阅读论文《Retinex-Based Perceptual Contrast Enhancement in Images Using Luminance Adaptation》

   论文增强的步骤主要分成下面几步，首先估计出光照分量，施加平滑并获得显著性不同区域。然后计算光照削弱因子并施加MSR算法去增强细节，最后施加加权伽马变换做对比度调节。整体结构图如下所示:

   JND可以用来表示人眼可以感受的最小的对比度阈值，论文使用JND去自适应调节局部图像增强的对比度。自适应伽马调节AGCWD则是利用直方图的加权分布实现的。论文认为目前的自适应调节是全局的调节，基于retinex的方法也会导致非自然的结果。所以论文的出发点是自适应的移除图像的光度，亮区域移除的多而暗区域移除的少，再使用AGCWD做去做对比度增强，这样做可以减少增强中带来的噪声问题。
   首先论文使用的是变形的MSR，如下所示:

$$r(x,y) = \Sigma_{n=1}^N w_n \cdot {log[V(x,y)]-\beta \cdot log[F_n(x,y) * V(x,y)]}$$

其中V是图像的亮度分量，$\beta$是削弱系数,这里该系数为1时，等效于一般的MSR，该系数越小时，越少的光照被移除，输出和原图像越像，越大则越能反映出更多的细节。所以这里$\beta$应当和局部对比度有关。然后对获得的亮度做AGCWD,如下所示:

$$R(x,y) = exp(r(x,y))$$ $$V_w(x,y) = \frac{R(x,y)-R_{min}}{R_{max}-R_{min}}$$

   人眼对两区域更加敏感，这里令阈值为$T_l(x,y)$，详情见论文，这里$\beta$表示为:

$$\beta(x,y) = k \cdot (\frac{1}{17}T_l(x,y)+\frac{20}{17})$$

JND的阈值和β曲线如下所示:

   所以较大的β在亮区域可以移除较多的光照，从而避免后面施加AGCWD出现过增强，反之则希望暗区域能够得到增强。最后施加AGCWD，整体步骤如下: