夜间图像增强
图像增强器的介绍
图像增强器的介绍介绍图像增强是一个真空管装置，直径为一般18-25毫米。
增压器包括一个光电阴极和荧光屏，光电阴极是输入窗的内侧，和多碱图层或半导体层的荧光屏，这是对的内侧上的荧光磷光体涂层输出窗口。
还包括无论是简单的网格状电极（即，早期增强技术）通过管或加速电子，在以后的增强器，一个复杂的电子倍增的微通道板（MCP）（图1）。
MCP技术在本附注后面讨论。
入射的光子撞击光阴极的引起光电效应释放电子。
然后，这些电子被加速（再乘以在更近的增强器）到荧光屏，电子撞击涂层，引起的光。
这释放的光由每次射入光子撞击的光电阴极的表面产生的光子构成。
影像增强器的发展由在军事上使用的夜视镜为主要动机。
各种类型的图像已经用于近红外（NIR），晚上的主要形式优化照度的战斗环境。
这种军事影响力导致了图像的类型和增强器正式的命名惯例。
类型被称为？代？目前包括（以技术开发）一代，第二代，超第二代的（或第二代+），和第三代。
后来在本附注进行讨论增压式代之间的区别。
影像增强器的掺入高性能的充电耦合器件（CCD）摄像机已经产生增强型CCD（ICCD）系统成像和光谱学是拥有超低照度高灵敏度条件，并允许极短的现象，时间分辨率（小于2毫微秒）。
这些ICCD系统被广泛用于此类国家的最先进的中应用激光诱导荧光（LIF），激光诱导击穿光谱（LIBS），燃烧研究，等离子体研究，非破坏性的检测（NDT），和单分子荧光成像。
图像增强的组件光电阴极光电阴极是在一个图像增强器的第一个主要部件。
光电阴极涂层将入射的光的光子的一部分插入电子。
并非由光电捕获光子被从输由增压器产生的最终信号。
因此，量子效率（QE），定义为入射光子的比例转换为电子费用，是增强器非常重要。
早期的增压器使用多碱涂料组成的化合物与在可见光公平光转化性能（VIS）和紫外（UV）的区域，但在近红外波长相对有限的反应。
这些涂料普遍类似物钠，钾，锑，铯，或银。
砷化镓（GaAs）是一个较新的半导体，低带隙涂层具有高量子效率在可见光和近红外区域。
监控夜视原理
监控夜视原理
监控夜视技术基于红外光的特性，通过使用红外相机或红外感应器来实现在夜间或低光环境中的图像捕捉和监测。
其原理主要涉及三个方面：红外辐射、红外光学器件和图像增强处理。
首先，红外辐射是物体在一定温度下发射出的电磁波。
虽然人眼无法察觉到红外光，但红外辐射可以被红外相机或红外感应器接收到。
在夜间或低光环境下，物体通过发出红外辐射来提供一定的能量。
其次，红外光学器件是监控夜视中重要的组成部分。
它由红外滤光器、红外透镜等组件构成。
红外滤光器主要用于排除可见光的干扰，只允许红外光通过。
红外透镜则用于聚焦红外光线，使其能够准确地投射到感应器上。
最后，图像增强处理是为了提高监控夜视图像的质量和清晰度。
在红外感应器接收到红外辐射后，图像增强处理算法通过增加对比度、增强细节和调整亮度等方式来优化图像，使其更加清晰可见。
综上所述，监控夜视技术的原理基于红外辐射、红外光学器件和图像增强处理。
通过利用物体发出的红外辐射，红外光学器件的选取和调整，以及图像增强处理算法的应用，监控系统能够在夜间或低光环境下实现可靠的图像捕捉和监测任务。
夜视仪的工作原理
夜视仪的工作原理夜视仪是一种电子光学设备，能够增强暗夜环境下的可见光，并将其转化成人眼可识别的图像。
它广泛应用于军事、安防、猎户、夜间巡逻等领域。
夜视仪的工作原理主要包括光电传感器的转换、图像增强和显示。
夜视仪的关键组件是光电传感器。
光电传感器通常是由光电面板和微光放大器组成。
光电面板是一种能够将可见光转换为电信号的器件。
当光线射到光电面板上时，光子会击中光电面板上的硅光电二极管，从而产生电子。
这些电子将被捕获并聚集在光电面板上的光电二极管。
然后，电子将通过微光放大器进一步增强。
微光放大器是一种重要的组件，可以放大光电面板上接收到的电子信号。
微光放大器通常由光电阴极、光电倍增管和显像管组成。
光电阴极负责将电子转化为光子，光电倍增管作用是放大这些光子，并通过电子倍增效应产生更多的电子，显像管则将放大后的电子转化为可见的图像。
对于微光放大器，首先，光电阴极将接收到的电子通过光致发射转化为可见光。
这种可见光会进一步射入光电倍增管，因为光电倍增管内壁涂有碱金属化合物，会使光电子发生二次发射，产生更多的电子。
