CN111127377A - 一种基于多图像融合Retinex的弱光增强方法 - Google Patents

Abstract

本发明属于图像处理技术领域，公开了一种基于多图像融合Retinex的弱光增强方法，包括：根据原始图像获得初始照明图；根据原始图像、初始照明图获得初始反射图；根据初始反射图，采用形态学闭合的方式获得调整反射图；选取获得初始融合照明图，包括初始照明估计图、伽马矫正照明估计图、直方图规定化照明估计图；对初始融合照明图进行加权最小二乘滤波，获得滤波图；根据初始融合照明图、滤波图，获得平滑层融合照明图、细节层融合照明图；根据平滑层融合照明图、细节层融合照明图，获得最终照明融合图；根据调整反射图、最终照明融合图，获得增强图像。本发明能够有效增强弱光图像对比度，同时保持图像自然度。

Description

一种基于多图像融合Retinex的弱光增强方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于多图像融合Retinex的弱光增强方法。

背景技术

高质量图像为图像的后续处理提供保障，而在弱光照环境中，通过设备往往不能直接获取清晰地、高对比度的图像，图像增强就成为了图像应用于特定场合与系统的重要方式。目前，图像增强已应用于各种科学和工程领域，如大气科学、卫星遥感、计算机视觉、人体医学、交通领域等，因此，弱光图像增强是图像处理领域一个必不可少而又极为重要的研究内容。目前，基于直方图均衡化方法、基于Retinex理论方法和基于图像去雾算法等增强算法已经被广泛应用于通过设备采集图像后处理的过程中，以便于后续图像处理步骤。

基于Retinex算法主要解决分解后照明图信息的准确估计问题和结构信息的有效保存问题。反射图包含图像彩色和纹理信息，其被处理后很容易造成颜色失真，通常是对照明图估计来得到更好的对比度和细节特征增强，例如经典的单尺度Retinex(Single-scaleRetinex，SSR)、多尺度Retinex(multi-scale Retinex，MSR)、带颜色恢复的多尺度Retinex(Multi-Scale Retinex with Color Restoration，MSRCR)，SSR、MSR以及之后的一些类似的对数域照明估计方法及改进方法不能有效保留细节信息和图像自然度，出现局部欠增强和过增强现象。对于照明图和反射图不能有效估计问题，Fu等人提出同步反射率和光照估计的加权变分模型(A weighted variational model for simultaneous reflectanceand illumination estimation，SRIE)，能够有效估计照度和反射率，保持反射图细节，但是合成之后的增强有一定的局部欠增强和颜色失真问题，对于图像自然度保存问题，Wang等人提出非均匀弱光图像自然度保持(Naturalness Preserved Enhancement Algorithmfor Non-Uniform Illumination Images，NPE)算法，在增强图像的同时有效的保留图像照度信息，但是最终增强结果对非均匀光照图像存在细节模糊现象。随后，Fu等人提出基于多图像融合的弱光照图像增强(A fusion-based enhancing method for weaklyilluminated images)算法同时提高图像对比度和亮度，多图像通过不同采样信息进行融合同时提升对比度和颜色特征提取，但是没有考虑不同融合图像结构信息的相似性，在局部光照突变处细节信息不清晰。

