一種自適應(yīng)權(quán)重MSRCR低照度圖像增強(qiáng)算法

王利娟 1，常 霞 1，張伯妍 2 （1.北方民族大學(xué) 寧夏智能信息與大數(shù)據(jù)處理重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750021； 2.北方民族大學(xué) 數(shù)學(xué)與信息科學(xué)學(xué)院 圖像處理與理解研究所，寧夏 銀川 750021）

摘??要：針對(duì)多尺度 Retinex 處理低照度圖像出現(xiàn)的“光暈偽影”和色彩泛白現(xiàn)象，文中提出一種基于自適應(yīng)權(quán)重帶色彩恢復(fù)因子的多尺度Retinex圖像增強(qiáng)算法。在HSV顏色空間中先將亮度通道圖像分解為Retinex增強(qiáng)層和細(xì)節(jié)恢復(fù)層。在Retinex增強(qiáng)層中，不同尺度參數(shù)具有不同的增強(qiáng)效果，根據(jù)像素的概率分布，計(jì)算明暗不同區(qū)域的概率分布函數(shù)，獲得自適應(yīng)權(quán)重。所提算法有效地克服了尺度參數(shù)對(duì)亮度信息恢復(fù)造成的過(guò)增強(qiáng)現(xiàn)象。

在細(xì)節(jié)恢復(fù)層中，導(dǎo)向?yàn)V波具有更優(yōu)越的保邊去噪特性，故采用導(dǎo)向?yàn)V波將圖像分解成平滑層和邊緣層圖像，并利用增益系數(shù)增強(qiáng)邊緣層信息。最后將自適應(yīng)權(quán)重后Retinex亮度增強(qiáng)層、平滑層和邊緣層圖像融合重構(gòu)為增強(qiáng)后的亮度通道圖像，并在伽馬校正算法中融入自適應(yīng)調(diào)節(jié)因子來(lái)恢復(fù)圖像在融合過(guò)程中丟失的部分細(xì)節(jié)和色彩信息。實(shí)驗(yàn)數(shù)據(jù)表明所提算法較其他對(duì)比算法具有更明顯的優(yōu)越性。 ?

在光照不足或天氣惡劣等條件下得到的圖像無(wú)法滿足人們對(duì)高清圖像的需求，而圖像增強(qiáng)算法可以改善圖像的視覺效果。濾波器算法是一種典型的具有保邊去噪特性的圖像增強(qiáng)算法。經(jīng)典濾波器算法包括高斯濾波器、拉普拉斯高斯濾波器和雙邊濾波器[1]等。用高斯濾波增強(qiáng)圖像經(jīng)常會(huì)出現(xiàn)過(guò)度模糊邊緣現(xiàn)象。雙邊濾波器[2?3]是一種對(duì)圖像像素的空間距離和亮度信息進(jìn)行雙重考慮的非迭代的濾波算法，但對(duì)圖像中梯度變化大的部分，雙邊濾波核函數(shù)不穩(wěn)定，極易出現(xiàn)梯度反轉(zhuǎn)現(xiàn)象。武昆提出一種將圖像的深度信息考慮在內(nèi)的雙邊濾波器算法，增強(qiáng)結(jié)果具有較為清晰的輪廓和層次信息，但運(yùn)算量較大，實(shí)時(shí)性也較差[4]。黃愛黎提出了對(duì)圖像進(jìn)行逐點(diǎn)變換的局部拉普拉斯濾波算法[5]，此算法中存在大量的冗余信息，時(shí)間復(fù)雜度為O(N2)。

