CN103679157A - 一种基于视网膜模型的人脸图像光照处理方法 - Google Patents

Abstract

本发明公开了一种基于视网膜模型的人脸图像光照处理方法，通过把人类视网膜模型和两种改进的Retinex算法结合在一起模拟人类视网膜的工作机理，使图像的识别具有高稳定性和高识别率的特点。同时，在实际的图像处理时，利用单尺度Retinex算法进行图像局部增强，从而能够实现图像对比度增强效果；再利用自适应平滑Retinex算法增强图像边缘，并消除反射图像本身和单尺度Retinex算法处理引入的噪声，具有增强图像边缘效果的作用。通过这两种算法的结合，从而实现人脸光照不变量的提取，能够适应当今人脸识别技术领域的迅猛发展。

Description

一种基于视网膜模型的人脸图像光照处理方法

技术领域

本发明属于人脸识别技术领域，更为具体地讲，涉及一种基于视网膜模型的人脸图像光照处理方法。

背景技术

近几十年来，人脸识别的研究得到了迅猛的发展，现已有大部分产品用于公共安全，金融等领域，然而，无约束环境下的人脸识别仍然存在着很多难点，在诸多影响人脸识别系统性能的因素中，光照情况是一个关键问题，复杂光照情况比光照不变量下的识别率平均下降10%左右。因此，光照正规化是人脸识别和图像处理领域重要的研究课题。

人类视觉是一个最重要的感知客观世界的方式，人类所获取的信息80%来自视觉感知。人类视网膜主要有三个功能层构成，依次是感光层、外网状层和内网状层，功能层之间依次连接处理视觉信息。感光层是视网膜的感光部分，它一方面对获取的光信息进行局部压缩（对比度增强），另一方面将信号传递给外网状层；外网状层对本身的信号进行局部压缩（对比度增强）后，将信号输出内网状层；内网状层的细胞在内网状层和外网状层之间形成一条离心反馈通路（轮廓增强）后，将视信息传递到中枢形成视觉，这样就会在头脑中建立相应的的图像。人类视觉系统能够对复杂的景物进行处理（低通滤波、高通滤波和非线性增强等），提取感兴趣的信息（轮廓、纹理和目标等），并能进一步对景物进行分析和理解。

为了消除或减弱人脸识别中光照变化问题，国内外学者做了大量工作。光照规整化主要是早期的消除光照变化的处理方法，此类方法能够从一定程度上消弱光照变化对人脸识别的影响，但是在复杂光照情况下识别率很难令人满意；光照变化建模法为描述光照变化提供了一种简单有效的方法，但是这类方法对训练集要求很严格，性能好坏严重依赖于训练集人脸图像的质量；光照不变量提取方法是指从图像中提取不随光照变化而变化或者变化较小的图像特征，将该光照不变量用于后续人脸识别的特征提取和识别中，以便减弱或消除光照变化对人脸识别的影响。光照不变量提取方法是人脸识别中消除光照变化的主流方法，其中最主要的方法是模拟人类视觉系统的侧抑制机理的基于中心/环绕的单尺度Retinex（SSR）算法和多尺度Retinex（MSR）算法，此算法能够有效地消除图像中光照不均的问题，对图像进行对比度增强，但存在着明显的光晕现象。基于人类视觉系统，根据人类视网膜的结构和信息处理机理的Vu算法，能够有效地克服中心/环绕Retinex算法的光晕现象，但它存在着会减小图像全局对比度的缺陷，而且识别速度较慢，实时性较差。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于视网膜模型的人脸图像光照处理方法，通过联合单尺度Retinex算法和自适应平滑Retinex算法对人脸图像的处理，能实现图像对比度增强、增强图像边缘的效果，在不同光照条件下同时具有稳定、较高的识别率。

为实现上述发明目的，本发明基于视网膜模型的人脸图像光照处理方法，其特征在于，包括以下步骤：

（1）、对输入的人脸图像S(x,y)进行几何归一化处理：将所有的人脸图像经过裁剪和尺度变换后使人脸图像的大小和位置保持不变，得到归一化图像S_N(x,y)，其中(x,y)为像素点；

