观察者处成像的图像为I(x,y)，可以通过下式表达：
成像公式1
参数解释：
I(x,y)–源图像；
L(x,y)–表示光照分量；
R(x,y)–表示物体本身固有性质的反射分量。
对公式两端取对数，公式为：
公式2
公式3
上式即为Retinex理论处理的基本过程。
Retinex算法处理的基本过程如下：
Retinex理论处理的基本过程
流程图解读：图像I(x,y)经过Log变换转换成i(x,y)，然后对图像I(x,y)进行亮度图像估计，在对估计的亮度分量进行Log变换得到l(x,y)，二者相减得到物体反射分量的Log变换r(x,y)，再进行Log变换的反变换Exp，即得到R(x,y)。此处亮度图像估计即通过高斯滤波或者引导滤波对图像滤波。
参考资料：Retinex理论

一、单尺度Retinex（SSR）

1.原理

单尺度 Retinex 算法的处理过程非常拟合人眼的视觉成像过程，该算法的基本思路是：先构建高斯环绕函数，然后利用高斯环绕函数分别对图像的三个色彩通道 (R 、G 和 B) 进行滤波，则滤波后的图像就是我们所估计的光照分量，接着再在对数域中对原始图像和光照分量进行相减得到反射分量作为输出结果图像。该算法能压缩图像的动态范围、一定程度上的保持图像的颜色和细节的增强。改进：将高斯环绕函数对三个色彩通道滤波，改为使用引导滤波对三个彩色通道滤波。
公式3
参数解释：
Ii(x,y)–原始图像；
Li(x,y)–表示光照分量；
Ri(x,y)–表示物体本身固有性质的反射分量;
G(x,y)–高斯环绕函数；
Ii(x,y)G(x,y)–对原始图像使用高斯核进行卷积运算。
SSR算法中标准差σ一般取80-100。

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
cv::Mat single_scale_retinex(const cv::Mat& src,double sigma)
{cv::Mat gaussImg, log_src(src.size(),CV_32F), log_gaussImg(src.size(), CV_32F);cv::Mat difference(src.size(), CV_32F);cv::Mat dst(src.size(), CV_32F);// 对输入图像进行高斯模糊处理cv::GaussianBlur(src, gaussImg, cv::Size(0,0), sigma);// 对模糊后的图像和原图像分别进行对数运算，得到两个对数图像// 差分操作前确保两个矩阵类型和尺寸相同// 对差分后的图像进行指数运算gaussImg.convertTo(gaussImg, CV_32F);for(int i=0;i<gaussImg.rows;i++)for (int j = 0; j < gaussImg.cols; j++){log_gaussImg.at<float>(i, j) = log(gaussImg.at<float>(i, j) + 1);log_src.at<float>(i, j) = log(src.at<uchar>(i, j) + 1);difference.at<float>(i, j) = log_src.at<float>(i, j) - log_gaussImg.at<float>(i, j);//dst.at<float>(i, j) = exp(difference.at<float>(i, j));}// 归一化到0-255范围内(疑问：此处对差分图像归一化反而图像显得正常,参考https://blog.csdn.net/TmacDu/article/details/103499795博主也是这样实现)cv::normalize(difference, dst, 0, 255, cv::NORM_MINMAX, CV_8U);return dst;
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
void retinex_process(const cv::Mat& src, cv::Mat& dst, double sigma)
{std::vector<cv::Mat> channels;std::vector<cv::Mat> channels_dst;cv::split(src, channels);for (int i = 0; i < channels.size(); i++){channels_dst.push_back(single_scale_retinex(channels[i], sigma));}cv::merge(channels_dst, dst);
}int main()
{// 读取图片string filepath = "F://work_study//algorithm_demo//retinex_test1.jpg";cv::Mat src = cv::imread(filepath);if (src.empty()){return -1;}cv::Mat dst(src.size(),CV_8UC3,cv::Scalar(0,0,0));//执行单尺度的Retinex算法retinex_process(src, dst,80);cv::imshow("dst.jpg", dst);cv::waitKey(0);return 0;
}