導(dǎo)向?yàn)V波器(Guided Image Filter，GIF)是由He K等人提出的一種時(shí)間復(fù)雜度只有O(N)的濾波算法，此算法很好地克服了雙邊濾波中出現(xiàn)的梯度反轉(zhuǎn)現(xiàn)象，該算法具有良好的保邊去噪性[6]。 Retinex [7?8]是基于人眼視覺感知特性而提出的一種增強(qiáng)理論。最初提出基于路徑[9?10]思想和基于偏微分思想[11]的Retinex圖像增強(qiáng)算法。這兩種算法有效地改善了低照度圖像的質(zhì)量，但算法中的參數(shù)較多，極易引入外界噪聲；之后，學(xué)者們相繼提出基于變分思想[12?13]和基于中心環(huán)繞思想的Retinex算法[14?19]，這兩種算法很好地解決了因光照均勻這一假設(shè)所帶來(lái)的光暈現(xiàn)象。只是其中的變分法較為靈活，難以構(gòu)造出滿意的目標(biāo)函數(shù)。基于中心/環(huán)繞Retinex算法的增強(qiáng)結(jié)果具有較強(qiáng)的穩(wěn)定性，所以被廣泛地使用于圖形圖像領(lǐng)域。算法中使用對(duì)數(shù)處理的方式可以極大地提升暗區(qū)域的像素值，對(duì)于光照不足的低質(zhì)量圖像具有良好的增強(qiáng)效果?；谥行沫h(huán)繞的Retinex算法通常包括單尺度Retinex算法(Single?scale Retinex,SSR)[14?15],多尺度Retinex算法(Multi?scale Retinex，MSR)[16?17]和具有顏色恢復(fù)因子的MSR算法（Multi?scale Retinex with Color Restoration,MSRCR)[18?19]。其中SSR算法尺度較為單一，無(wú)法充分考慮到要增強(qiáng)的信息。

MSR算法是在SSR算法的基礎(chǔ)上又增加了兩個(gè)尺度的圖像增強(qiáng)算法。在 MSRCR算法中，增加了顏色恢復(fù)因子，在改善圖像局部細(xì)節(jié)信息和顏色保持方面取得了滿意的效果。但在處理某些顏色比例失衡的極端類型圖像時(shí)，顏色恢復(fù)因子依然無(wú)法精確地計(jì)算顏色之間的比例關(guān)系，增強(qiáng)結(jié)果經(jīng)常趨于白化現(xiàn)象。同時(shí)MSRCR算法沒有充分考慮圖像的邊緣信息，增強(qiáng)圖像的邊緣處于模糊狀態(tài)。Li等人提出具有強(qiáng)魯棒性的 Retinex算法(Robust?Retinex)[20]，該算法具有較強(qiáng)的顏色保真效果，但圖像的局部細(xì)節(jié)信息并不清晰。 針對(duì)導(dǎo)向?yàn)V波器的保邊優(yōu)勢(shì)以及MSRCR算法中存在白化現(xiàn)象的局限性，本文提出在 HSV色彩空間下，將亮度通道V 圖像分解為Retinex增強(qiáng)層和細(xì)節(jié)恢復(fù)層兩層。各層之間相互獨(dú)立增強(qiáng)圖像，互相彌補(bǔ)缺點(diǎn)并突出自身優(yōu)勢(shì)[21]。在Retinex增強(qiáng)層中，自適應(yīng)權(quán)重代替平均權(quán)重有效地提高了圖像的對(duì)比度和亮度，但光暈現(xiàn)象以及梯度反轉(zhuǎn)在圖像邊緣處引起的偽影不可避免。導(dǎo)向?yàn)V波的各向異性可以有效地保持圖像的邊緣信息。利用增益系數(shù)將原圖像與平滑層圖像相減所得到的邊緣層圖像進(jìn)行增強(qiáng)。改進(jìn)的伽馬矯正算法融合各層優(yōu)勢(shì)，獲得具有清晰邊緣和色彩自然的增強(qiáng)圖像。

1 MSRCR 和導(dǎo)向?yàn)V波

1.1 MSRCR 算法

在光照均勻的條件下，Retinex理論認(rèn)為物體表面的反射光對(duì)于人眼辨識(shí)顏色信息起著決定性作用，而外界的光照對(duì)于人眼獲取物體顏色信息并無(wú)太大影響。Retinex理論通常將圖像I(x,y)表示為： 式中：(x,y)表示圖像的像素；R(x, y)和L(x,y)分別表示光反射和光照度分量。為了方便計(jì)算，降低算法的復(fù)雜度，通常將式（1）用對(duì)數(shù)形式表示可以得到SSR算法： 式中:“*”表示高斯核卷積；f(x, y)通常表示高斯卷積核函數(shù)，滿足： 式中：k滿足 ?f (x,y)dxdy=1;σ表示尺度參數(shù)。得到MSR算法

式中：n表示尺度數(shù)目，一般n=3；j表示不同的尺度數(shù)，一般有σ1,σ2,σ3；fj(x,y)為不同尺度參數(shù)下的卷積核函數(shù)；ωj是第j個(gè)參數(shù)所對(duì)應(yīng)的權(quán)重因子，一般取均值。為解決圖像局部失真，引入色彩恢復(fù)因子Ci(x,y)，提出MSRCR算R：

