2. 图像退化模型：光照-反射模型、大气散射模型、医学图像中的噪声模型
聊图像增强，绕不开一个核心问题——图像是怎么变差的？
说白了，你得先知道一张好图是怎么被“搞坏”的，才能对症下药。我做了这么多年医学影像算法，见过太多人一上来就调参数、试滤波器，结果越搞越糟。嗯，今天咱们就把这三个最经典的退化模型掰开揉碎了讲清楚。
2.1 光照-反射模型：理解图像亮度的本质
这个模型是我个人最常用的基础模型。它把图像看成两部分的乘积：光照分量和反射分量。
核心公式： f(x,y) = i(x,y) · r(x,y)
- i(x,y) —— 光照分量，低频、变化缓慢，决定图像的整体亮度
- r(x,y) —— 反射分量，高频、包含细节纹理，决定图像的内容
我在项目中遇到过一个问题：某批X光片，因为曝光不均匀，左半边亮、右半边暗。直接用直方图均衡化？不行，亮的区域过曝，暗的区域还是看不清。后来我用了光照-反射模型，把光照分量分离出来做校正，效果立竿见影。
避坑指南： 我曾经犯过一个低级错误——直接在空间域做除法。后来发现，取对数后变成加法，处理起来方便得多。所以实际工程中，我们通常用 log(f) = log(i) + log(r)，再用高通/低通滤波分离。
2.2 大气散射模型：从雾霾到医学影像的迁移
这个模型最早是计算机视觉领域用来做去雾的。你想想看，雾天拍照为什么模糊？因为大气中的悬浮颗粒把光线散射了。医学图像里也有类似现象——比如内窥镜图像中的组织液、血液造成的模糊。
经典公式： I(x) = J(x) · t(x) + A · (1 - t(x))
| 符号 | 含义 | 医学图像中的对应 |
|---|---|---|
| I(x) | 观测到的退化图像 | 模糊的内窥镜图像 |
| J(x) | 无退化场景辐射 | 清晰的组织表面 |
| t(x) | 透射率（0~1） | 组织液/血液的透光率 |
| A | 全局大气光 | 光源散射背景光 |
我建议你记住这个模型的关键：退化 = 原始信号 × 衰减 + 背景光。这个结构在医学图像中非常常见，比如眼底图像中的玻璃体混浊、超声图像中的组织衰减。
注意： 大气散射模型假设介质是均匀的。但医学图像中的介质（比如血液、组织液）往往是非均匀的。直接套用标准去雾算法会出问题。我曾经在胃镜图像上试过，结果把正常组织也当成雾给去掉了……
2.3 医学图像中的噪声模型
噪声，是医学图像增强绕不开的坎。不同成像模态，噪声特性完全不同。我整理了一个表格，方便你对照：
| 成像模态 | 主要噪声类型 | 概率分布 | 特点 |
|---|---|---|---|
| X光 / CT | 量子噪声 | 泊松分布 | 与信号强度相关，低剂量时更明显 |
| MRI | 热噪声 | 高斯分布（实部/虚部） | 幅度图像服从莱斯分布 |
| 超声 | 散斑噪声 | 瑞利分布 | 乘性噪声，与组织结构相关 |
| PET | 泊松噪声 | 泊松分布 | 计数率低时信噪比极差 |
为什么会这样？因为每种成像的物理原理不同。比如CT，X光子打到探测器是随机过程，服从泊松分布。而MRI是线圈接收电磁信号，热噪声是高斯分布。
我记得有一次做低剂量CT的增强项目，一开始用高斯滤波去噪，结果边缘全糊了。后来换成基于泊松噪声模型的BM3D算法，效果好了不止一个档次。所以，选对噪声模型，比选对算法更重要。
2.4 三种模型的统一视角
你可能会问：这三个模型能统一起来吗？我个人习惯把它们放在一个框架里看：
退化图像 = 原始信号 × 退化因子 + 加性干扰
光照-反射模型：退化因子 = 光照分量，加性干扰 = 0
大气散射模型：退化因子 = 透射率，加性干扰 = 背景光
噪声模型： 退化因子 = 1，加性干扰 = 噪声说白了，图像增强的本质就是估计退化因子和抑制加性干扰。后面的章节，我们会针对每种模型讲具体的增强方法。
核心要点：
- 光照-反射模型：分离光照和反射，做光照校正
- 大气散射模型：估计透射率和背景光，做去雾
- 噪声模型：根据噪声分布特性，选择去噪策略
2.5 实际工程中的选择策略
面对一张医学图像，怎么选模型？我建议按这个步骤来：
- 先看亮度分布 —— 如果整体亮度不均匀，优先考虑光照-反射模型
- 再看对比度 —— 如果像蒙了一层雾，试试大气散射模型
- 最后看纹理细节 —— 如果有颗粒感或斑点，分析噪声类型
很多时候，退化是复合的。比如内窥镜图像，既有光照不均匀，又有组织液造成的雾状模糊，还有传感器噪声。这时候就需要组合模型。我一般先做光照校正，再做去雾，最后去噪——这个顺序不能乱，否则会互相干扰。
小技巧： 判断噪声类型有个土办法——取图像中一块均匀区域（比如背景），看它的直方图。高斯噪声的直方图是对称的钟形，泊松噪声偏右，散斑噪声则呈瑞利分布。我在项目里经常用这个快速判断，省得翻。