这些电子再次被聚集并通过电子件放大，形成强烈的电子束。
最后，这些电子束将被引导到显像管，显像管通过一系列的电场增加电子的速度，使其能够打到荧光屏。
图像增强是夜视仪实现目标识别的关键步骤。
在显像管的显微通道中，电子束会击中荧光屏，于是荧光屏上的荧光物质就开始激发，释放出能量。
这些能量会作用于显像管下一层的磷光层，导致磷光层发出光子。
这些光子将在显像管内被增强，产生更多的光子并形成成像。
最终，这些光子将通过荧光屏的透射作用，转化为人眼可识别的清晰图像。
夜视仪的最后一个步骤是图像显示。
当光子穿过荧光屏时，它们将进入光束整形系统。
光束整形系统使用透镜和压盖板来提高成像的质量，确保图像清晰。
然后，这些光子会通过激光器和光纤传输到夜视仪的眼镜或屏幕上，供观察者观看。
需要注意的是，夜视仪的光电传感器只能增强可见光，而不能为用户提供红外光。
基于深度学习的低照度图像增强方法
0引言日常生活中经常需要在低光条件下捕捉图像，例如在夜间或昏暗的室内房间。
在此环境下拍摄的图像往往会出现能见度差、对比度低、噪声大等多种问题。
虽然自动曝光机制（如ISO 、快门、闪光灯等）可以增强图像亮度，但同时也会产生其他的影响（如模糊、过饱和度等）[1]。
在过去，人们提出了许多方法来解决上述问题，如直方图均衡化、伽马校正、Retinex 等[2]。
然而它们只注重提高图像的对比度和亮度，而忽略了严重噪声的影响，甚至导致噪声放大。
近年来，深度学习已经成为图像增强的一个突出手段。
Wang 等人[3]提出了一种利用神经网络来估计和调整低光图像光照层的方法。
Gharbi 等人[4]提出了一种用于增强低照度图像的双边学习框架，该框架训练一个神经网络来预测每个像素处颜色向量的变换系数。
Wei 等人[5]提出用一种基于深度学习的低照度图像增强方法马悦（陕西中医药大学，陕西咸阳712046）摘要在低照度环境下采集的图像往往亮度不足，导致在后续视觉任务中难以有效利用。
针对这一问题，过去的低照度图像增强方法大多在极度低光场景中表现失败，甚至放大了图像中的底层噪声。
为了解决这一难题，本文提出了一种新的基于深度学习的端到端神经网络，该网络主要通过空间和通道双重注意力机制来抑制色差和噪声，其中空间注意力模块利用图像的非局部相关性进行去噪，通道注意力模块用来引导网络细化冗余的色彩特征。
实验结果表明，与其他主流算法相比，本文方法在主观视觉和客观评价指标上均得到了进一步提高。
关键词图像增强；低照度图像；深度学习；注意力机制中图分类号TP391文献标识码A文章编号1009-2552（2021）01-0085-05DOI10.13274/ki.hdzj.2021.01.015Low -light image enhancement method based on deep learningMA Yue（Shaanxi University of Chinese Medicine ，Xianyang 712046，Shaanxi Province ，China ）Abstract ：Images acquired in low -light environments are often not bright enough ，making them difficult to use effectively in subsequent visual tasks.In response to this problem ，most of the past low -light image en⁃hancement methods have failed in extreme low-light scenes and even magnified the underlying noise in the image.In order to solve this problem ，this paper proposes a new end -to -end neural network based on deep learning ，which is primarily based on spatial and channel dual attention mechanism to suppress chromatic ab⁃erration and noise.The spatial attention