式中：μ和η分別是影響圖像色彩恢復(fù)的增益因子和偏移量，通常有μ=46,β=125。綜上所述，Retinex算法中，對(duì)于一幅低照度的RGB圖像，不同的尺度參數(shù)具有不同的增強(qiáng)效果，分別取小中大3個(gè)尺度（σ1=15,σ2=80,σ3=250）進(jìn)行圖像增強(qiáng)實(shí)驗(yàn)，增強(qiáng)結(jié)果如圖1所示。

圖1的增強(qiáng)結(jié)果顯示，當(dāng)σ1=15時(shí)，局部對(duì)比度提升，但丟失了許多細(xì)節(jié)信息，色調(diào)變差；當(dāng)σ1=250時(shí)，圖像的細(xì)節(jié)信息、亮度信息和顏色信息可保留更多；當(dāng)σ1=80時(shí)，細(xì)節(jié)信息有所恢復(fù)，但亮度信息恢復(fù)不足。本文算法則利用自適應(yīng)權(quán)重將不同尺度參數(shù)的優(yōu)點(diǎn)進(jìn)行融合，使得MSRCR算法的反射分量結(jié)果包含更多的細(xì)節(jié)內(nèi)容。

1.2 導(dǎo)向?yàn)V波

導(dǎo)向?yàn)V波經(jīng)常被用作圖像增強(qiáng)的預(yù)處理算法。假設(shè)引導(dǎo)圖像與濾波圖像之間滿足局部線性關(guān)系 [22]。將輸入圖像I，輸出的濾波圖像q通常用線性表示為： 式中：p為引導(dǎo)圖像；k為濾波窗口的中心位置；i為窗口中像素的索引；a和b表示線性函數(shù)的常數(shù)系數(shù)。對(duì)濾波圖像取梯度的時(shí)候，可得?q=a?p?？梢姰?dāng)引導(dǎo)圖像有梯度，濾波圖像也會(huì)有梯度時(shí)，因此引導(dǎo)濾波對(duì)圖像具有良好的平滑保邊特性。為了計(jì)算ak和bk，定義損失函數(shù)： 式中λ屬于正則項(xiàng)。利用線性回歸可得到 ak和 bk的值：

式中：μk和σ2k分別為窗口中引導(dǎo)圖像p的均值和方差；|ω|為窗口中像素的個(gè)數(shù)；Iˉk為輸入圖像I的均值。在濾波過(guò)程中，同一個(gè)像素在不同的窗口作用下會(huì)輸出不同的像素值，故需要計(jì)算它們的均值： 導(dǎo)向?yàn)V波算法的最大優(yōu)勢(shì)是濾波窗口的大小并不會(huì)影響算法的時(shí)間復(fù)雜度，因此在處理大型圖像時(shí)可以選擇較大的濾波窗口。原圖像減去濾波后的圖像可以得到邊緣細(xì)節(jié)圖像，本文算法便是利用該特性獲得邊緣層圖像，將邊緣層信息增強(qiáng)后再與濾波圖像進(jìn)行重構(gòu)得到新的細(xì)節(jié)恢復(fù)層圖像。

2 基于自適應(yīng)權(quán)重的 MSRCR

傳統(tǒng)的MSRCR算法通常會(huì)同時(shí)處理R，G，B三個(gè)顏色通道，所以三者之間通常會(huì)出現(xiàn)色彩比例不協(xié)調(diào)現(xiàn)象，導(dǎo)致增強(qiáng)結(jié)果呈現(xiàn)白化現(xiàn)象。在HSV顏色空間中，V通道分量包含了圖像大量的細(xì)節(jié)信息。不同的尺度參數(shù)會(huì)得到不同的增強(qiáng)結(jié)果，不能依賴傳統(tǒng) MSRCR算法中三個(gè)尺度平均占比的思想。本文提出自適應(yīng)權(quán)重的MSRCR算法，將V 通道分解為 Retinex 增強(qiáng)層V1和細(xì)節(jié)恢復(fù)層V2。利用自適應(yīng)權(quán)重的MSRCR算法增強(qiáng) V1，得到增強(qiáng)層結(jié)果Q1，利用導(dǎo)向?yàn)V波算法的保邊優(yōu)勢(shì)增強(qiáng)V2，得到平滑層Q2和邊緣層Q3信息。這三層信息進(jìn)行融合得到最終的增強(qiáng)結(jié)果V。算法實(shí)現(xiàn)過(guò)程如圖2所示。

