王利娟,常 霞,張 君

(北方民族大學(xué) 寧夏智能信息與大數(shù)據(jù)處理重點(diǎn)實(shí)驗(yàn)室,銀川 750021)

(北方民族大學(xué) 數(shù)學(xué)與信息科學(xué)學(xué)院 圖像處理與理解研究所,銀川 750021)

隨著彩色媒介信息的盛行,彩色圖像已經(jīng)滲透到人們的日常生活中.為從降質(zhì)的彩色圖像中提取出高質(zhì)量內(nèi)容,圖像增強(qiáng)已成為圖像處理領(lǐng)域中不可或缺的一部分.傳統(tǒng)的增強(qiáng)方法[1]通?？煞譃?基于空域處理的方法和基于頻域處理的方法.基于空域處理的圖像增強(qiáng)方法直接對圖像像素進(jìn)行處理,如灰度變換、直方圖均衡、Retinex 算法;基于頻域的圖像增強(qiáng)方法首先將圖像看成信號并與基函數(shù)做卷積,再對系數(shù)做變換進(jìn)行增強(qiáng),如基于小波變換和基于多尺度幾何變換的增強(qiáng)方法.本文分析于20世紀(jì)70年代興起的一種基于物理模型的圖像增強(qiáng)算法-Retinex算法.Retinex 理論是由Land 等于1963年提出的,該理論依據(jù)視網(wǎng)膜成像原理去模擬人類視覺系統(tǒng)(Human Visual System,HVS)[2].人眼視覺系統(tǒng)在判斷圖像真實(shí)顏色的時(shí)候,幾乎不會受到光照的干擾,即視覺恒常性.Retinex算法[3]正是基于視覺恒常這一特性而提出來的.此算法具有色感一致性優(yōu)點(diǎn),能保證圖像的色彩不受外界不良因素的干擾,故常被用于增強(qiáng)低質(zhì)量的彩色圖像,并取得了令人滿意的結(jié)果.

1 Retinex 算法的基本思想

假設(shè)光照光滑,Retinex 理論通常將待處理圖像z看成反射圖像m和照度圖像n的合成.其中,反射分量包含圖像中大量的本質(zhì)內(nèi)容;照度分量則是包含光照等大量的外界信息,決定圖像的動(dòng)態(tài)范圍.Retinex算法的核心思想是消除源圖像照度分量干擾,依據(jù)反射分量信息還原圖像真實(shí)色彩.因針對彩色圖像,以下公式i∈{R,G,B},不再重復(fù)描述.故Retinex 算法公式如下:

其中,(x,y)為圖像某像素的位置坐標(biāo).為節(jié)省計(jì)算成本,將式(1)變換至對數(shù)域求解:

令Z=logzi(x,y),M=logmi(x,y),N=logni(x,y).則有M=Z-N,將所得結(jié)果變換至指數(shù)域可得到圖像反射分量.其算法處理過程由圖1所示.

圖1 Retinex 算法處理過程

圖1中的MR,ZR,NR,MG,ZG,NG,MB,ZB,NB分別表示原圖1的R,G,B 三通道的M,Z,N數(shù)值.明顯地,結(jié)果圖與原圖1相比,更符合人眼的視覺感知.無論是細(xì)節(jié)部分還是顏色方面,均得到了很大的改善,尤其山脊溝壑的細(xì)節(jié)變化和天空顏色變化,圖片整體結(jié)構(gòu)層次分明.下面先介紹基于路徑和基于中心/環(huán)繞兩種傳統(tǒng)Retinex 算法,并探討傳統(tǒng)的Retinex 算法的局限性,最后討論并分析了一系列相關(guān)的改進(jìn)算法.

1.1 基于路徑的Retinex 算法

Retinex 理論發(fā)展之初,學(xué)者們并未構(gòu)造出具體的數(shù)學(xué)模型,而是發(fā)現(xiàn)了一種基于路徑的計(jì)算機(jī)制[4].這種計(jì)算機(jī)制的基本思想是結(jié)合路徑中的局部最亮點(diǎn)——白色參考點(diǎn)(White Patch,WP)[5]來計(jì)算路徑中相鄰像素點(diǎn)的相對亮度來獲得反射分量.Land 等正是基于這種路徑計(jì)算機(jī)制而提出了隨機(jī)路徑模型[2].基于路徑的Retinex 模型便是最基礎(chǔ)的數(shù)學(xué)模型.對于一幅數(shù)字圖像z,設(shè)置N組隨機(jī)路徑,并給定初始點(diǎn)k和目標(biāo)點(diǎn)x,假設(shè)某條路徑上相鄰兩像素的亮度值分別為S(xk)和S(xk+1).則最終多條路徑上的目標(biāo)點(diǎn)x處的相對亮度值可記為:

式中,nk表示第k條路徑像素點(diǎn)總數(shù),δk為閾值函數(shù).其中δk(θtk)滿足:

式中,ε代表閾值.Provenzi 等在文獻(xiàn)[6]中對該模型進(jìn)行詳細(xì)的數(shù)學(xué)描述,并指出閾值ε 對結(jié)果的影響并不大,甚至可以忽略.故目標(biāo)點(diǎn)x處的相對亮度值為該位置處亮度值與其他各路徑中某位置處的最大亮度值之間的比值.因此式(3)可以被表示為:

式中,xHk為最大亮度值所對應(yīng)的像素點(diǎn).

隨著路徑模型應(yīng)用越來越廣泛,研究者們相繼提出許多不同的路徑選取方式,例如:隨機(jī)中點(diǎn)位移方法[7]、雙重螺旋方法[8]、迭代法[9]和分段路徑選取[10]等方法.但均是一維采樣算法,極易引進(jìn)噪聲、產(chǎn)生偽影.故Provenzi 等在文獻(xiàn)[11]中提出算法效果更優(yōu)的二維RSR(Random Spay Retinex)模型.隨后產(chǎn)生了一些RSR 的優(yōu)化算法[12,13],用于降低噪聲和減少誤差.

基于路徑的Retinex 算法能最大程度地提高圖像對比度.但因其初始位置、終止位置以及路徑選取的不確定性,極易引入不良噪聲,影響光照估計(jì)的精確度;該算法時(shí)間成本較高,不便在實(shí)踐中應(yīng)用.基于路徑的Retinex 算法難以獲得色彩保真度高、視覺效果好的高質(zhì)量圖片.

1.2 基于中心/環(huán)繞的Retinex 算法

為獲得圖像真實(shí)色彩,Land 等提出基于中心/環(huán)繞的Retinex 算法.該算法參數(shù)個(gè)數(shù)少,方便實(shí)現(xiàn).基于中心/環(huán)繞的Retinex 算法的核心思想是用高斯核函數(shù)估計(jì)照度分量.典型算法有單尺度Retinex (SSR)算法[14]、多尺度Retinex (MSR)算法[15]和帶色彩恢復(fù)因子的多尺度Retinex (MSRCR)算法[16].

根據(jù)SSR 算法有:

其中,FSSR是增強(qiáng)結(jié)果,*表示卷積運(yùn)算,f(x,y)表示卷積核函數(shù),公式如下:

式中,k滿足σ 表示核參數(shù).參數(shù)σ 的取值可決定增強(qiáng)效果,增大 σ,圖像信息可保留更多,但顏色保真度會下降;反之,減少 σ,顏色保真度會提升,但增強(qiáng)圖像會丟失許多細(xì)節(jié)信息.

因SSR 算法不能同時(shí)有效保持細(xì)節(jié)和顏色信息.故提出MSR 算法,該算法的基本思想是將多個(gè)高斯核尺度參數(shù)加權(quán)求和,其計(jì)算公式如下:

其中,fj(x,y)為濾波函數(shù),尺度和尺度總數(shù)分別為 σj和N,ωj是j個(gè)參數(shù)所對應(yīng)的權(quán)重因子,一般滿足

為降低色偏,還原圖像真實(shí)色彩,Rahman 等提出MSRCR 算法,引入了色彩恢復(fù)因子[15],模型如下:

其中,FMSRCR表示增強(qiáng)結(jié)果,ci(x,y)表示色彩恢復(fù)因子,公式滿足:

其中,μ和 η分別是影響圖像色彩恢復(fù)的增益因子和偏移量,均是常數(shù).

