Retinex图像增强算法：SSR/MSR/MSRCR/MSRCP原理与MATLAB实现对比

简介：面向图像增强研究的MATLAB对比程序，整合了SSR、MSR、MSRCR及MSRCP四种经典Retinex算法，并配有可视化GUI界面，适合高校学生、算法工程师以及图像处理爱好者进行算法效果对比、教学演示或项目选型。整个包共15个文件，包括2个.m源码文件、1个.fig界面文件、1个mp4操作演示视频以及11张jpg/png测试图片，压缩包大小4.95MB，结构紧凑可直接运行。用户只需在MATLAB 2021a及以上版本运行入口脚本，通过按钮选择TestImages中的任意图片，即可自动输出增强结果，免去手动调参的繁琐。多张不同场景的测试图像覆盖室内、室外、风景、人物等类型，便于观察算法在不同光照条件下的表现；操作演示视频也显著降低了入门门槛。目前已有1331人学习下载，适合希望快速上手Retinex系列算法对比和二次开发的MATLAB使用者。

1. 四个Retinex变体，一套对比代码，差异到底在哪

在matlab里做图像增强算法对比，最容易被问倒的不是怎么跑通SSR，而是SSR、MSR、MSRCR、MSRCP四个Retinex变体到底该比什么。它们共用同一个理论起点：把图像看成光照与反射的乘积，在对数域减掉低频光照，改动只发生在尺度数量、色彩恢复方式上，输出差异却极其明显。

对IT从业者来说，这套算法适合课程设计大作业、论文对比实验，也适合在给客户做算法选型预研的时候快速判断哪条路线值得深入。尤其是MSRCR和MSRCP，名字相近，实现路径完全不同，很多人跑完发现颜色不对，问题大多出在参数域而不是算法本身。

下面这套实现顺序，能让你用同一个输入图像、同一组sigma，把四个算法串起来，顺带搞清楚每个参数到底在控制什么。

2. SSR和MSR的实现：从Retinex公式到matlab里的对数域差分

2.1 Retinex核心公式与matlab里“取对数”的原因

Retinex把图像建模成入射光与物体反射的乘积，取对数后乘性关系变成加性关系，于是“分离反射率”就等价于对log图减掉一个估计的光照。光照在空间上变化缓慢，用一个高斯低通滤波器平滑后的图像可以当作光照估计。这个基础公式是：

log(R) = log(I) - log(L)

其中I是原始图像，L是对I做高斯滤波得到的低频估计，R就是增强后的反射分量。matlab里实现这一步只需要imfilter加log，但有几个细节决定了输出质量。

2.1.1 高斯核半径与光照估计精度的关系

高斯滤波器的大小直接影响L的平滑程度。常见做法是把核窗口设为round(sigma * 6) + 1，因为高斯分布的主要能量集中在3倍标准差内，窗口太小会截断高斯形状，窗口太大会让边界处的滤波结果被无效区域污染。

边界处理必须用'replicate'而不是默认的'same'。'replicate'扩展边缘像素而不是补零，能避免增强后的图像四周出现一圈明显的黑边。这个细节在单张图上不容易察觉，一旦拿去做批量对比，四周边框会直接影响后续信息熵和标准差的统计结果。

2.2 用matlab复现SSR的最小可运行函数

function out = retinex_ssr(img, sigma) img = im2double(img); % 统一转double，保证log运算不溢出 h = fspecial('gaussian', round(sigma * 6) + 1, sigma); low = imfilter(img, h, 'replicate'); log_img = log(max(img, 1e-6)); log_low = log(max(low, 1e-6)); diff = log_img - log_low; out = diff - min(diff(:)); out = out / max(out(:)); % 拉伸到[0,1]用于显示 end

这里对img取max(…, 1e-6)是为了防止纯黑像素取对数产生无穷小，这是图像增强代码最常见的崩溃点。log之后的结果可能是负值，直接imshow会显示一团黑，所以需要先减最小值再除以最大值。

sigma参数控制增强尺度。单尺度SSR一般取sigma = 80，能兼顾局部细节和整体动态范围；如果sigma太小，比如10以下，高频细节被保留但亮部会出现明显的光晕伪影，暗部噪声也被一起放大。如果只是快速验证效果，SSR适合拿来做基线，不适合作为最终输出。