（2）、利用单尺度Retinex算法（SSR）得到实现图像局部对比度增强的图像R_S(x,y)：

根据Retinex理论，输入图像由入射光分量和反射光分量构成，其表达式为：

S(x,y)＝R(x,y)·L(x,y)   （a）

其中，S(x,y)为输入图像，R(x,y)为反射图像，L(x,y)为光照图像，为了便于处理,将式（a）放在对数域中,则可以得到保留物体本质的反射属性图像R(x,y)为:

其中，

是光照估计算法估计出的光照分量，而利用单尺度Retinex算法（SSR）计算光照分量

的公式为：

其中，S_N(x,y)是归一化图像，F(x,y,c)为高斯环绕函数，常量c是滤波半径，通过式（c）计算得到的光照分量

从而可以得到实现图像局部对比度增强的输出图像R_S(x,y)；

（3）、利用基于上下文信息的自适应平滑Retinex算法得到实现去除光照、轮廓增强的图像R_A(x,y)：

自适应平滑算法估计的光照是输入图像的平滑结果，所以光照估计的初始值

等于输入图像，即SSR算法的输出值R_S(x,y)，在(t+1)次迭代中平滑的图像表示为：

其中， $N^{\left(t\right)}(x,y)=\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}{w}^{\left(t\right)}(x+i,y+j),t\∈[0,T-1],$ T为自适应平滑算法的迭代次数，w^(t)(x,y)为自适应平滑算法的模板,它的系数反映了每个像素点的灰度变化情况；迭代完成后得到的光照分量

即相当于式（b）中的光照分量

代入式（b）即可得到自适应平滑Retinex算法的输出图像R_A(x,y)；

（4）、获取光照不变量R(x,y)：

通过步骤（3）计算将得到的输出图像R_A(x,y)存在负数，因此通过式（e）将自适应平滑Retinex算法的输出图像R_A(x,y)规范到[0,1]中，

$R(x,y)=\frac{R_A(x,y)-{\left(R_A\right)}_{\min }}{{\left(R_A\right)}_{\max }-{\left(R_A\right)}_{\min }}---\left(e\right)$

其中，(R_A)_min和(R_A)_max是R_A(x,y)中最小值和最大值，R(x,y)就是经过基于人类视网膜模型的光照处理方法后得到的光照不变量。

其中，步骤（2）中所述的滤波半径c设为50；步骤（3）中所述的自适应平滑算法的迭代次数T为25次，所述的自适应平滑算法的模板w^(t)(x,y)的获取方法为：

自适应平滑算法的模板w^(t)(x,y)的表达式为：w^(t)(x,y)＝g(d(x,y))，其中，g()为传导函数，d(x,y)表示每个图像像素的变化程度，即一幅图像像素的间断处；选用在平滑过程中增强一部分受保护的灰度变化边缘的传导函数：

$g\left(d(x,y)\right)=\exp (-\frac{d^2(x,y)}{2k^2})$

其中，k是用来控制平滑或加强灰度变化边缘的参数；在基于上下文信息的间断检测方法中：

$d(x,y)=\frac{{\mathrm{\Σ\Σ}}_{(m,n)\∈\mathrm{\Ω}}|\stackrel{\‾}{S}(x,y)-\stackrel{\‾}{S}(m,n)|}{\left|\mathrm{\Ω}\right|}$

其中，

为自适应平滑算法的输入图像R_S(x,y),Ω为像素点(x,y)的局部邻域，

表示在邻域Ω内的像素点，对d(x,y)进行标准化处理为：

其中，d_max和d_min分别表示整幅人脸图像的d(x,y)中最大值和最小值，同时引入一个非线性变换f()得到更大的非均匀性，即图像像素变化程度可表示为：

进一步地，所述的用于控制平滑或加强灰度变化边缘的参数k设为：

$k=10*\exp (-\mathrm{mean}\left(\tilde{d}(x,y)\right)/0.5);$

所述的非线性变换f()设为正弦变换，则图像像素变化程度可表示为：

本发明的发明目的是这样实现的：

本发明基于视网膜模型的人脸图像光照处理方法，通过把人类视网膜模型和两种改进的Retinex算法结合在一起模拟人类视网膜的工作机理，使图像的识别具有高稳定性和高识别率的特点。同时，在实际的图像处理时，利用单尺度Retinex算法进行图像局部增强，从而能够实现图像对比度增强效果；再利用自适应平滑Retinex算法增强图像边缘，并消除反射图像本身和单尺度Retinex算法处理引入的噪声，具有增强图像边缘效果的作用。通过这两种算法的结合，从而实现人脸光照不变量的提取，能够适应当今人脸识别技术领域的迅猛发展。

