简介这份资源面向图像处理初学者与需要实现图像去雾的开发者提供基于Retinex理论的Python去雾算法实现可用于改善雾天、低光照或高对比度环境下的图像质量帮助理解人眼视觉感知模型在图像增强中的应用。压缩包共3个文件均为py脚本整体约2KB分别承担算法核心实现、功能版本与主程序运行等职责结构轻量便于快速阅读与二次开发。目前已有2195人学习下载说明该方向具有较高的关注度。通过源码可掌握图像预处理、多尺度滤波、局部亮度计算、Retinex理论应用及去雾后处理等关键环节并可根据实际场景调整参数或优化算法适合作为图像增强与去雾方向的入门实践素材。1. 拆开 Retinex.zip三个 Python 文件到底谁在干活雾天拍回来的图十有八九是灰蒙蒙一片远处细节全糊成一团。很多人第一反应是拉对比度、调曲线结果近处过曝、远处还是白茫茫。Retinex 去雾走的是另一条路——它不跟你死磕全局亮度而是模拟人眼对局部相对亮度的感知把每个像素和它周围邻域做比较从而把被雾气压平的反差重新拉回来。这份Retinex.zip里就四个东西Retinex.py、Retinex_1.py、Retinex_run.py加一个压缩包本体纯 Python 实现没有重型依赖属于那种下载下来改两行就能跑、跑完能直接看到前后对比的实战型源码。适合刚接触图像增强、想搞懂单尺度 RetinexSSR和多尺度 RetinexMSR到底差在哪的人也适合手里有一批雾天图、想先拿个能跑的基线再谈改进的从业者。它解决的不是最先进而是能复现、能改、能看懂每一步在算什么。2. Retinex 去雾的数学骨架从入射分量到反射分量2.1 为什么 Retinex 能把雾减掉Retinex 理论的核心假设很朴素人眼看到的一幅图I(x,y)其实是光照分量L(x,y)和物体本身反射分量R(x,y)的乘积写成I L · R。雾天的麻烦在于雾气相当于给整个场景叠了一层缓慢变化的强光照L被抬得很高而且很平R里原本丰富的纹理和颜色反差就被压扁了。Retinex 要做的就是估计出这个L然后把它除掉留下R。直接做除法数值上不稳工程里统一转到对数域log(R) log(I) - log(L)。这一步是整个算法的地基后面所有代码都在围绕怎么估L打转。估得糙一点就是单尺度 Retinex用一个高斯核卷积原图当作L估得细一点就是多尺度 Retinex用几个不同大小的高斯核分别估一遍再加权平均。雾的尺度往往跨越很大——近处薄雾是小尺度远处厚雾是大尺度所以单尺度经常顾此失彼这也是为什么实际去雾里 MSR 比 SSR 更常用。2.2 单尺度与多尺度的公式对照把公式摊开看更清楚。单尺度 Retinex 的输出R_ssr(x,y) log(I(x,y)) - log(G_σ(x,y) * I(x,y))其中G_σ是标准差为σ的高斯核*是卷积。σ小保留的细节多但颜色容易失真σ大整体亮度均衡但细节被抹掉。多尺度就是把几个σ的结果加权R_msr(x,y) Σ w_k · [ log(I(x,y)) - log(G_σk(x,y) * I(x,y)) ]常见做法是取三个尺度权重各占三分之一。这份源码里Retinex.py和Retinex_1.py大概率就是这两种思路的不同实现或不同版本Retinex_run.py负责把它们串起来跑。下面这张表是我按常见实现整理的参数含义你对着源码里的变量名一一核对即可参数含义典型取值调大后的效果sigma / σ高斯核标准差15 / 80 / 250尺度变大细节保留变少整体更均衡weights多尺度权重[1/3, 1/3, 1/3]偏向某尺度则突出该尺度特征gain输出增益1.0 ~ 2.0整体提亮过大导致过曝offset输出偏移0 ~ 30抬暗部过大发灰2.3 从 RGB 到对数域色彩通道怎么处理雾天图直接对 RGB 三个通道分别做 Retinex很容易出现颜色偏移天空发紫、树叶发青都是常见翻车现场。稳妥的做法是先转到 HSV 或 HLS只对亮度通道 V/L 做增强色相和饱和度原样保留最后再转回 RGB。这样做的代价是颜色信息不参与去雾遇到彩色雾比如工业区的黄雾效果会打折但胜在稳定、不容易出怪色。我一般会先把原图归一化到[0,1]浮点再做对数避免log(0)报错。源码里如果直接对uint8的 0~255 取对数那基本一跑就出-inf这是新手最容易踩的第一个坑。正确顺序是读图 → 转 float 并除以 255 → 加一个极小值1e-6防零 → 取对数 → 估光照 → 相减 → 指数还原 → 裁剪到[0,1]→ 转回uint8。3. 把源码跑起来环境、入口与参数落点3.1 环境准备与依赖确认这份代码是纯 Python 图像处理核心依赖就三个numpy做矩阵运算opencv-python或Pillow读图scipy或cv2提供高斯滤波。