msrcr(Multi-Scale Retinex with Color Restoration) 带色彩恢复的多尺度视网膜增强算法 整理

最新推荐文章于 2025-05-26 23:44:35 发布
最新推荐文章于 2025-05-26 23:44:35 发布
阅读量1.6w 收藏 51
点赞数 7
CC 4.0 BY-SA版权
分类专栏： 图像处理 文章标签： multimedia opencv c++ filter msrcr
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/lilingyu520/article/details/46755767
本文深入探讨了MSRCR（带色彩恢复的多尺度视网膜增强）算法，对比了其与其他图像增强技术的差异。通过RGB通道的独立处理、高斯滤波及对数转换，去除光照影响，同时解决色差问题。介绍了GIMP中MSRCR的应用，并提供了源码参考和相关论文链接。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文主要总结整理msrcr算法相关，包括基本原理，效果和实现代码


为了提高低亮度条件和背光条件下拍摄图像的效果，尝试了各种常规的数字图像处理方法，包括：

线性变换

对数变换

直方图均衡等

对yuv分量进行处理，对亮度分量进行处理，提升亮度对比，提升亮度低得值，提高可见度，uv分量不进行处理，避免色彩出现偏差。

这些方法有一定的效果，缺点也很明显，色度恢复不够，处理后的图像泛白，色彩饱和度降低。然后找到了msrcr算法，下文详细比较了msrcr算法和其他常规数字图像处理方法的异同：

Rahman Z, Woodell G A, Jobson D J. A comparison of the multiscale retinex with other image enhancement techniques[C]//Is and T Annual Conference. THE SOCIETY FOR IMAGING SCIENCE AND TECHNOLOGY, 1997: 426-431.

