1.一种基于改进的Retinex与Welsh近红外图像增强与彩色化的方法，所述方法包括以下步骤：

A.图像增强算法

根据Retinex理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，其数学表达式为：I(x，y)＝L(x，y)*R(x，y)    (1)式中：I(x，y)代表被观察或照相机接收到的图像信号；L(x，y)代表环境光的照射分量；R(x，y)表示携带图像细节信息的目标物体的反射分量；

将(1)式两边取对数，则可抛开入射光的性质得到物体的本来面貌，即有关系式：Log[R(x，y)]＝Log[I(x，y)]‑Log[L(x，y)]    (2)然后分别计算出Log[R(x，y)]中R/G/B各通道数据的均值Mean和均方差Var；

利用下述公式计算各通道的Min和Max值：Min＝Mean‑Dynamic*Var    (3)Max＝Mean+Dynamic*Var    (4)其中，对Log[R(x，y)]的每一个值Value，进行线性映射：R(x，y)＝(Value‑Min)/(Max‑Min)*(255‑0)    (5)同时要注意增加一个溢出判断，即：if(R(x，y)＞255)R(x，y)＝255；

else if(R(x，y)＜0)R(x，y)＝0；

最后将Log[R(x，y)]量化为0到255范围的像素值，作为输出的图像AA；

对获取的近红外图像AA取反，得到BB，把BB的RGB三通道分别用MSRCR算法进行滤波得到R’，G’，B’，对R’，G’，B’分别进行灰度拉伸得到R”，G”，B”，把R”，G”，B”进行合并，得到RGB彩色图像再取反得到图像D，把图像D与AA进行加权融合，得到增强图像E；

B.近红外图像彩色化参考图像检索TF‑IDF是一种用于信息检索的常用加权技术，在文本检索中，用以评估词语对于一个文件数据库中的其中一份文件的重要程度；词语的重要性随着它在文件中出现的频率成正比增加，但同时会随着它在文件数据库中出现的频率成反比下降；TF的主要思想是：如果某个关键词在一篇文章中出现的频率高，说明该词语能够表征文章的内容，该关键词在其它文章中很少出现，则认为此词语具有很好的类别区分度，对分类有很大的贡献；IDF的主要思想是：如果文件数据库中包含词语a的文件越少，则IDF越大，则说明词语a具有很好的类别区分能力；

词频指的是一个给定的词语该文件中出现的次数；

逆文档频率是描述了某一个特定词语的普遍重要性，如果某词语在许多文档中都出现过，表明它对文档的区分力不强，则赋予较小的权重；反之亦然；

最终的TF‑IDF权值为词频与逆文档频率的乘积

1.首先，我们用sift算法生成图像库中每幅图的特征点及描述符；

2.再用k‑means算法对图像库中的特征点进行训练，生成类心；

3.生成每幅图像的BOF特征字典，特征字典具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表；

4.通过TF‑IDF对频数表加上权重，生成最终的BOF特征字典；

5.对增强图像E也进行3，4步操作，生成一列待检索近红外图像的BOF特征字典；

6.将待检索近红外图像E的BOF向量与图像库中每幅图的BOF向量求余弦夹角以及巴氏距离，夹角最小的F即为匹配对象，即为参考图像F；

C.近红外图像彩色化

(1)将参考图像F和近红外图像E分别由RGB空间转换到1αβ色彩空间；

(2)根据灰度图像的亮度及标准差，对参考图像进行亮度重映射；

L＝(n1’/n1)*(1‑m1)+m1’    (6)其中，1是近红外图像E的1通道的数据，L是变换后得到新的近红外图像1通道的值，m1和m1’分别是近红外图像E和参考图像F的1通道的均值，n1和n1’表示它们的1通道标准方差；

(3)从参考图像中随机选取一批样本点，将像素点的亮度和邻域范围内亮度的标准差的线性组合值作为权值，计算公式如下：W＝1/2+σ/2    (7)其中，W为权值，1为像素点的亮度值，σ为该像素点周围某个邻域内亮度值的标准差，关于邻域的大小是5x5；

(4)在参考图像F和增强图像E的矩形图像块中传递颜色，然后用距离寻找相似纹理进行匹配，上色效果会有很大程度上的提升；首先我们用式(8)计算增强图像E区域Ng和参考图像F的矩形框区域Ns间的距离DD：其中，I代表灰度图像的亮度值，代表灰度图像的平均亮度值，S代表参考图像F的矩形框S内亮度值， 代表参考图像F的矩形框内平均亮度值，p是邻域像素；通过(8)式寻找增强图像E中与已经上色的矩形框中，像素之间DD最小的像素进行颜色传递；

(5)将参考图像F和增强图像E从1αβ空间转换到RGB空间。