一、概述
在前文我们已经详细说明了SSR单尺度低光图像增强算法了，作为一种传统的低光图像增强算法，SSR只能作为理论学习的算法，帮助我们了解视网膜算法，学习颜色恒常性理论知识，SSR是不足以算真正的图像增强算法的，MSR和MSRCP才是实际应用中真正使用到的低光图像增强算法，也就是我们常说的Retinex算法，但其实只要前面学习过SSR的，这一块就比较简单了，MSR多尺度低光图像增强算法，顾名思义就是多个 SSR 的加权和，SSR只有一个，如果
选的比较大，虽然能够增强局部对比度，但也会导致噪声增大，边缘锐化。如果选的
比较小，全局亮度比较好，但局部细节会有所缺失，MSR正是通过使用多个
进行加权求和，MSR 是多尺度光照补偿的稳健融合。那MSRCP是什么呢？其实他和MSR差不多，但MSRCP 在 Retinex 增强亮度和对比度的同时，有效保持颜色比例，避免颜色失真，具有良好的稳定性和视觉一致性。下面我将具体说明三种算法。
二、单尺度SSR低光图像增强算法
前文已经写过了，这里不多说了，SSR其实就是通过高斯模糊来估计光照分量，然后通过减去光照分量得到反射分量，而反射分量正是模拟我们人眼视网膜所看到的图像，具有颜色恒常性，不会随光照的变换而改变它的颜色。具体代码如下：
#include <opencv2/opencv.hpp> #include <iostream> // SSR 单尺度 Retinex cv::Mat SSR(const cv::Mat& srcGray, double sigma) { CV_Assert(srcGray.channels() == 1); // 1. 转 double cv::Mat img; srcGray.convertTo(img, CV_64F); // 2. 高斯模糊（估计光照） cv::Mat blur; int ksize = int(6 * sigma + 1) | 1; // 保证为奇数 cv::GaussianBlur(img, blur, cv::Size(ksize, ksize), sigma); // 3. Retinex 核心公式 cv::Mat retinex; cv::log(img + 1.0, img); cv::log(blur + 1.0, blur); retinex = img - blur; // 4. 动态范围压缩（归一化） double minVal, maxVal; cv::minMaxLoc(retinex, &minVal, &maxVal); retinex = (retinex - minVal) * 255.0 / (maxVal - minVal + 1e-6); // 5. 转回 8-bit cv::Mat dst; retinex.convertTo(dst, CV_8UC1); return dst; }三、MSRCP彩色图像增强恢复算法
MSR其实就是在SSR的基础上进行多个进行加权求和，而MSRCP其实就是做了一个图像恢复，这里我们提供一个代码，代码如下：
cv::Mat MSRCP(const cv::Mat& image, std::vector<double>& sigmas, std::vector<double>& weights, int kSize) { CV_Assert(sigmas.size() == weights.size()); if (image.channels() == 1) { cv::Mat msr = cv::Mat::zeros(image.size(), CV_64F); for (size_t i = 0; i < sigmas.size(); ++i) msr += weights[i] * SSR(image, sigmas[i], kSize); return postProcess(msr, 0.01); } // 彩色图 std::vector<cv::Mat> channels; cv::split(image, channels); cv::Mat avg = (channels[0] + channels[1] + channels[2]) / 3.0; avg.convertTo(avg, CV_64F); cv::Mat Lmsr = cv::Mat::zeros(avg.size(), CV_64F); for (size_t i = 0; i < sigmas.size(); ++i) Lmsr += weights[i] * SSR(avg, sigmas[i], kSize); Lmsr = postProcess(Lmsr, 0.01); Lmsr.convertTo(Lmsr, CV_64F); std::vector<cv::Mat> out(3); for (int c = 0; c < 3; ++c) { cv::Mat ch; channels[c].convertTo(ch, CV_64F); out[c] = ch.mul(Lmsr) / (avg + 1e-6); out[c].setTo(0, out[c] < 0); out[c].setTo(255, out[c] > 255); out[c].convertTo(out[c], CV_8UC1); } cv::Mat dst; cv::merge(out, dst); return dst; }五、后处理
这里我们不采用和SSR算法一样，直接使用normalize归一化到[0,255]之间，而是采用过程化的后处理方式，因为Retinex算法得到的是对数域下的反射分量，数值分布通常长尾、非对称、含强噪声和极端亮暗点。如果直接用cv::normalize(min-max)，最大值和最小值往往由极少数噪声像素或高光点决定，导致大部分像素被压缩到很窄的灰度范围里，画面发灰、对比度不足。我们采用先按百分位裁掉两端的异常值（cut），再在“可信区间”内做线性拉伸，相当于一种鲁棒的动态范围压缩，这是 Retinex 系列论文和工程实现中最常见、最稳定的做法，比直接 normalize 更符合人眼感知。代码如下：
// 后处理 cv::Mat postProcess(const cv::Mat& channel, double cut) { cv::Mat result = channel.clone(); cv::Mat flat = result.reshape(1, 1).clone(); cv::sort(flat, flat, cv::SORT_ASCENDING); int total = flat.cols; int low_idx = std::min(std::max(0, int(total * cut)), total - 1); int high_idx = std::min(std::max(0, int(total * (1 - cut))), total - 1); double lowVal = flat.at<double>(0, low_idx); double highVal = flat.at<double>(0, high_idx); double scale = 255.0 / (highVal - lowVal + 1e-6); // 归一化到255上 result = (result - lowVal) * scale; result.setTo(0, result < 0); result.setTo(255, result > 255); result.convertTo(result, CV_8UC1); return result; }
