低亮度图片增强方法：基于多图像融合的低亮度图片增强算法
这篇博客介绍两篇基于多图像融合的低亮度图片增强算法：
基于多图像融合的低亮度质量评价算法主要考虑融合多幅图片来进行低亮度图片的增强。
由Retinex理论：
其中 是亮度分量， 是RGB通道上的反射分量， 是待增强的分量。
首先，使用RGB通道上每个pixel的***值最为亮度分量的一个估计值。
因为图像的亮度分量一般是局部光滑的，所以文章中使用了形态学中的闭环操作来进一步估计亮度分量：
公式中除以255是为了将亮度分量限制到了[0,1]，文章中选取了disk作为结构元素。
亮度分量通过guided filter来保持the shape of large contours：
是中心在 上的窗口。
multi_fusion融合了多幅增强的亮度分量：
最后，权重由以下公式表示：
文章中首先将各个亮度分量 通过Laplacian金字塔分解为多个尺度上特征图，将权重 使用高斯金字塔光滑过度的部分。
将第 金字塔层的图像进行融合：
融合多个金字塔层的图像：
其中 是上采样操作。
最后增强的图片由下式得到：
EFF考虑融合同一场景下不同曝光程度的图片来增强低亮度图片。
为了得到完美曝光的图片，Exposure Fusion框架融合了不同曝光的图片：
其中 是各个颜色通道上的不同曝光率下的图片， 为对应的权重。
由之前基于相机响应模型的低亮度图片增强算法，我们可以得到同一场景下，不同曝光率的图片间的转换公式：
在这篇文章中，作者只考虑了两种曝光率的图片，***种是低亮度下的图片，另一种是低亮度下的图片使用曝光增强后的图片。
由于需要将曝光完好的像素赋予更大的权重，所以文章中使用图片的亮度分量作为权重：
其中 用来调节增强的程度
对于亮度分量的求解可参考原文或是之前介绍基于相机响应模型的低亮度图片增强算法的博客。
与之前介绍基于相机响应模型的低亮度图片增强算法的博客中一致：
文章中首先排除了原图中曝光较好的像素点：
其中 只包含了曝光不足的像素点。
的亮度部分定义为：
则对于曝光率增强后的亮度分量有：
将曝光不足的像素点转化为曝光正常的像素点后，可以提供的信息应该变大，所以，这里使用了图片墒***化来求解曝光比：
则由
可得到增强后的图片。
低亮度图片增强方法：基于保持图像自然度的低亮度图片增强算法
这篇博客介绍一篇基于保持图像自然度的低亮度图片增强算法：
这篇文章主要主要有以下三个方面的工作：
作者提出用相对亮度顺序（the relative lightness order）来衡量图像的自然程度。相对亮度顺序可以用来表示光照的方向和光照的变化程度。
文章中定义了LOE来衡量增强图片 和 之间的亮度顺序差：
其中 为RGB channel中的***值。
对于每个pixel ，其在原图和增强图中的相对的亮度顺序差定义为：
其中 为异或操作。
最后，LOE定义为：
文中首先选择了五个pixel的四连接域作为领域范围：
对于在位置 的值 ， 表示领域内值为 的数量， 表示值为 和领域内值为 的数量在图片中所有位置的数量之和：
为了减少噪声的影响，使用局部的均值进行处理：
Bright-Pass Filter定义为：
其中 为局部的一个patch，文中是用 ，权重 定义为：
由Retinex理论，
其中 为每个channel的反射分量， 为亮度分量：
亮度分量可有Bright-Pass Filter获得：
反射分量可由下式获得：
文中使用了直方图规范化的方法进行亮度分量的增强。文中使用了对数变换：
但文中表示对数变换会使所有图像的亮度变得非常相似，作者根据输入图片的灰度值分布，适当地增加了低灰度值的数量，所以，新的加权的直方图分布为：
直方图的累积分布为：
经过CDF of the specified histogram后的直方图， 为：
然后求解 :
最后，增强后的图片为：
retinex比1296的好吗?