2.3 把SSR升级成多尺度MSR：三组sigma均衡亮暗

MSR的思路是对同一张图用多个sigma分别做SSR，再按权重叠加。这样小尺度保留细节，中尺度兼顾局部对比，大尺度压缩动态范围，比单尺度更稳定。经典参数是三尺度等权：

实现时可以封装一个返回对数域原始值的核心函数，方便后面MSRCR和MSRCP复用：

function diff = retinex_msr_log(img, sigmas, weights) img = im2double(img); diff = zeros(size(img)); for k = 1:numel(sigmas) h = fspecial('gaussian', round(sigmas(k) * 6) + 1, sigmas(k)); low = imfilter(img, h, 'replicate'); log_img = log(max(img, 1e-6)); log_low = log(max(low, 1e-6)); diff = diff + weights(k) * (log_img - log_low); end end

这个函数对彩色图像是逐通道处理的，保留了对数域的原始差值，不做归一化。显示前再拉一次：

function out = retinex_msr(img, sigmas, weights) diff = retinex_msr_log(img, sigmas, weights); out = diff - min(diff(:)); out = out / max(out(:)); end

权重数组理论求和应为1，默认取[1 1 1]/3。如果想让暗部更亮，可以加大尺度150或250的权重，比如[0.2 0.3 0.5]；如果想让细节更锐利，加大尺度15的权重。MSR的最大问题是输出偏灰，因为每个通道独立拉伸后，通道间的比例关系被破坏了，这就是下一章要解决的色彩偏色问题。

3. MSRCR的色彩恢复：C_i怎么算、怎么调不偏色

3.1 为什么MSR输出总是灰蒙蒙的

MSR对RGB三个通道分别做对数差分，最后又各自独立归一化。这一步相当于把每个通道的均值都拉到一个水平线上，通道之间的原始比例被消除，结果的饱和度显著下降，整体看起来像蒙了一层灰。

要恢复颜色，需要在MSR的输出上乘一个色彩恢复因子，把通道间的差异重新拉出来。MSRCR的名字里多出来的C，指的就是这个色彩恢复过程。它不是一个可选的后期滤镜，而是直接乘在log域差值上，位置很关键。

3.2 用matlab实现MSRCR的色彩恢复因子

色彩恢复因子的常见形式是对每个像素计算：

c = beta * log(alpha * img255 + 1) - log(sumc + 1);

再把这个因子乘到MSR结果上，做整体增益和偏移：

function out = retinex_msrcr(img, sigmas, weights, alpha, beta, G, b) img = im2double(img); msr = retinex_msr_log(img, sigmas, weights); img255 = img * 255; % 颜色恢复公式默认输入域是[0,255] sumc = sum(img255, 3); c = beta * log(alpha * img255 + 1) - log(sumc + 1); out = G * c .* msr + b; out = min(max(out, 0), 255); % 截断域外值，而不是再归一化 out = out / 255; end

调用参数取经典组合：

r_msrcr = retinex_msrcr(img, [15 80 250], [1 1 1]/3, 125, 46, 192, -30);

其中G = 192是增益，b = -30是偏移。alpha = 125控制色彩恢复的敏感度，beta = 46控制恢复强度。这组参数来自论文里的经验值，对大多数自然图像效果都稳定。

3.2.1 参数域不一致是最常见的偏色原因

MSR本身不受输入域影响，因为log差会把常数缩放抵消掉。但MSRCR的c因子不一样，它包含log(alpha * img255 + 1)和log(sumc + 1)，这两个真数对图像的数值范围极其敏感。

如果先对img做了im2double变成[0,1]区间，却仍然用alpha = 125，相当于把缩放因子缩小了255倍，色彩恢复就会失效，输出偏灰甚至偏绿。反过来，如果在[0,255]域把alpha设成0.5，色彩恢复强度会被放大到几乎改变色调的程度。所以写对比程序时，一定要统一约定：要么全程用[0,255]域，要么用img * 255回到原域再算c。

