图像增强算法

这周在继续学习新内容（基于opencv的图像编程和Python的深入学习）的同时有回顾了之前关于图像增强方面的知识。因为一直看的都是关于图像复原的内容，增强这方面有所遗忘，所以回顾一下看有没有新的心得！

1、关于retinex算法的内容和特点：

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，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。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡，因此可以对各种不同类型的图像进行自适应的增强。

原理：一幅给定的图像S(x,y)可以分解为两个不同的图像：反射图像R(x,y)和亮度图像（也有人称之为入射图像）L(x,y)，L又称为光照分量，R又称为反射分量。Retinex的基本思想是，在S中，降低L的影响，从而尽量保留物体本质的反射属性，即R。Retinex只是一个框架，采用不同的亮度图像估计算法，其具体形式也不同。一般直接通过空间平滑得到照射图像估计，常用的是高斯核的低通滤波。具体步骤如下：

其中，F(x,y)一般指的是高斯低通滤波函数；

2、对retinex算