同时，本发明基于视网膜模型的人脸图像光照处理方法还具有以下有益效果：

（1）、本发明基于人类视网膜的工作机理，联合单尺度Retinex（SSR）算法和自适应平滑Retinex算法构建了一种基于视网膜模型的人脸图像光照处理方法，使图像的识别具有高稳定性和高识别率的特点；

（2）、利用单尺度Retinex（SSR）算法进行图像局部增强，其功能类似感光层和外网状膜的光照适应调节和低通滤波的作用，从而能够实现图像对比度增强效果；

（3）、利用自适应平滑Retinex算法增强图像边缘，并消除反射图像本身和SSR处理引入的噪声，其功能类似视网膜内网状层中双极细胞去除光变量和噪声，具有增强图像边缘效果的作用。

附图说明

图1是本发明基于视网膜模型的人脸图像光照处理方法流程图；

图2是Vu算法两次非线性增强与SSR算法处理结果的对比图；

图3是不同算法处理结果的对比图；

图4是Extended Yale B人脸库各光照子集示例图；

图5是子集1作为训练集时不同方法的识别率对比图；

图6是子集2作为训练集时不同方法的识别率对比图；

图7是子集3作为训练集时不同方法的识别率对比图；

图8是子集4作为训练集时不同方法的识别率对比图；

图9是子集5作为训练集时不同方法的识别率对比图；

图10是从人脸图像库中每人随机选取5幅图像作为训练集的平均识别率对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于视网膜模型的人脸图像光照处理方法流程图。

在本实施例中，选用含大量光照变化的Extended Yale B人脸库进行实验，如图1所示，本发明基于视网膜模型的人脸图像光照处理方法，包括以下步骤：

S101、选取的Extended Yale B人脸库图像作为输入图像S(x,y)，其中，在Extended Yale B人脸库包括38个人、9个姿态和64种光照，且Extended Yale B人脸库原始图像大小为640×480，本发明的重点是消除光照影响，因此实验中仅选取正面图像进行实验；

S102、对输入图像S(x,y)进行几何归一化处理：将所有的Extended Yale B人脸库图像经过裁剪和尺度变换后，图像大小被调整为192×168，，从而使人脸图像的大小和位置保证不变得到归一化图像S_N(x,y)，其中(x,y)为像素点；

S103、利用单尺度Retinex算法（SSR）得到实现图像局部对比度增强的图像R_S(x,y)：

根据Retinex理论，输入图像由入射光分量和反射光分量构成，其表达式为：

S(x,y)＝R(x,y)·L(x,y)   （S1）

其中，S(x,y)为输入图像，R(x,y)为反射图像，L(x,y)为光照图像，为了便于处理,将式（S1）放在对数域中,则可以得到保留物体本质的反射属性图像R(x,y)为:

其中，是光照估计算法估计出的光照分量，而利用单尺度Retinex算法（SSR）计算光照分量

的公式为：

其中，S_N(x,y)是归一化图像，F(x,y,c)为高斯环绕函数，常量c是滤波半径，通过式（c）计算得到的光照分量

从而可以得到实现图像局部对比度增强的输出图像R_S(x,y)；滤波半径c根据频域功率分布规律可知：当c为小尺度时,Retinex结果得到非常好的图像边缘细节；当c为大尺度时，Retinex结果得到比较平衡的色彩，但细节不够突出。因此经过多组实验，c为50时识别率较高，因此本实施例中，选取c为50；

