结合MCA与Retinex算法的低照度图像增强方法

叶坤涛， 吴焱森， 李晟

（江西理工大学理学院，江西 赣州341000）

0 引 言

低照度条件下获取图像时，一般容易产生噪声污染严重、细节部分被黑色背景覆盖等现象[1]。这些将不利于人类视觉观察、日常生活及科学技术应用，因此低照度图像增强是现在非常热门且实用性强的科学研究之一[2]。为了提高低照度图像的质量，相关人员提出了很多低照度图像增强算法来改善其存在的不足之处[3]。

低照度图像增强算法一般可以分成：直方图均衡化算法[4]、图像去雾算法[5-6]、基于Retinex算法的算法[7]和基于机器学习的算法[8]等。 其中，基于Retinex算法是近些年的研究热点，该理论由Edwin Land等在20世纪70年代首次提出[9]，认为人眼看到物质的物理特性与物质自身的反射特性直接相关，不受外界环境影响，即与入射光的光照特性无关。因此基于Retinex算法就是要通过实验方法将光照分量估计出来，从而计算得到决定图像物理特性的反射分量，即获得增强效果的图像。比如，经典的Retinex改进算法有SSR （Single-Scale Retinex）、MSR （Multi-Scale Retinex）、MSRCR（Multi-Scale Retinex with Color Restoration）等。SSR算法在细节和亮度增强两方面不能同时得到补偿，研究人员在SSR基础上提出了MSR算法，但是MSR算法增强图像时会出现边缘模糊现象。MSRCR算法增强图像能有效地减少噪声和恢复图像颜色，但是颜色恢复时没有考虑到R、G、B 3个色彩分量之间的相关性，出现颜色反转、失真现象[10-16]。相关研究人员在以上3种增强算法基础上提出了改进算法，比如：李忠海等提出改进重构的自适应权重Retinex图像增强算法，有效改善了图像颜色失真问题，但是存在噪声放大等问题[17]；……