简介一份面向图像处理学习者与开发者的Python Retinex去雾算法代码包针对低光照、雾天环境下图像模糊、对比度不足等问题提供了完整的算法实现与可直接运行的示例。资源包整体仅2KB共含3个Python源文件分别承担算法核心逻辑、功能测试与主运行入口完整覆盖从图像预处理、多尺度高斯滤波、局部亮度估计到结合大气散射模型去雾的各个关键步骤。目前已有2197人学习下载代码结构紧凑、注释清晰非常适合初学者对照理解Retinex理论从原理到落地的全过程。读者可借助该资源快速上手图像增强技术依据实际场景调整参数或扩展功能将其作为二次开发的基础参考工具。资源虽小但涵盖了去雾算法的主要脉络是学习与实战兼顾的实用资料。1. Retinex 去雾算法为什么我先抛弃了直方图均衡化做过图像去雾的人大概都有同感直方图均衡化一上来就把对比度拉满雾是淡了天空跟着变成水彩画人脸肤色直接失真。我踩过几次之后才转向 Retinex 去雾算法用 Python 把这套逻辑跑进真实项目里。Retinex 的出发点和直方图完全不同——它模拟人眼对“相对亮度”的感知把图像拆成入射光和物体反射两部分只保留反射分量。这个思路天然适合低光照、逆光、雾天这类场景去雾的同时能把暗部细节提出来。这份资源里包含 Retinex_1.py、Retinex.py、Retinex_run.py 三个文件覆盖了从核心算法到主程序调用的完整链路。适合两类人一类是刚入门想在 Python 里跑通去雾算法的学生另一类是想找一个能改参数、能嵌进预处理管线的从业者。2. Retinex 理论先立住SSR、MSR 与 MSRCR 的选择逻辑2.1 从成像模型到反射分量Retinex 到底在算什么Retinex 这个名称来自 Retina 和 Cortex 的组合核心假设很朴素一张图像可以拆成入射光 L 和反射率 R 的乘积。I(x, y) L(x, y) × R(x, y)人眼感知到的颜色和亮度主要由反射率 R 决定入射光 L 是环境光照带来的干扰。雾天恰恰是大气散射给 L 加了大量均匀的“白噪声”所以去雾的本质可以转成从 I 中估计 L然后在对数域里把 L 减掉得到的 ln R 就是增强后的结果。取对数的原因是把乘除运算变成加减数值上更稳定也更贴合人眼对亮度的非线性感知。代码里最常见的写法是def retinex_ssr(img, sigma): # img: 0-255 的 float32 图像形状 (H, W, C) # sigma: 高斯滤波的尺度参数 blur cv2.GaussianBlur(img, (0, 0), sigma) # 估计入射光 L log_img np.log(np.float32(img) 1.0) # 对数域 I log_blur np.log(blur 1.0) # 对数域 L log_reflect log_img - log_blur # 对数域反射分量 R return log_reflect这段代码里最容易忽略的是 1.0这个偏移量。像素值可能为 0直接取对数会出现负无穷加 1 是为了保证对数运算有定义同时让输出范围保持在合理区间。高斯滤波的核大小没有显式给出OpenCV 在传入(0, 0)时会根据 sigma 自动计算sigma 越大入射光估计得越平滑增强效果越柔和。2.2 三个文件的分工Retinex_1.py、Retinex.py、Retinex_run.py 怎么配合从压缩包的文件命名和项目描述来看这三个文件的职责是比较标准的 Retinex 工程结构。我拿到任何去雾代码包第一步永远是先读文件、理清谁是被调用方谁是入口。文件推测角色在链路里的位置Retinex_1.py基础版单尺度 SSR 实现包含最核心的 log 域差分逻辑Retinex.py完整 Retinex 算法可能是 MSR/MSRCR多尺度加权、色彩恢复因子都在这里Retinex_run.py主程序入口负责读图、初始化参数、调用算法、保存结果常见做法是Retinex_run.py在最外层Retinex.py提供类或函数封装Retinex_1.py则可能是早期版本或某个具体功能的独立实现。你在二次开发时可以只改Retinex_run.py里的输入输出路径和参数核心算法不要动。如果你要换算法变体比如从 SSR 换到 MSRCR就到Retinex.py里追加对应函数。2.3 SSR、MSR、MSRCR 三选一参数表和适用场景单尺度 Retinex 很好理解但对不同尺寸的纹理响应不一致多尺度 Retinex 把多个 sigma 的 SSR 结果做加权取长补短。MSRCR 则是在 MSR 基础上加了颜色恢复因子解决多尺度处理后颜色被冲淡、整体偏灰的问题。