### 单尺度Retinex算法对夜间图像进行增强的 Python 实现 单尺度Retinex（SSR）算法是一种经典的图像增强技术，主要用于提高图像的对比度和色彩鲜艳程度。它通过分解输入图像为反射分量和光照分量，并重新组合这两个分量以生成增强后的图像。对于夜间图像而言，这种算法可以有效改善因光照不足而导致的画面昏暗问题。 以下是基于单尺度Retinex算法的夜间图像增强实现代码： ```python import cv2 import numpy as np def single_scale_retinex(image, sigma): """ 单尺度Retinex算法的核心函数 参数: image (numpy.ndarray): 输入RGB图像数组 sigma (float): 高斯核的标准差，控制光照分量的平滑程度 返回: ssr_image (numpy.ndarray): SSR处理后的图像 """ # 将图像转换为浮点型并缩放至[0, 1] img_float = image.astype(np.float32) / 255.0 # 分离各颜色通道 R, G, B = cv2.split(img_float) # 计算每个通道对应的Retinex值 retinex_R = compute_single_channel_ssr(R, sigma) retinex_G = compute_single_channel_ssr(G, sigma) retinex_B = compute_single_channel_ssr(B, sigma) # 合并三个通道的结果 ssr_image = cv2.merge([retinex_R, retinex_G, retinex_B]) # 归一化到[0, 1]范围 ssr_image = (ssinre_image - np.min(ssr_image)) / (np.max(ssr_image) - np.min(ssr_image)) return ssr_image def compute_single_channel_ssr(channel, sigma): """ 计算单个颜色通道的SSR值 参数: channel (numpy.ndarray): 输入的颜色通道数据 sigma (float): 高斯核标准差 返回: retinex_value (numpy.ndarray): 处理后的颜色通道数据 """ L = np.log10(channel + 1e-6) # 添加一个小常数防止取log时出现负无穷大[^1] # 创建高斯模糊版本作为光照分量 log_L_hat = np.log10(cv2.GaussianBlur(channel, (0, 0), sigma) + 1e-6) # Retinex公式计算 retinex_value = L - log_L_hat return retinex_value if __name__ == "__main__": input_img_path = 'night_scene.jpg' # 输入文件路径 output_img_path = 'enhanced_night_scene_SSR.jpg' # 输出文件路径 original_image = cv2.imread(input_img_path) enhanced_image = single_scale_retinex(original_image, sigma=300) # 设置sigma参数为300 # 转换回uint8类型以便保存 final_result = (enhanced_image * 255).astype(np.uint8) cv2.imwrite(output_img_path, final_result) ``` 上述代码定义了一个`single_scale_retinex()` 函数来执行整个流程，其中包含了辅助函数 `compute_single_channel_ssr()`, 它负责单独处理每一个颜色通道的数据[^2]。 --- ###