如果你机器上还没配好 Python先按常规流程装一个 3.8 以上的版本然后一次性把依赖补齐# 建议在虚拟环境里装避免污染全局 python -m venv retinex_env # Windows 激活 retinex_env\Scripts\activate # Linux / macOS 激活 source retinex_env/bin/activate # 安装核心依赖 pip install numpy opencv-python scipy pillow装完先验证一下避免后面报错时怀疑人生import numpy as np import cv2 import scipy print(numpy:, np.__version__) print(opencv:, cv2.__version__) print(scipy:, scipy.__version__)三行都能打印出版本号环境就算通了。如果cv2导入报ImportError八成是装成了opencv-python-headless或者和别的包冲突卸载重装opencv-python即可。3.2 读懂 Retinex_run.py 的调用链Retinex_run.py是入口它的职责通常就四件事读图、调算法、存图、显示对比。打开它先别急着跑先找这几个关键位置——输入路径、输出路径、算法函数名、参数。下面是我按常见写法还原的一个可运行入口你可以拿它和源码对照缺哪块补哪块import cv2 import numpy as np from Retinex import msr # 假设核心算法在 Retinex.py 里以 msr 命名 def main(): # 1. 读图注意路径别带中文Windows 下容易出问题 img cv2.imread(input/fog.jpg) if img is None: raise FileNotFoundError(图片没读到检查路径和文件名) # 2. 转 float 并归一化这是防 log(0) 的关键一步 img_float img.astype(np.float32) / 255.0 # 3. 调用多尺度 Retinex三个尺度是经验值 result msr(img_float, sigma_list[15, 80, 250], gain1.2, offset10) # 4. 裁剪回合法范围再转 uint8 result np.clip(result, 0, 1) result_uint8 (result * 255).astype(np.uint8) # 5. 存图 拼对比图 cv2.imwrite(output/fog_retinex.jpg, result_uint8) compare np.hstack([img, result_uint8]) cv2.imwrite(output/compare.jpg, compare) print(处理完成结果在 output 目录) if __name__ __main__: main()逻辑说明第 2 步的归一化不能省log对 0 和负数无定义第 3 步的sigma_list是 MSR 的灵魂三个尺度分别对应细节、中景、整体亮度第 4 步的clip是后悔药Retinex 输出经常超出[0,1]不裁直接转uint8会溢出成噪点。参数上gain控制整体亮度雾重就调到 1.5 左右offset抬暗部夜景去雾时给到 20~30 能救回阴影细节。3.3 核心算法函数的参数落点Retinex.py里那个核心函数重点看它怎么估光照。如果是单尺度你会看到一个高斯核如果是多尺度会看到循环里对每个sigma分别卷积再累加。下面这段是 MSR 的典型骨架对照源码看变量名即可import cv2 import numpy as np def ssr(img, sigma80): 单尺度 Retineximg 为 [0,1] 浮点 img_log np.log1p(img) # log1p 比 log(1x) 数值更稳 # 对每个通道分别估光照 blur cv2.GaussianBlur(img, (0, 0), sigma) blur_log np.log1p(blur) retinex img_log - blur_log return retinex def msr(img, sigma_list(15, 80, 250), gain1.0, offset0.0): 多尺度 Retinex加权融合多个尺度 retinex np.zeros_like(img, dtypenp.float32) for sigma in sigma_list: retinex ssr(img, sigma) retinex / len(sigma_list) # 等权平均 # 增益和偏移做后处理方便调亮度和暗部 retinex gain * retinex offset / 255.0 return retinex逻辑说明log1p等价于log(1x)在x接近 0 时精度更好能少一类玄学噪点。