基于HSI空间的Retinex低照度图像增强算法

低照度环境下拍摄的图像往往会出现细节模糊不清的情况，传统的Retinex算法可以有效提高图像质量，然而当图像亮度整体较低时可能会出现过增强现象。为了改善低照度环境下拍摄图像的质量，本文提出了一种基于HSI颜色空间的改进的多尺度Retinex图像增强算法，采用引导图像滤波消除应用Retinex算法所产生的“光晕伪影”现象，并利用原图像的亮度信息对多尺度Retinex算法增强后的图像进行了亮度重构，有效地抑制了过增强等失真现象，进一步提高了图像增强质量。实验结果表明，本文算法与传统的多尺度Retinex算法相比在低照度图像亮度增强、对比度增强和图像细节信息保护方面具有更好的表现效果。

在低照度环境下拍摄的图像由于光线条件和照度不均匀的影响，经常会存在图像细节模糊不清的状况，使人难以分辨感兴趣区域，对图像的存储价值以及图像的进一步处理都带来了负面的影响。在某些专业的图像应用领域，如智能监控、图像检索[1]、信息鉴定等，有效增强低照度图像质量具有重要的意义。

目前常用的图像亮度增强算法有基于直方图均衡化的全局图像增强算法[2]、基于取反的图像增强算法、基于Retinex 理论的图像增强算法[3]等。其中基于Retinex 理论的图像增强算法对于亮度比较复杂的图像具有较好的增强效果，因而受到了研究者的广泛关注。Retinex 理论是Land 在20 世纪70 年代提出的，该理论提出之后，许多研究者对其进行了深入的研究，提出了很多改进算法[4]，如随机路径Retinex算法[5]、基于中心/环绕的Retinex 算法[6]等。其中基于中心/环绕的Retinex 算法指出：当前像素点的亮度可由其周围环绕像素点的亮度来进行估计， 环绕像素的权重取决于所选择的环绕函数。

在研究过程中， 学者们提出使用高斯函数、指数函数等作为环绕函数，并论证了使用高斯环绕函数的合理性，先后提出了单尺度Retinex 算法(single scale Retinex, SSR) [7] [8]和多尺度Retinex 算法(multi-scale Retinex, MSR) [9]。

MSR 算法是多个SSR 算法处理结果的融合， 图像增强质量相对于SSR 算法有一定的提高， 然而MSR 算法是在RGB 颜色空间中对各颜色通道直接进行处理， 这样往往会造成各通道增强幅度不一致从而引起失真现象；同时对于亮度普遍较低的低照度图像，使用MSR 算法进行增强后，经常出现对比度减弱、图像细节模糊、过增强等现象，严重影响了增强图像质量。

针对MSR 算法存在的上述问题，本文提出一种基于HSI 空间的改进的多尺度Retinex 算法。该算法先将原图像从RGB 转换至HSI 空间，然后在MSR 算法中使用引导滤波[10]代替高斯滤波作为环绕函数进行照度估计，最后利用原图像的亮度信息对增强后的图像进行亮度重构，重构后的图像经过空间反变换得到目标图像。

2. Retinex 理论及分析 在Retinex 模型中，图像(), I x y 是由场景中物体的反射亮度和光照亮度两部分组成的，也称之为反射图像和亮度图像，分别用(), R x y 和(), L x y 表示。Retinex 图像增强的思想就是从原图像中剔除环境亮度的影响， 求解出物体本身的颜色特性， 从而实现图像增强的目的。

在SSR 算法中， 亮度图像是平滑的，