3.结果展示

原图
结果

二、多尺度Retinex（MSR）

1.原理

SSR算法在动态范围压缩和色调恢复的两种效果中，只能以牺牲一种功能为代价来改进另一个，因此Jobson等一批研究者们针对单尺度Retinex模型中存在的不足，提出了将不同尺度下的增强结果线性地组合在一起，充分将局部信息和整体信息考虑进去的多尺度Retinex算法。这种算法的主要思想就是结合几种不同的尺度的中心围绕函数通过加权平均以后来估计光照分量。MSR算法可以产生同时拥有良好动态范围压缩、色彩稳定性以及良好色调恢复的单一输出图像。MSR算法的公式为：
MSR
参数解释：
N–表示尺度的个数，即高斯滤波的标准差的个数，一般将N的取值为3，用三个不同尺度的高斯滤波器对原始图像进行滤波，尺度的比例建议为15：80：250。
wk–经过实验验证，发现w1=w2=w3=1/3时，适用于大量的低照度图像，运算简单。
Fk(x,y)–在第k个尺度上的高斯滤波函数。

参考资料：MSR资料

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
cv::Mat single_scale_retinex(const cv::Mat& src,double sigma)
{cv::Mat gaussImg, log_src(src.size(),CV_32F), log_gaussImg(src.size(), CV_32F);cv::Mat difference(src.size(), CV_32F);cv::Mat dst(src.size(), CV_32F);// 对输入图像进行高斯模糊处理cv::GaussianBlur(src, gaussImg, cv::Size(0,0), sigma);// 对模糊后的图像和原图像分别进行对数运算，得到两个对数图像// 差分操作前确保两个矩阵类型和尺寸相同// 对差分后的图像进行指数运算gaussImg.convertTo(gaussImg, CV_32F);for(int i=0;i<gaussImg.rows;i++)for (int j = 0; j < gaussImg.cols; j++){log_gaussImg.at<float>(i, j) = log(gaussImg.at<float>(i, j) + 1);log_src.at<float>(i, j) = log(src.at<uchar>(i, j) + 1);difference.at<float>(i, j) = log_src.at<float>(i, j) - log_gaussImg.at<float>(i, j);//dst.at<float>(i, j) = exp(difference.at<float>(i, j));}// 归一化到0-255范围内(疑问：此处对差分图像归一化反而图像显得正常,参考https://blog.csdn.net/TmacDu/article/details/103499795博主也是这样实现)cv::normalize(difference, dst, 0, 255, cv::NORM_MINMAX, CV_8U);return dst;
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
void retinex_process(const cv::Mat& src, cv::Mat& dst, double sigma)
{std::vector<cv::Mat> channels;std::vector<cv::Mat> channels_dst;cv::split(src, channels);for (int i = 0; i < channels.size(); i++){channels_dst.push_back(single_scale_retinex(channels[i], sigma));}cv::merge(channels_dst, dst);
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param std::vector<double> sigma   高斯核的标准差
* @param std::vector<double> w   权重系数
* @breif 多尺度Retinex图像处理
*/
void multi_retinex_process(const cv::Mat& src, cv::Mat& dst, std::vector<double>& sigma, std::vector<double>& w)
{std::vector<cv::Mat> temp(sigma.size());for (int i = 0; i < sigma.size(); i++){retinex_process(src,temp[i],sigma[i]);}for (int i = 0; i < w.size(); i++){dst += w[i] * temp[i];}
}int main()
{// 读取图片string filepath = "F://work_study//algorithm_demo//retinex_test3.jpg";cv::Mat src = cv::imread(filepath);if (src.empty()){return -1;}cv::Mat dst(src.size(),CV_8UC3,cv::Scalar(0,0,0));//高斯滤波器的尺度std::vector<double> sigma={15,80,250};//各个尺度下的SSR的权重系数std::vector<double> w(3, 1 / 3.0);//执行多尺度的Retinex算法multi_retinex_process(src, dst,sigma,w);cv::imwrite("dst.jpg", dst);cv::waitKey(0);return 0;
}

3.结果展示

MSR结果

三、带色彩恢复的多尺度Retinex（MSRCR）

1.原理

在上图中，我们可以看出无论是单尺度还是多尺度Retinex图像增强后都会发生图像色彩失真，原因是R、G、B三通道的像素值比例发生改变，针对这个现象，Jobson和Rahman等人又一次提出带颜色恢复的多尺度 Retinex(MSRCR)。该算法可以将 MSR 得到的结果按照一定的比例进行调整以求恢复原来的比例数值，具体是通过引入了颜色恢复因子 C ，其公式如下：颜色恢复因子公式
参数解释：
β–增益常数，经验参数为46。
α–调节因子，经验参数为125。
Ci(x,y)–第i个彩色通道的色彩恢复函数（CRF），用来调节三个通道颜色在图像中所占的比例。
MSRCR可以提供必要的颜色恢复，从而把相对较暗区域而无法观察到的信息图像细节展现出来，消除了MSR输出中明显的颜色失真和灰色区域。可以为大多数图像提供良好的效果。
MSRCR公式
参数解释：
t–偏移量系数；
G–增益系数；