cv2.GaussianBlur的(0,0)让 OpenCV 根据sigma自动算核大小省得你手算。多尺度这里用的是等权平均如果你想让某个尺度更突出把retinex ssr(...)改成retinex w * ssr(...)并保证权重和为 1 即可。gain和offset放在最后统一处理比在每个尺度里调更直观。提示Retinex_1.py和Retinex.py如果函数名重复import时后导入的会覆盖前面的跑之前先确认Retinex_run.py到底import的是哪个文件别改了半天发现改错了。4. 避坑与排查跑不通、颜色怪、速度慢的常见原因4.1 现象一运行就报RuntimeWarning: divide by zero或输出全黑原因基本锁定在数值域。要么是读进来的图没归一化uint8直接进log要么是某个通道存在纯 0 像素log(0)得到-inf后续运算全被污染。解决方式是统一走float32 / 255.0并在取对数前加1e-6或者直接用log1p。输出全黑往往是clip之前的值大面积是负的检查一下是不是把log(I) - log(L)写反成了log(L) - log(I)。4.2 现象去雾后天空发紫、整体偏色这是分通道处理 RGB 的典型后遗症。三个通道的局部均值不一样减完之后比例就乱了。解决办法是转到 HSV 或 HLS只对 V/L 通道做 Retinex再转回来。如果源码里就是分通道做的别急着大改先加一步颜色校正——把结果图每个通道的均值对齐到原图对应通道的均值能压掉大部分偏色。4.3 现象大图跑得极慢一张 4000×3000 要几分钟高斯滤波的核越大越慢sigma250时核尺寸可能到上千直接卷积是 O(n²) 级别。常见优化是先把图降采样再估光照光照分量本来就是低频的降采样损失很小估完再上采样回去相减。另一个办法是用cv2.GaussianBlur而不是自己写卷积OpenCV 内部有分离卷积优化比手写快一个数量级。4.4 现象结果图噪点被放大暗部出现彩色斑块Retinex 在提亮暗部的同时会把噪声一起放大这是算法本身的副作用不是代码 bug。缓解手段有两个一是处理前先做一次轻度的双边滤波或非局部均值去噪注意别把细节也磨没了二是降低gain宁可整体暗一点也别把噪声拉爆。如果源码里没有去噪步骤可以在Retinex_run.py读图之后、调算法之前插一行cv2.bilateralFilter。4.5 现象换了张图效果天差地别参数完全没法复用雾的浓度和尺度分布差异很大一套sigma打天下不现实。我的习惯是先把sigma_list固定成[15, 80, 250]这个通用组合只调gain和offset适配亮度效果实在不行再动尺度。另外注意图片本身的曝光如果原图已经过曝Retinex 救不回来得先做高光压制。5. 进阶玩法把 MSR 和 CLAHE 串起来再谈验证单跑 MSR 有个绕不开的矛盾sigma取小了细节好但颜色飘取大了颜色稳但细节糊。我后来固定下来的做法是 MSR 打底、CLAHE 收尾。MSR 负责把被雾压平的大尺度反差拉回来CLAHE 在 LAB 空间的 L 通道上做局部直方图均衡把残留的暗部细节再顶一顶。两者叠加比单独用任何一个都稳尤其是那种近处清楚、远处白墙的图。import cv2 import numpy as np from Retinex import msr def msr_plus_clahe(img, sigma_list(15, 80, 250), gain1.2, offset10, clip_limit2.0, tile8): # 第一步MSR 去雾 img_float img.astype(np.float32) / 255.0 base msr(img_float, sigma_list, gain, offset) base np.clip(base, 0, 1) base_uint8 (base * 255).astype(np.uint8) # 第二步转 LAB只对 L 通道做 CLAHE lab cv2.cvtColor(base_uint8, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) clahe cv2.createCLAHE(clipLimitclip_limit, tileGridSize(tile, tile)) l_eq clahe.apply(l) merged cv2.merge([l_eq, a, b]) result cv2.cvtColor(merged, cv2.COLOR_LAB2BGR) return result逻辑说明clip_limit控制对比度增强的上限给大了暗部噪点会炸2.0 是保守起点tileGridSize是分块大小8×8 适合大多数分辨率图特别大可以调到 16。