2.1 圖像多層次分解 本文提出基于融合的思想調(diào)節(jié)圖像的照明問題。通常有一些成熟的算法具有特定的增強(qiáng)效果，例如CLAHE算法和濾波器分別改善圖像的局部對(duì)比度和噪聲，因此可以結(jié)合它們各自的優(yōu)勢(shì)[23]。受此啟發(fā)，本文將V通道圖像進(jìn)行分層，分別記為Retinex增強(qiáng)層V1 和細(xì)節(jié)恢復(fù)層V2，并設(shè)計(jì)兩個(gè)權(quán)重，滿足： 分層后所得到的融合結(jié)果既要避免 V2 層邊緣放大造成過(guò)度卡通化，又要避免Retinex 算法出現(xiàn)的亮度過(guò)度增強(qiáng)導(dǎo)致增強(qiáng)結(jié)果出現(xiàn)白化現(xiàn)象。圖3為3組V?在不同權(quán)重下的融合結(jié)果對(duì)比圖。

由圖3可得，圖像Retinex增強(qiáng)層所占的比重較小時(shí)，融合結(jié)果呈現(xiàn)過(guò)分曝光趨勢(shì)，出現(xiàn)部分細(xì)節(jié)信息丟失現(xiàn)象；Retinex增強(qiáng)層所占的比重超過(guò)V1=0.8V時(shí)，融合結(jié)果的亮度保持效果呈現(xiàn)過(guò)度下降趨勢(shì)，出現(xiàn)部分細(xì)節(jié)模糊現(xiàn)象。當(dāng) Retinex 增強(qiáng)層所占的比重為 V1=0.8V時(shí)，塔和樹木的邊緣信息都得到了增強(qiáng)，圖像的對(duì)比度也得到了改善。故 Retinex 增強(qiáng)層所占的比重為V1=0.8V，細(xì)節(jié)恢復(fù)層所占比重為V2=0.2V 時(shí)的融合效果最好。

2.2 Retinex增強(qiáng)層

在MSRCR算法中，使用15，80和250三個(gè)尺度參數(shù)的高斯核對(duì)圖像V1通道進(jìn)行高斯濾波。由圖1可知，大尺度所占比重較大時(shí)得到的增強(qiáng)結(jié)果最好。所以本文依據(jù)圖像像素明暗程度提出自適應(yīng)權(quán)重的MSRCR算法。在[0,255]范圍內(nèi)利用標(biāo)準(zhǔn)正態(tài)分布將圖像像素等區(qū)域分為暗像素點(diǎn)、中亮像素點(diǎn)和亮像素點(diǎn)3類,即暗區(qū)域[0,85]、中暗區(qū)域[85,170]和亮區(qū)域[170,255]。再分別取均值作為3個(gè)區(qū)域的代表值作為正態(tài)分布的期望值，即μ1=43，μ2=128，μ3=213。對(duì)圖像V1層的3類像素點(diǎn)進(jìn)行似然概率[24]計(jì)算，則有：

為得到原圖像的權(quán)重，根據(jù)這些概率值，將3個(gè)權(quán)重定義為： 自適應(yīng) MSRCR 具體實(shí)現(xiàn)如下：

式中：Q1(x, y)為Retinex增強(qiáng)層的增強(qiáng)結(jié)果圖像；ωΤj為權(quán)重ωj的轉(zhuǎn)置。 綜上所述，從權(quán)重計(jì)算原理分析，該算法實(shí)現(xiàn)了對(duì)于大尺度占比較大、小尺度占比較少的目的，并且整個(gè)過(guò)程權(quán)重選擇是自適應(yīng)實(shí)現(xiàn)的過(guò)程，有效地克服了上述MSRCR算法中均值權(quán)重的缺陷。圖4為自適應(yīng)權(quán)重MSRCR算法前后的輸出結(jié)果。圖4c）顯示，自適應(yīng)權(quán)重后的圖像對(duì)比度和亮度明顯提高，部分細(xì)節(jié)信息也均在。