S104、利用基于上下文信息的自适应平滑Retinex算法得到实现去除光照、轮廓增强的图像R_A(x,y)：

自适应平滑算法估计的光照是输入图像的平滑结果，所以光照估计的初始值等于输入图像，即SSR算法的输出值R_S(x,y)，(t+1)次迭代中平滑的图像表示为：

其中， $N^{\left(t\right)}(x,y)=\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}{w}^{\left(t\right)}(x+i,y+j),t\∈[0,T-1],$ T为自适应平滑算法的迭代次数，w^(t)(x,y)为自适应平滑算法的模板,它的系数反映了每个像素点的灰度变化情况；迭代完成后得到的光照分量

即相当于式（b）中的光照分量

代入式（b）即可得到自适应平滑Retinex算法的输出图像R_A(x,y)；

其中，自适应平滑算法的模板w^(t)(x,y)获取方法为：自适应平滑算法的模板w^(t)(x,y)的表达式为：w^(t)(x,y)＝g(d(x,y))；其中，g()为传导函数，d(x,y)表示每个图像像素的变化程度，即一幅图像像素的间断处；选用在平滑过程中增强一部分受保护的灰度变化边缘的传导函数：

$g\left(d(x,y)\right)=\exp (-\frac{d^2(x,y)}{2k^2})---\left(S5\right)$

其中，k是用来控制平滑或加强灰度变化边缘的参数；在基于上下文信息的间断检测方法中：

$d(x,y)=\frac{{\mathrm{\Σ\Σ}}_{(m,n)\∈\mathrm{\Ω}}|\stackrel{\‾}{S}(x,y)-\stackrel{\‾}{S}(m,n)|}{\left|\mathrm{\Ω}\right|}---\left(S6\right)$

不同光照条件下的k值在识别率最高时也没有线性关系，通过多组实验总结出 $k=10*\exp (-\mathrm{mean}\left(\tilde{d}(x,y)\right)/0.5),$ 为自适应平滑算法的输入图像R_S(x,y),Ω为像素点(x,y)的局部邻域，

表示在邻域Ω内的像素点，对d(x,y)进行标准化处理为：

其中，d_max和d_min分别表示整幅人脸图像的d(x,y)中最大值和最小值，同时引入非线性变换得到更大的非均匀性，本发明在此选用正弦变换,则图像像素变化程度可表示为：

本实施例中，当自适应平滑算法的迭代次数T越小，处理后图像的边缘越淡，阴影也会得到很好的淡化，但图像对比度会变差，容易丢失特征边缘；T越大，处理后图像对比度越好，但有可能增强边缘，且处理时间很长，因此经过多组实验得出T为25时识别率相对较高；

S105、获取光照不变量R(x,y)：通过步骤S104计算将得到的输出图像R_A(x,y)存在负数，因此通过式（S9）将自适应平滑Retinex算法的输出图像R_A(x,y)规范到[0,1]中，

$R(x,y)=\frac{R_A(x,y)-{\left(R_A\right)}_{\min }}{{\left(R_A\right)}_{\max }-{\left(R_A\right)}_{\min }}---\left(S9\right)$

其中，(R_A)_min和(R_A)_max是R_A(x,y)中最小值和最大值，R(x,y)就是经过基于人类视网膜模型的光照处理方法后得到的光照不变量。

图2是Vu算法两次非线性增强与SSR算法处理结果的对比图。

通过Vu算法的两次非线性增强处理后，如图2(c)所示，图像左下巴较浅的轮廓已被模糊掉，而图2（d）SSR算法中此轮廓略有保留，因此可以得到，不同于传统的图像增强算法，如线性、非线性变换、图像锐化等只能增强图像的某一类特征，如压缩图像的动态范围，或增强图像的边缘等，SSR算法可以在动态范围压缩、边缘增强达到平衡，因而可以对各种不同类型的图像进行自适应性地增强。

图3是不同算法处理结果的对比图。

如图3所示，将原图（a）分别经过单尺度Retinex算法、Vu算法、自适应平滑Retinex算法和本发明处理后，其结果分别如图（b）、（c）、（d）、（e），通过本发明处理后的图像能实现图像对比度增强、增强图像边缘的效果。