1.3 傳統(tǒng)Retinex 算法的局限性

依據(jù)傳統(tǒng)Retinex 算法理論獲得大量的實(shí)驗(yàn)結(jié)果,可分析得出,該算法在圖像增強(qiáng)過程中可以改變照度分量和反射分量在圖像中所占的比例,故圖像的對比度提高.照度分量的估計(jì)是影響圖像增強(qiáng)效果的關(guān)鍵因素.如表1所示為傳統(tǒng)Retinex 算法的邏輯思路和優(yōu)缺點(diǎn).為更好認(rèn)識這些算法的性能,所有實(shí)驗(yàn)均在Matlab 2018a 版本上運(yùn)行,且尺度參數(shù)根據(jù)經(jīng)驗(yàn)值設(shè)定,SSR 算法中σ =80,MSR 算法中選取σ1=15,σ2=80,σ3=250.將文獻(xiàn)[8]中的螺旋式路徑Retinex 算法與另外3 種中心/環(huán)繞Retinex 算法做對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果在圖2所示.

從表1可知,雖然傳統(tǒng)Retinex 算法能很大程度改善圖像質(zhì)量,但在應(yīng)用過程中仍存在不可忽視的缺點(diǎn).尤其從圖2的實(shí)驗(yàn)結(jié)果中更能進(jìn)一步認(rèn)識這些算法的優(yōu)勢與局限性.由圖2(b)可見文獻(xiàn)[8]算法能提高原圖2的對比度和亮度,整體顏色較清晰,但天空部分的顏色并不自然,并伴隨偽影產(chǎn)生.從圖2(c)、圖2(d)、圖2(e)中明顯看出,基于中心/環(huán)繞的Retinex 算法效果更有效.但算法中參數(shù)選取具有局限性,導(dǎo)致增強(qiáng)圖像的對比度、色度、清晰度具有不確定性,故增強(qiáng)效果并不理想.其中圖2(c)SSR 算法能稍微改善天空的顏色,但整體對比度有所下降,且光暈現(xiàn)象較為嚴(yán)重;圖2(e)中,MSRCR 算法因有顏色因子的緣故,顏色明顯要比圖2(d)MSR 算法中圖像的亮度和色度更為自然真實(shí),天空部分也少了許多偽影,但改善效果仍不是最理想.隨著學(xué)者們對Retinex 算法的深入研究,尤其針對傳統(tǒng)Retinex 算法中的顏色失真和光暈現(xiàn)象這兩大缺陷,提出了大量的改進(jìn)算法.

表1 傳統(tǒng)Retinex 算法的比較

圖2 傳統(tǒng)Retinex 算法實(shí)驗(yàn)結(jié)果

2 抑制顏色失真的改進(jìn)策略

在視覺上,圖像的色度會隨著照明的變化而變化,在圖像獲取過程中,常因場景限制因素而獲得色彩不自然圖片.在對圖像實(shí)施增強(qiáng)操作時(shí),Retinex 算法中濾波器的設(shè)計(jì)和權(quán)值獲取極易導(dǎo)致增強(qiáng)結(jié)果出現(xiàn)色偏,所以抑制顏色失真成為改善圖像質(zhì)量必不可少的環(huán)節(jié).其中對圖像進(jìn)行空間轉(zhuǎn)變處理、色彩校正處理及濾波器參數(shù)和權(quán)值的自適應(yīng)選取成為抑制色偏的重要手段.

2.1 顏色空間轉(zhuǎn)變

應(yīng)用傳統(tǒng)的Retinex 算法增強(qiáng)彩色圖像時(shí),通常先將圖像分解成R、G、B 3 個(gè)通道,再用Retinex 算法分別處理各個(gè)通道,最后重組得到結(jié)果圖像.此處理方法既需要較高的時(shí)間成本,又極易破壞R、G、B 三者的比例協(xié)調(diào),導(dǎo)致目標(biāo)圖片出現(xiàn)失真現(xiàn)象.學(xué)者們經(jīng)過不斷地探索,發(fā)現(xiàn)可以通過改進(jìn)顏色空間的轉(zhuǎn)換方法來獲得更好的增強(qiáng)結(jié)果.色彩學(xué)家Munseu HA 于1915年提出HSI 顏色空間模型,其中H、S、I 3 個(gè)特征分別對應(yīng)圖像的色調(diào)(Hue)、飽和度(Saturation)和亮度(Intensity)信息.其中H 和S 特征包含圖像顏色屬性,I 特征含有圖像的亮度屬性.在對彩色圖像進(jìn)行增強(qiáng)時(shí),圖像的顏色屬性保持不變,并對亮度屬性進(jìn)行Retinex 算法的處理,這樣可以避免圖像顏色屬性被破壞,可減少圖像失真.而且只處理I 通道可以有效減少運(yùn)行時(shí)間.王永勝等[17]基于Lab 色彩空間對踏面低質(zhì)量圖像的L 通道使用Retinex 算法,可有效提高踏面圖像的清晰度和辨識度,呈現(xiàn)較為鮮艷的色彩.張紅穎等[18]在YUV 色彩空間對夜間圖像的明亮度分量Y 采用MSR 算法,并自適應(yīng)校正色度分量,使得夜間圖像的顏色得以較好的恢復(fù).常用的還有HSV、YCbCr、CIELuv 等顏色空間轉(zhuǎn)變方法.

