4. 经典去雾算法（二）：基于Retinex理论的去雾方法、多尺度Retinex（MSR）与带色彩恢复的MSR（MSRCR）

上一章我们聊了暗通道先验，今天来聊聊另一条技术路线——Retinex理论。

说实话，我第一次接触Retinex是在做图像增强项目时。当时甲方要求「把雾天拍的监控画面变清晰」，我试了直方图均衡化，效果惨不忍睹。后来翻到一篇老，才发现Retinex才是正解。

Retinex这个词，是Retina（视网膜）和Cortex（大脑皮层）的合成词。它的核心思想很简单：人眼看到的颜色，取决于物体本身的反射率，而不是光照强度。

你想想看，一张白纸在阳光下和阴影里，我们依然觉得它是白的。为什么？因为大脑自动「去掉」了光照的影响。Retinex算法就是模拟这个机制。

4.1 Retinex理论的核心思想

Retinex把一张图像分解成两部分：

• 入射光分量（Illumination）：环境光照，变化缓慢，属于低频信息
• 反射分量（Reflectance）：物体本身特性，包含细节和纹理，属于高频信息

用公式表达就是：

S(x,y) = R(x,y) · I(x,y)

其中S是观测到的图像，R是反射分量，I是入射光分量。去雾的本质，就是从S中分离出R，去掉光照I的影响。

实际操作中，我们通常把公式转到对数域：

log(S) = log(R) + log(I)

为什么取对数？两个原因：一是把乘法变加法，方便分离；二是更符合人眼对亮度的非线性感知。

4.2 单尺度Retinex（SSR）

SSR是最基础的版本。它的做法是：用高斯滤波估计光照分量I，然后用原图减去I，得到R。

步骤很简单：

1. 对原图S做高斯模糊，得到光照估计I
2. 在对数域计算：log(R) = log(S) - log(I)
3. 取指数，得到反射分量R
4. 做线性拉伸，映射到0-255

代码实现也很直接：

import cv2
import numpy as np

def SSR(img, sigma=80):
    # 转浮点，加1避免log(0)
    img = np.float32(img) + 1.0
    # 高斯模糊估计光照
    I = cv2.GaussianBlur(img, (0, 0), sigma)
    # 对数域相减
    R = np.log(img) - np.log(I)
    # 线性拉伸到0-255
    R = cv2.normalize(R, None, 0, 255, cv2.NORM_MINMAX)
    return np.uint8(R)

SSR的问题很明显：单尺度无法兼顾全局和局部。小尺度能保留细节，但颜色失真严重；大尺度颜色自然，但细节丢失。怎么办？多尺度融合。

4.3 多尺度Retinex（MSR）

MSR的思路很朴素：用多个不同尺度的高斯滤波，分别做SSR，然后加权平均。

公式：

R_msr = Σ w_i · R_i

其中R_i是第i个尺度下的SSR结果，w_i是权重，通常各取1/3。

我习惯用三个尺度：小(15)、中(80)、大(250)。小尺度抓细节，大尺度保颜色，中尺度做过渡。

def MSR(img, sigmas=[15, 80, 250]):
    img = np.float32(img) + 1.0
    R_sum = np.zeros_like(img)
    for sigma in sigmas:
        I = cv2.GaussianBlur(img, (0, 0), sigma)
        R = np.log(img) - np.log(I)
        R_sum += R
    R_msr = R_sum / len(sigmas)
    R_msr = cv2.normalize(R_msr, None, 0, 255, cv2.NORM_MINMAX)
    return np.uint8(R_msr)

效果比SSR好很多，但有个新问题：颜色偏灰。尤其是彩色图像，看起来像蒙了一层灰纱。

4.4 带色彩恢复的MSR（MSRCR）

MSRCR在MSR基础上加了一个色彩恢复因子C，用来修正颜色偏移。

核心公式：

R_msrcr = C_i · R_msr_i

其中色彩恢复因子C_i的计算方式：

C_i = β · log(α · I_i / Σ I_j)

参数说明：

参数	含义	推荐值
β	增益系数	46
α	调节非线性	125
I_i	第i通道的像素值	-

实现代码：

def MSRCR(img, sigmas=[15, 80, 250], alpha=125, beta=46):
    img_float = np.float32(img) + 1.0
    # 先做MSR
    R_msr = np.zeros_like(img_float)
    for sigma in sigmas:
        I = cv2.GaussianBlur(img_float, (0, 0), sigma)
        R = np.log(img_float) - np.log(I)
        R_msr += R
    R_msr /= len(sigmas)
    
    # 计算色彩恢复因子
    sum_I = np.sum(img_float, axis=2, keepdims=True)
    C = beta * (np.log(alpha * img_float) - np.log(sum_I))
    
    # 应用色彩恢复
    R_msrcr = C * R_msr
    
    # 拉伸到0-255
    R_msrcr = cv2.normalize(R_msrcr, None, 0, 255, cv2.NORM_MINMAX)
    return np.uint8(R_msrcr)

4.5 三种方法的对比

方法	优点	缺点	适用场景
SSR	实现简单，速度快	单尺度顾此失彼，颜色失真	快速原型验证
MSR	细节丰富，动态范围大	颜色偏灰，需要后处理	灰度图增强、监控视频
MSRCR	颜色自然，综合效果好	计算量大，参数调优麻烦	高质量图像去雾、摄影后期

4.6 核心流程总结

下面这张图概括了Retinex去雾的完整流程：

4.7 项目中的避坑指南

我在实际项目中踩过不少坑，分享几个最典型的：

• 颜色过饱和：MSRCR的α和β参数别照搬值。我遇到过α=125时红色通道溢出，降到80才正常。建议根据实际图像微调。
• 光晕效应：高斯滤波的核大小要选奇数。我曾经用(0,0)自动计算，结果边缘出现奇怪的光晕，改成手动指定就好了。
• 噪声放大：Retinex在暗区会放大噪声。我的做法是在对数变换前加一个小阈值，比如img = np.maximum(img, 1e-6)，避免log(0)和噪声放大。
• 实时性优化：MSRCR在1080p图像上要跑几百毫秒。如果做视频去雾，建议降采样到640x360处理，再上采样回原尺寸，肉眼几乎看不出差别。