算法sigma 数量颜色处理适合场景代价SSR1 个无特殊处理光照不均、单尺度细节增强边缘光晕明显MSR3 个左右无通用去雾、中等雾浓度颜色饱和度下降MSRCR3 个左右色彩恢复因子 C雾天、低光照、色彩要求高计算量大参数敏感如果是第一次跑这份代码我建议先从 Retinex_1.py 的单尺度版本起步确认链路通顺再切到 Retinex.py 的多尺度版本。直接上 MSRCR 会面临一堆参数调整容易把精力耗在调参上而不是理解算法本身。雾浓度中等、背景以景物为主时MSRCR 效果最好纯天空占比很大的图MSRCR 容易出现色彩过饱和这是它原理决定的。3. 把 Retinex_run.py 跑起来依赖安装、参数设置与第一张去雾图3.1 环境准备Python、numpy、opencv 的版本匹配这套代码基于 Python 实现核心依赖是 numpy 和 opencv-python。新手最容易在安装阶段翻车先确认 Python 版本是 3.8 以上然后一次性装齐基础库。numpy 的安装没什么玄学opencv-python 的导入名是 cv2不是 opencv这两个坑会让新手卡在第一步。python -m pip install numpy opencv-python matplotlib装完在 Python 交互环境里验证一下python -c import numpy, cv2; print(numpy.__version__, cv2.__version__)只要不报 ModuleNotFoundError 就说明环境没问题。这里不推荐用 conda 强行指定 numpy 版本最新版对多数 Retinex 项目足够。如果后续发现代码里用了较老的 numpy API再降版本不迟。opencv 的读取函数返回的是 BGR 顺序这一点在第 4 章会详细展开它几乎是去雾项目里最常见的一个坑。3.2 修改输入的三个关键点图片路径、scale 列表、输出目录Retinex_run.py 主程序通常会有这样几个可配置区域输入图片路径、算法参数、输出路径。我第一次跑类似项目时习惯用一个简单参数区把变量集中管理比如 image_path、output_path、scales。多尺度 Retinex 的核心参数是 scales也就是 sigma 列表。通常取三个尺度小尺度提取局部细节大尺度估计全局光照分布中间尺度兼顾两者。# Retinex_run.py 里主要调整的参数区 image_path ./foggy_input.jpg # 输入有雾图像路径 output_path ./output.jpg # 去雾结果保存路径 scales [15, 80, 250] # 多尺度 Retinex 的 sigma 列表 gain 1.2 # 增益系数控制整体亮度 offset 0.0 # 偏移量控制输出亮度整体平移scales 的选择直接决定效果三个尺度差距越大细节增强越强但也越容易出现光晕。gain和offset在 MSR 公式里用于把对数域结果线性映射回显示范围gain 1.2是经验值偏暗的图可以把 gain 提到 1.5偏亮的图压到 1.0。改完这些参数直接运行主程序python Retinex_run.py如果程序内部已经写死路径就手动把 image_path 变量替换成你自己的图片路径。常见的做法是把雾图放在与脚本同目录下用相对路径避免转义问题Windows 下尤其注意路径分隔符写./foggy_input.jpg比写绝对路径省心。3.3 运行脚本与结果验证怎么看效果好不好程序正常跑完后打开输出图先看三个地方。第一看整体亮度是否合理。Retinex 去雾不等于无脑提亮雾天图像通常整体偏低增强后应有明显层次感但天空区域不能过曝。第二看暗部纹理比如树叶缝隙、建筑边缘这些地方是不是恢复了细节。第三看有没有大面积灰白色残留如果图像看起来像是蒙了一层纱说明入射光估计偏高需要减小 sigma 或增大 gain。# 快速验证脚本对比原图和输出图的灰度直方图分布 import cv2 import numpy as np from matplotlib import pyplot as plt img cv2.imread(output.jpg, cv2.IMREAD_GRAYSCALE) hist cv2.calcHist([img], [0], None, [256], [0, 256]) plt.plot(hist) plt.xlim([0, 256]) plt.show()直方图是最直观的验证工具。雾图的直方图通常集中在中间灰度段且峰型尖锐去雾后直方图应该被拉伸开左右两端都有分布。如果直方图仍然挤在中间说明算法没有生效基本就是参数没匹配上或者输入图像读取失败。这一步能帮你快速判断是算法问题还是数据问题。4. Retinex 去雾常见问题与排查五条踩坑记录4.1 颜色偏紫偏蓝通道顺序背锅现象跑完 Retinex 后图像整体发蓝发紫尤其皮肤和天空区域颜色完全不对。这不是算法本身的问题也不是 RGB 和 HSV 色彩空间的差异而是 opencv 读取图片默认用 BGR 顺序很多 Retinex 代码是按 RGB 顺序写的。原因cv2.imread 读进来的图像通道顺序是 BGR直接按 RGB 通道处理会导致蓝通道被当成红通道增强色偏自然跑偏。解决在处理前先转换通道顺序处理完再转回去或者全程按 BGR 处理。一般我是在读取后立刻执行 cvtColorimg cv2.imread(foggy_input.jpg) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 对 img_rgb 做 Retinex 处理 … result_bgr cv2.cvtColor(result_rgb, cv2.COLOR_RGB2BGR) cv2.imwrite(output.jpg, result_bgr)这是一条血泪经验只要结果颜色不对先怀疑通道顺序不用急着调 Retinex 参数。4.2 暗部全黑或亮部过曝对数域数学的锅现象输出图暗部区域黑成一片完全没有细节亮部区域又白到刺眼。看起来像是对比度被过度拉伸。原因对数域差分后ln R 的数值范围可能很大直接归一化到 0-255 时低值部分被压缩到肉眼不可分辨的范围。很多实现直接用 min-max 归一化但 outlier 会把有效数据挤到很小的一段区间。解决不要直接 min-max改用 clip 配合线性拉伸。我这边的做法是把结果限制在 0 到 1 之间然后乘以 255再做一次饱和处理# 对对数域结果做饱和线性映射 def linear_stretch(gray, low0.05, high0.95): # gray: log 域反射分量 low_val, high_val np.percentile(gray, [low * 100, high * 100]) stretched (gray - low_val) / (high_val - low_val 1e-6) return np.clip(stretched, 0, 1) result linear_stretch(log_reflect) result (result * 255).astype(np.uint8)percentile 截断两个端的离群值比 min-max 稳得多。low 和 high 控制截断比例0.05 和 0.95 是通用配置图像过暗可以调成 0.01 和 0.99让更多灰度参与映射。4.3 光照边缘出现白色光晕高斯尺度配错了现象增强后的图里物体边缘会有一圈白色的光晕类似 HDR 过度处理的鬼影。这在 Retinex 里是常见翻车现场。原因入射光 L 是通过高斯滤波估计的如果 sigma 过小高斯核范围小于物体尺寸物体内部区域会被误判为入射光的一部分而 sigma 过大入射光在边缘处过渡太慢物体与背景交界处就会出现过渡带视觉上就是光晕。解决光晕集中在边缘说明 sigma 的尺度分层不合理。从 15、80、250 这种阶梯式设置开始逐步缩小尺度差就会好很多。代码里如果高斯滤波是手动指定核大小的确保核大小是奇数且接近 sigma 的 6 倍否则滤波效果与预期不一致。# 手动指定高斯核大小时参考这个关系 ksize int(sigma * 6) if ksize % 2 0: ksize 1 blur cv2.GaussianBlur(img, (ksize, ksize), sigma)4.4 结果与原图几乎没差或更差现象跑了算法输出图看起来只是亮度变了一点雾气根本没有消除。原因说明入射光估计值接近原始图像本身ln R 被压缩到接近 0。这种情况通常出现在 sigma 设置过小、增强强度不足或者输入图像已经是 0-1 浮点图而代码仍然按 0-255 处理。浮点范围和整型范围不匹配是常见的隐蔽问题。解决先打印输入图像的数据范围和 dtype确认是 uint8 还是 float32。如果是 float 图先转成 uint8 再走算法。sigma 如果只有个位数值把它拉到至少 15 以上。另外确认 Retinex_run.py 里不是拿原图覆盖了输出图这种低级错误出现过不止一次。4.5 运行慢到怀疑人生多尺度循环的坑现象大图 4000 × 3000跑一次要几十秒甚至几分钟连续跑十几张图根本没法用。原因每个通道每个尺度都要做高斯滤波numpy 处理和图像尺寸成正比多尺度叠加后计算量线性上涨。