摘要
基于Retinex的标准算法通常依赖梯度约束来分解图像，假设光照在空间上是平滑的，而反射率包含清晰的细节。然而，严格基于梯度的先验经常会产生光晕伪影或过度平滑，因为它们无法区分内在的结构边缘和高频噪声。在本文中，我们提出了一种新颖的相似性图像引导Retinex（SIMRET）模型，该模型从根本上不同于传统的基于导数的正则化方法。我们提出了一种基于颜色的像素级相似性分析方法来构建全局引导矩阵，而不仅仅依赖于局部梯度。这种相似性图像在分解过程中充当一个可靠的权重图，通过数学方式编码像素之间的色彩关系和空间一致性。该模型在结构边界处严格保持一致性，以避免光晕效应，同时在均匀区域自适应地施加平滑度以抑制噪声，将这种相似性引导纳入优化目标中。我们使用交替优化框架来解决所提出的SIMRET模型，其中相似性约束有效地规范了病态分解问题。在各种低光照数据集上的广泛测试表明，所提出的模型成功克服了降噪和细节保留之间的权衡，比现有技术实现了更好的视觉自然性和信号保真度。