module uses the non -local correlation of the image for denoising ，and the channel attention module is used to guide the network to refine the redundant color features.The experi⁃mental results show that the method in this paper is further improved in both subjective visual and objective evaluation metrics compared to other mainstream algorithms.Key words ：image enhancement ；low-light image ；deep learning ；attention mechanism作者简介：马悦（1988-），女，硕士，工程师，研究方向为模式识别与智能系统。
低光照图像增强算法综述
低光照图像增强算法综述一、本文概述随着计算机视觉技术的快速发展，图像增强技术成为了研究的重要领域之一。
其中，低光照图像增强算法是处理低质量、低亮度图像的关键技术，对于提高图像质量、增强图像细节、提升图像识别精度等方面具有重要的应用价值。
本文旨在对低光照图像增强算法进行全面的综述，介绍其研究背景、发展历程、主要算法及其优缺点，并探讨未来的发展趋势。
本文将对低光照图像增强的研究背景进行介绍，阐述低光照图像增强技术在视频监控、医学影像分析、军事侦察、航空航天等领域的应用需求。
本文将回顾低光照图像增强技术的发展历程，分析不同算法在不同历史阶段的发展特点和主要贡献。
接着，本文将重点介绍当前主流的低光照图像增强算法，包括基于直方图均衡化的算法、基于Retinex理论的算法、基于深度学习的算法等，并详细阐述其原理、实现方法、优缺点等。
本文将展望低光照图像增强技术的未来发展趋势，探讨新技术、新算法在提升图像质量、提高识别精度等方面的潜在应用。
通过本文的综述，读者可以全面了解低光照图像增强算法的研究现状和发展趋势，为相关领域的研究和实践提供有益的参考和借鉴。
二、低光照图像增强的基本原理低光照图像增强算法的核心目标是在保持图像细节和色彩信息的提高图像的亮度和对比度，从而改善图像的视觉效果。
这通常涉及到对图像像素值的调整，以及对图像局部或全局特性的分析和优化。
基本的低光照图像增强算法可以分为两类：直方图均衡化和伽马校正。
直方图均衡化是一种通过拉伸像素强度分布来增强图像对比度的方法。
这种方法假设图像的可用数据跨度大，即图像包含从暗到亮的所有像素值。
然而，对于低光照图像，由于大部分像素值集中在较低的亮度范围内，直方图均衡化可能会过度增强噪声，导致图像质量下降。
伽马校正则是一种更为柔和的增强方法，它通过调整图像的伽马曲线来改变图像的亮度。
伽马曲线描述了输入像素值与输出像素值之间的关系，通过调整这个关系，可以改变图像的亮度分布。
视频图像增强和去雾算法matlab实现
视频图像增强和去雾算法说明摘要 本文档介绍夜间增强和去雾增强算法及其实现。
（1）将图像由RGB空间转换到HSI空间，然后对HSI空间亮度分量（I分量）的灰度直方图进行均衡化处理，然后再转换到RGB空间。
空间。
）利用暗原色先验图像去雾算法对图像进行去雾处理。
（2）利用暗原色先验图像去雾算法对图像进行去雾处理。
1目录一、通过I分量增强夜间图像 (3)1. 算法原理 (3)2. M ATLAB程序 (6) (77)3. 夜间增强效果 .................................................................................................................................二、去雾增强 (9) (99)1. 算法原理 .........................................................................................................................................2. M ATLAB程序 (11) (113)3. 去雾效果 .......................................................................................................................................参考文献 (14)一、通过I分量增强夜间图像1. 算法原理首先将图像由RGB空间转换到HSI空间，然后对HSI空间亮度分量（I分量）的灰度直方空间显示。