2.3 細(xì)節(jié)恢復(fù)層

為進(jìn)一步增強(qiáng)圖像的細(xì)節(jié)信息,對(duì)細(xì)節(jié)恢復(fù)層V2=0.2V通道圖像進(jìn)行導(dǎo)向?yàn)V波，達(dá)到保邊去噪的效果。實(shí)驗(yàn)步驟如下： 1）利用導(dǎo)向?yàn)V波模糊細(xì)節(jié)層圖像V2，得到模糊的平滑層圖像Q2； 2）細(xì)節(jié)層圖像V2減去平滑層圖像Q2得到的差值圖像，即為邊緣層圖像Q3，滿足:Q3= V2-Q2； 3）在細(xì)節(jié)層圖像V2上加上邊緣層圖像的一個(gè)權(quán)重部分即增益系數(shù)，滿足： 此處的增益系數(shù)k不易過(guò)大，如果原圖像有任何零值或者選擇的k值過(guò)大，使得增益之后的峰值大于原圖像中的最小值時(shí)，這樣會(huì)導(dǎo)致最終的結(jié)果出現(xiàn)負(fù)灰度。負(fù)值將會(huì)導(dǎo)致邊緣周圍出現(xiàn)暗色暈輪，所以這里取k=2即可達(dá)到高度提升濾波的效果。實(shí)驗(yàn)效果如圖5所示。 圖5e)、圖5f）顯示，邊緣增強(qiáng)后的V2結(jié)果比邊緣未增強(qiáng)的V2結(jié)果更加清晰，尤其是塔的柵欄處以及樹木的輪廓。最后將細(xì)節(jié)恢復(fù)層的結(jié)果V2與Retinex增強(qiáng)層結(jié)果Q1進(jìn)行融合，融合過(guò)程如下： 對(duì)于融合之后出現(xiàn)的部分細(xì)節(jié)丟失和部分色彩顯示不自然現(xiàn)象，本文設(shè)計(jì)一種新的細(xì)節(jié)恢復(fù)方案，利用像素與像素鄰域均值的關(guān)系和伽馬矯正相結(jié)合的策略來(lái)恢復(fù)丟失的信息。

算法步驟如下： 1）對(duì)V進(jìn)行歸一化，選擇一定大小的模板窗口m×n，通常選取3×3； 2）對(duì)于當(dāng)前像素f (x,y )，計(jì)算其局部區(qū)域8鄰域均值 3）利用增強(qiáng)強(qiáng)度s增強(qiáng)該點(diǎn)灰度值，提升對(duì)比度，滿足： 4）利用伽馬矯正對(duì)V進(jìn)行色彩恢復(fù)，滿足： 式中：Vfina為恢復(fù)細(xì)節(jié)后融合圖像；Rm為V歸一化的均值；h為調(diào)節(jié)因子，圖像越暗則 Rm越小，h便增大。 5）最后將融合后的圖像轉(zhuǎn)換到RGB空間，得到RGB格式的增強(qiáng)圖像Ien。

3 實(shí)驗(yàn)結(jié)果

將本文算法與SSR、MSR、MSRCR和Robust?Retinex[20]算法在Matlab 2018b的PC 端進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖6~圖10所示。圖6~圖10的實(shí)驗(yàn)結(jié)果：SSR算法的增強(qiáng)結(jié)果中顯示，雖然圖像的局部細(xì)節(jié)信息和局部紋理信息的質(zhì)量有所改善，但對(duì)于圖像整體的對(duì)比度增強(qiáng)和亮度保持效果較弱，整體呈現(xiàn)視覺感知較暗現(xiàn)象，顏色信息恢復(fù)的也較少且存在局部色彩失真現(xiàn)象。圖6~圖8結(jié)果：基于MSR與MSRCR算法的增強(qiáng)結(jié)果中顯示，增強(qiáng)結(jié)果出現(xiàn)整體色彩偏紫的失真現(xiàn)象，不符合人眼的視覺特性。圖9、圖10中 ，基于MSR與MSRCR算法的結(jié)果顯示，增強(qiáng)結(jié)果趨于白化現(xiàn)象，整體較模糊，導(dǎo)致部分細(xì)節(jié)信息無(wú)法被清晰的顯示。圖6~圖9中基于Robust?Retinex算法的結(jié)果顯示，增強(qiáng)結(jié)果的色彩自然，亮度和對(duì)比度信息都有所恢復(fù)，但是依然存在細(xì)節(jié)信息丟失，整體呈現(xiàn)霧化視覺效果，圖像細(xì)節(jié)信息的清晰度下降。

?