3.3 MSRCR最容易碰到的三个异常现象

第一个异常最常见，排查时先打印img255的最大值和c的均值。正常情况下c应该在一个窄范围内波动，比如0.8到1.2之间，如果出现-5或10这种数量级，一定是参数域写错了。第二个异常需要根据直方图观察，如果增强后的图像80%像素都聚集在250以上，就减少G或者b向正方向调整。

4. MSRCP的色度保持思路和两种matlab实现

4.1 共享比例：MSRCP与MSRCR的本质区别

MSRCR用色彩恢复因子校正每个通道，MSRCP走的是另一条路：先求亮度图，在亮度图上做MSR，得到新亮度后，计算出每个像素的亮度变化比例，再把这个比例同时乘到RGB三个通道上。

这样做的好处是通道间的比例始终不变，色调保持得很自然。实现时核心就一条线：

function out = retinex_msrcp(img, sigmas, weights) img = im2double(img); gray = rgb2gray(img); % 加权亮度，也可用三通道均值 diff = retinex_msr_log(gray, sigmas, weights); m = diff - min(diff(:)); m = m / max(m(:)); % 新亮度归一化到[0,1] ratio = m ./ max(gray, 1e-6); % 逐像素亮度变化比例 ratio = min(ratio, 3); % 限制比例，防止暗部噪声爆炸 out = img .* ratio; % RGB三通道共享同一个比例 out = min(max(out, 0), 1); end

ratio大于1的地方变亮，小于1的地方变暗。因为三通道乘的是同一个值，所以只有亮度改变，色调不变。ratio限制在3以内是经验值，如果场景暗部本身有细节，放大到4或5也不会差太多，但一旦超过5，暗部噪声会被明显染色。

4.2 在HSV空间实现的另一个版本

有些场景下，用rgb2gray作为亮度图会让红色和蓝色通道的比例偏移，因为加权灰度对绿色更友好。另一个常见做法是转到HSV空间，只替换V通道：

hsv = rgb2hsv(img); v = hsv(:, :, 3); diff = retinex_msr_log(v, sigmas, weights); v2 = diff - min(diff(:)); v2 = v2 / max(v2(:)); hsv(:, :, 3) = v2; out = hsv2rgb(hsv);

这种写法直接把原V通道替换成MSR结果，而不是按比例乘回去，所以高饱和区域的色彩表现更稳定，但暗部噪声也会被一起放大。

4.2.1 RGB乘比例和HSV替换V的差异

实际对比时，建议把两种实现都跑一遍，观察同一张图里天空边缘色块的过渡区域。MSRCP对雾霾图和夜间低照度图的效果最明显，因为它不强行改变颜色比例，处理后的图看起来更“像一张正常照片”，而不是“一张调色夸张的滤镜图”。

4.3 MSRCP的适用场景和溢出问题

MSRCP适合三类图：雾图、低照度图、航拍图。这三类图共同特点是亮度动态范围大，但色彩本身的偏差不大。如果用MSRCR处理雾图，天空区域容易出现色斑；用MSRCP处理，色调基本稳定。

溢出问题主要发生在ratio超过3的区域。低照度图的暗部像素接近0，分母gray很小，ratio计算出来可能上百。这时如果直接把ratio乘上去，原来暗部的噪声会变成明显的彩色噪点。解决办法不是去掉ratio上限，而是先对原始图像做一次很小的中值滤波再做ratio计算。

5. 用matlab搭建四算法对比脚本并计算客观指标

5.1 统一入口：一次调用四个函数

把前面几个函数放到同一个目录下，主脚本只要统一读取图像和参数，就能得到四组结果：

clear; close all; img = imread('test.png'); sigmas = [15 80 250]; weights = [1 1 1] / 3; r_ssr = retinex_ssr(img, 80); r_msr = retinex_msr(img, sigmas, weights); r_msrcr = retinex_msrcr(img, sigmas, weights, 125, 46, 192, -30); r_msrcp = retinex_msrcp(img, sigmas, weights); figure; subplot(1, 5, 1); imshow(img); title('原图'); subplot(1, 5, 2); imshow(r_ssr); title('SSR'); subplot(1, 5, 3); imshow(r_msr); title('MSR'); subplot(1, 5, 4); imshow(r_msrcr); title('MSRCR'); subplot(1, 5, 5); imshow(r_msrcp); title('MSRCP');