发明内容

本发明的目的是克服上述现有方法存在的缺陷，提供一种基于多图像融合Retinex的弱光增强方法，以有效增强弱光图像对比度，同时保持图像自然度。

本申请实施例提供一种基于多图像融合Retinex的弱光增强方法，包括以下步骤：

S1、根据原始图像获得初始照明图；

S2、根据所述原始图像、所述初始照明图获得初始反射图；

S3、根据所述初始反射图，采用形态学闭合的方式获得调整反射图；

S4、选取获得初始融合照明图，所述初始融合照明图包括初始照明估计图、伽马矫正照明估计图、直方图规定化照明估计图；

S5、对所述初始融合照明图进行加权最小二乘滤波，获得滤波图；

S6、根据所述初始融合照明图、所述滤波图，获得平滑层融合照明图、细节层融合照明图；

S7、根据所述平滑层融合照明图、所述细节层融合照明图，获得最终照明融合图；

S8、根据所述调整反射图、所述最终照明融合图，获得增强图像。

优选的，所述步骤S1中，在获得初始照明图之前，对所述原始图像进行下采样处理。

优选的，所述步骤S1中，通过在所述原始图像的R、G、B通道中找到最大值来估计图像每个像素的亮度，得到所述初始照明图。

优选的，所述步骤S2中，获得所述初始反射图的公式为：

式中，R_init(x,y)表示初始反射图；ε表示微小实数；S^c(x,y)表示原始图像的像素位置，c表示颜色通道；L_init(x,y)表示初始照明图。

优选的，所述步骤S3中，获得所述调整反射图的公式为：

式中，E_struc表示圆盘形结构元素，R_adjust(x,y)表示调整反射图，

表示形态学闭合操作。

优选的，所述步骤S4中，获得所述初始融合照明图的公式为：

式中，I₁表示初始照明估计图，记为第一个初始融合照明图；I₂表示伽马矫正照明估计图，记为第二个初始融合照明图；I₃表示直方图规定化照明估计图，记为第三个初始融合照明图；B表示伽马矫正的调整系数；L_init ^γ表示L_init的伽马矫正照明估计，γ为伽马矫正系数；P_r表示通过双对数变换得到的映射关系。

优选的，所述步骤S5中，获得所述滤波图的公式为：

式中，I_k,wls ^s表示第k个初始融合照明图对应的滤波图，记为第k个平滑层图像；F表示从I_k到I_k,wls ^s的函数映射关系；λ表示平滑因子；I_k表示第k个初始融合照明图，k＝1,2,3；L_Ik是第k个初始融合照明图的WLS矩阵形式；D_x、D_y表示前向差分矩阵；A_x、A_y表示权重分配值。

优选的，所述步骤S6包括以下子步骤：

通过所述初始融合照明图和所述滤波图相减得到细节层图像，公式表示如下：

I_k,wls ^d＝I_k-I_k,wls ^s (5)

式中，I_k,wls ^d表示第k个细节层图像，k＝1,2,3；

平滑层图像的权重公式为：

式中，W_m(m,n)表示第n个平滑层图像关联的第m个平滑层图像的权重，I_m表示第m个平滑层图像，I_n表示第n个平滑层图像，m＝1,2,3，n＝1,2,3；μ表示均值变换因子，σ表示方差变换因子，A表示权重调节系数；

所述平滑层图像的加权最小二乘法自适应加权融合公式如下所示：

式中，L_s(x,y)表示平滑层融合照明图，分母表示总权重归一化项；

获得所述细节层融合照明图的公式为：

L_d(x,y)＝(I_1,wls ^d(x,y)+I_2,wls ^d(x,y))/2 (8)

式中，L_d(x,y)表示细节层融合照明图。

优选的，所述S7中，结合公式(7)和公式(8)得到最终照明融合图，公式为：

L_final(x,y)＝L_s(x,y)+L_d(x,y) (9)

式中，L_final(x,y)表示最终照明融合图。

优选的，所述S8中，获得所述增强图像的公式为：

式中，S^c _enhance表示增强图像，

表示调整反射图。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

在本申请实施例中，根据Retinex理论和通道最大值得到初始照明图和初始反射图，并通过形态学闭合的方式，获得调整反射图，弥补反射图的细节损失。对于照明图，本发明通过一种自适应加权最小二乘滤波多图像融合的策略，通过伽马变换和双对数变换调整初始照明图分别得到伽马矫正照明估计图和直方图规定化照明估计图，再对滤波得到的平滑层和细节层分别融合和像素级相加以得到最终照明融合图，最后将调整反射图和最终照明融合图合成增强图像。本发明能有效的增强弱光图像对比度，同时保持图像自然度。本发明具有更低的亮度顺序差LOE和盲图像质量评价NIQE值，较其他方法表现出更好的增强效果。

