MATLAB微光图像增强综合实现
在MATLAB中进行微光图像增强，核心是通过一系列算法提升图像的亮度、对比度和细节，同时抑制噪声。
MATLAB微光图像增强综合实现
1. 主增强框架 lowlight_enhance_main.m
%% 微光图像增强综合框架
clear; close all; clc;
% 1. 读取微光图像（请替换为你的图像路径）
image_path = 'lowlight_image.jpg'; % 示例，请修改
if ~exist(image_path, 'file')
% 使用MATLAB内置低照度图像示例（如无自定义图像）
img = im2double(imread('office_1.jpg')); % 需要Image Processing Toolbox
fprintf('使用MATLAB示例图像，请替换第6行路径使用自己的图像\n');
else
img = im2double(imread(image_path));
end
% 转换为灰度图（彩色增强在后面单独处理）
if size(img, 3) == 3
img_gray = rgb2gray(img);
is_color = true;
else
img_gray = img;
is_color = false;
img = cat(3, img_gray, img_gray, img_gray); % 转为伪彩色以便统一处理
end
% 2. 显示原始图像
figure('Position', [100, 100, 1400, 600]);
subplot(2, 4, 1);
imshow(img); title('原始微光图像', 'FontSize', 10);
% 3. 执行不同的增强方法
fprintf('正在执行图像增强处理...\n');
% 方法1: 直方图均衡化 (基础)
enhanced_histeq = histeq_method(img_gray);
if is_color
enhanced_histeq_color = zeros(size(img));
for c = 1:3
enhanced_histeq_color(:,:,c) = histeq_method(img(:,:,c));
end
end
% 方法2: CLAHE (对比度受限的自适应直方图均衡化)
enhanced_clahe = clahe_method(img_gray);
if is_color
enhanced_clahe_color = zeros(size(img));
for c = 1:3
enhanced_clahe_color(:,:,c) = clahe_method(img(:,:,c));
end
end
% 方法3: 基于Retinex理论的增强 (MSR/多尺度Retinex)
enhanced_retinex = retinex_method(img_gray);
if is_color
enhanced_retinex_color = retinex_color_method(img);
end
% 方法4: 暗通道先验去雾法 (可用于微光增强)
enhanced_dcp = dark_channel_method(img);
% 方法5: 融合增强 (结合多种方法优点)
enhanced_fusion = fusion_enhancement_method(img);
% 4. 显示所有增强结果
% 灰度图增强结果显示
subplot(2, 4, 2);
imshow(enhanced_histeq); title('直方图均衡化', 'FontSize', 10);
subplot(2, 4, 3);
imshow(enhanced_clahe); title('CLAHE增强', 'FontSize', 10);
subplot(2, 4, 4);
imshow(enhanced_retinex); title('Retinex增强', 'FontSize', 10);
% 彩色图增强结果显示
if is_color
subplot(2, 4, 5);
imshow(enhanced_dcp); title('暗通道先验增强', 'FontSize', 10);
subplot(2, 4, 6);
imshow(enhanced_fusion); title('融合增强', 'FontSize', 10);
% 方法6: 深度学习方法 (需深度学习工具箱)
try
enhanced_deep = deep_learning_method(img);
subplot(2, 4, 7);
imshow(enhanced_deep); title('深度学习增强', 'FontSize', 10);
catch
subplot(2, 4, 7);
imshow(img); title('深度学习法需额外配置', 'FontSize', 10);
text(size(img,2)/2-100, size(img,1)/2, '需要Deep Learning Toolbox', ...