只动 L 通道是为了不破坏色相这是 LAB 相比 RGB 的最大好处。跑完这一步你会发现远处雾区的纹理比单跑 MSR 清楚一截。验证效果别只靠眼睛容易被看起来更亮骗了。我一般会算两个客观指标一是信息熵去雾后熵值应该上升说明细节变多二是无参考的对比度指标比如标准差雾图标准差通常很低去雾后应该明显变大。如果熵涨了但标准差没动多半是整体提亮而不是真的去雾。import cv2 import numpy as np def entropy(gray): hist cv2.calcHist([gray], [0], None, [256], [0, 256]).ravel() p hist / hist.sum() p p[p 0] return -np.sum(p * np.log2(p)) def contrast_std(gray): return float(np.std(gray)) img cv2.imread(input/fog.jpg, 0) out cv2.imread(output/fog_retinex.jpg, 0) print(原图 熵%.3f 标准差%.2f % (entropy(img), contrast_std(img))) print(结果 熵%.3f 标准差%.2f % (entropy(out), contrast_std(out)))两个指标一起看熵和标准差都涨才算真去雾只涨一个就要回头查参数。这套流程我踩过最狠的一次坑是拿一张本身就很暗的夜景图去跑gain给到 2.0结果噪声全被拉出来熵是涨了但图根本没法看。从那以后我每次调gain都强制先跑一遍小图预览确认暗部没炸再上大图。希望这套拆解能帮到你把这份源码真正跑成自己手里的工具。本文还有配套的精品资源点击获取 Retinex去雾实战：Python源码解析与MSR算法调参指南
简介这份资源面向图像处理初学者与需要实现图像去雾的开发者提供基于Retinex理论的Python去雾算法实现可用于改善雾天、低光照或高对比度环境下的图像质量帮助理解人眼视觉感知模型在图像增强中的应用。压缩包共3个文件均为py脚本整体约2KB分别承担算法核心实现、功能版本与主程序运行等职责结构轻量便于快速阅读与二次开发。目前已有2195人学习下载说明该方向具有较高的关注度。通过源码可掌握图像预处理、多尺度滤波、局部亮度计算、Retinex理论应用及去雾后处理等关键环节并可根据实际场景调整参数或优化算法适合作为图像增强与去雾方向的入门实践素材。1. 拆开 Retinex.zip三个 Python 文件到底谁在干活雾天拍回来的图十有八九是灰蒙蒙一片远处细节全糊成一团。很多人第一反应是拉对比度、调曲线结果近处过曝、远处还是白茫茫。Retinex 去雾走的是另一条路——它不跟你死磕全局亮度而是模拟人眼对局部相对亮度的感知把每个像素和它周围邻域做比较从而把被雾气压平的反差重新拉回来。这份Retinex.zip里就四个东西Retinex.py、Retinex_1.py、Retinex_run.py加一个压缩包本体纯 Python 实现没有重型依赖属于那种下载下来改两行就能跑、跑完能直接看到前后对比的实战型源码。适合刚接触图像增强、想搞懂单尺度 RetinexSSR和多尺度 RetinexMSR到底差在哪的人也适合手里有一批雾天图、想先拿个能跑的基线再谈改进的从业者。它解决的不是最先进而是能复现、能改、能看懂每一步在算什么。2. Retinex 去雾的数学骨架从入射分量到反射分量2.1 为什么 Retinex 能把雾减掉Retinex 理论的核心假设很朴素人眼看到的一幅图I(x,y)其实是光照分量L(x,y)和物体本身反射分量R(x,y)的乘积写成I L · R。雾天的麻烦在于雾气相当于给整个场景叠了一层缓慢变化的强光照L被抬得很高而且很平R里原本丰富的纹理和颜色反差就被压扁了。Retinex 要做的就是估计出这个L然后把它除掉留下R。直接做除法数值上不稳工程里统一转到对数域log(R) log(I) - log(L)。这一步是整个算法的地基后面所有代码都在围绕怎么估L打转。