附图说明

为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法的流程图；

图2为本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法中反射图估计的流程图；

图3为本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法中通过最小二乘滤波照明估计的流程图；

图4为本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法中得到最终照明融合图的流程图；

图5为本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法的整体框架图；

图6为本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法与其他算法的对比实验效果图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本实施例提供了一种基于多图像融合Retinex的弱光增强方法，如图1所示，包括以下步骤：

S1、根据原始图像获得初始照明图；

S2、根据所述原始图像、所述初始照明图获得初始反射图；

S3、根据所述初始反射图，采用形态学闭合的方式获得调整反射图；

S4、选取获得初始融合照明图，所述初始融合照明图包括初始照明估计图、伽马矫正照明估计图、直方图规定化照明估计图；

S5、对所述初始融合照明图进行加权最小二乘滤波，获得滤波图；

S6、根据所述初始融合照明图、所述滤波图，获得平滑层融合照明图、细节层融合照明图；

S7、根据所述平滑层融合照明图、所述细节层融合照明图，获得最终照明融合图；

S8、根据所述调整反射图、所述最终照明融合图，获得增强图像。

下面对本发明做进一步的说明。

1.反射图与照明图估计

1.1反射图估计

反射图估计如图2所示，针对原始弱光图像(记为原始图像)，在R、G和B通道中找到最大值来估计图像每个像素的亮度，得到初始照明图，然后通过公式(1)得到初始反射图。为便于在反射图中保留颜色信息，假设三个通道具有相同的反射率，则初始反射图为：

式中，R_init(x,y)表示初始反射图；ε为微小实数，避免分母为0；S^c(x,y)表示原始图像的像素位置，c表示颜色通道；L_init(x,y)表示与原始图像像素位置相对应的初始照明图。

初始照明图是通过通道最大值来获得的，由于未考虑到R、G和B三个通道之间的联系，因此通过公式(1)得到的初始反射图的局部细节特征粗糙，因此本发明提出采用形态学闭合的方式获得调整反射图，弥补反射图的细节损失，使得反射图具有更清晰的细节特征，通过公式(2)获得调整反射图：

式中，E_struc表示圆盘形结构元素，R_adjust(x,y)表示初始反射图对应像素位置得到的调整反射图，°表示形态学闭合操作。

1.2加权最小二乘图像融合照明估计

本发明提出的多图像融合策略中，选择三幅图像作为初始融合照明图，图3所示为通过最小二乘滤波照明估计图。第一个初始融合照明图I₁是初始照明估计图(即初始照明图)，它是整个融合策略的基础，包含了原始弱光图像的结构信息和基准色调，结构信息的保留避免了后续处理对原始图像特征造成扭曲，基准色调保留了图像复原过程中对比度信息。第二个初始融合照明图像I₂是伽马矫正照明估计图，通过伽马矫正提升了初始照明图的整体对比度，较暗的区域被增强而过亮的区域又能够被抑制。第三个初始融合照明图像I₃是直方图规定化照明估计图，通过双对数变换处理，保留照明图更多的自然度信息。相应算法可表示为：

式中，B是伽马矫正的调整系数；L_init ^γ表示L_init的伽马矫正照明估计，γ为伽马矫正系数；P_r表示通过双对数变换得到的映射关系。

由前所述，通过对初始融合照明图I_k(k＝1,2,3)进行加权最小二乘滤波，得到和初始融合照明图相对应的滤波图I_k,wls ^s(k＝1,2,3)，公式如下：

式中，I_k,wls ^s表示第k个初始融合照明图对应的滤波图，记为第k个平滑层图像；F表示从I_k到I_k,wls ^s的函数映射关系；λ表示平滑因子，控制加权最小二乘WLS滤波图像对于原始图像的平滑程度，λ越大所得到的滤波图像越平滑，但局部细节特征会变得模糊；I_k表示第k个初始融合照明图，L_Ik是第k个初始融合照明图的WLS矩阵形式，D_x、D_y表示前向差分矩阵，A_x、A_y表示权重分配值。