'Color', 'red', 'FontSize', 12);
end
% 原图与最佳结果的对比
subplot(2, 4, 8);
montage({img, enhanced_fusion}, 'Size', [1, 2]);
title('原始 vs 融合增强', 'FontSize', 10);
end
sgtitle('微光图像增强方法对比', 'FontSize', 14, 'FontWeight', 'bold');
% 5. 客观质量评估
if is_color
fprintf('\n=== 图像质量评估 ===\n');
evaluate_image_quality(img, enhanced_fusion);
end
2. 核心增强算法实现 enhancement_methods.m
%% 核心增强算法函数集
function enhanced = histeq_method(img)
% 直方图均衡化 (基础方法)
% 优点：简单快速，全局对比度提升
% 缺点：可能过度增强噪声
enhanced = histeq(img);
end
function enhanced = clahe_method(img, varargin)
% CLAHE - 对比度受限的自适应直方图均衡化
% 优点：局部对比度增强，避免噪声放大
% 参数：ClipLimit(默认0.01), NumTiles(默认[8,8])
if nargin < 2
clip_limit = 0.01; % 对比度限制阈值
else
clip_limit = varargin{1};
end
if nargin < 3
num_tiles = [8, 8]; % 分块数量
else
num_tiles = varargin{2};
end
% 使用adapthisteq函数
enhanced = adapthisteq(img, 'ClipLimit', clip_limit, ...
'NumTiles', num_tiles, 'Distribution', 'uniform');
end
function enhanced = retinex_method(img)
% 基于Retinex理论的单尺度增强
% 原理：S = R * L，增强反射分量R
% 高斯滤波估计光照分量L
sigma = 80; % 高斯核标准差，控制尺度
h = fspecial('gaussian', min(size(img))*2+1, sigma);
L = imfilter(img, h, 'replicate');
L = L + 0.01; % 避免除零
% 计算反射分量R
R = log(img + 0.01) - log(L);
% 对反射分量进行增强
R_enhanced = (R - min(R(:))) / (max(R(:)) - min(R(:)));
% 可选：对光照分量进行调整
L_enhanced = imadjust(L, [0.1, 0.9], []);
% 合成增强图像
enhanced = R_enhanced .* L_enhanced;
enhanced = (enhanced - min(enhanced(:))) / (max(enhanced(:)) - min(enhanced(:)));
end
function enhanced = retinex_color_method(img_rgb)
% 彩色图像的MSR (多尺度Retinex) 增强
% 使用三个不同尺度的Retinex结果进行融合
scales = [15, 80, 250]; % 三个尺度
weight = [1/3, 1/3, 1/3]; % 权重
enhanced = zeros(size(img_rgb));
for channel = 1:3
channel_img = img_rgb(:,:,channel);
msr_result = zeros(size(channel_img));
for s = 1:length(scales)
% 当前尺度的高斯核
h = fspecial('gaussian', min(size(channel_img))*2+1, scales(s));
L = imfilter(channel_img, h, 'replicate');
L = L + 0.01;
% Retinex计算
R = log(channel_img + 0.01) - log(L);
msr_result = msr_result + weight(s) * R;
end
% 后处理：颜色恢复
msr_result = (msr_result - min(msr_result(:))) / ...
(max(msr_result(:)) - min(msr_result(:)));
% 颜色恢复因子
alpha = 0.1; % 颜色恢复强度
color_restore = alpha * log(channel_img + 0.01);
msr_result = msr_result .* (1 + color_restore);
enhanced(:,:,channel) = msr_result;
end
% 归一化到[0,1]
enhanced = (enhanced - min(enhanced(:))) / (max(enhanced(:)) - min(enhanced(:)));
end
function enhanced = dark_channel_method(img_rgb)
% 基于暗通道先验的增强 (原用于去雾，对微光也有效)
% 原理：微光图像可视为有雾图像，通过去雾实现增强
% 1. 计算暗通道
patch_size = 15; % 局部块大小
dark_channel = get_dark_channel(img_rgb, patch_size);
% 2. 估计大气光值 (取暗通道最亮的前0.1%)
[~, idx] = sort(dark_channel(:), 'descend');
num_pixels = numel(dark_channel);
atmospheric = zeros(1, 3);
for c = 1:3
atmospheric(c) = max(max(img_rgb(idx(1:ceil(num_pixels*0.001)), c)));
end
% 3. 估计透射率
omega = 0.95; % 保留少量雾感，避免过度增强
transmission = 1 - omega * get_dark_channel(img_rgb./reshape(atmospheric, 1, 1, 3), patch_size);
% 4. 软抠图优化透射率 (使用引导滤波)
guided_filter_radius = 40;
guided_filter_eps = 0.001;
refined_transmission = guided_filter(rgb2gray(img_rgb), transmission, ...
