【图像增强】基于多尺度视网膜图像增强（弥合彩色图像与人类场景观察之间的差距）附Matlab代码

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/146299865

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

摘要： 图像增强技术旨在改善图像的视觉质量，使其更适合人类视觉感知和后续图像处理任务。然而，传统的图像增强方法往往未能充分考虑人类视觉系统的复杂特性，导致增强后的图像在亮度、对比度、色彩等方面与人类观察真实场景的体验存在差距。多尺度视网膜图像增强方法借鉴了人类视网膜的视觉处理机制，通过模拟视网膜对不同尺度信息的敏感度，能够更有效地改善图像的视觉质量，弥合彩色图像与人类场景观察之间的差距。本文将深入探讨多尺度视网膜图像增强的原理、方法以及其在改善图像质量、提高视觉感知方面的优势。

引言：

在计算机视觉领域，图像增强是一项至关重要的预处理步骤。无论是医学影像诊断、安防监控、自动驾驶还是消费电子产品，高质量的图像都是实现有效分析和决策的基础。图像增强技术的目的在于改善图像的视觉效果，突出图像中感兴趣的特征，抑制噪声干扰，从而方便后续的图像分析和处理。然而，传统的图像增强方法，如直方图均衡化、对比度受限的自适应直方图均衡化(CLAHE)等，虽然在一定程度上能够提高图像的视觉质量，但往往会产生过度增强、细节丢失、色彩失真等问题。这些问题的根源在于，这些方法未能充分考虑到人类视觉系统(HVS)的复杂特性，特别是视网膜的视觉处理机制。

人类视觉系统是一个高度复杂的感知系统，其中视网膜扮演着至关重要的角色。视网膜不仅负责将光信号转换为神经信号，还负责对这些信号进行预处理，提取场景中的关键信息。视网膜具有多尺度处理能力，能够对不同尺度的细节信息进行不同的处理和感知。例如，视网膜中的视锥细胞负责感知颜色和精细细节，而视杆细胞负责感知低光照环境下的亮度信息。此外，视网膜还具有中心凹机制，使得人类能够以极高的分辨率观察视野中心区域，而对边缘区域则关注整体轮廓和运动信息。

基于上述对人类视觉系统的理解，研究者们提出了多尺度视网膜图像增强方法，旨在通过模拟视网膜的视觉处理机制，更有效地改善图像的视觉质量，弥合彩色图像与人类场景观察之间的差距。

多尺度视网膜图像增强的原理：

多尺度视网膜图像增强方法的核心思想是模拟人类视网膜对不同尺度信息的处理方式。该方法通常包含以下几个关键步骤：

图像分解： 将输入图像分解为不同尺度的多个子带图像。常用的分解方法包括高斯金字塔、拉普拉斯金字塔、小波变换等。这些分解方法能够将图像分解为不同频率的分量，从而模拟视网膜对不同尺度细节信息的感知。低频分量通常代表图像的整体结构和亮度信息，而高频分量则代表图像的细节和纹理信息。
局部自适应增益控制： 对不同尺度的子带图像进行局部自适应的增益控制。该步骤旨在增强图像中的细节信息，并抑制噪声干扰。增益控制的强度通常取决于局部图像的统计特性，如局部方差、局部均值等。通过局部自适应的增益控制，可以避免过度增强或欠增强的问题，并能够更好地保留图像的细节信息。
色彩校正： 在增强亮度信息的同时，需要对图像的色彩进行校正，以避免色彩失真。色彩校正的方法通常包括灰度世界假设、白平衡算法、颜色恒常性算法等。这些算法能够根据图像的统计特性，估计出图像的光照颜色，并进行相应的校正，从而保证图像的色彩一致性。
图像重构： 将经过增益控制和色彩校正的子带图像重新组合，得到最终的增强图像。该步骤旨在将不同尺度的信息融合在一起，形成一个整体的、视觉效果良好的图像。

多尺度视网膜图像增强的优势：

与传统的图像增强方法相比，多尺度视网膜图像增强方法具有以下显著优势：

更符合人类视觉感知： 多尺度视网膜图像增强方法借鉴了人类视网膜的视觉处理机制，能够更好地模拟人类对场景的感知过程。因此，增强后的图像在亮度、对比度、色彩等方面更接近人类观察真实场景的体验。
更有效地改善图像质量： 多尺度视网膜图像增强方法能够有效地增强图像中的细节信息，并抑制噪声干扰，从而提高图像的视觉质量。该方法能够避免过度增强或欠增强的问题，并能够更好地保留图像的细节信息。
更强的鲁棒性： 多尺度视网膜图像增强方法通常采用局部自适应的增益控制策略，能够根据局部图像的统计特性进行动态调整。因此，该方法对不同的图像具有更强的鲁棒性，能够适应不同的光照条件和场景变化。
更广泛的应用范围： 多尺度视网膜图像增强方法可以应用于各种不同的图像处理领域，包括医学影像诊断、安防监控、自动驾驶、消费电子产品等。该方法能够提高图像的视觉质量，从而方便后续的图像分析和处理，并能够改善用户体验。

⛳️ 运行结果

🔗 参考文献

Jobson D J, Rahman Z U, Woodell G A. A multiscale retinex for bridging the gap between color images and the human observation of scenes[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 1997, 6(7):965-76.