WLS滤波器所得到的滤波结果很好的保留了照明图的对比度信息，但是很容易损失掉局部细节信息，为了对照明图细节信息的弥补，本发明又通过初始融合照明图和滤波图像相减得到细节图像I_k,wls ^d(k＝1,2,3)，公式表示如下：

I_k,wls ^d＝I_k-I_k,wls ^s (5)

式中，I_k,wls ^d表示第k个细节层图像，k＝1,2,3；上标d和s分别表示滤波所得到的细节层和平滑层。

对于平滑层图像融合，结合对比度和细节融合的特点，本发明采用一种根据融合图像本身和图像之间的差异性自适应的分配权重策略使得对比度较高的照明图像能分配较高的权重，同时对比度有着较大差异的区域融合后应该有着较高的相似度，保证光照分量平滑过渡。权重有两部分组成，第一部分是对比度权重，每一幅对比度权重分别由与其对应的照明图得到，第二部分是相似度权重，由相邻图像相似度所共同决定的，平滑层图像的权重如公式(6)所示：

式中，W_m(m,n)表示第n个平滑层图像关联的第m个平滑层图像的权重，I_m(x,y)表示第m个平滑层图像，μ表示均值变换因子，σ表示方差变换因子，A表示权重调节系数，取(0,1]，调节对比度占比，通过对多幅图像的融合实验表明对比度权重对图像增强效果显著，而相似度对于融合效果的起着微调作用，因此设置权重调节系数改善融合效果。I_m表示第m个平滑层图像，I_n表示第n个平滑层图像。

平滑层WLS自适应加权融合公式如下所示：

式中，L_s(x,y)表示融合后的平滑层照明图，分母表示总权重归一化项。

对于细节层，由于双对数变换照明图像经过重新排列，平滑层图像边缘存在像素值突变，对整体细节特征有明显干扰，所以不使用双对数变换照明图(即直方图规定化照明估计图)的细节图作为融合图，对于细节层图像I_k,wls ^d(k＝1,2)，本发明使用平均融合的方式，最后将平滑层融合照明图和细节层融合照明图通过像素级相加即可得到最终照明融合图，其中，细节层融合照明图L_d(x,y)可表示为：

L_d(x,y)＝(I_1,wls ^d(x,y)+I_2,wls ^d(x,y))/2 (8)

结合公式(7)和公式(8)即可得到最终照明融合图，见公式(9)：

L_final(x,y)＝L_s(x,y)+L_d(x,y) (9)

式中，L_final(x,y)表示通过自适应WLS得到的最终照明融合图，如图4所示。

当得到调整反射图和最终照明融合图后，通过Retinex分解原理即可重构之后的增强图，可表示为：

式中，S^c _enhance表示增强图像，

表示调整反射图。

此外，为了避免图像采集过程中噪声因素对后续图像处理的影响，通常会采集高质量的弱光原始图像，同时为了减少运算时间，本发明首先通过下采样操作降低图像分辨率，然后根据上述增强算法得到初始照明和反射图，最后融合、合成得到最终增强之后的图像。表1描述了本发明的算法的流程。

表1整体算法流程

综上，本发明提供了一种基于多图像融合Retinex的弱光增强方法，首先，在图像的每个像素的R、G、B三通道中找到最大亮度值作为该像素的初始照明图，根据Retinex理论生成初始反射像，并通过形态学闭合方式调整反射图；接着，在初始照明图的基础上，通过Gamma变换和双对数变换方法分别生成伽马矫正照明估计图和直方图规定化照明估计图；随后，设计一种自适应加权最小二乘滤波融合策略将三幅照明图融合成最终照明融合图；最后合成最终照明融合图和调整反射图以获得弱光增强后的图像，可参见图5。