图进行均衡化处理，提高图像的亮度，然后转换回RGB空间显示。
（1）图像由RGB空间转换到HSI空间。
RGB向HSI模型的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。
夜视仪的工作原理
夜视仪的工作原理夜视仪是一种能够在黑暗环境中观察目标的光学设备，广泛应用于夜间作战、安防监控、野外探险等领域。
夜视仪的工作原理主要包括光电转换、图像增强和图像显示三个步骤。
首先，光电转换是夜视仪工作的基础。
夜间环境中的光线非常微弱，人眼很难察觉，但夜视仪可以通过特殊的光电传感器将这些微弱的光线转换成电信号。
常用的光电传感器包括光电倍增管（Photomultiplier Tube，PMT）和光电导（Photodiode）。
光电倍增管是一种特殊的真空管，内部包含大量的光电子倍增极，它可以将进入其中的光子转换成电子。
当光线进入光电倍增管时，光电子倍增极会释放出电子，并经过电子倍增效应使电子数量大幅增加。
最终，这些电子被收集起来，并转换成电压信号。
光电导则是一种利用半导体材料的光电效应将光线转换成电信号的器件。
在光电导中，当光子进入材料后，会激发出电子，从而改变材料中的电荷分布。
通过电极收集这些产生的电荷，就可以得到光电导器件的输出电信号。
接下来是图像增强的过程。
光电转换获得的电信号非常微弱，需要进行放大和增强才能形成可见的图像。
图像增强主要包括信号放大、噪声过滤和图像增强三个步骤。
信号放大是指通过放大器将光电转换得到的微弱电信号放大至合适的电平。
通常使用放大倍数很高的增益放大器，使输出信号明显增强。
噪声过滤是为了消除图像中的噪声干扰，提高图像的清晰度和可视性。
夜视仪中常用的噪声过滤技术包括空间滤波、时频滤波以及图像去噪算法等。
图像增强是对图像进行局部增强和全局增强的处理。
局部增强是指对图像中的弱亮度部分进行放大，提高其可见性；全局增强则是对整幅图像进行亮度调整，使图像更加清晰明亮。
最后是图像显示。
经过光电转换和图像增强处理后的图像信号可以通过显示装置显示出来，供用户观察。
常见的图像显示技术包括荧光屏、液晶屏和有机电激发发光显示屏。
荧光屏是一种利用荧光粉在激发光照射下发出光的显示技术。
当输入的电信号通过荧光粉时，会激发荧光粉发光，从而形成可见的图像。
夜间拍照图像质量增强算法的研究与实现
夜间拍照图像质量增强算法的研究与实现曾皓;杨荣坚;陈鹏【摘要】由于移动智能设备在夜间拍摄图像时,传统的闪光灯和无闪光灯条件下拍摄图像的融合算法在图像配准步骤中存在不准确以及在图像融合步骤中存在效果不佳的缺点.针对上述问题,提出一种夜间拍照图像质量增强算法.该算法首先提出基于ASIFT夜间图像配准算法来对闪光灯和无闪光灯条件下拍摄图像进行配准,避免传统配准方法的过拟合问题,然后用基于细节重构的图像融合算法对配准后图像进行融合,大大增强图像的细节信息.实验结果表明,基于ASIFT的夜间图像配准算法,可以提高夜间图像配准精确度,有效地避免出现重影等问题,而基于细节重构的图像融合算法有效地解决了色偏问题和细节提取问题.经过该算法处理后的图像既保留原来的光照氛围,又增强图像的细节信息,大大提高了图像的主客观质量.