2.2 色彩校正

色彩校正方法在彩色圖像增強(qiáng)時(shí)主要針對圖像的飽和度和色調(diào)進(jìn)行校正.文獻(xiàn)[19]提出將主色度因素引入到MSR 算法進(jìn)行色彩校正,該方法基于各顏色通道標(biāo)準(zhǔn)差的局部平均加權(quán)來估計(jì)輸入圖像的主色度,再通過保留圖像的色度比來實(shí)現(xiàn)色彩再現(xiàn).隨之研究者們又提出一些新的較正算法[20-22],例如局部色調(diào)映射、使用伽馬校正、引進(jìn)增益函數(shù)、飽和度補(bǔ)償?shù)?尤其針對一些低照度圖像,提出了許多顏色校正算法,如李小霞等[23]提出MSR 算法的改進(jìn)算法,先對飽和度應(yīng)用分段對數(shù)變換做增強(qiáng)處理,又采用邊緣保持增強(qiáng)了色調(diào),顯著改善了圖像的色偏現(xiàn)象;程芳瑾等[24]將余弦彩色恢復(fù)函數(shù)引入到MSRCR 算法中,顯著地提高了圖像的信息熵和色彩豐富度;Hanumantharaju 等[25]提出了一種新的色彩還原新技術(shù),并為圖像增加了真正的色彩恒定性,實(shí)驗(yàn)結(jié)果顯示,該算法為低質(zhì)圖像提供了真實(shí)的色彩保真度.這些算法在改善色偏方面均取得良好效果.

2.3 優(yōu)化參數(shù)設(shè)置

對濾波器參數(shù)有效選取是減少傳統(tǒng)Retinex 算法引入偽像和色偏的重要因素.研究者們提出利用智能優(yōu)化算法對參數(shù)進(jìn)行搜索,獲得最優(yōu)匹配結(jié)果.汪榮貴等在文獻(xiàn)[26]中提出一種基于無限沖激響應(yīng)(IIR)低通濾波的Retinex 算法,該算法便是利用實(shí)數(shù)編碼遺傳算法自適應(yīng)獲得所需參數(shù),計(jì)算成本明顯降低.并且增強(qiáng)結(jié)果圖像的邊緣得到了很好地保持,光暈和偽影也不明顯;Biswas B 等在文獻(xiàn)[27]中提出了一種新的基于布谷鳥搜素合適的參數(shù)值來優(yōu)化MSR增強(qiáng)性能,以增強(qiáng)圖像對比度和亮度.劉彤[28]將粒子群優(yōu)化算法引入到SSR算法中,自適應(yīng)選取不同的濾波模板核參數(shù),將圖像像素分成不同類,并對應(yīng)使用不同的濾波模板,有效地平衡了圖像對比度和顏色一致性.當(dāng)然,如果利用圖像像素間的關(guān)系或者亮度層關(guān)系能夠定義合適的權(quán)值計(jì)算公式[29,30],改善色偏效果也是很滿意的.

以上討論的是近幾年抑制顏色失真的3 種改進(jìn)策略,這些方法的各有邏輯思路和優(yōu)缺點(diǎn),具體對比如表2.為從主觀上更直接明了的認(rèn)識這些改進(jìn)算法的有效性,將文獻(xiàn)[22,29,30]的實(shí)驗(yàn)結(jié)果與傳統(tǒng)Retinex 算法做對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖3所示.

從圖3的實(shí)驗(yàn)結(jié)果中得到,原圖3在傳統(tǒng)Retinex算法處理后花朵的的顏色泛白,屬于色彩過增強(qiáng)現(xiàn)象.經(jīng)過其他幾種增強(qiáng)算法處理后,效果明顯優(yōu)于圖3(b)MSR 算法.其中原圖3經(jīng)過文獻(xiàn)[22]中色調(diào)映射算法處理后,花朵和葉子的色彩明顯更加清晰自然;文獻(xiàn)[29]、文獻(xiàn)[30]通過自適應(yīng)選取參數(shù)處理后的實(shí)驗(yàn)結(jié)果中,整體顏色也更為自然,尤其文獻(xiàn)[29]算法處理后的結(jié)果圖中葉子的顏色細(xì)節(jié)有很大改善.