估得糙一点就是单尺度 Retinex用一个高斯核卷积原图当作L估得细一点就是多尺度 Retinex用几个不同大小的高斯核分别估一遍再加权平均。雾的尺度往往跨越很大——近处薄雾是小尺度远处厚雾是大尺度所以单尺度经常顾此失彼这也是为什么实际去雾里 MSR 比 SSR 更常用。2.2 单尺度与多尺度的公式对照把公式摊开看更清楚。单尺度 Retinex 的输出R_ssr(x,y) log(I(x,y)) - log(G_σ(x,y) * I(x,y))其中G_σ是标准差为σ的高斯核*是卷积。σ小保留的细节多但颜色容易失真σ大整体亮度均衡但细节被抹掉。多尺度就是把几个σ的结果加权R_msr(x,y) Σ w_k · [ log(I(x,y)) - log(G_σk(x,y) * I(x,y)) ]常见做法是取三个尺度权重各占三分之一。这份源码里Retinex.py和Retinex_1.py大概率就是这两种思路的不同实现或不同版本Retinex_run.py负责把它们串起来跑。下面这张表是我按常见实现整理的参数含义你对着源码里的变量名一一核对即可参数含义典型取值调大后的效果sigma / σ高斯核标准差15 / 80 / 250尺度变大细节保留变少整体更均衡weights多尺度权重[1/3, 1/3, 1/3]偏向某尺度则突出该尺度特征gain输出增益1.0 ~ 2.0整体提亮过大导致过曝offset输出偏移0 ~ 30抬暗部过大发灰2.3 从 RGB 到对数域色彩通道怎么处理雾天图直接对 RGB 三个通道分别做 Retinex很容易出现颜色偏移天空发紫、树叶发青都是常见翻车现场。稳妥的做法是先转到 HSV 或 HLS只对亮度通道 V/L 做增强色相和饱和度原样保留最后再转回 RGB。这样做的代价是颜色信息不参与去雾遇到彩色雾比如工业区的黄雾效果会打折但胜在稳定、不容易出怪色。我一般会先把原图归一化到[0,1]浮点再做对数避免log(0)报错。源码里如果直接对uint8的 0~255 取对数那基本一跑就出-inf这是新手最容易踩的第一个坑。正确顺序是读图 → 转 float 并除以 255 → 加一个极小值1e-6防零 → 取对数 → 估光照 → 相减 → 指数还原 → 裁剪到[0,1]→ 转回uint8。3. 把源码跑起来环境、入口与参数落点3.1 环境准备与依赖确认这份代码是纯 Python 图像处理核心依赖就三个numpy做矩阵运算opencv-python或Pillow读图scipy或cv2提供高斯滤波。如果你机器上还没配好 Python先按常规流程装一个 3.8 以上的版本然后一次性把依赖补齐# 建议在虚拟环境里装避免污染全局 python -m venv retinex_env # Windows 激活 retinex_env\Scripts\activate # Linux / macOS 激活 source retinex_env/bin/activate # 安装核心依赖 pip install numpy opencv-python scipy pillow装完先验证一下避免后面报错时怀疑人生import numpy as np import cv2 import scipy print(numpy:, np.__version__) print(opencv:, cv2.__version__) print(scipy:, scipy.__version__)三行都能打印出版本号环境就算通了。如果cv2导入报ImportError八成是装成了opencv-python-headless或者和别的包冲突卸载重装opencv-python即可。3.2 读懂 Retinex_run.py 的调用链Retinex_run.py是入口它的职责通常就四件事读图、调算法、存图、显示对比。打开它先别急着跑先找这几个关键位置——输入路径、输出路径、算法函数名、参数。下面是我按常见写法还原的一个可运行入口你可以拿它和源码对照缺哪块补哪块import cv2 import numpy as np from Retinex import msr # 假设核心算法在 Retinex.py 里以 msr 命名 def main(): # 1. 读图注意路径别带中文Windows 下容易出问题 img cv2.imread(input/fog.jpg) if img is None: raise FileNotFoundError(图片没读到检查路径和文件名) # 2. 转 float 并归一化这是防 log(0) 的关键一步 img_float img.astype(np.float32) / 255.0 # 3. 