%When smart device take picture at night, the conventional image fusion algorithm of flash and no-flash image pairs has problems of inaccuracy of image registration and unsatisfied result of image enhancement.Thus, an image enhancement algorithm for nighttime image is proposed.Firstly, in order to avoid the over-fitting problem caused by feature points which are too concentrated, a nighttime image registration algorithm based on Affine-SIFT is proposed to register flash and no-flash image pairs.Next, the presented method used image fusion algorithm based on detail reconstruction to fuse the registered flash and no-flash image pairs.The experimental results show that the proposed algorithm can improve the accuracy of image registration and avoid the ghost in fusedimage.Furthermore, the proposed algorithm can improve the details inimage and reduce color distortion.Flash and no-flash image pairs processed by the proposed algorithm can maintain ambient illumination in the no-flash image, improving the details and quality.【期刊名称】《计算机应用与软件》【年(卷),期】2017(034)004【总页数】10页(P193-201,280)【关键词】图像配准;图像增强;ASIFT;特征点均衡【作者】曾皓;杨荣坚;陈鹏【作者单位】中国民用航空西北地区空中交通管理局通信网络中心陕西西安710086;西安电子科技大学通信工程学院陕西西安 710071;西安电子科技大学通信工程学院陕西西安 710071【正文语种】中文【中图分类】TP3随着人们的生活水平的日益提高，相机以及智能手机越来越普及。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录摘要 (2)一、引言 (2)二、观察 (3)三、自然特性指标 (5)四、算法 (6)A. 亮通滤波器的定义 (6)B、使用亮通滤波器进行图像分解 (7)C、使用双对数转换处理光照映射 (9)D、反射率的合成和映射的照明 (10)五、实验与讨论 (10)A、主观评估 (13)B、客观评价 (13)六、结论 (15)光照不均匀图像的自然特性增强算法摘要图像增强在图像处理和分析中的起着重要作用。
在各种增强算法中，Retinex 算法作为基础的算法可以有效地提高细节，并已被广泛采用。
基于Retinex算法把照明去除作为缺省处理方式，但是，该方式没有考虑反射的程度，因此，不能有效地保留非均匀照明图像中的自然特性。
然而，图像增强的目的是符合视觉认知，其自然性质是必不可少的，需要通过增强图像中的自然细节信息，我们提出了一种增强算法用于非均匀照明的图像。
总体上，本文提出了以下三个主要研究结果。
首先，提出了明度排序误差测量，用于客观地评价图像的自然特性。
第二，提出了亮通滤波器(bright-pass) 将图像分解到反射率和照明，分别确定细节和图象的自然状态。
第三，我们提出了一个双对数转换函数实现照明映射，实现图像中的细节和自然状态达到平衡。
实验结果表明该算法不仅可以提升图像中细节，而且保留了非均匀照明的图像的自然特性。
一、引言图像增强的主要目标是使图像处理之后比原始图像更适合特定的应用。
到现在为止，图像增强已被应用到科学和工程的多种区域。
如大气科学，天文学，生物医药，计算机视觉等。
许多图像增强算法都已经被提出如基于Retinex算，反锐化掩模算法，直方图均衡化（HE）算法，等等。
部分算法专注于细节增强，但通常会导致不自然的视觉效果，如光源混乱和似人为效果（artifacts）。
因此，一些人试图减少以细节换取过度增强的代价。