表2 抑制色彩失真的3 類算法的比較

圖3 抑制色偏的實(shí)驗(yàn)對比結(jié)果

3 抑制光暈Retinex 算法

傳統(tǒng)Retinex 算法通常假設(shè)光照具有均勻性,但這與實(shí)際情況相悖.正是這種假設(shè),使得增強(qiáng)結(jié)果易出現(xiàn)“光暈”.而消除光暈的關(guān)鍵在于光照估計(jì)的方法.

3.1 基于濾波器估計(jì)照射分量

基于中心/環(huán)繞Retinex 算法均以高斯濾波器作為低通濾波器來估計(jì)光照分量.介于其他一些濾波器也具有獨(dú)特的優(yōu)良屬性,甚至比高斯濾波器更優(yōu).例如基于雙邊濾波(bilateral filter)[31,32]的Retinex 算法、基于引導(dǎo)濾波(guided filter)[33,34]的Retinex 算法、基于三邊濾波器[35]的Retinex 算法和基于自適應(yīng)濾波器[36,37]的Retinex 算法也可以估計(jì)照度分量.這些改進(jìn)均能有效去除光暈.雖然以上算法在增強(qiáng)細(xì)節(jié)和消除光暈影響方面取得了很大的進(jìn)步,但是算法復(fù)雜度會隨著濾波核參數(shù)的增多而增大,較為耗時(shí).故許欣等在文獻(xiàn)[38]提出一種快速Retinex 算法,使用“mean-shift 濾波器”估計(jì)照度分量.Mean-shift 算法能較大程度保護(hù)邊緣信息,并且不會破壞圖像結(jié)構(gòu),相較其他算法能夠在節(jié)省時(shí)間成本的情況下,有效地抑制光暈,因此該算法應(yīng)用最為廣泛.

3.2 基于變分法估計(jì)照射分量

綜上所述,想更有效消除光暈,需濾波器在平滑圖像過程中具有良好的邊緣保持能力.事實(shí)上,濾波器的性能很難做到這一點(diǎn).學(xué)者們從另一個(gè)角度出發(fā),提出了基于變分框架的Retinex 算法,通常被稱為Retinexlike 模型.變分模型通常包括兩種,分別是基于HVS 的變分模型和基于Horn 物理先驗(yàn)變分模型.

Palma-Amestoy 等是最先提出基于HVS 的Retinexlike 變分模型[39],之后為降低計(jì)算成本,Provenzi 等將小波算法引入到變分模型[40].Kimmel 等[41]依據(jù)先驗(yàn)條件-圖像分解為照度圖像和反射圖像,提出基于Horn 物理先驗(yàn)變分框架的Retinex 模型.該算法旨在使光照分量空間分布信息最大程度的平滑,進(jìn)而有效抑制光暈現(xiàn)象產(chǎn)生.基本思想是根據(jù)圖像的一些先驗(yàn)信息增加變分約束項(xiàng),構(gòu)造目標(biāo)函數(shù),利用優(yōu)化原理估計(jì)光照分量.與此同時(shí),學(xué)者們通過增加或修改約束項(xiàng)相繼又提出許多變分模型[42,43].但這些算法缺乏對反射分量的分段連續(xù)性的考慮,隨后,李明等引入了全變分Retinex 算法(TV-Retinex)[44],該方法有效地顯示出被覆蓋陰影區(qū)域的細(xì)節(jié)信息,其中的Bregman 迭代算法能有效加快TV 模型算法速度.但是該算法并未考慮保真項(xiàng),Wang 等[45]在后來的研究中添加了保真項(xiàng)這一因素,算法獲得了更好的視覺效果.這就表示普通的變分項(xiàng)不能很好的保持圖像信息,照度估計(jì)效果不是很理想.學(xué)者們對變分項(xiàng)不斷地進(jìn)行靈活的改進(jìn).例如,在變分項(xiàng)中增加權(quán)重[46],增加結(jié)構(gòu)性約束[47],增強(qiáng)效果明顯得到很大提升.之后為抑制噪聲和偽影產(chǎn)生的不良影響,文獻(xiàn)[48]將指導(dǎo)矢量場項(xiàng)引入到變分框架模型中,提出一種新的基于全局稀疏梯度引導(dǎo)變分(GSG-VR)的圖像增強(qiáng)技術(shù),可以有效去除光暈,恢復(fù)真實(shí)色彩.