msrcr算法最早文献如下：

最低0.47元/天 解锁文章

200万优质内容无限畅学
【低照度图像增强系列】使用MSRCR(Multi-Scale Retinex with Color Restoration)算法对低照度图像进行增强处理
静谧、淡雅
08-12 318
【低照度图像增强系列】使用MSRCR(Multi-Scale Retinex with Color Restoration)算法对低照度图像进行增强处理
【低照度图像增强系列】使用MSR(Multi-Scale Retinex)算法对低照度图像进行增强处理
静谧、淡雅
08-12 494
【低照度图像增强系列】使用MSR(Multi-Scale Retinex)算法对低照度图像进行增强处理
MSRCR（Multi-Scale Retinex with Color Restore）
热门推荐
风吹夏天的专栏
05-12 2万+
始于Edwin Herbert Land（埃德温·赫伯特·兰德）于1971年提出的一种被称为色彩恒常的理论，并基于此理论的图像增强方法。Retinex这个词由视网膜(Retina)和大脑皮层(Cortex)合成而来.之所以这样设计，表明Land他也不清楚视觉系统的特性究竟取决于此两个生理结构中的哪一个，抑或两者都有关系。不同于传统的图像增强算法，如线性、非线性变换、图像锐化等只能增强图像的
带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用。
weixin_33797791的博客
04-17 1110
    Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex) 两个词组合构成的。Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、 中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照 非均匀性的影响,具有一致性 。      根据Retinex理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，其数学表达式为...
【图像增强】Retinex模型和多尺度融合的低光照图像增强【含Matlab源码 13398期】
最新发布
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
05-26 776
Retinex模型和多尺度融合的低光照图像增强 完整代码，包运行；可提供运行操作视频！适合小白！
Multi-Scale Retinex with Color Restore 多尺度Retinex图像增强算法
05-07
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。
带色彩恢复的多尺度Retinex算法（MSRCR）
05-13
带色彩恢复的多尺度Retinex算法（MSRCR），可运行
带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用
weixin_39450742的博客
07-17 4410
本篇博文来自博主Imageshop，打赏或想要查阅更多内容可以移步至Imageshop。 转载自：https://www.cnblogs.com/Imageshop/archive/2013/04/17/3026881.html 侵删 Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex) 两个词组合构成的。Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、 中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均匀性的影...
MSRCR-Restoration-master_retinex_restoration_ssr_MSRCR_merelyc2t
10-02
Restoration-master”的程序，该程序专注于Retinex理论的应用，具体包括Single Scale Retinex (SSR)、Multi-Scale Retinex (MSR)以及它们的组合——Multi-Scale Retinex with Color Restoration (MSRCR)。...
色彩恢复的多尺度Retinex算法（MSRCR）-VS2010版
05-14
Retine算法，博客配套代码，详细算法及其效果请移步http://blog.youkuaiyun.com/bluecol/article/details/45675615
带色彩恢复的多尺度视网膜增强算法.zip
05-10
只有EXE文件，直接运行就可以了。提供了十来张测试图片，效果很明显。
MSRCR去雾算法（多尺度retinex）
01-19
适用于水下图片和雾霾图
MSRCR算法实现
10-19
带色彩恢复的Retinex:MSRCR算法实现，matlab语言，测试通过
Multiscale Retinex：用于图像增强的多尺度 Retinex。-matlab开发
05-29
基于 Petro, AB, Sbert, C., & Morel, JM (2014) 的图像增强多尺度 Retinex 算法的两种不同实现。 多尺度视网膜。 在线图像处理，71-88。 第一个使用'scalefactor'的指数缩小直到'scalefactor^nscale'，这具有加快大图像算法的优势，但会产生更多的光晕伪影。 第二个将不同的尺度作为输入，因此允许非约束缩放。 缩影是通过以下方式生成的： im = imread('example.jpg'); % 使用最大通道作为图像照明的近似值L = max(Im, [], 3); 使用两种方法计算反射率的百分比ret = MSRetinex(mat2gray(L), 5, 3, 2, [5 5], 8); ret2 = MSRetinex2(mat2gray(L), [5, 35, 150], [5 5], 8); % 使用 h
图像增强MSRCR算法
06-14
包含Retinex处理的单通道、多通道算法，使用c++实现可单独使用，也可与opencv集成使用。 方便移植到各种平台
算法 msrcr_一种快速简便优秀的全局曲线调整与局部信息想结合的非线性彩色增强算法（多图深度分析和探索）...
weixin_42405592的博客
01-09 751
点击上方↑↑↑“OpenCV学堂”关注我作者网名：laviewpbt排版编辑: gloomyfish作者是图像处理，算法实现与加速优化方面的大神！其开发的imageshop软件大小只有1MB，却实现了非常丰富与复杂的各种图像处理功能。邮箱地址为：Email: laviewpbt@sina.com博客地址：https://www.cnblogs.com/Imageshop/算法概述1本文的...
MSRCR
yayan01的专栏
12-01 1万+
带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用。     Retinex这个词是由视网膜(Retina)和大脑皮层(Cortex) 两个词组合构成的。Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、 中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照 非均匀性的影响,具有一致性 。      根据Retinex理论，
【亲测免费】 推荐开源项目：多尺度Retinex色彩恢复算法实现
gitblog_00076的博客
05-30 597
推荐开源项目：多尺度Retinex色彩恢复算法实现 1、项目介绍 Multiscale retinex with color restoration 是一个基于Python的开源项目，实现了多尺度Retinex（MSR）算法，并结合了色彩恢复技术，旨在增强图像的视觉效果，以更接近人类观察场景的方式处理颜色图像。该项目易于上手，只需将测试数据放入指定文件夹并运行脚本即可。 2、项目技术分析 多尺度R...
MSRCR算法
03-23
### MSRCR算法简介 MSRCR（Multi-Scale Retinex with Color Restoration）是一种用于图像增强的多尺度Retinex算法，其核心在于通过多个高斯核来模拟人类视觉系统的感受器特性，并结合颜色恢复机制以保持图像的真实色彩[^3]。 #### 原理概述 MSRCR算法基于Retinex理论的核心假设：人眼感知到的图像 \( I(x, y) \) 可以分解为物体反射分量 \( R(x, y) \) 和光照分量 \( L(x, y) \)，即： \[ I(x, y) = R(x, y) \cdot L(x, y) \] 为了提取真实的反射分量并减少光照不均匀的影响，MSRCR采用多尺度高斯滤波的方式计算局部光照分量。具体而言，该算法利用不同尺寸的高斯核分别估计光照分量，并将其组合起来形成最终的结果。此外，MSRCR还引入了一个颜色恢复因子，用来校正因多次运算可能导致的颜色失真问题[^2]。 --- ### 算法实现流程 以下是MSRCR算法的主要实现步骤及其对应的逻辑描述： 1. **输入图像预处理** 输入彩色图像被转换为浮点数形式以便后续操作。设输入图像为 \( I_i(x, y) \)，其中 \( i \) 表示红 (Red)、绿 (Green) 或蓝 (Blue) 颜色通道[^4]。 2. **多尺度高斯滤波** 对每个颜色通道应用一组大小不同的高斯核函数 \( G_{s_k}(x, y) \) 来估算局部光照分量 \( L_s(x, y) \)[^3]: \[ L_s(x, y) = I_i(x, y) * G_{s_k}(x, y) \] 这里 \( s_k \) 是高斯核的标准差参数，通常设置为几个离散值以覆盖多种空间频率范围。 3. **计算单尺度Retinex响应** 利用原始像素强度与相应尺度下的光照分量之间的比率定义单尺度Retinex响应: \[ SRR(I_i; s_k)(x, y) = \log[I_i(x, y)] - \log[L_s(x, y)] \] 4. **融合多尺度结果** 将来自各个尺度上的独立Retinex输出加权求和得到综合效果\( MSR(i) \): \[ MSR(i)=\sum _{k=1}^{N}\omega(s_k)\times SRR(I_i;s_k) \] 其中权重系数 \( w(s_k) \geqslant 0\) 并满足归一化条件 \( \Sigma_kw(s_k)=1 \). 5. **加入颜色修复项** 考虑到单纯执行上述过程可能引起整体色调偏移现象发生，因此还需附加一项专门针对此目的设计表达式如下所示： \[ alpha=\ln[N\times I_i]-[\ln(IR)+\ln(IG)+\ln(IB)] \] 6. **生成最终增强图片** 经过以上各步之后便可获得经过改进版多重比例视网膜效应修正后的目标产物了！ --- ### Python代码实现示例 下面是使用Python语言编写的简化版本MSRCR算法实现代码片段： ```python import numpy as np from scipy.ndimage import gaussian_filter def msrcr(image, scales=[15, 80, 200], weights=None): if weights is None: weights = [1/len(scales)] * len(scales) image_float = image.astype(np.float32)/255. height, width, channels = image.shape retinex_images = [] for channel in range(channels): img_channel = image_float[:, :, channel] log_img = np.log(img_channel + 1e-6) ms_retinex = np.zeros_like(log_img) for scale, weight in zip(scales, weights): blurred = gaussian_filter(img_channel, sigma=scale) log_blurred = np.log(blurred + 1e-6) single_scale_retex = log_img - log_blurred ms_retinex += weight * single_scale_retex color_restoration = np.log(channels) + \ np.log(img_channel.sum(axis=-1)) - \ np.log(img_channel).sum(axis=-1) enhanced_channel = ms_retinex * color_restoration.reshape(height, width, 1) retinex_images.append(enhanced_channel) result = np.stack(retinex_images, axis=-1) return ((result - result.min()) / (result.max() - result.min()) * 255.).astype(np.uint8) ``` --- ###
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值