调用多尺度 Retinex三个尺度是经验值 result msr(img_float, sigma_list[15, 80, 250], gain1.2, offset10) # 4. 裁剪回合法范围再转 uint8 result np.clip(result, 0, 1) result_uint8 (result * 255).astype(np.uint8) # 5. 存图 拼对比图 cv2.imwrite(output/fog_retinex.jpg, result_uint8) compare np.hstack([img, result_uint8]) cv2.imwrite(output/compare.jpg, compare) print(处理完成结果在 output 目录) if __name__ __main__: main()逻辑说明第 2 步的归一化不能省log对 0 和负数无定义第 3 步的sigma_list是 MSR 的灵魂三个尺度分别对应细节、中景、整体亮度第 4 步的clip是后悔药Retinex 输出经常超出[0,1]不裁直接转uint8会溢出成噪点。参数上gain控制整体亮度雾重就调到 1.5 左右offset抬暗部夜景去雾时给到 20~30 能救回阴影细节。3.3 核心算法函数的参数落点Retinex.py里那个核心函数重点看它怎么估光照。如果是单尺度你会看到一个高斯核如果是多尺度会看到循环里对每个sigma分别卷积再累加。下面这段是 MSR 的典型骨架对照源码看变量名即可import cv2 import numpy as np def ssr(img, sigma80): 单尺度 Retineximg 为 [0,1] 浮点 img_log np.log1p(img) # log1p 比 log(1x) 数值更稳 # 对每个通道分别估光照 blur cv2.GaussianBlur(img, (0, 0), sigma) blur_log np.log1p(blur) retinex img_log - blur_log return retinex def msr(img, sigma_list(15, 80, 250), gain1.0, offset0.0): 多尺度 Retinex加权融合多个尺度 retinex np.zeros_like(img, dtypenp.float32) for sigma in sigma_list: retinex ssr(img, sigma) retinex / len(sigma_list) # 等权平均 # 增益和偏移做后处理方便调亮度和暗部 retinex gain * retinex offset / 255.0 return retinex逻辑说明log1p等价于log(1x)在x接近 0 时精度更好能少一类玄学噪点。cv2.GaussianBlur的(0,0)让 OpenCV 根据sigma自动算核大小省得你手算。多尺度这里用的是等权平均如果你想让某个尺度更突出把retinex ssr(...)改成retinex w * ssr(...)并保证权重和为 1 即可。gain和offset放在最后统一处理比在每个尺度里调更直观。提示Retinex_1.py和Retinex.py如果函数名重复import时后导入的会覆盖前面的跑之前先确认Retinex_run.py到底import的是哪个文件别改了半天发现改错了。4. 避坑与排查跑不通、颜色怪、速度慢的常见原因4.1 现象一运行就报RuntimeWarning: divide by zero或输出全黑原因基本锁定在数值域。要么是读进来的图没归一化uint8直接进log要么是某个通道存在纯 0 像素log(0)得到-inf后续运算全被污染。解决方式是统一走float32 / 255.0并在取对数前加1e-6或者直接用log1p。输出全黑往往是clip之前的值大面积是负的检查一下是不是把log(I) - log(L)写反成了log(L) - log(I)。4.2 现象去雾后天空发紫、整体偏色这是分通道处理 RGB 的典型后遗症。三个通道的局部均值不一样减完之后比例就乱了。解决办法是转到 HSV 或 HLS只对 V/L 通道做 Retinex再转回来。如果源码里就是分通道做的别急着大改先加一步颜色校正——把结果图每个通道的均值对齐到原图对应通道的均值能压掉大部分偏色。4.3 现象大图跑得极慢一张 4000×3000 要几分钟高斯滤波的核越大越慢sigma250时核尺寸可能到上千直接卷积是 O(n²) 级别。常见优化是先把图降采样再估光照光照分量本来就是低频的降采样损失很小估完再上采样回去相减。另一个办法是用cv2.GaussianBlur而不是自己写卷积OpenCV 内部有分离卷积优化比手写快一个数量级。