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;
using namespace cv;
/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
cv::Mat single_scale_retinex(const cv::Mat& src, double sigma)
{cv::Mat gaussImg, log_src(src.size(), CV_32F), log_gaussImg(src.size(), CV_32F);cv::Mat difference(src.size(), CV_32F);cv::Mat dst(src.size(), CV_32F);// 对输入图像进行高斯模糊处理cv::GaussianBlur(src, gaussImg, cv::Size(0, 0), sigma);// 对模糊后的图像和原图像分别进行对数运算，得到两个对数图像// 差分操作前确保两个矩阵类型和尺寸相同// 对差分后的图像进行指数运算gaussImg.convertTo(gaussImg, CV_32F);for (int i = 0; i < gaussImg.rows; i++)for (int j = 0; j < gaussImg.cols; j++){log_gaussImg.at<float>(i, j) = log(gaussImg.at<float>(i, j) + 1);log_src.at<float>(i, j) = log(src.at<uchar>(i, j) + 1);difference.at<float>(i, j) = log_src.at<float>(i, j) - log_gaussImg.at<float>(i, j);//dst.at<float>(i, j) = exp(difference.at<float>(i, j));}// 归一化到0-255范围内(疑问：此处对差分图像归一化反而图像显得正常,参考https://blog.csdn.net/TmacDu/article/details/103499795博主也是这样实现)// 计算带颜色恢复的归一化放到最后，此处注释//cv::normalize(difference, dst, 0, 255, cv::NORM_MINMAX, CV_8U);return difference;
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double sigma   高斯核的标准差
* @breif 单尺度Retinex图像处理
*/
void retinex_process(const cv::Mat& src, cv::Mat& dst, double sigma)
{std::vector<cv::Mat> channels;std::vector<cv::Mat> channels_dst;cv::split(src, channels);for (int i = 0; i < channels.size(); i++){channels_dst.push_back(single_scale_retinex(channels[i], sigma));}cv::merge(channels_dst, dst);
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param std::vector<double> sigma   高斯核的标准差
* @param std::vector<double> w   权重系数
* @breif 多尺度Retinex图像处理
*/
void multi_retinex_process(const cv::Mat& src, cv::Mat& dst, std::vector<double>& sigma, std::vector<double>& w)
{std::vector<cv::Mat> temp(sigma.size());for (int i = 0; i < sigma.size(); i++){retinex_process(src, temp[i], sigma[i]);}for (int i = 0; i < w.size(); i++){dst += w[i] * temp[i];}
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param double a   调节因子
* @param double b   增益常数
* @breif 计算颜色恢复因子
*/
void color_restoration(const cv::Mat& src, cv::Mat& dst, double a, double b)
{dst = cv::Mat(src.size(), CV_32FC3);for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){int sum = src.at<cv::Vec3b>(i, j)[0] + src.at<cv::Vec3b>(i, j)[1] + src.at<cv::Vec3b>(i, j)[2];dst.at<cv::Vec3f>(i, j)[0] = b * (log(a * src.at<cv::Vec3b>(i, j)[0] + 1.0) - log(sum + 1.0));dst.at<cv::Vec3f>(i, j)[1] = b * (log(a * src.at<cv::Vec3b>(i, j)[1] + 1.0) - log(sum + 1.0));dst.at<cv::Vec3f>(i, j)[2] = b * (log(a * src.at<cv::Vec3b>(i, j)[2] + 1.0) - log(sum + 1.0));}
}/*
* @param cv::Mat src	输入图像
* @param cv::Mat& dst	输出图像
* @param std::vector<double> sigma   高斯核的标准差
* @param std::vector<double> w   权重系数
* @param double G   增益系数
* @param double t   偏移量系数
* @param double a   调节因子
* @param double b   增益常数
* @breif 带颜色恢复的多尺度Retinex图像处理
*/
void multi_retinex_color_restoration_process(const cv::Mat& src, cv::Mat& dst, std::vector<double>& sigma, std::vector<double>& w, double G, double t, double a, double b)
{dst.convertTo(dst, CV_32FC3);//计算多尺度Retinex图像cv::Mat multiRSImg(src.size(), CV_32FC3, cv::Scalar(0, 0, 0));multi_retinex_process(src, multiRSImg, sigma, w);//计算颜色恢复因子cv::Mat colorResImg(src.size(), CV_32FC3, cv::Scalar(0, 0, 0));color_restoration(src, colorResImg, a, b);//进行带颜色恢复的多尺度Retinex计算//关键点：saturate_cast<uchar>相当于对图像色彩做了保护for (int i = 0; i < src.rows; i++)for (int j = 0; j < src.cols; j++){dst.at<cv::Vec3f>(i, j)[0] = saturate_cast<uchar>(G * ((multiRSImg.at<cv::Vec3f>(i, j)[0] * colorResImg.at<cv::Vec3f>(i, j)[0]) + t));dst.at<cv::Vec3f>(i, j)[1] = saturate_cast<uchar>(G * ((multiRSImg.at<cv::Vec3f>(i, j)[1] * colorResImg.at<cv::Vec3f>(i, j)[1]) + t));dst.at<cv::Vec3f>(i, j)[2] = saturate_cast<uchar>(G * ((multiRSImg.at<cv::Vec3f>(i, j)[2] * colorResImg.at<cv::Vec3f>(i, j)[2]) + t));}cv::normalize(dst, dst, 0, 255, cv::NORM_MINMAX, CV_8UC3);
}int main()
{// 读取图片string filepath = "F://work_study//algorithm_demo//retinex_test4.jpg";cv::Mat src = cv::imread(filepath);if (src.empty()){return -1;}cv::Mat dst(src.size(), CV_8UC3, cv::Scalar(0, 0, 0));//高斯滤波器的尺度std::vector<double> sigma = { 15,80,250 };//各个尺度下的SSR的权重系数std::vector<double> w(3, 1 / 3.0);multi_retinex_color_restoration_process(src, dst, sigma, w, 5, 25, 125, 46);cv::imwrite("dst.jpg", dst);cv::waitKey(0);return 0;
}