圖10中基于 Robust?Retinex算法的整體增強(qiáng)效果良好，圖像的細(xì)節(jié)恢復(fù)較多；而本文算法的增強(qiáng)結(jié)果既不存在失真和白化現(xiàn)象，也不存在霧化模糊情況。在視覺感知上，本文算法結(jié)果整體上更加清晰自然，尤其對(duì)于圖像的色彩信息具有較強(qiáng)的恢復(fù)能力。增強(qiáng)圖像的結(jié)果除了主觀上的表達(dá)，還需要使用一些測(cè)量數(shù)據(jù)進(jìn)行客觀評(píng)估，包括熵、Tenengrad[25]和平均梯度[26]。圖像熵是一種基于概率的強(qiáng)度分布統(tǒng)計(jì)信息，可以衡量圖像信息的豐富程度，公式如下： 式中：p (xi)代表像素值的概率；MN表示像素總數(shù)。 Tenengrad反映了圖像的清晰程度，公式如下： 式中：Δm x(u,v )和Δn x(u,v)分別是像素(u,v )水平與垂直方向上像素之間的差異。 平均梯度反映圖像對(duì)細(xì)節(jié)反差和紋理變化，公式為： 式中?ij表示沿著i方向上在j位置上圖像的梯度值。圖像的客觀評(píng)估指標(biāo)結(jié)果如表1~表5所示。

從表1~表5中的客觀數(shù)據(jù)的結(jié)果可知，5種算法的各個(gè)評(píng)價(jià)指標(biāo)呈現(xiàn)遞增的變化趨勢(shì)，這是因?yàn)楦倪M(jìn)算法對(duì)于圖像的顏色信息以及對(duì)比度信息不斷改進(jìn)，算法的細(xì)節(jié)內(nèi)容在不斷的增強(qiáng)。而本文算法的熵值、清晰度、平均梯度指標(biāo)比其他對(duì)比算法都大，都得到了提升。這說(shuō)明本文算法恢復(fù)了更多的細(xì)節(jié)信息和顏色信息，具有較高的亮度保持度和色彩保真度。

4 結(jié) 論

針對(duì)基于MSRCR算法的低照度圖像增強(qiáng)結(jié)果趨于白化現(xiàn)象，本文提出一種自適應(yīng)權(quán)重 MSRCR低照度圖像增強(qiáng)算法。所提算法有效地結(jié)合了Retinex算法和導(dǎo)向?yàn)V波器的優(yōu)勢(shì)，并且對(duì)MSRCR算法中的平均權(quán)重進(jìn)行改進(jìn)，使得尺度參數(shù)在光照估計(jì)的過(guò)程中可以自適應(yīng)調(diào)節(jié)，這樣既避免了圖像失真又平衡了亮度信息。利用增益系數(shù)對(duì)邊緣層增強(qiáng)之后再與平滑層結(jié)合能更有效地發(fā)揮導(dǎo)向?yàn)V波保邊去噪的優(yōu)勢(shì)，有效地增強(qiáng)了圖像的細(xì)節(jié)信息。實(shí)驗(yàn)結(jié)果顯示，無(wú)論是主觀評(píng)價(jià)還是客觀評(píng)價(jià)數(shù)據(jù)均表明，本文算法有效地提高了圖像對(duì)比度并突出了細(xì)節(jié)，有利于后續(xù)的圖像處理任務(wù)。 注：本文通訊作者為常霞。

