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。

低光图像增强 基于以下论文，通过光照图估计实现两种低光图像增强技术的 Python 实现： 稳健曝光校正的双光照估计 [] LIME：通过照明图估计进行低光图像增强 [] 这两种方法都基于 retinex 建模，旨在通过保留图像的突出结构来估计光照图，同时去除多余的纹理细节。 为此，两篇论文都使用了相同的优化公式（参见参考资料）。 与第二篇论文（以下称为 LIME）相比，第一篇论文（以下称为 DUAL）引入的新颖性在于对原始图像及其倒置版本的该映射的估计，它允许校正曝光不足和过度曝光图像的暴露部分。 此存储库中实现的代码允许使用这两种方法，可以从脚本参数中轻松选择。 安装 这个实现在python>=3.7上运行，使用pip安装依赖： pip3 install -r requirements.txt 用法 使用demo.py脚本来增强您的图像。 usage: demo.py

由于天气和光照等外部因素的影响，经常会出现亮度和亮度低的影像。此处将基于Retinex理论的算法和经颜色空间变换后对亮度和饱和度分量进行增强的算法进行结合，提出一种根据多尺度Retinex理论的改进算法，在保证色调基本不变的情况下，对亮度和饱和度进行调整，同时加入影像边缘细节特征，使增强后的影像更加符合人眼视觉特性，亮度和尺寸减小提高，影像细节更丰富，并且避免了颜色失真。

局部Retinex算法增强 ParticalRetinexEnhance

图像增强算法：直方图均衡（处理灰度图、处理彩色图）、对比度受限的自适应直方图均衡、Retinex 复制代码即可跑

NON-LOCAL RETINEX – A UNIFYING FRAMEWORK AND BEYOND

提供了Ron Kimmel的A Variational Framework for Retinex.pdf论文，及基于opencv的c++实现

用c语言实现了基于retinex理论的图像增强算法 第一次写 如有不足 欢迎大家批评指正

该方法结合Retinex算法和小波变换算法，去除交通密集区域数字图像中的FOG内容

Color Image Enhancement using Multi Scale Retinex with Color Restoration(MSRCR) Code Reference: http://www-prima.inrialpes.fr/pelisson/MSRCR.php