3.结果展示

原图
MSRCR
参数比较多，不好调，大家可以阅读一位大佬写的文章，只需要调一个参数，文章链接：MSRCR
本文调节的参数在代码中，尝试很久，效果跟大佬文章效果类似。

总结

本文介绍了单尺度、多尺度、带颜色恢复的Retinex的算法原理和实现，使用C++和Opencv一步一步进行实现，代码结构简单清晰，便于阅读，但是效率有待提高，后续对代码进行重构，欢迎大家阅读和讨论代码中的不足。
本文代码均已在本地运行正确，有问题欢迎交流。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/652355.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

MySQL：ACCESS DENIED FOR USER‘ROOT‘@‘IP地址

MySQL：ACCESS DENIED FOR USER‘ROOT‘@‘IP地址

起因是使用若依的环境连接数据库时报错&#xff1a;远程数据库连接异常&#xff0c;最终原因是密码错误&#xff0c;且看分解 07:12:06.895 [main] INFO c.r.RuoYiApplication - [logStartupProfileInfo,686] - The following 1 profile is active: "druid" 07:12:…
阅读更多...
Windows系统下将MySQL数据库表内的数据全量导入Elasticsearch

Windows系统下将MySQL数据库表内的数据全量导入Elasticsearch

目录 下载安装Logstash 配置Logstash配置文件 运行配置文件 查看导入结果 使用Logstash将sql数据导入Elasticsearch 下载安装Logstash 官网地址 选择Windows系统&#xff0c;需下载与安装的Elasticsearch相同版本的&#xff0c;下载完成后解压安装包。 配置Logstash配…
阅读更多...
K8S探针分享

K8S探针分享

一&#xff0c;探针介绍 1 探针类型 livenessProbe&#xff1a;存活探针&#xff0c;用于判断容器是不是健康&#xff1b;如果探测失败&#xff0c;Kubernetes就会重启容器。 readinessProbe&#xff1a;就绪探针&#xff0c;用于判断是否可以将容器加入到Service负载均衡池…
阅读更多...
积极应对半导体测试挑战 加速科技助力行业“芯”升级

