萌新的電腦視覺入門1--Retinex演算法

標籤：問題   範圍   span   tin   根據   center   就會   retinex   線性   

 

　　演算法的基本原理是認為人眼觀看的映像S是由兩部分組成，即入射光映像L與反射映像R相乘得到，因為R與映像輪廓資訊相關，所以問題變為從S中提取R。其中的關鍵便是根據L的特徵對L進行合適的建模。

　　最基礎的演算法認為光原本照度是均勻的，所以在S映像上進行高斯濾波，從而留下物體反射的資訊R，而且認為物體的顏色也是由物體反射能力決定的，處理照度資訊不會對顏色資訊產生損失。

　　在這些理論的假設下，感覺這個演算法最適合處理的是光照不足下物體的還原，但是要想處理效果好，最好不要有額外的光源，如路燈，建築物燈，因為這會破壞L的低頻特性。

　　演算法採取的多通道MSRCR演算法，三通道標準差為經典的30，150，300，對顏色有一定修複。

　　例子：

　　處理理較好的幾幅映像。

　　 

　　

　　這幾幅的共同特點是，觀察的物體都在遠方，霧對物體的模糊程度較均勻，假如是物體有近有遠，霧僅僅對遠處的物體模糊，效果就會變差。抑或有燈光破環原本照度的均勻性效果也會變差（照度存在高頻資訊）。

　　較差的效果：

　　

　　

　　我們可以發現在左下光照地區的建築細節都丟失了，因為演算法顏色恢複使用的是對數域線性恢複128*顏色比重+127，由對數函數的特性，高亮度的地區被壓縮了。再就是像路燈附近，亮度變化較大的部分被平滑化了，這還是對亮度L估計方式不當造成的（此情況不應認為照度是緩慢變化的）。

　　演算法也可以解決的光照不足的情況，例如夜晚，清晨，傍晚的圖片，解決因為光照不足導致人眼對映像不敏感的問題。

　     

　　

　　　　　　　　　　McCann演算法

　　 此演算法意在對不均勻照度產生一種更好的估計，其對照度資訊的提取不再是高斯卷積的加權方式，而是選取在一條螺旋線上的亮度進行加權，相比與高斯加權這樣可以擷取更大範圍內的照度資訊，並且根據映像大小進行規定數目的迭代。

　　演算法細節不再贅述，我們看看其與MSRCR處理效能的區別。

　　　　　　　　　　　　　　　　　　　　　　（MSRCR）

 (McCann)

　　還是可以看出明顯的效能優勢的，但是相應的計算量也大大上升（因為有迭代的過程）。

　　

萌新的電腦視覺入門1--Retinex演算法