基于Retinex理论的McCann99图像增强算法MATLAB实现

资 源 简 介

本项目专注于在MATLAB计算环境中复现并优化Retinex理论中的McCann99算法。该系统旨在模拟人类视觉系统（HVS）的颜色恒常性特性，通过分离图像中的光照分量与反射分量，解决图像因光照条件不足、光照分布不均或背光拍摄导致的细节丢失和对比度低的问题。核心功能包括：1. 图像预处理与空间转换，将输入图像转换至适宜Retinex计算的对数域空间；2. 完整的McCann迭代算法实现，采用多分辨率金字塔（Multi-resolution Pyramid）架构，通过对图像进行下采样构建不同尺度的图层，在每个尺度上执行像素间的长距离路径比较；3. 实现关键的“比率-乘积-重置-平均”（Ratio-Product-Reset-Average）操作逻辑，通过沿路径传播最大亮度值来估算光照分布，并在每层迭代完成后通过上采样插值将结果传递至更高分辨率层；4. 针对彩色图像的通道独立处理或亮度通道处理功能，确保增强对比度的同时保持色彩自然度；5. 动态范围压缩与后处理，将计算得到的反射率数据映射回显示设备可用的像素范围（0-255），并提供直方图均衡化等可选后处理步骤以进一步优化视觉效果；6. 提供可视化界面或脚本接口，方便用户对比原始图像与处理后图像的直方图、灰度分布及细节差异。

详 情 说 明

Retinex-McCann 图像增强算法 MATLAB 实现

项目简介

本项目在 MATLAB 环境中完整复现了基于 Retinex 理论的 McCann99 算法。该系统旨在模拟人类视觉系统（HVS）的颜色恒常性，通过计算图像中的相对亮度关系，分离并去除光照分量，从而恢复物体真实的反射率信息。

该实现特别针对光照分布不均、背光拍摄或整体低照度的图像进行了优化。代码采用多分辨率金字塔架构，能够有效地在该系统架构下捕捉图像的长距离光照变化，增强图像的局部对比度并恢复暗部细节。

功能特性

本项目基于提供的源代码实现了以下核心功能：

• 灵活的图像输入机制：支持用户交互式选择本地图像文件（JPG, PNG, BMP, TIF）。如果用户取消选择，系统会自动生成一张带有模拟光照阴影（正弦/余弦梯度）的合成低照度图像用于算法演示。
• 对数域计算：将图像转换至对数空间进行处理，符合 Retinex 理论中将乘性光照分量转换为加性分量的数学基础，并包含防止对数奇异值的保护性处理。
• 多分辨率金字塔架构：自动根据图像尺寸构建高斯金字塔，从低分辨率层开始估算光照，逐层向上采样修正，显著提高了算法计算长距离像素关联的效率。
• McCann99 核心迭代：实现了完整的“比率-乘积-重置-平均”（Ratio-Product-Reset-Average）迭代逻辑，支持 8 邻域方向（上、下、左、右及四个对角线）的路径传播。
• 独立通道处理：针对彩色图像，对 R、G、B 三个通道分别独立进行 Retinex 增强，以最大化调整局部对比度。
• 自动动态范围调整：在从对数域恢复至线性域后，通过计算全局最大值和最小值进行线性拉伸（归一化），将图像像素值映射回 [0, 1] 范围。
• 可视化评估系统：提供了一个包含 6 个子图的综合界面，展示原始图、增强图、增强前后差异图、RGB 直方图对比以及灰度亮度分布曲线对比。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（用于 imresize, imhist, imread 等函数）

使用方法

1. 确保 MATLAB 的当前工作目录包含项目源文件。
2. 在 MATLAB 命令窗口中运行主函数。
3. 系统将弹出文件选择对话框：

* 选择一张图片以运行增强算法。 * 点击“取消”以使用内置的合成低照度演示模式。

1. 等待计算完成后，观察弹出的结果对比窗口。

算法实现细节与逻辑分析

本项目的核心逻辑实现在主程序及辅助函数中，具体流程如下：

1. 预处理阶段

程序首先通过 uigetfile 获取图像。若未选择图像，则读取内置 peppers.png 并生成一个基于正弦波的空间光照掩膜叠加到原图上，模拟光照不均环境。 随后，图像被转换为双精度浮点数，并执行 log(I + delta) 变换进入对数域，其中 delta 为极小值（1e-4），用于避免对数运算中的无限负值。

2. 多分辨率金字塔构建

算法根据输入图像的最小维度，计算金字塔的最大层数，确保最顶层图像尺寸不小于 32 像素。

• 使用 cell 数组存储每一层图像。
• 通过 imresize 函数配合双线性插值（bilinear）进行 0.5 倍下采样，构建从原始尺寸到顶层的图像金字塔。

3. McCann99 迭代过程

这是算法的核心部分，对 R、G、B 通道分别执行以下逻辑：

• 初始化：从金字塔的最顶层（分辨率最低）开始，初始估计值使用顶层图像本身。
• 逐层处理：从顶层向下遍历至底层（原始分辨率）。
• 上采样：在进入下一层级前，将上一层的计算结果（Current Estimate）通过双线性插值放大至当前层级的尺寸。
• 层内迭代：在每一层调用核心运算函数，执行固定次数（代码中设定为 4 次）的迭代。

4. 核心运算逻辑 (Ratio-Product-Reset-Average)

并在辅助函数中实现，具体步骤如下：

• 方向遍历：每次迭代涵盖 8 个方向（北、南、东、西、东北、西北、东南、西南）。
• 位移比较：利用 circshift 函数实现图像矩阵的循环位移，模拟像素访问邻域的操作。
• 比率 (Ratio)：计算原始输入图像与其位移后图像在对数域的差值（对应物理域的商），反映光照梯度。
• 乘积 (Product)：将旧的估计值（Old Product）与比率相加，得到新的预测值。
• 重置 (Reset)：执行 Retinex 的“最大白”假设。在对数域中，0 代表最大亮度（log 1）。如果预测值大于 0，说明估算的反射率超过了物理极限，将其强制重置为 0。
• 平均 (Average)：将旧的估计值与经过重置的新预测值取平均，更新当前的估计结果。

5. 后处理与恢复

• 指数变换：使用 exp() 函数将处理后的对数域数据转换回线性域。
• 归一化：统计图像的全局最小值和最大值，执行 (I - min) / (max - min) 线性拉伸操作，确保输出图像充分利用显示动态范围，消除因算法导致的整体亮度偏移。

6. 结果展示

利用 MATLAB 的 subplot 功能构建可视化面板：

• 展示原始图像与增强后图像的直观对比。
• 计算并归一化显示差异图（abs(Out - In)），直观呈现被增强的纹理细节。
• 分别绘制增强前后的 RGB 分量直方图。
• 绘制灰度亮度分布曲线，展示图像整体亮度的提升和直方图的均衡化趋势。