guided_filter_radius, guided_filter_eps);
% 5. 恢复无雾图像
t0 = 0.1; % 避免除零
enhanced = zeros(size(img_rgb));
for c = 1:3
enhanced(:,:,c) = (img_rgb(:,:,c) - atmospheric(c)) ./ ...
max(refined_transmission, t0) + atmospheric(c);
end
% 6. 后处理：对比度拉伸
enhanced = imadjust(enhanced, stretchlim(enhanced, 0.001), []);
end
function dark_channel = get_dark_channel(img_rgb, patch_size)
% 计算暗通道
[m, n, ~] = size(img_rgb);
pad_size = floor(patch_size/2);
% 边界填充
img_padded = padarray(img_rgb, [pad_size, pad_size], 'replicate');
dark_channel = zeros(m, n);
% 计算每个局部块的最小值
for i = 1:m
for j = 1:n
patch = img_padded(i:i+patch_size-1, j:j+patch_size-1, :);
dark_channel(i, j) = min(patch(:));
end
end
end
function q = guided_filter(I, p, r, eps)
% 引导滤波实现
% I: 引导图像, p: 输入图像, r: 窗口半径, eps: 正则化参数
[m, n] = size(I);
N = boxfilter(ones(m, n), r); % 窗口内像素数
mean_I = boxfilter(I, r) ./ N;
mean_p = boxfilter(p, r) ./ N;
mean_Ip = boxfilter(I.*p, r) ./ N;
cov_Ip = mean_Ip - mean_I .* mean_p;
mean_II = boxfilter(I.*I, r) ./ N;
var_I = mean_II - mean_I .* mean_I;
a = cov_Ip ./ (var_I + eps);
b = mean_p - a .* mean_I;
mean_a = boxfilter(a, r) ./ N;
mean_b = boxfilter(b, r) ./ N;
q = mean_a .* I + mean_b;
end
function imDst = boxfilter(imSrc, r)
% 盒滤波 (快速实现)
[hei, wid] = size(imSrc);
imDst = zeros(size(imSrc));
% 累加y方向
imCum = cumsum(imSrc, 1);
imDst(1:r+1, :) = imCum(1+r:2*r+1, :);
imDst(r+2:hei-r, :) = imCum(2*r+2:hei, :) - imCum(1:hei-2*r-1, :);
imDst(hei-r+1:hei, :) = repmat(imCum(hei, :), [r, 1]) - ...
imCum(hei-2*r:hei-r-1, :);
% 累加x方向
imCum = cumsum(imDst, 2);
imDst(:, 1:r+1) = imCum(:, 1+r:2*r+1);
imDst(:, r+2:wid-r) = imCum(:, 2*r+2:wid) - imCum(:, 1:wid-2*r-1);
imDst(:, wid-r+1:wid) = repmat(imCum(:, wid), [1, r]) - ...
imCum(:, wid-2*r:wid-r-1);
end
function enhanced = fusion_enhancement_method(img_rgb)
% 融合增强：结合CLAHE、Retinex和暗通道的优点
% 1. 分别使用不同方法增强
% CLAHE增强 (局部细节)
clahe_enhanced = zeros(size(img_rgb));
for c = 1:3
clahe_enhanced(:,:,c) = clahe_method(img_rgb(:,:,c), 0.02, [4, 4]);
end
% Retinex增强 (色彩和光照)
retinex_enhanced = retinex_color_method(img_rgb);
% 暗通道增强 (全局对比度)
dcp_enhanced = dark_channel_method(img_rgb);
% 2. 计算各方法的权重图
% 基于局部对比度的权重
gray_img = rgb2gray(img_rgb);
local_contrast = stdfilt(gray_img, ones(3)); % 局部标准差作为对比度
% 基于亮度的权重（微光区域更信任Retinex）
brightness = mean(img_rgb, 3);
dark_weight = 1 - brightness; % 暗区权重高
% 3. 多尺度融合
enhanced = zeros(size(img_rgb));
for c = 1:3
% 构造权重图
w1 = local_contrast .* dark_weight; % CLAHE权重
w2 = dark_weight; % Retinex权重
w3 = brightness; % 暗通道权重
% 归一化权重
w_sum = w1 + w2 + w3 + 0.001;
w1 = w1 ./ w_sum;
w2 = w2 ./ w_sum;
w3 = w3 ./ w_sum;
% 加权融合
enhanced(:,:,c) = w1.*clahe_enhanced(:,:,c) + ...