积极应对半导体测试挑战 加速科技助力行业“芯”升级

在全球半导体产业高速发展的今天&#xff0c;中国“芯”正迎来前所未有的发展机遇。AI、5G、物联网、自动驾驶、元宇宙、智慧城市等终端应用方兴未艾&#xff0c;为测试行业带来新的市场规模突破点&#xff0c;成为测试设备未来重要的增量市场。新兴领域芯片产品性能不断提升、…
阅读更多...
Day53｜动态规划part14： 1143.最长公共子序列、1035. 不相交的线、53. 最大子序和

Day53｜动态规划part14： 1143.最长公共子序列、1035. 不相交的线、53. 最大子序和

1143. 最长公共子序列 这题有点像递增子序列和公共子数组的组合&#xff0c; 要求公共子序列不一定非要是连续的。 确定dp数组下标及其含义 dp[i][j]表示text1[i - 1]与text2[j - 1]结尾的最高公共子序列。 长度为[0, i - 1]的字符串text1与长度为[0, j - 1]的字符串text2的…
阅读更多...
C++入门基础（一）

C++入门基础（一）

目录 C关键字命名空间命名冲突例子域的概念理解命名空间定义例子1例子2例子3例子4例子5例子6例子7 C输出与输入输出输入 感谢各位大佬对我的支持,如果我的文章对你有用,欢迎点击以下链接 &#x1f412;&#x1f412;&#x1f412; 个人主页 &#x1f978;&#x1f978;&#x…
阅读更多...
Web前端开发之CSS_1

Web前端开发之CSS_1

CSS选择器字体属性背景属性文本属性表格属性 1. CSS 1.1 CSS简介 CSS&#xff08;Cascading Style Sheets&#xff09;层叠样式表&#xff0c;又叫级联样式表&#xff0c;简称样式表。CSS文件后缀名为 .css 。CSS用于HTML文档中元素样式的定义。使用CSS可以让网页具有美观一致…
阅读更多...
18 JavaScript学习：错误

18 JavaScript学习：错误

JavaScript错误 JavaScript错误通常指的是在编写JavaScript代码时发生的错误。这些错误可能是语法错误、运行时错误或逻辑错误。以下是对这些错误的一些常见分类和解释&#xff1a; 语法错误&#xff1a; 这类错误发生在代码编写阶段&#xff0c;通常是由于代码不符合JavaScrip…
阅读更多...
python学习笔记----python基础语法（二）

python学习笔记----python基础语法（二）

一、字面量 在 Python 中&#xff0c;字面量 是一种直接在代码中表示其自身值的数据。字面量用于创建值&#xff0c;并且可以直接被 Python 的解释器识别和处理。不同类型的数据有不同的字面量形式。下面是一些常见的字面量类型&#xff1a; 二、注释 注释&#xff1a;在程序…
阅读更多...
LeetCode in Python 74/240. Search a 2D Matrix I/II (搜索二维矩阵I/II)

LeetCode in Python 74/240. Search a 2D Matrix I/II (搜索二维矩阵I/II)

搜索二维矩阵I其实可以转换为搜索一维数组&#xff0c;原因在于&#xff0c;只要先确定搜索的整数应该在哪一行&#xff0c;即可对该行进行二分查找。 搜索二维矩阵II中矩阵元素排列方式与I不同&#xff0c;但思想大致相同。 目录 LeetCode in Python 74. LeetCode in Pyth…
阅读更多...
基于java+springboot+vue实现的医疗挂号管理系统（文末源码+Lw）203

基于java+springboot+vue实现的医疗挂号管理系统（文末源码+Lw）203

摘 要 在如今社会上&#xff0c;关于信息上面的处理&#xff0c;没有任何一个企业或者个人会忽视&#xff0c;如何让信息急速传递&#xff0c;并且归档储存查询&#xff0c;采用之前的纸张记录模式已经不符合当前使用要求了。所以&#xff0c;对医疗挂号信息管理的提升&#x…
阅读更多...
如何增强交友、婚恋平台、金融等平台的安全性

如何增强交友、婚恋平台、金融等平台的安全性

运营商二要素核验是一种数字身份验证方法&#xff0c;主要使用用户的手机号码和姓名作为核验要素。这两个要素被认为是最基本的用户身份信息&#xff0c;通过运营商的数据库来核实其真实性。 在实际操作中&#xff0c;用户需要提供手机号码和姓名进行验证。应用系统会调用接口…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023