### 基于Retinex理论的夜间图像增强Python代码实现 以下是一个基于单尺度Retinex（SSR）、多尺度Retinex（MSR）以及自动化多尺度Retinex（AMSR）算法的Python代码示例。该代码实现了Retinex理论的核心思想，即通过分解图像的反射分量和光照分量来消除光照不均的影响[^2]。 ```python import cv2 import numpy as np from scipy.ndimage import gaussian_filter def single_scale_retinex(img, sigma): """ 单尺度Retinex算法。 参数: img (numpy.ndarray): 输入图像（浮点型，范围[0, 1]）。 sigma (float): 高斯核的标准差。 返回: ssr_img (numpy.ndarray): SSR处理后的图像。 """ retinex = np.log10(img) - np.log10(cv2.GaussianBlur(img, (0, 0), sigma)) return retinex def multi_scale_retinex(img, sigmas): """ 多尺度Retinex算法。 参数: img (numpy.ndarray): 输入图像（浮点型，范围[0, 1]）。 sigmas (list of float): 不同尺度下高斯核的标准差列表。 返回: msr_img (numpy.ndarray): MSR处理后的图像。 """ retinex = np.zeros_like(img) for s in sigmas: retinex += single_scale_retinex(img, s) return retinex / len(sigmas) def automated_multi_scale_retinex(img, sigmas, gain=1.5, offset=0.6, gamma_correction=True): """ 自动化多尺度Retinex算法。 参数: img (numpy.ndarray): 输入图像（浮点型，范围[0, 1]）。 sigmas (list of float): 不同尺度下高斯核的标准差列表。 gain (float): 增益因子。 offset (float): 偏移因子。 gamma_correction (bool): 是否应用伽马校正。 返回: amsrcr_img (numpy.ndarray): AMSRCR处理后的图像。 """ img_msr = multi_scale_retinex(img, sigmas) amsrcr = gain * (img_msr * (gain * img_msr + offset)) - offset if gamma_correction: amsrcr = np.power(amsrcr, 0.5) return amsrcr # 主程序部分 if __name__ == "__main__": # 加载输入图像 input_image_path = 'night_scene.jpg' # 替换为实际路径 image = cv2.imread(input_image_path) if image is None: print("无法加载图像，请检查文件路径。") exit() # 归一化至[0, 1] image_normalized = image.astype(float) / 255.0 # 设置参数 sigmas = [15, 80, 200] # 分离通道并逐通道处理 channels_ssr = [] channels_msr = [] channels_amsrcr = [] for channel in cv2.split(image_normalized): ssr_channel = single_scale_retinex(channel, sigmas[0]) msr_channel = multi_scale_retinex(channel, sigmas) amsrcr_channel = automated_multi_scale_retinex(channel, sigmas) channels_ssr.append(ssr_channel) channels_msr.append(msr_channel) channels_amsrcr.append(amsrcr_channel) # 合并通道 ssr_result = cv2.merge(channels_ssr) msr_result = cv2.merge(channels_msr) amsrcr_result = cv2.merge(channels_amsrcr) # 调整结果范围至[0, 255] def scale_image(img): img_scaled = ((img - np.min(img)) / (np.max(img) - np.min(img))) * 255 return img_scaled.astype(np.uint8) ssr_result_scaled = scale_image(ssr_result) msr_result_scaled = scale_image(msr_result) amsrcr_result_scaled = scale_image(amsrcr_result) # 显示结果 cv2.imshow('Original Image', image) cv2.imshow('SSR Result', ssr_result_scaled) cv2.imshow('MSR Result', msr_result_scaled) cv2.imshow('AMSRCR Result', amsrcr_result_scaled) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 关键说明 - **单尺度Retinex(SSR)**: 使用单一高斯核标准差(sigma)对图像进行平滑处理，并计算反射分量与光照分量之间的差异。 - **多尺度Retinex(MSR)**: 综合多个不同尺度下的高斯滤波器结果，以更好地保留局部细节信息。 - **自动化多尺度Retinex(AMSR)**: 在MSR基础上增加了自动增益控制机制，能够自适应调整图像亮度分布[^2]。 ---