Retinex理论认为色彩的感知与反射具有很强的联系，而且可见光到达观察者的量依赖于反射率和照明的乘积。
大多数基于Retinex的算法是通过去除反射率来增强照明的效果，因此，它们可以明显的增强细节。
但是，不可能确切地除去照明场景的凹凸深度。
一些中置/环绕算法采取照明的局部卷积来代替不考虑反射率的上限。
实际上，反射率应该考虑在内，它表示表面不能反射多于比它接收的光。
此外，简单地删除照明是不合理的。
基于反锐化掩模的算法通常把图像分解为高频和低频两个方面，并分别进行处理。
低频信息对于这些算法抑制过度增强是很有用的。
然而，这些算法只是简单的一起整合处理高频和低频的信息，这往往未能达到细节和自然特性之间较好的折中。
其结果是这些算法需要一个对每个图像以获得最佳结果而采取的重新调整的过程。
HE技术很简单，但被广泛用于图像增强。
由于常规HE算法可能导致过度增强，许多已经提出的算法被限制，如照明保存和对比度的限制，照明的保存在应用中非常有用，但是，一些在不恰当的强度地区，对于非均匀照明图像，照明保持不利于细节增强，如暗区。
对比度受限算法抑制过度增强是通过重新分配直方图使其高度不超出限制。
但是，对于直方图有很大的不同的严重的非均匀照明图象，这是不容易解决的。
为了保护自然特性以及增强细节，Chen等人提出了如下的自然特性保护的概念用于图像增强。
图像增强后的周围环境不应该被大幅度改变，如不应有光源应引入到现场，不应该有光晕补充的效果，不应该有阻挡效果。
由于没有确切的信息保真度的基本要求，我们优化的概念为：图像的全局环境不应被严重改变，光源的方向不应该明显地改变。
最近，一些基于Retinex 理论的自然增强算法提出了通过保留自然特性来增强细节。
但是，这些算法不适用于非均匀照明的图像。
因此，本文提出了一个在非均匀照明的图像中保留自然特性增强的算法。
总体上，我们将讨论三个主要问题，即，自然特性保护，强度的分解，以及照明效果。
首先，用自然特性的明度排序误差（LOE）措施来评估增强图像。
第二，我们利用确保了反射率被限制在范围内的亮通滤波器（ bright-pass filter）分解的图像。
第三，用双对数变换处理照明，使照明不会由于空间变化淹没细节。
实验结果表明，该算法可以实现对光照不均匀图像的相应结果。
本文的其余部分安排如下:下一节介绍了对关于细节增强的观察和自然特性的保护。
第三节给出LOE 度量的定义，提供增强算法的技术细节。
亮通滤波器和双对数变换，将在第四节进行描述。
第五节我们展示最先进的算法在实验中的结果。
最后，第五节是本文的结论。
二、观察在本节中，我们对细节增强以及自然特性的保护进行观察，这两点最后可以归纳为图像增强的两种约束。
如图1所示，图像可以被分解成不同的特征空间。
例如，基于小波变换的算法，基于曲波的算法，等等，将图像视为不同频率的混合。
基于Retinex的算法通常分解图像为照明和反射率。
一般情况下，低频信息和照明代表全局的自然特性，高频信息和反射率表示局部的细节。
由于图像的分辨率是有限的，故一种增强算法必须要适当平衡不同的信息。
总的来说，极端的低频信息可能淹没的细节，极端高频信息可能会造成视觉的不自然。
图2示出一组图片经广义反锐化掩膜（GUM)和单尺度Retinex（SSR）处理。
从图2（b）中我们可以看到，在黑暗区域的细节仍然看不见。
这是因为低频信息太特别。
与此相反，图的天空区域，图2（c）看起来不自然。
SSR简单地移除照明而不考虑反射率的范围，因此，它导致光源的混乱和过度增强，如图2（d）所示。
直观地说，我们通过一维信号如图3所示进一步说明照明的效果。
图3（a）中虚线表示原来的强度，图3（b）是图3（a）的照明和反射率共同作用的结果。
我们可以看出，原始的强度在某些局部区域稍有变化，这样难以观察它的细节。
一些算法采取反射率随着强度而增强的办法。
虽然反射率具有明显的局部对比度，但它不能代表原强度的全局趋势。
相反，我们采取了照明的压缩版考虑，获得了增强的结果，如图3（d）所示。
我们可以看到，图3（d）中的局部变化是显而易见的，而它的全局趋势是仍是随原来的强度变化。
因此，为了加强对自然特性的保护，该算法的目的是保持强度的全局趋势的同时改善图像的局部变化。
从物理学角度，我们提出了两个约束条件。
第一个是细节的约束，通过考虑反射率的特性将反射率限制在一个合理的范围。
