传统的图像增强方法主要是针对灰度图来操作，通常需要通过人机交互的方式调整参数，以达到某一类图像或者图像的某一特征进行良好的增强。现在增强算法的研究趋势是算法不仅可以对各种不同灰度图像进行自适应增强，并且可以同时对彩色图像进行全自动增强以及色彩恢复。而在基于人类视觉系统的图像增强理论中retinex理论最为引人瞩目。

Retinex是一种建立在科学实验和科学分析基础上的图像增强理论，其实质就是从图像中抛开照射分量的影响来获得物体的反射分量，即获得物体本来的面貌。与其它图像增强方法相比，Retinex算法具有锐化、颜色恒常性、动态范围压缩大、色彩保真度高等特点。故本文对该理论进行了重点研究。

2.课题背景和意义

一般情况下，在各类图像系统中图像的传送和转换(如成像、复制、扫描、传输以及显示等)总要在一定程度上造成图像质量的降低。例如摄像时，由于光学系统失 真、相对运动、大气湍流等都会使图像模糊；再如传输过程中，噪声污染图像，使人观察起来不满意，或者使计算机从中提取的信息减少甚至造成错误。因此，必须对降质图像进行改善处理。传统的图像增强方法主要是针对灰度图来作用，通常需要人机交互的方式调整参数，以达到某一类图像或者图像的某一种特征进行良好的增强。但随着图像在人们生活和生产中应用的增多以及应用复杂性的增加，越来越要求图像增强算法不仅可以对各种不同灰度图像进行自适应增强，并且可以同时对彩色图像进行全自动增强以及色彩恢复。在这种情况下，近年来对彩色图像增强恢复算法研究越来越多。

尽管Retinex理论能够很好地解释某些视觉现象并已经被大量地科学实验所证实，但由于种种原因，他的理论一直没有得到广泛的传播和接受，直到20世纪80年代初期美国宇航局下属的一个研究机构(Nasa#8217;sLangleyResearch Center)将Retinex理论用于处理航空器拍摄的外太空图片且获得了非常好的处理效果后，人们才重新认识到它的科学性和合理性，并开始应用于数字图像处理领域。

3.Retinex算法简介

Retinex（视网膜”Retina”和大脑皮层”Cortex”的缩写）是Edwin Land提出来的一个关于人类视觉系统（Human Visual System）如何调节感知到物体的颜色和亮度的模型，它诠释了为什么同样物体在不同光源或光线下颜色是恒定的，如在黎明或黄昏的太阳光下，或在白炽灯下，或在烛光下，同样物体的颜色在人类视觉系统中是一样的。不同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特征，如压缩图像的动态范围，或增强图像的边缘等，Retinex可以在灰度动态范围压缩，边缘增强和颜色恒定性三方面达到平衡，因而可以对各种不同类型的图像进行自适应性地增强。正因为Retinex这种良好的属性，使Retinex在很多方面得到了广泛的应用，如医疗影像处理，遥感图像处理，自然颜色显示等等。

Retinx的基本原理是将一幅图像分为亮度图像和反射图像两部分，然后通过降低亮度图像对反射图像的影响而达到增强图像的目的。由于Retinex是建立在实验基础之上，没有统一的数学模型，因此，从Edwin Land在1971年首次提出Retinex模型以来，先后出现了多种不同的Retinex算法，如单尺度Retinex算法，多尺度Retinex算法，McCann#8217;s Retinex算法等等。尽管这些经典的retinex算法看起来不一样，但实质上他们是非常相似的，都通过对原图像进行某种高斯平滑来提取亮度图像，并且通过复杂的计算使提取的亮度图像尽量准确。尽管不同的Retinex算法看起来不同，但是其基本原理和处理过程是相似的。

Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性。

4.研究现状及问题

最早的Retinex算法是1971年Land和McCann提出的任意路径算法(randomwalk)，这是一个时间离散的随机过程算法，即下一个像素位置的选择是从当前像素周围的邻域中随机挑选出来的。其最主要的缺点就是计算量较大