【图像增强】基于Retinex模型和多尺度融合的低光照图像增强（含MSE）附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、程序设计科研仿真。
🍎完整代码获取 定制创新 论文复现私信
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
在图像处理领域，低光照图像增强旨在提升低光照条件下拍摄图像的视觉质量，以满足各种应用需求，如监控、医学成像等。Retinex 模型因其模拟人类视觉系统对光照感知的特性，常被用于图像增强。结合多尺度融合技术和均方误差（MSE）评估，能够更有效地实现低光照图像的增强，并对增强效果进行量化评估。
二、Retinex 模型原理
三、多尺度融合技术
- 多尺度分析
：不同尺度的图像信息包含不同层次的细节。大尺度图像信息反映图像的整体结构，小尺度图像信息则包含丰富的细节信息。通过对图像进行多尺度分解，可以更好地提取和融合不同层次的特征。例如，使用高斯金字塔对图像进行多尺度分解，将图像分解为不同分辨率的层级。
- 融合策略
：在不同尺度上分别应用 Retinex 模型进行图像增强，得到不同尺度下的增强图像。然后，根据一定的融合规则将这些增强图像进行融合。一种常见的融合规则是基于权重的融合，为每个尺度的增强图像分配不同的权重，权重的确定可以根据图像的局部特征，如纹理丰富程度等。例如，在纹理丰富的区域，赋予小尺度增强图像更大的权重，以突出细节；在平滑区域，赋予大尺度增强图像更大的权重，以保证整体结构的稳定性。
四、均方误差（MSE）在图像增强中的应用
五、基于 Retinex 模型和多尺度融合的低光照图像增强实现步骤
- 图像预处理
：对输入的低光照图像进行必要的预处理，如归一化处理，将图像像素值映射到 [0, 1] 区间，以便后续处理。
- 多尺度分解
：使用高斯金字塔等方法对预处理后的图像进行多尺度分解，得到不同尺度的图像层级。
- Retinex 增强
：在每个尺度上，应用 Retinex 模型对图像进行增强，得到不同尺度下的增强图像。
- 多尺度融合
：根据基于局部特征的权重分配策略，将不同尺度的增强图像进行融合，得到最终的增强图像。
- MSE 评估
：计算增强图像与参考图像（或近似参考图像）之间的均方误差，评估增强效果。根据 MSE 值，可以进一步调整多尺度融合权重或 Retinex 模型参数，以优化增强效果。
⛳️ 运行结果
📣 部分代码
%==========================================================================
% J. Yan, J. Li, X. Fu, "No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement"
%
% Please try your own contrast distorted images with different levels.
% Larger predicted score means better contrast quality.
% This model was trained by all the images in CCID2104 database using
% LIBSVM.
%==========================================================================
function [predicted_score] = ceiq(Img)
load('model.mat');
feat = [];
gImg = rgb2gray(Img);
enhancedImg = histeq(gImg);
[fmean, fmap] = ssim(gImg, enhancedImg);
f1 = fmean; %image similarity, f1
h1 = imhist(gImg, 128);
h2 = imhist(enhancedImg, 128);
h1 = h1 / (size(gImg, 1) * size(gImg, 2));
h2 = h2 / (size(gImg, 1) * size(gImg, 2));
goodones = h1 > 0 & h2 > 0;
f2 = - sum(h1(goodones) .* log2(h1(goodones))); % f2, Eq. (3)
f3 = - sum(h2(goodones) .* log2(h2(goodones))); %f3, Eq. (3)
f4 = - sum(h1(goodones) .* log2(h2(goodones))); %f4, Eq. (4)
f5 = - sum(h2(goodones) .* log2(h1(goodones))); %f5, Eq. (5)
feat = [feat f1 f2 f3 f4 f5];
predicted_score = svmpredict(1, feat, model);
end
🔗 参考文献
[1] Yan J , Li J , Fu X .No-Reference Quality Assessment of Contrast-Distorted Images using Contrast Enhancement[J]. 2019.DOI:10.48550/arXiv.1904.08879.