图4是Extended Yale B人脸库各光照子集实例图。

Extended Yale B人脸库包括38个人、9个姿态和64种光照，其原始图像大小为640×480，38人平均每人有64幅不同光照角度的图像,除去其中几张有缺陷的图像,因而我们总共可得2414幅实验图像。光照空间按照光源偏离光轴角度的递增，数据库中的图像被分成5个子集，分别是子集1：光源偏离光轴角度0°～12°,共有263幅图像，子集2：光源偏离光轴角度13°～25°,共有456幅图像，子集3：光源偏离光轴角度26°～50°,共有455幅图像，子集4：光源偏离光轴角度51°～77°,共有526幅图像，子集5：光源偏离光轴角度大于等于78°,共有714幅图像；前3个光照子集为侧光照较弱时的情况,后2个子集为侧光照较强的光照子集，从每个光照子集各取一幅示例图像，如图4(a)-(e）所示。

图5是子集1作为训练集时不同方法的识别率对比图。

图6是子集2作为训练集时不同方法的识别率对比图。

图7是子集3作为训练集时不同方法的识别率对比图。

图8是子集4作为训练集时不同方法的识别率对比图。

图9是子集5作为训练集时不同方法的识别率对比图。

从所述的5个子集中任选择一个子集作为训练集，其它4个光照子集作为测试集，验证本发明在不同光照条件下的光照鲁棒性，则有：

当子集1作为训练集时不同算法的识别率，如图5所示，SSR和Vu算法在子集2和子集3作测试集时的识别率都在83%以上，但是当侧光照较强的子集作测试集时，识别率大幅下降；自适应平滑Retinex算法在不同光照子集做测试集时，都有85%以上的识别率，而本发明明显优于自适应平滑Retinex算法，都保持在91%以上。

当子集2作为训练集时不同算法的识别率，如图6所示，各算法的识别率情况类似于图5，但本发明仍优于其它算法的性能，而且在某些情况下，甚至可以达到100%的识别率。

当子集3作为训练集时不同算法的识别率，如图7所示，SSR的识别率仍是随着侧光照逐渐变强而降低，而Vu算法和自适应平滑Retinex算法的识别率在强侧光照子集作测试集时开始上升，并且在子集1和子集2作测试集时有较好的表现；但本发明在强侧光照子集作测试集时保持了95%以上的识别率，高于以上三种算法。

当子集4作为训练集时不同算法的识别率，如图8所示，SSR的识别率在70%-85%之间；Vu算法虽在子集5时的识别率上升到90.02%，但是子集1时只有66.35%，识别率不稳定；自适应平滑Retinex算法虽在子集2时取得了95.39%的高识别率，但是其它子集的识别率在83%-92%之间；本发明在较强侧光照子集作训练集的情况下，各种子集的识别率均保持在92%以上，在不同光照条件下性能稳定。

当子集5作为训练集时不同算法的识别率，如图9所示，此时侧光照强度最强，SSR、Vu算法和自适应平滑Retinex算法在子集1和子集2作测试集的识别率只在50%-80%之间，而本发明的识别率不仅在各种子集作测试集时高于以上三种算法，而且在子集4作为测试集时取得了最高97.53%的识别率，因此可以看出，本发明在综合性能上远远优于其它三个算法。

图10是从人脸图像库中每人随机选取5幅图像作为训练集的平均识别率对比图。

从所述的每个子集中随机选取1幅图像，每人共计5幅图像作为训练集，其余的作为测试集，因此训练集共有190幅图像，而测试集有2224幅图像，为了得到可信的实验数据，重复该实验5次，求取平均识别率，如图10所示，给出不同算法对应的实验结果，可以看出本发明在Extended Yale B光照人脸库上具有更好的表现，平均识别率达到93.98%。综上可见，本发明较其它三种算法，在复杂光照图像处理上性能性能表现更加优异。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种基于视网膜模型的人脸图像光照处理方法，其特征在于，包括以下步骤：

（1）、对输入的人脸图像S(x,y)进行几何归一化处理：将所有的人脸图像经过裁剪和尺度变换后使人脸图像的大小和位置保持不变，得到归一化图像S_N(x,y)，其中(x,y)为像素点；

（2）、利用单尺度Retinex算法（SSR）得到实现图像局部对比度增强的图像R_S(x,y)：

根据Retinex理论，输入图像由入射光分量和反射光分量构成，其表达式为：

S(x,y)＝R(x,y)·L(x,y)   （a）

其中，S(x,y)为输入图像，R(x,y)为反射图像，L(x,y)为光照图像，为了便于处理,将式（a）放在对数域中,则可以得到保留物体本质的反射属性图像R(x,y)为:

其中，

是光照估计算法估计出的光照分量，而利用单尺度Retinex算法（SSR）计算光照分量

的公式为：

其中，S_N(x,y)是归一化图像，F(x,y,c)为高斯环绕函数，常量c是滤波半径，通过式（c）计算得到的光照分量

从而可以得到实现图像局部对比度增强的输出图像R_S(x,y)；

（3）、利用基于上下文信息的自适应平滑Retinex算法得到实现去除光照、轮廓增强的图像R_A(x,y)：

自适应平滑算法估计的光照是输入图像的平滑结果，所以光照估计的初始值

等于输入图像，即SSR算法的输出值R_S(x,y)，在(t+1)次迭代中平滑的图像

表示为：

其中， $N^{\left(t\right)}(x,y)=\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}{w}^{\left(t\right)}(x+i,y+j),t\∈[0,T-1],$ T为自适应平滑算法的迭代次数，w^(t)(x,y)为自适应平滑算法的模板,它的系数反映了每个像素点的灰度变化情况；迭代完成后得到的光照分量

即相当于式（b）中的光照分量

代入式（b）即可得到自适应平滑Retinex算法的输出图像R_A(x,y)；

（4）、获取光照不变量R(x,y)：

通过步骤（3）计算将得到的输出图像R_A(x,y)存在负数，因此通过式（e）将自适应平滑Retinex算法的输出图像R_A(x,y)规范到[0,1]中，

$R(x,y)=\frac{R_A(x,y)-{\left(R_A\right)}_{\min }}{{\left(R_A\right)}_{\max }-{\left(R_A\right)}_{\min }}---\left(e\right)$

其中，(R_A)_min和(R_A)_max是R_A(x,y)中最小值和最大值，R(x,y)就是经过基于人类视网膜模型的光照处理方法后得到的光照不变量。

2.根据权利要求所述的基于视网膜模型的人脸图像光照处理方法，其特征在于，所述的滤波半径c为50。

3.根据权利要求所述的基于视网膜模型的人脸图像光照处理方法，其特征在于，所述的自适应平滑算法的迭代次数T为25次。

4.根据权利要求所述的基于视网膜模型的人脸图像光照处理方法，其特征在于，所述的自适应平滑算法的模板w^(t)(x,y)的获取方法为：

自适应平滑算法的模板w^(t)(x,y)的表达式为：w^(t)(x,y)＝g(d(x,y))，其中，g()为传导函数，d(x,y)表示每个图像像素的变化程度，即一幅图像像素的间断处；选用在平滑过程中增强一部分受保护的灰度变化边缘的传导函数：

$g\left(d(x,y)\right)=\exp (-\frac{d^2(x,y)}{2k^2})$

其中，k是用来控制平滑或加强灰度变化边缘的参数；在基于上下文信息的间断检测方法中：

$d(x,y)=\frac{{\mathrm{\Σ\Σ}}_{(m,n)\∈\mathrm{\Ω}}|\stackrel{\‾}{S}(x,y)-\stackrel{\‾}{S}(m,n)|}{\left|\mathrm{\Ω}\right|}$

其中，为自适应平滑算法的输入图像R_S(x,y),Ω为像素点(x,y)的局部邻域，表示在邻域Ω内的像素点，对d(x,y)进行标准化处理为：

其中，d_max和d_min分别表示整幅人脸图像的d(x,y)中最大值和最小值，同时引入一个非线性变换f()得到更大的非均匀性，即图像像素变化程度可表示为：

5.根据权利要求4所述的基于视网膜模型的人脸图像光照处理方法，其特征在于，所述的用于控制平滑或加强灰度变化边缘的参数k为：

$k=10*\exp (-\mathrm{mean}\left(\tilde{d}(x,y)\right)/0.5).$

6.根据权利要求4所述的基于视网膜模型的人脸图像光照处理方法，其特征在于，所述的非线性变换f()为正弦变换，则图像像素变化程度可表示为：

Images