參 考 文 獻(xiàn) [1] 王慧琴 .數(shù)字圖像處理[M].北京：北京郵電大學(xué)出版社，2006. [2] 田小平，姜薇，吳成茂 . 基于雙邊濾波的低亮度圖像增強(qiáng)算法[J].西安郵電大學(xué)學(xué)報(bào)，2016，21（4）：43?47. [3] 常戩，賀春澤，董育理，等 .改進(jìn)雙邊濾波和閾值函數(shù)的圖像增強(qiáng)算法[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（3）：207?213. [4] 武昆 . 基于邊緣保持濾波器的彩色圖像增強(qiáng)算法研究[D]. 長(zhǎng)春：中國(guó)科學(xué)院，2017. [5] 黃愛黎 .快速局部拉普拉斯濾波器的研究與應(yīng)用[D]. 昆明：云南大學(xué)，2018. [6] HE K，SUN J，TANG X. Guided image filtering [J]. IEEEtransactionson pattern analysis & machine intelligence，2013，35（6）：1397?1409. [7] YU X Y，LUO X Y，Lü G H，et al. A novel Retinex basedenhancement algorithm considering noise [C]// IEEE / ACISInternational Conference on Computer & Information Science.Wuhan：IEEE，2017：15. [8] 龍?chǎng)?.基于 Retinex 理論的低照度圖像增強(qiáng)研究[D].重慶：重慶郵電大學(xué)，2019. [9] 代少升，劉琴，王斐，等 . 基于路徑的 Retinex 算法在紅外圖像增強(qiáng)中的應(yīng)用[J].半導(dǎo)體光電，2015，36（3）：482?485. [10] SIMONE G，CORDONE R，SERAPIONI R P，et al. On edge?aware path ? based color spatial sampling for Retinex：fromtermite Retinex to light energy ? driven termite Retinex [J].Journal of electronic imaging，2017，26（3）：031203. [11] 余萍，郝成成 .基于分?jǐn)?shù)階微分和多尺度 Retinex 聯(lián)合的霧靄圖像增強(qiáng)算法[J]. 激光與光電子學(xué)進(jìn)展，2018，55（1）：280?285. [12] 董雪，林明星 . 基于變分結(jié)構(gòu)引導(dǎo)濾波的低照度圖像增強(qiáng)算法[J].山東大學(xué)學(xué)報(bào)（理學(xué)版），2020，55（9）：72?80. [13] MA W，OSHER S. A TV Bregman iterative model of Retinextheory [J]. Inverse problems and imaging，2017，6（4）：697?708. [14] 趙冬梅，李斯娜 .改進(jìn)單尺度 Retinex的彩色圖像增強(qiáng)算法[J].現(xiàn)代電子技術(shù)，2018，41（17）：71?75. [15] 王彥林，張進(jìn) .改進(jìn)成像模型的單尺度 Retinex 彩色圖像增強(qiáng)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2018，39（11）：3511?3515. [16] YANG X H，YANG J L. Research of image enhancementalgorithm based on multi ? scale Retinex [J]. Advances inintelligent systems and computing，2015，329：207?215. [17] ZOTIN A. Fast algorithm of image enhancement based onmulti ? scale Retinex [J]. Procedia computer science，2018，131：6?14. [18] ZHANG Weidong，DONG Lili，PAN Xipeng，et al. Singleimage defogging based on multi ? channel convolutionalMSRCR [J]. IEEE access，2019，7（1）：72492?72504. [19] 衡寶川，肖迪，張翔 . 結(jié)合 MSRCP 增強(qiáng)的夜間彩色圖像拼接算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（11）：3200?3204. [20] LI Mading，LIU Jiaying，YANG Wenhua，et al. Structure ?revealing low ? light image enhancement via robust Retinexmodel [J]. IEEE transactions on image processing， 2018（99）：2828?2841. [21] ZOTIN Alexander. Fast algorithm of image enhancementbased on multi ? scale Retinex [J]. Procedia computer science，2018，131：6?14. [22] 王衛(wèi)星，肖翔，陳良琴 .結(jié)合最小濾波和引導(dǎo)濾波的暗原色去霧[J].光學(xué)精密工程，2015，23（7）：2100?2108. [23] KUMAR M，RNAN A. Image enhancement using contrastlimited adaptive histogram equalization and wiener filter [J].International journal of advanced trends in computer scienceand engineering，2016（2）：11?19. [24] 盛驟 . 概率論與數(shù)理統(tǒng)計(jì)[M].3 版 . 北京：高等教育出版社，2001. [25] RAJU G， NAIR M S. A fast and efficient color imageenhancement method based on fuzzy ? logic and histogram [J].AEUe ?international journal of electronices and communications，2014，68（3）：237?243. [26] 孫星星，鄭俊褒，曹志玲 .基于引導(dǎo)濾波與 LoG 算子的安檢圖像增強(qiáng)算法[J].軟件導(dǎo)刊，2020，19（8）：226?229.

作者簡(jiǎn)介：

王利娟（1994—），女，山西大同人，在讀碩士研究生，主要研究方向?yàn)閿?shù)字圖像處理。

常??霞（1982—），女，寧夏石嘴山人，博士，副教授，主要研究方向?yàn)橹悄苄畔⑻幚怼?/p>

張伯妍（1996—），女，山西呂梁人，在讀碩士研究生，主要研究方向?yàn)閿?shù)字圖像處理。

編輯：黃飛

?