4.4 现象结果图噪点被放大暗部出现彩色斑块Retinex 在提亮暗部的同时会把噪声一起放大这是算法本身的副作用不是代码 bug。缓解手段有两个一是处理前先做一次轻度的双边滤波或非局部均值去噪注意别把细节也磨没了二是降低gain宁可整体暗一点也别把噪声拉爆。如果源码里没有去噪步骤可以在Retinex_run.py读图之后、调算法之前插一行cv2.bilateralFilter。4.5 现象换了张图效果天差地别参数完全没法复用雾的浓度和尺度分布差异很大一套sigma打天下不现实。我的习惯是先把sigma_list固定成[15, 80, 250]这个通用组合只调gain和offset适配亮度效果实在不行再动尺度。另外注意图片本身的曝光如果原图已经过曝Retinex 救不回来得先做高光压制。5. 进阶玩法把 MSR 和 CLAHE 串起来再谈验证单跑 MSR 有个绕不开的矛盾sigma取小了细节好但颜色飘取大了颜色稳但细节糊。我后来固定下来的做法是 MSR 打底、CLAHE 收尾。MSR 负责把被雾压平的大尺度反差拉回来CLAHE 在 LAB 空间的 L 通道上做局部直方图均衡把残留的暗部细节再顶一顶。两者叠加比单独用任何一个都稳尤其是那种近处清楚、远处白墙的图。import cv2 import numpy as np from Retinex import msr def msr_plus_clahe(img, sigma_list(15, 80, 250), gain1.2, offset10, clip_limit2.0, tile8): # 第一步MSR 去雾 img_float img.astype(np.float32) / 255.0 base msr(img_float, sigma_list, gain, offset) base np.clip(base, 0, 1) base_uint8 (base * 255).astype(np.uint8) # 第二步转 LAB只对 L 通道做 CLAHE lab cv2.cvtColor(base_uint8, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) clahe cv2.createCLAHE(clipLimitclip_limit, tileGridSize(tile, tile)) l_eq clahe.apply(l) merged cv2.merge([l_eq, a, b]) result cv2.cvtColor(merged, cv2.COLOR_LAB2BGR) return result逻辑说明clip_limit控制对比度增强的上限给大了暗部噪点会炸2.0 是保守起点tileGridSize是分块大小8×8 适合大多数分辨率图特别大可以调到 16。只动 L 通道是为了不破坏色相这是 LAB 相比 RGB 的最大好处。跑完这一步你会发现远处雾区的纹理比单跑 MSR 清楚一截。验证效果别只靠眼睛容易被看起来更亮骗了。我一般会算两个客观指标一是信息熵去雾后熵值应该上升说明细节变多二是无参考的对比度指标比如标准差雾图标准差通常很低去雾后应该明显变大。如果熵涨了但标准差没动多半是整体提亮而不是真的去雾。import cv2 import numpy as np def entropy(gray): hist cv2.calcHist([gray], [0], None, [256], [0, 256]).ravel() p hist / hist.sum() p p[p 0] return -np.sum(p * np.log2(p)) def contrast_std(gray): return float(np.std(gray)) img cv2.imread(input/fog.jpg, 0) out cv2.imread(output/fog_retinex.jpg, 0) print(原图 熵%.3f 标准差%.2f % (entropy(img), contrast_std(img))) print(结果 熵%.3f 标准差%.2f % (entropy(out), contrast_std(out)))两个指标一起看熵和标准差都涨才算真去雾只涨一个就要回头查参数。这套流程我踩过最狠的一次坑是拿一张本身就很暗的夜景图去跑gain给到 2.0结果噪声全被拉出来熵是涨了但图根本没法看。从那以后我每次调gain都强制先跑一遍小图预览确认暗部没炸再上大图。希望这套拆解能帮到你把这份源码真正跑成自己手里的工具。本文还有配套的精品资源点击获取