2.自然场景弱光图像增强

2.1参数设置

本发明所提出弱光照增强算法在电脑配置为CPU：Intel Core i5-9300H主频：2.40GHz，内存：4G的环境下Matlab软件中运行的。

为了表明本发明所提算法的优越性，将本发明分别与其他六种弱光增强算法进行对比实验，具体包括两种基于Retinex方法：MSR、MSRCR；一种基于灰度直方图的弱光增强算法：上下文及变分对比度增强算法(Contextual and Variational ContrastEnhancement，CVC)、两种基于照明估计的增强算法：SRIE、NPE。

通过主观评价方法和客观评价方法对增强图像进行评估，由于与低照度图像相对应的正常光照图像未知，本发明根据增强之后图像质量采用盲图像质量评价NIQE、增强图像与原始弱光照图像对比采用LOE以上两种图像质量评估指标。实验参数设置如表2所示。

表2实验参数设置

实验方法	参数
		MSR	三个高斯尺度常量分别为15,80和200
MSRCR	三个高斯尺度常量分别为15,80和200，色彩恢复因子C＝1/3
		CVC	权重因子α＝β＝γ＝1/3单像素邻域大小为7×7
SRIE	照明和反射估计误差系数分别为εr＝0.01，εl＝0.1
		NPE	降采样系数0.5，邻域为8
本发明算法	伽马矫正系数γ＝0.6，均值μ＝0.5，方差σ＝1/5，权重调节系数A＝0.3

3.2增强对比图及分析

图6为某校图书馆自然弱光图，背景是傍晚稍暗的天空，全图不仅整体对比度低而且前后景都存在背光现象。从增强的效果来看，MSR对背景天空产生严重的颜色扭曲；MSRCR算法对树木、雕塑和图书馆都进行了较好的亮度增强，但是背景天空和图书馆上部分别产生了过增强和欠增强现象；CVC算法对暗光区域没起到增强作用而且彩色失真；SRIE算法整体光照和对比度欠增强，而且部分前景，如树木和雕塑欠增强明显；NPE算法较原图对比度有明显增强作用，且整体自然度较高，但是树木和雕塑不能有效光照补偿；Fu的算法对前后景光照变化(雕塑与台阶)处有边缘模糊现象；本发明算法不仅对整体对比度有效增强、渐变的背景天空很好的保留了自然度，而且前景的树木、雕塑、花圃都清晰的表现出来，相较于其他方法对弱光图像的单一属性的增强，本发明算法对对比度、色彩和局部细节特征能同时起到增强的效果。

2.3客观评价指标

表3为图6对应方法的客观评价数据，为减少计算量，图6的分辨率分别为下采样之后的像素120pixels×80pixels。从表3中的数据可知，本发明算法的亮度顺序差比NPE算法略低，但在全部弱光增强算法中对图像自然度保持效果最好。同时，本发明算法的盲图像评价指标在所有方法中是最低的，表明在全局和局部对比度同时没有较大的细节模糊和颜色失真，在不考虑图像噪声情况下，光照增强是相对平滑的过渡的。

表3图6对应图像LOE和NIQE指标

为了在图像弱光增强过程中同时提高对比度和保存自然度，本发明提出一种基于Retinex的多图像融合算法，根据Retinex理论和通道最大值分别得到初始照明图和反射图，并通过形态学闭合的方式，弥补了图像细节的损失。对于照明图，本发明通过设计一种自适应加权最小二乘滤波多图像融合的策略，通过伽马变换和双对数变换调整初始照明图分别得到全局对比度增强图(即伽马矫正照明估计图)和自然度保持图(即直方图规定化照明估计图)，再对滤波得到的平滑层和细节层分别融合和像素级相加以得到最终照明融合图，最后将调整反射图和最终照明融合图合成增强图像。实验结果表明，本发明对实际自然弱光场景的LOE、NIQE值分别降到4.12和3.25，较其他方法有更好的增强效果，表明本发明算法在弱光图像增强方面有优越的性能。

本发明实施例提供的一种基于多图像融合Retinex的弱光增强方法至少包括如下技术效果：

本发明能有效的增强弱光图像对比度，同时保持图像自然度。本发明具有更低的亮度顺序差LOE和盲图像质量评价NIQE值，较其他方法表现出更好的增强效果。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于多图像融合Retinex的弱光增强方法，其特征在于，包括以下步骤：