5.1.1 确保输入输出格式一致

四个函数的输入都必须是double型，在函数内部统一im2double，输出统一在[0,1]区间，这样imshow和指标计算才不会出现一个需要乘255、一个不需要的混乱情况。对比程序最怕格式不统一，结果图看起来一样，指标却差了一个量级。

5.2 三个无参考指标：信息熵、标准差、平均梯度

因为没有标准参考图，图像增强的效果只能用无参考指标判断。最常用的三个：

function e = img_entropy(gray) p = imhist(gray) / numel(gray); p(p == 0) = []; e = -sum(p .* log2(p)); end gray = rgb2gray(r_msr); entropy_val = img_entropy(gray); std_val = std2(gray); [gx, gy] = gradient(double(gray)); grad_val = mean(gx(:).^2 + gy(:).^2);

信息熵反映灰度分布的丰富程度，熵越高细节越多；标准差反映整体对比度，标准差太低说明图像发灰；平均梯度反映边缘强度，梯度大说明边缘清晰。这三个指标在对比表里通常趋势一致，但也有例外，下面会提到。

5.3 四种算法的参数、效果与适用方向对比表

这个表也是对比程序里最终输出的核心内容，建议把每一行对应的指标数字填进去，比单独贴四张图更有说服力。

5.4 指标高不代表好：噪声的分数也会上涨

信息熵和标准差有一个共同弱点：对噪声特别友好。一张带大量椒盐噪声的图，灰度层级变多，信息熵反而升高；对比度被噪声拉大，标准差也变大。所以只看数值会误判噪声图是“好结果”。

补充一个边缘保持判断，用Sobel边缘占比来衡量：

e = edge(gray, 'sobel'); edge_ratio = sum(e(:)) / numel(e);

如果两张图的信息熵接近，edge_ratio更高的那张通常细节保留更好。如果某张图edge_ratio异常高，超过0.3，就要怀疑是噪声而不是真实边缘。真实图像的边缘占比一般在0.02到0.15之间。

6. 批量自动调参：sigmas网格搜索与结果记录

6.1 等比例插值：网格不要等间隔

调试MSR和MSRCP时，最耗时间的是确定sigma组合。很多人习惯用等间隔网格，比如从10到250每隔30取一个值，这样在log尺度上，小尺度区域挤了太多点，大尺度区域反而稀疏。

常见做法是采用几何平均插入中间尺度。给定两个端点sigma，中间值取两者的几何平均，这样三尺度在log域上均匀分布：

sPool = [10 20 40 80 160 250]; score = zeros(numel(sPool), numel(sPool)); for a = 1:numel(sPool) for b = a+1:numel(sPool) sig = [sPool(a), round(sqrt(sPool(a) * sPool(b))), sPool(b)]; r = retinex_msr(img, sig, [1 1 1] / 3); g = rgb2gray(r); score(a, b) = img_entropy(g) + std2(g); end end imagesc(score);

这里用sqrt(sPool(a) * sPool(b))生成中间尺度，让三个尺度在log域上等距。score用熵加标准差，是在没有参考图情况下最简单的自动筛选方式。

6.2 批量跑图时保存每组参数与结果

单张图调参意义有限，批量验证时要把每组参数和对应指标写进文件，方便后续做参数敏感性分析：

writematrix(score, 'msr_search_score.csv'); writematrix(sPool, 'msr_search_sigmas.csv');

跑批处理时建议把原图文件名也一起记录下来，因为不同内容对sigma的偏好差异很大，只记参数不记图像，分析时会对不上号。

6.3 让结果可复现：记录sigmas组合和随机种子

网格搜索完成之后，把选出的最优参数回填到对比脚本里，替换掉写死的[15 80 250]。同时建议把matlab版本、图像工具箱版本一并记录在结果文件头部，因为不同版本的高斯滤波实现会引入微小数值差异，虽不影响视觉判断，却会影响论文里的指标小数点。记录方式可以直接用writetable写一个meta表，列名分别是sigma1、sigma2、sigma3、entropy、std、edge_ratio，后面再写对比章节时，直接引用这张表即可。

本文还有配套的精品资源，点击获取