同態濾波：在圖像的頻域對圖像進行操作，完成圖像的亮度范圍壓縮、圖像對比度增強，去除圖像乘性噪聲。（乘性噪聲：y=uv，y是被噪聲污染的圖像，u是原始圖像，v是乘性噪聲）
同態濾波借助于Retinex原理，對圖像的反射分量R和亮度分量L分別進行處理。

I=RL(I為原圖像，R為反射分量，L為亮度分量)；

為了能夠分別對RL進行操作，這里引入求對數，求對數可以讓相乘變為相加

i=r+l

兩邊求取傅里葉變換，轉換到頻域進行操作

FI=FR+FL

在頻域內對圖像的反射分量和亮度分量分別進行同態濾波H處理

H(FI)=H(FR)+H(FL)

通過傅里葉反變換，頻域變回時域

hi=hr+hl

兩邊求指數，變回原圖像

這里的同態濾波的函數解釋為：圖像的反射分量在邊緣處變化劇烈，圖像的亮度分量在一個光照均勻的狀態下應該是相對均勻。因此兩項表現在頻域時，圖像的反射分量集中在高頻區域，圖像的亮度分量集中在低頻區域。換言之，圖像的在頻域中，低頻部分為亮度分量，高頻部分為圖像的反射分量。
我們通過減小圖像低頻部分的方式，減小圖像亮度分量的變化劇烈程度，進而達到調節亮度分布不均，壓縮圖像亮度范圍的目的；增大圖像高頻部分的方式，增大圖像反射分量的變化劇烈程度，到達增強邊緣和對比度的目的。（這里需要注意，我們進行低頻高頻分步操作的前提是圖像已經求對數，這樣才可以將兩部分作為相加的形式進行操作）
因此同態濾波的函數圖像可以表示為


上面兩個函數是同態濾波函數的兩種形式。其中c、gH(Hh)、gL(Hl)是未知的，需要調節，通過調節這些參數使得得到最好結果。
下面是一篇百度的文章，該文章講述了他自己做的參數調節，希望大家看了有所收獲。
https://wenku.baidu.com/view/9c89776027d3240c8547ef07.html?from=search

這里需要注意一下，很多程序為了處理的最終結果不出現色偏問題，只只對灰度圖像進行處理。
彩色圖像也可以進行處理，對每個圖像進行操作，或者利用HSV的V亮度通道進行處理，然后轉換回原圖像。這些方法都會造成顏色的失真，在使用中需要注意。

clear close all [name,path]=uigetfile('1.png'); file=strcat(path,name); [X,map]=imread(file); X=double(X); I=rgb2hsv(X); H=I(:,:,1); S=I(:,:,2); V=I(:,:,3);figure,imshow('t016140d911de77a081.jpg'); title('原始圖像');

%%構建高斯高通濾波核
f_high=1.0;
f_low=0.8;

gauss_low_filter=fspecial('gaussian',[7 7],1.414); matsize=size(gauss_low_filter);gauss_high_filter=zeros(matsize); gauss_high_filter(ceil(matsize(1,1)/2),ceil(matsize(1,2)/2))=1.0; gauss_high_filter=f_high*gauss_high_filter-(f_high-f_low)*gauss_low_filter; %%實際計算部分 log_img=log(double(V)+eps); high_log_part=imfilter(log_img,gauss_high_filter,'symmetric','conv'); high_part=exp(high_log_part); %%規范化分布 minv=min(min(high_part)); maxv=max(max(high_part)); temp=(high_part-minv)/(maxv-minv);S=adapthisteq(S)*2.1; HSV3(:,:,1)=H;% HSV3(:,:,2)=S; HSV3(:,:,3)=temp; rgb2=hsv2rgb(HSV3); figure; imshow(rgb2); title('光照均衡后圖像');

總結

以上是生活随笔為你收集整理的同态滤波（光照不均）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。