retinex好一点。
Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法，它是Edwin.H.Land于1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一样，Retinex也是由两个单词合成的一个词语，他们分别是retina和cortex，即视网膜和皮层。
Land的retinex模式是建立在以下三个假设之上的，真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果。我们见到的水是无色的，但是水膜—肥皂膜却是显现五彩缤纷，那是薄膜表面光干涉的结果。每一颜***域由给定波长的红，绿，蓝三原色构成的，三原色决定了每个单位区域的颜色。Retinex理论的基础理论是物体的颜色是由物体对长波（红色），中波（绿色），短波（蓝色）光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性，即retinex是以色感一致性（颜色恒常性）为基础的。
光谱的知识
可见光的光谱
颜色
波长
频率
红色
约625—780纳米
约480—405兆赫
橙色
约590—625纳米
约510—480兆赫
黄色
约565—570纳米
约530—510兆赫
绿色
约500—565纳米
约600—530兆赫
青色
约485—500纳米
约620—600兆赫
蓝色
约440—485纳米
约680—620兆赫
紫色
约380—440纳米
约790—680兆赫
电磁波的波长和强度可以有很大的区别，在人可以感受的波长范围内（约380纳米至780纳米），它被称为可见光，有时也被简称为光。假如我们将一个光源各个波长的强度列在一起，我们就可以获得这个光源的光谱。一个物体的光谱决定这个物体的光学特性，包括它的颜色。不同的光谱可以被人接收为同一个颜色。虽然我们可以将一个颜色定义为所有这些光谱的总和，但是不同的动物所看到的颜色是不同的，不同的人所感受到的颜色也是不同的，因此这个定义是相当主观的。
一个弥散地反射所有波长的光的表面是白色的，而一个吸收所有波长的光的表面是黑色的。
一个虹所表现的每个颜色只包含一个波长的光。我们称这样的颜色为单色的。虹的光谱实际上是连续的，但一般人们将它分为七种颜色：红、橙、黄、绿、青、蓝、紫，但每个人的分法总是稍稍不同的。单色光的强度也会影响人对一个波长的光的颜色的感受，比如暗的橙黄被感受为褐色，而暗的黄绿被感受为橄榄绿，等等。
也有许多颜色是不可能是单色的，因为没有这样的单色的颜色。黑色、灰色和白色比如就是这样的颜色，粉红色或绛紫色也是这样的颜色。
波动方程是用来描写光的方程，因此通过解波动方程我们应该可以得到颜色的信息。在真空中光的波动方程如下：
utt = c2(uxx + uyy + uzz)
c在这里是光速，x、y和z是空间的坐标，t是时间的坐标，u(x,y,z)是描写光的函数，下标表示取偏导数。在空间固定的一点（x、y、z固定），u就成为时间的一个函数了。通过傅里叶变换我们可以获得每个波长的振幅。由此我们可以得到这个光在每个波长的强度。这样一来我们就可以从波动方程获得一个光谱。
但实际上要描写一组光谱到底会产生什么颜色，我们还的理解视网膜的生理功能才行。
亚里士多德就已经讨论过光和颜色之间的关系，但真正阐明两者关系的是艾萨克·牛顿。约翰·沃尔夫冈·歌德也曾经研究过颜色的成因。托马斯·杨1801年***次提出三元色的理论，后来赫尔曼·冯·亥姆霍兹将它完善了。1960年代人们发现了人眼内部感受颜色的色素，从而确定了这个理论的正确性。
人眼中的锥状细胞和棒状细胞都能感受颜色，一般人眼中有三种不同的锥状细胞：***种主要感受红色，它的最敏感点在565纳米左右；第二种主要感受绿色，它的最敏感点在535纳米左右；第三种主要感受蓝色，其最敏感点在445纳米左右。杆状细胞只有一种，它的最敏感的颜色波长在蓝色和绿色之间。
每种锥状细胞的敏感曲线大致是钟形的。因此进入眼睛的光一般相应这三种锥状细胞和杆状细胞被分为4个不同强度的信号。
因为每种细胞也对其他的波长有反映，因此并非所有的光谱都能被区分。比如绿光不仅可以被绿锥状细胞接受，其他锥状细胞也可以产生一定强度的信号，所有这些信号的组合就是人眼能够区分的颜色的总和。
如我们的眼睛长时间看一种颜色的话，我们把目光转开就会在别的地方看到这种颜色的补色。这被称作颜色的互补原理，简单说来，当某个细胞受到某种颜色的光***时，它同时会释放出两种信号：***黄色，并同时拟制黄色的补色紫色。
事实上，某个场景的光在视网膜上细胞产生的信号并不是完全被百分之百等于人对这个场景的感受。人的大脑会对这些信号处理，并分析比较周围的信号。例如，一张用绿色滤镜拍的白宫照片——白宫的形象事实上是绿色的。但是因为人大脑对白宫的固有印象，加上周围环境的绿***调，人脑的会把绿色的障碍剔除——很多时候依然把白宫感受成白色。这被称作现象在英文中被称作“Retinex”——合成了视网膜（retina）和大脑皮层（cortex）两个单词。梵高就曾使用过这个现象作画。
人眼一共约能区分一千万种颜色，不过这只是一个估计，因为每个人眼的构造不同，每个人看到的颜色也少许不同，因此对颜色的区分是相当主观的。假如一个人的一种或多种锥状细胞不能正常对入射的光反映，那么这个人能够区别的颜色就比较少，这样的人被称为色弱。有时这也被称为色盲，但实际上这个称呼并不正确，因为真正只能区分黑白的人是非常少的。
杆状细胞。杆状细胞虽然一般被认为只能分辨黑白，但它们对不同的颜色的灵敏度是略微不同的，因此当光暗下来的时候，杆状细胞的感光特性就越来越重要了，它可以改变我们对颜色的感觉。
RETINEX的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于、RETINEX的信息别忘了在本站进行查找喔。