w2.*retinex_enhanced(:,:,c) + ...
w3.*dcp_enhanced(:,:,c);
end
% 4. 后处理：锐化和颜色调整
enhanced = imsharpen(enhanced, 'Amount', 0.5, 'Radius', 1);
enhanced = imadjust(enhanced, stretchlim(enhanced, 0.005), []);
end
function enhanced = deep_learning_method(img_rgb)
% 基于深度学习的增强 (需深度学习工具箱)
% 使用预训练的神经网络模型
try
% 尝试加载预训练模型（需要MATLAB R2020b+）
model_name = 'lowlight-enhance-net'; % 示例模型名
% 如果本地没有模型，下载或使用替代方案
net = imagePretrainedNetwork('resnet18'); % 使用ResNet作为示例
% 预处理：调整大小以适应网络输入
target_size = [224, 224];
img_resized = imresize(img_rgb, target_size);
% 使用网络特征进行增强（简化版本）
% 实际应用中需要专门的微光增强网络
features = activations(net, img_resized, 'conv1');
% 后处理：将特征转换回图像
enhanced = imresize(mean(features, 3), size(img_rgb(:,:,1)));
enhanced = cat(3, enhanced, enhanced, enhanced);
enhanced = (enhanced - min(enhanced(:))) / (max(enhanced(:)) - min(enhanced(:)));
catch
% 如果深度学习工具箱不可用，使用传统方法替代
fprintf('深度学习工具箱不可用，使用传统方法替代\n');
enhanced = fusion_enhancement_method(img_rgb);
end
end
3. 质量评估函数 quality_evaluation.m
function evaluate_image_quality(original, enhanced)
% 图像质量客观评估
% 1. 亮度评估
orig_brightness = mean(original(:));
enh_brightness = mean(enhanced(:));
brightness_improvement = (enh_brightness - orig_brightness) / orig_brightness * 100;
fprintf('亮度提升: %.1f%% (原始: %.3f -> 增强: %.3f)\n', ...
brightness_improvement, orig_brightness, enh_brightness);
% 2. 对比度评估 (标准差)
orig_contrast = std(original(:));
enh_contrast = std(enhanced(:));
contrast_improvement = (enh_contrast - orig_contrast) / orig_contrast * 100;
fprintf('对比度提升: %.1f%% (原始: %.3f -> 增强: %.3f)\n', ...
contrast_improvement, orig_contrast, enh_contrast);
% 3. 信息熵 (丰富度)
orig_entropy = entropy(original);
enh_entropy = entropy(enhanced);
entropy_improvement = (enh_entropy - orig_entropy) / orig_entropy * 100;
fprintf('信息熵提升: %.1f%% (原始: %.3f -> 增强: %.3f)\n', ...
