Retinex图像增强算法在电子信息技术中的应用

区别于传统的色彩理论，Land［8，9］提出了一种基于色觉恒常的Ret-inex色彩理论。Retinex理论主要包含以下内容：

（1）物体的颜色与反射光强度无关，而与物体对长波、中波和短波光线的反射能力有关。

（2）物体的色彩不受光照非均性的影响。

也就是说，Retinex理论［10］去除了光源强度和光照不均等因素在视觉信息传播过程中的影响，认为待增强的图像是由物体反射图像与入射图像组成的，整体的表达式为

在雾天无人机侦察过程中，I（x，y）代表无人机侦察到的影像信号，L（x，y）代表环境光的照射分量，R（x，y）代表含有侦察信息的目标反射光分量。依据这个理论进行计算，求出的R（x，y）即为增强后的图像。而在实际的Retinex理论应用中，只能从原始影像中估计出照射分量L（x，y），并且存在参数调整困难和算法复杂度高等问题。因此，如何近似估计出亮度图像是Retinex计算的重点。(www.xing528.com)

比较有代表性的计算L（x，y）的方法有Land［8］提出的随机路径法，不过该算法实际操作过程中由于计算量大且处理后的图像会出现照度光照不均、曝光过度等情况，所以现已淘汰；Frankle和Mc-Cann［12］提出的McCann's Retinex算法，采用金字塔下采样迭代遍历像素点领域这一方法，较好地提高了照射度估计的精准性；Land［13］于1986年提出中心/环绕Retinex算法引入了权值概念，将像素亮度通过其周围环绕像素的权值进行估计；Jobson等［14］改进中心/环绕Retinex算法，通过高斯环绕函数赋予权值，提出了经典的单尺度Retinex算法（Single Scale Retinex，SSR）。通过扩展模糊过程中模糊尺度的数量，Rahman等［15］提出多尺度Retinex算法（Multi-scale Retinex，MSR），同时增强了图像细节和颜色保真度。

综上所述，Retinex算法对由于光照不均而引起的低对比度彩色图像具有很好的增强效果。然而，此类算法在面对无人机侦察这一实际背景时仍存在以下不足：

（1）侦察影像的实时性要求高，而算法在计算L（x，y）的过程中由于多次用到高斯模糊，运算量大、运算速度慢。

（2）算法本身可能出现过增强现象，使图像出现噪点，影响侦察效果。