将低照度图像转化成为HSI图像，并将I分量利用Retinex转化成为光照分量和反射分量代码

把低照度图像转化为HSI图像的代码如下：

import cv2
import numpy as np

def low_light_to_hsi(img):
    # 转换为浮点型
    img = img.astype(np.float) / 255.0
    
    # 将RGB转换为HSI
    hsi = cv2.cvtColor(img, cv2.COLOR_RGB2HSV_FULL)
    hsi[:, :, 2] = (hsi[:, :, 1] + hsi[:, :, 2]) / 2.0
    
    return hsi

将I分量利用Retinex转换成光照分量和反射分量的代码如下：

def retinex_decomposition(img, sigma_list=[15, 80, 250], G=5, b=25):
    # 将图像转换为浮点型
    img = img.astype(np.float)
    
    # 计算图像的对数
    log_I = np.log10(img + 1)
    
    # 对每个尺度进行高斯滤波
    for sigma in sigma_list:
        img_sigma = cv2.GaussianBlur(img, (G, G), sigma)
        log_I_sigma = np.log10(img_sigma + 1)
        diff = log_I - log_I_sigma
        
        # 计算反射分量
        R_sigma = np.max(diff - b, 0)
        
        # 计算光照分量
        S_sigma = np.max(log_I_sigma - diff - b, 0)
        
        # 将反射分量和光照分量相加
        img = R_sigma + S_sigma
    
    return img

使用示例：

# 读取低照度图像
img = cv2.imread('low_light_image.jpg')

# 转换为HSI图像
hsi = low_light_to_hsi(img)

# 提取I分量
I = hsi[:, :, 2]

# Retinex分解
R = retinex_decomposition(I)

# 将光照分量和反射分量转换回HSI空间
hsi[:, :, 2] = R
hsi[:, :, 1] = hsi[:, :, 1] * 0.5

# 将HSI图像转换回RGB空间
result = cv2.cvtColor(hsi, cv2.COLOR_HSV2RGB_FULL)

# 显示结果
cv2.imshow('Result', result)
cv2.waitKey(0)