S1、根据原始图像获得初始照明图；

S2、根据所述原始图像、所述初始照明图获得初始反射图；

S3、根据所述初始反射图，采用形态学闭合的方式获得调整反射图；

S4、选取获得初始融合照明图，所述初始融合照明图包括初始照明估计图、伽马矫正照明估计图、直方图规定化照明估计图；

S5、对所述初始融合照明图进行加权最小二乘滤波，获得滤波图；

S6、根据所述初始融合照明图、所述滤波图，获得平滑层融合照明图、细节层融合照明图；

S7、根据所述平滑层融合照明图、所述细节层融合照明图，获得最终照明融合图；

S8、根据所述调整反射图、所述最终照明融合图，获得增强图像。

2.根据权利要求1所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S1中，在获得初始照明图之前，对所述原始图像进行下采样处理。

3.根据权利要求1所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S1中，通过在所述原始图像的R、G、B通道中找到最大值来估计图像每个像素的亮度，得到所述初始照明图。

4.根据权利要求1所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S2中，获得所述初始反射图的公式为：

式中，R_init(x,y)表示初始反射图；ε表示微小实数；S^c(x,y)表示原始图像的像素位置，c表示颜色通道；L_init(x,y)表示初始照明图。

5.根据权利要求4所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S3中，获得所述调整反射图的公式为：

式中，E_struc表示圆盘形结构元素，R_adjust(x,y)表示调整反射图，

表示形态学闭合操作。

6.根据权利要求4所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S4中，获得所述初始融合照明图的公式为：

式中，I₁表示初始照明估计图，记为第一个初始融合照明图；I₂表示伽马矫正照明估计图，记为第二个初始融合照明图；I₃表示直方图规定化照明估计图，记为第三个初始融合照明图；B表示伽马矫正的调整系数；L_init ^γ表示L_init的伽马矫正照明估计，γ为伽马矫正系数；P_r表示通过双对数变换得到的映射关系。

7.根据权利要求6所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S5中，获得所述滤波图的公式为：

式中，I_k,wls ^s表示第k个初始融合照明图对应的滤波图，记为第k个平滑层图像；F表示从I_k到I_k,wls ^s的函数映射关系；λ表示平滑因子；I_k表示第k个初始融合照明图，k＝1,2,3；L_Ik是第k个初始融合照明图的WLS矩阵形式；D_x、D_y表示前向差分矩阵；A_x、A_y表示权重分配值。

8.根据权利要求7所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述步骤S6包括以下子步骤：

通过所述初始融合照明图和所述滤波图相减得到细节层图像，公式表示如下：

I_k,wls ^d＝I_k-I_k,wls ^s (5)

式中，I_k,wls ^d表示第k个细节层图像，k＝1,2,3；

平滑层图像的权重公式为：

式中，W_m(m,n)表示第n个平滑层图像关联的第m个平滑层图像的权重，I_m表示第m个平滑层图像，I_n表示第n个平滑层图像，m＝1,2,3，n＝1,2,3；μ表示均值变换因子，σ表示方差变换因子，A表示权重调节系数；

所述平滑层图像的加权最小二乘法自适应加权融合公式如下所示：

式中，L_s(x,y)表示平滑层融合照明图，分母表示总权重归一化项；

获得所述细节层融合照明图的公式为：

L_d(x,y)＝(I_1,wls ^d(x,y)+I_2,wls ^d(x,y))/2 (8)

式中，L_d(x,y)表示细节层融合照明图。

9.根据权利要求8所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述S7中，结合公式(7)和公式(8)得到最终照明融合图，公式为：

L_final(x,y)＝L_s(x,y)+L_d(x,y) (9)

式中，L_final(x,y)表示最终照明融合图。

10.根据权利要求9所述的基于多图像融合Retinex的弱光增强方法，其特征在于，所述S8中，获得所述增强图像的公式为：

式中，S^c _enhance表示增强图像，

表示调整反射图。

Images