物体的颜色由外界光照和物体的固有反射系数决定,但是人眼可以根据自身的视觉特性自适应消除外界光照的影响。这种在不同的外界光照下感受出物体的真实色彩的视觉特性,称为人类视觉的颜色恒常性。视频图像采集设备的成像过程就是模仿人眼的视觉成像过程,但是机器视觉缺少类似大脑视觉皮层的分析过程,无法消除外界光照的影响,尤其是在低光照环境下,不能准确地记录物体的真实色彩,严重影响彩色数字图像的主观质量。因此,如何有效抑制低光照对图像颜色信息的影响,为后续的图像处理提供更加真实可靠的图像颜色信息,一直以来都是彩色数字图像处理领域研究的重点问题之一。如何对低光照图像进行颜色校正和增强是本文的主要研究工作。常规的多尺度中心/环绕Retinex颜色校正算法在处理低光照图像时,导致噪声放大和伪光晕现象的出现。本文提出的基于双边滤波的中心/环绕Retinex低光照图像颜色增强算法,充分利用光照信息变量对反射系数变量进行降噪处理,并对反射系数变量采用非常规的伽马校正操作。该算法首先根据多尺度中心/环绕Retinex理论,结合光照信息图像的亮度分布特点和表征意义,对反射系数图像进行区域划分并进行区域自适应双边滤波,从而抑制噪声。其次,结合伽马校正思想对原低光照图像的光照信息变量和反射系数变量进行不同类型的对比度和亮度重构,在噪声受到抑制的前提下增强图像亮度和突出图像细节,从而消除伪光晕现象。最后,将修正以后的光照信息图像和反射系数图像进行融合,增加结果图像的低频信息,使图像更加平滑自然,符合人的主观感受。基于Retinex理论的颜色校正算法的核心思想是合理估计出原图像的光照信息并在原图像中去除该光照信息的影响。但是,对低光照图像进行颜色增强时,Retinex算法破坏并抛弃了原图像中的可利用信息,导致低光照图像在亮度和色彩增强的同时图像的细节丢失和纹理模糊。反射系数图像的色彩表达能力要强于原低光照图像,而在图像细节方面的表达能力要弱。因此,本文提出的基于局部颜色迁移理论的低光照图像颜色增强算法考虑到原低光照彩色图像中色彩分布的差异性,利用MeanShift图像切割理论在空域和色域的五维空间中对反射系数图像进行色彩分割,根据色彩分布的局部特性和全局特征,将反射系数图像的色彩分布特征分区域迁移到原低光照图像中。相比于传统多尺度中心/环绕Retinex算法,该算法可以有效地消除低光照图像的颜色偏移,而且显著地提升了校正后图像的饱和度和对比度。