第二个是自然特性的约束，不同的局部区域照明的相对顺序不应该被显著的改变。
因此本文的其余部分将集中于（a）提取反射率合适的范围，以及（b）在不改变相对顺序对照明压缩。
三、自然特性指标由于图像质量的评价关系到人类视觉系统，对图像增强主观的有效性没有统一的措施，大多数算法是用来测量图像的重要特征（如用对比度来评估细节的改善和熵是用来测量的灰度级分布）。
根据上述的分析，相对照明的顺序对于自然特性的保护很重要的，我们建议用LOE客观地评估自然特性的保护。
由于照明的相对次序表示光源方向和所述亮度的变化，故增强图像的自然特性与亮度在不同的局部区域的相对顺序有关。
因此，我们定义了基于原始图像I 和它的增强版本Ie之间的明度排序误差的定量LOE措施。
图像的亮度L（X，Y）被赋于为三个颜色通道的最大值：对于每个像素（x，y）的原图像I和它的增强版本Ie的之间亮度的相对次序定义如下：其中m和n是高度和宽度，U（X，Y）为单位阶跃函数，⊕是异或运算符。
LOE度量被定义为：从LOE的定义，我们可以看出，较小LOE值能更好的将亮度顺序保存下来。
为了降低计算复杂度，我们采取下采样版本的DL和DLe的尺寸DM×DN，来取代L和Le的DLE。
该向下抽样的图象的大小和原始图像之间的比r被设置为R= 50/min（M，N）。
其结果是大小DM×DN的下采样图像的尺寸是[M* R]×[N * R]。
四、算法在本节中，我们提出了包括三个部分的技术细节的增强算法，如图4所示。
首先，原始图像是通过亮通滤波器分解成反射率和照明。
其次，照明是通过使用双对数转换处理。
最后，增强后的图像是通过合成反射率和所映射的照明获得的。
A.亮通滤波器的定义虽然许多算法可用于照明的估计，但他们没有考虑反射率的范围，并且通常会导致过度增强。
（例如用SSR获得的反射率的50％已经超过1）。
因此，我们提出的亮通滤波器，能够将反射率限制到合适的区域。
亮通滤波器的基本思想是：对于一个相邻像素值为a的像素，其效果正相关影响中心像素频率值b的像素。
一般情况下，邻近的像素可以灵活地针对不同的应用程序来定义。
由于频率的统计特性，其归一化可以作为相邻像素的亮通滤波器的权重，我们假设使用略有不同的邻近像素过滤的结果之间无显著差异。
相应地，实验结果表明，该滤波结果是采用四连通性和其他邻近的像素获得，八连通性也是相似的。
为简单起见，我们设置的像素G（X，Y）的邻近像素为四连通的五像素方形。
对于k值在（x，y）处的像素，N N l k,（x，y）表示值L邻近像素的数量。
对值k和L的邻近周围的图像像素频率Q’（K，L）表示如下：其中m和n是像素的高度和宽度，因为数字信号的频率Q’（K，L）是容易受噪声影响而且变化很大，我们利用其局部均值Q（K，L）来代替：其中win是窗口大小。
为了去除噪声，以及保留本地频率的趋势，窗口win 不应该太小或太大。
此外，一些图像比其他的图像占据较窄的灰度范围，因此窗口大小应设置与灰度级相关，窗口大小可以根据经验设定如下：亮通滤波器、带通滤波器，是相邻的具有正相关频率Q（K，L）像素的重量加权平均，如下：其中，Ω表示局部掩膜中心在坐标（x，y），局部掩膜的大小设置为本文中15×15，单位阶跃函数U（X，Y）确保只考虑比它更明亮的邻近像素，归一化因子W（X，Y）可以确保像素权重的总和为1。
B、使用亮通滤波器进行图像分解根据Retinex理论，反射光的亮度是反射率和照明的产物，如式（11）其中I c y x),(是颜色通道c的亮度，R c y x),(是相应的反射率，F（X，Y）是投射在场景的表面上的照明。
大多数的中置/环绕Retinex算法评估照明利用高斯滤波器或双边滤波器，这通常会导致明照明比反射亮度暗。
这种不合理意味着反射率大于1且表面反射的光线比它收到还要多。
基于假设的照明是局部每个像素的极大值，我们采用亮通滤波器的照明来评估。
为简单起见，我们假设三个颜色的通道具有相同的照明。
不同于传统的滤波器，我们只需要考虑比中心像素更亮的邻近像素。
与较暗区域相比，很明显，靠近照明区域更明亮。
我们以强度L（X，Y），使用（1）式作为照明的粗评价，可以透过亮通滤波器完善它：然后，反射率R（X，Y）可通过除去上述照明获得：图5示出通过亮通滤波器对图像进行分解的示例。
我们可以看到，反射率图像更多呈现的细节、照明图像更多呈现入射光的周围环境，它和我们之前的分析一致。