white patch retinex 白点检测用于数字图像处理增强等

针对低照度条件下图像降质严重的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本, 将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间, 保持色度分量和饱和度分量不变, 利用DCNN对亮度分量进行增强, 最后将HSI颜色空间转换到RGB空间, 得到最终的增强图像。实验结果表明, 与现有主流的图像增强算法相比, 所提算法不仅能够有效提升亮度和对比度, 改善过增强现象, 而且能够避免色彩失真, 主观视觉和客观评价指标均得到了进一步提高。

经典retinex_mccann99图像增强MATLAB程序，用于消除图像的光照不均匀性

该代码为Retinex算法，可以用于图像增强处理，也可以用于图像去雾处理，都能取得较好的效果

基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法 基于各向异性retinex路面阴影消除算法

包含：Retinex算法最为经典的4篇文献： 单尺度Retinex（SSR)、多尺度Retinex（MSR)、基于变分框架的Retinex、以及自适应平滑的Retinex。读完这些将彻底了解Retinex的理论，变化及改进。

传统Retinex算法中，从图像中完全去除亮度分量而使用反射分量来增强效果。通常图像光照变化并非平缓，使得结果图像视觉效果缺乏协调。对此提出一种改进的Retinex算法，通过再处理亮度分量，得到平缓的亮度图像并补偿到反射分量从而改善增强效果，使用均值模版代替高斯模版以减少计算的时间，同时利用拉普拉斯算子加入图像边缘细节特征。实验通过处理低对比度、低亮度的X光射线将改进的Retinex方法与其他各种增强算法进行对比。对实验结果的定性和定量分析表明了该改进算法的有效性。

Retinex.zip

针对光照不均匀、光线暗等环境导致图像采集单元采集到的图像视觉效果差、噪声大等问题，本文提出一种基于视网膜和皮层(Retinex)理论改进的低照度图像增强算法去恢复图像原有的视觉特征。将低照度图像从红、绿、蓝(RGB)空间转换到色调、饱和度、亮度(HSV)空间，在HSV空间的V通道去对低照度图像进行处理，这样能够避免图像三基色比例关系被破坏；采用改进的多尺度Retinex (MSR)算法估计光照分量，用非局部均值(NLM)滤波代替高斯滤波，利用滤波窗口与相邻窗口间的递归关系来简化计算，不仅能准确估计光照分量，还能够提高图像的处理速度；最后进行颜色空间逆变换，转换到人眼习惯的RGB颜色空间。实验结果表明该算法可以有效提高图像清晰度，保护图像的细节信息。

Retinex深度自调整低光图像增强的切换视图 论文“ Retinex的切换视图：深度自规则微光图像增强”的代码。 该实现仅用于非商业用途。 要求 python 3.6.12 火炬1.6.0 火炬视觉0.7.0 CUDA 10.1 科尔尼亚0.4.1 测试 python test.py 您应该指定测试图像路径和输出路径。 火车 在下载训练数据集（SICE） python main.py 接触 如有任何疑问，请通过与天联系。