以上所分析討論的可以抑制“光暈現(xiàn)象”的兩類改進(jìn)策略,同時(shí)也對這兩類改進(jìn)策略的邏輯思路和優(yōu)缺點(diǎn)進(jìn)行歸納總結(jié),具體對比如表3所示.同樣地,針對這兩種改進(jìn)策略各選取一種典型代表算法進(jìn)行對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖4所示.

由圖4所示,原圖4經(jīng)過傳統(tǒng)Retinex 算法處理后,如圖4(b)和圖4(c)所顯示,光暈現(xiàn)象較為明顯,尤其法和文獻(xiàn)[41]中利用變分法處理后的實(shí)驗(yàn)結(jié)果顯示,原圖4中無論是整體的亮度還是顏色都非常符合視天空的顏色變化最為明顯,細(xì)節(jié)信息丟失嚴(yán)重.而原圖4經(jīng)過文獻(xiàn)[34]中利用導(dǎo)向?yàn)V波估計(jì)照度分量算覺感知.尤其天空顏色得到了很明顯的恢復(fù),很大程度降低了光暈現(xiàn)象的產(chǎn)生.

表3 抑制光暈的兩類算法的比較

圖4 抑制光暈的實(shí)驗(yàn)對比結(jié)果

4 其他的Retinex 改進(jìn)方法

Retinex 算法對于動(dòng)態(tài)范圍低、曝光不足、有霧、水下等低質(zhì)彩色圖像,均能取得良好效果.隨著科學(xué)技術(shù)不斷更新發(fā)展,為快速增強(qiáng)更多錯(cuò)綜復(fù)雜的低質(zhì)圖像,學(xué)者們提出一系列其他算法,如Hore 提出基于偏微分方程(PDE)的Retinex 算法[49],認(rèn)為物體反射率在圖像的尖銳變化處,其他部分是光滑的,并利用拉普拉斯變換和閾值函數(shù)將Retinex 求解過程形式化為離散泊松方程.該算法以一種獨(dú)特的視角簡化了的Retinex 算法,參數(shù)個(gè)數(shù)少,結(jié)果也較為穩(wěn)定.文獻(xiàn)[50,51]均對高斯模板進(jìn)行了優(yōu)化,以提高卷積速度.其他方面還有Retinex 基于核函數(shù)實(shí)現(xiàn)[52]、基于迭代有理濾波器方法[53]、基于恰可分辨率差異的非線性濾波方法[54]、基于立體視覺的Retinex 方法[55]等.這些方法均在改進(jìn)Retinex 算法方面做出了重要貢獻(xiàn),適應(yīng)于許多低質(zhì)種類圖像的增強(qiáng),對于改善視覺效果具有重要意義.

5 總結(jié)與展望

本文針對傳統(tǒng)Retinex 算法中出現(xiàn)的顏色失真和光暈現(xiàn)象問題,分析了一系列改進(jìn)算法.并對不同算法種類的核心思想和優(yōu)缺點(diǎn)進(jìn)行歸納總結(jié).

目前常用基于路徑、基于中心/環(huán)繞、基于偏微分和基于變分這4 種Retinex 算法.對于色彩恢復(fù)和去除光暈的改進(jìn)算法都做出了很大的貢獻(xiàn),尤其中心/環(huán)繞Retine 算法因其結(jié)果穩(wěn)定性強(qiáng),使用較廣泛.但其中的路徑法參數(shù)多、噪聲大;變分法太靈活,難以構(gòu)造滿意的目標(biāo)函數(shù).所以Retinex 算法面臨的主要挑戰(zhàn)仍是在構(gòu)造模型、優(yōu)化模型時(shí),如何降低算法計(jì)算復(fù)雜度,進(jìn)而節(jié)省時(shí)間成本.針對圖像失真問題,仍然需要進(jìn)一步尋找更加精準(zhǔn)的顏色恢復(fù)方法,使其既符合人眼的視覺感知,在實(shí)際生活中又符合人類的經(jīng)驗(yàn)認(rèn)知.