关于Retinex图像增强算法的一些新学习。

　　最近再次看了一下IPOL网站，有一篇最近发表的文章，名字就是Multiscale Retinex，感觉自己对这个已经基本了解了，但还是进去看了看，也有一些收获，于是抽空把他们稍微整理了下，原始文章及其配套代码详见：http://www.ipol.im/pub/art/2014/107/。

之前在我的带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用一文中已经较为详细的描述了Multiscale Retinex的基本原理和应用，这里就不再做过多的说明。为表述方便，还是贴出其基本的计算原理：

　　上式中，I为原始输入图像，F是滤波函数，一般为高斯函数，N为尺度的数量，W为每个尺度的权重，一般都为1/N， R表示在对数域的图像的输出。

　　由于R是对数域的输出，要转换为数字图像，必须将他们量化为[0,255]的数字图像范畴，关于这个量化的算法，有这极为重要的意义，他的好坏直接决定了最终输出的图像的品质。

　　目前，结合上述文章中提出的一些过程，有4种方式进行处理：

　　第一种，也是最容易想到的就是，直接线性量化，即采用下式进行处理：

　　这种方式，由于Retinex数据处理后的高动态特性，数据分布很广，会出现严重的两极化现象，一般难以获得满意的结果。

　　第二种，就是在经典的MSRCR文章《A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes》中提出的Canonical Gain/Oﬀset 算法。计算公式如下：

　　其中G和b为经验参数。

　　第三种，实在上述文章中提到的Simplest Color Balance（我简写为SCR）方式，这种方式的处理类似于Photoshop中的自动色阶，他把数据按照一定的百分比去除最小和最大的部分，然后中间的部分重新线性量化到0和255之间。

　　第四种，就是GIMP的Retinex算法，这个可详见带色彩恢复的多尺度视网膜增强算法（MSRCR）的原理、实现及应用一文的描述。

　　还有一种方式，就是大家知道HDR的过程吧，他也是将高动态的数据量化到图像的可视范围，因此可以直接将这类算法应用与这个问题上。我也做了实验，效果似乎一般。

　　在用第二种或第三种方式处理时，最好还需要有个Color Restoration的过程，因为如果直接对MSR处理的结果进行量化，得到的图像往往整体偏灰度，这是由于原始的彩色值经过log处理后的数据范围就比较小了，这样各通道之间的差异也很小，而之后的线性量化比log曲线要平滑很多，因此整体就丧失了彩色。

　　论文中提出了修正方式如下：