entropy_improvement, orig_entropy, enh_entropy);
% 4. 峰值信噪比 (PSNR)
psnr_value = psnr(enhanced, original);
fprintf('PSNR: %.2f dB\n', psnr_value);
% 5. 结构相似性 (SSIM)
ssim_value = ssim(enhanced, original);
fprintf('SSIM: %.3f (越接近1越好)\n', ssim_value);
% 6. 无参考图像质量评估 (NR-IQA)
% 基于自然场景统计的质量评估
[score, ~] = niqe(enhanced); % 需要IQA工具箱或自定义实现
fprintf('NIQE分数: %.3f (越小越好)\n', score);
% 7. 可视化评估指标
figure('Position', [100, 100, 800, 400]);
subplot(1, 2, 1);
% 亮度分布对比
[counts_orig, bins] = imhist(rgb2gray(original));
[counts_enh, ~] = imhist(rgb2gray(enhanced));
plot(bins, counts_orig/max(counts_orig), 'b-', 'LineWidth', 1.5); hold on;
plot(bins, counts_enh/max(counts_enh), 'r-', 'LineWidth', 1.5);
xlabel('灰度值'); ylabel('归一化频数');
legend('原始图像', '增强图像');
title('亮度分布对比'); grid on;
subplot(1, 2, 2);
% 指标雷达图
metrics = [brightness_improvement/100, ...
contrast_improvement/100, ...
entropy_improvement/100, ...
ssim_value, ...
max(0, 1 - score/50)]; % NIQE转换
metrics = max(0, min(1, metrics)); % 限制在[0,1]
labels = {'亮度', '对比度', '信息熵', 'SSIM', '质量'};
radar_plot(metrics, labels);
title('增强效果评估雷达图');
end
function radar_plot(data, labels)
% 绘制雷达图
n = length(data);
angles = linspace(0, 2*pi, n+1);
angles = angles(1:end-1);
data = [data, data(1)]; % 闭合
angles = [angles, angles(1)];
% 转换为直角坐标
x = data .* cos(angles);
y = data .* sin(angles);
plot(x, y, 'b-o', 'LineWidth', 2, 'MarkerFaceColor', 'b'); hold on;
fill(x, y, 'b', 'FaceAlpha', 0.2);
% 添加标签
for i = 1:n
text(1.1*cos(angles(i)), 1.1*sin(angles(i)), labels{i}, ...
'HorizontalAlignment', 'center', 'FontSize', 10);
end
axis equal; grid on; axis([-1.2, 1.2, -1.2, 1.2]);
set(gca, 'XTick', [], 'YTick', []);
end
不同增强方法对比与选择指南
| 方法 | 核心思想 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 直方图均衡化 | 全局重分布像素亮度 | 计算快，简单有效 | 易放大噪声，可能过增强 | 快速预览，低噪声图像 |
| CLAHE | 局部块直方图均衡化 | 保持细节，抑制噪声放大 | 参数需调整，块效应风险 | 医学图像，纹理丰富的场景 |
| Retinex理论 | 分离光照和反射分量 | 色彩保真，模拟人眼感知 | 计算复杂，可能有光晕 | 色彩重要的自然场景 |
| 暗通道先验 | 基于去雾理论的增强 | 有效提升全局对比度 | 计算量大，参数敏感 | 雾霾、朦胧的微光场景 |
| 融合增强 | 多方法加权融合 | 综合优势，鲁棒性强 | 实现复杂，计算成本高 | 高质量要求，复杂光照条件 |
| 深度学习 | 神经网络学习映射 | 适应性强，端到端优化 | 需要大量数据，训练复杂 | 大数据场景，研究前沿 |
参考代码 基于阈值分割的车牌定位识别 www.youwenfan.com/contentcnn/96014.html
实用建议与调试技巧
-
参数调整指南：
- CLAHE的ClipLimit：从0.01开始，噪声大则减小，细节不足则增大
- Retinex的尺度参数：多尺度通常比单尺度效果好
- 融合权重：根据图像内容动态调整，暗区侧重Retinex，亮区侧重CLAHE
-
常见问题解决：
- 噪声放大：增强前先进行轻度高斯滤波（
imgaussfilt(img, 0.5)） - 色彩失真：在Lab色彩空间处理亮度通道，保持ab色彩通道不变
- 细节丢失：增强前后进行细节层分离与融合
- 噪声放大：增强前先进行轻度高斯滤波（
-
进阶优化方向：
% 1. 基于深度学习的超分辨率 + 增强联合优化 % 2. 生成对抗网络(GAN)用于自然感增强 % 3. 注意力机制聚焦重要区域增强 % 4. 多曝光图像融合生成HDR效果
浙公网安备 33010602011771号