解决核心思想是控制输入尺寸。先按长边缩放到 1024 以内处理完再 resize 回来。还有一种常见做法是把图像转成 float32 后对每个尺度先用小尺寸估计入射光再放大但这个方案实现复杂。先做缩放是性价比最高的解法img cv2.imread(large_fog.jpg) h, w img.shape[:2] scale min(1024 / max(h, w), 1.0) if scale 1.0: img_resized cv2.resize(img, (int(w * scale), int(h * scale))) # 对 img_resized 做 Retinex 处理 … result cv2.resize(result, (w, h))5. 从“能跑”到“好用”Retinex 与暗通道先验的取舍和改造方向5.1 Retinex 和暗通道先验两张牌怎么选暗通道先验是另一条去雾路线由何恺明提出理论依据是有雾图像暗通道亮度偏高通过最小通道估计透射率再反推清晰图像。它和 Retinex 的差别在于是“物理模型”还是“感知模型”。暗通道先验在浓雾场景、远景建筑上效果很强悍但是天空区域往往过暗或产生色偏因为天空不满足“暗通道亮度接近零”的假设。Retinex 没有这个前提雾天、低光照、逆光都能用但增强结果不保证物理正确更像是视觉增强。对比项Retinex暗通道先验理论基础人眼感知入射光/反射率大气散射物理模型适合场景低光照、逆光、中低浓度雾均匀浓雾、远景清晰化天空表现较自然可能饱和度偏高容易出现偏色或过暗参数复杂度尺度参数和增益参数大气光与透射率阈值运行速度多尺度滤波速度一般依赖导向滤波精化我现在的选择标准是雾天图像偏灰但光照均匀用暗通道先验逆光、夜视、光照分布不均用 Retinex。更多时候是把 Retinex 作为预处理去雾步骤后续再接检测或识别模型。5.2 给 Retinex 加色彩恢复MSRCR 实现里的两个细节多尺度 Retinex 会牺牲彩色饱和度原因是三个通道被独立拉伸通道间比例关系被破坏。MSRCR 的做法是加一个色彩恢复因子让颜色比例回归。常见实现是计算彩色恢复系数 Cdef msrcr(img, scales[15, 80, 250], beta46.0, alpha125.0): img img.astype(np.float32) / 255.0 msr np.zeros_like(img) for sigma in scales: blur cv2.GaussianBlur(img, (0, 0), sigma) msr np.log(img 1e-6) - np.log(blur 1e-6) msr / len(scales) # 色彩恢复因子 sum_rgb np.sum(img, axis2, keepdimsTrue) 1e-6 color_restore beta * (np.log(alpha * img 1e-6) - np.log(sum_rgb 1e-6)) result msr * color_restore # 截断归一化 result (result - np.min(result)) / (np.max(result) - np.min(result) 1e-6) result np.clip(result * 255, 0, 255).astype(np.uint8) return result两个细节值得注意。第一个是beta和alpha的取值组合beta 取 46、alpha 取 125 是论文里给出的经验值直接改这两个数会显著影响色彩饱和度调参时每次只动一个变量。第二个是代码加了1e-6而非1.0因为输入被归一化到 0-1 之后加 1 会把对数域数值整体推偏加一个足够小的 epsilon 就能既避免 log 0又不会改变数值分布。5.3 改造思路把 Retinex 塞进自己的预处理管线Retinex 跑通以后最常见的改造方向是把它接到目标检测或图像配准流程前面。我一般会把去雾脚本打包成一个函数输入路径输出数组后面直接接模型推理而不是每次跑完整流程再读图。还有两个实用的二次开发切入点一个是把 gain 和 offset 改成根据图像亮度自动计算比如计算灰度均值后决定拉伸强度另一个是把关键参数写进配置文件而不是改脚本源码方便不同场景切换参数组。这种封装方式最大的好处是快速对比不同参数组的输出为每个场景固定一套参数。我经手的项目里白天雾和夜间雾的参数完全是一组截然不同的值写死参数等于把后路堵死。6. 批量去雾与视频逐帧处理把 Retinex 用到真实数据上的一个技巧6.1 批量跑一个文件夹的雾图单张图跑通只是开始真实任务往往是几十张甚至几百张图。批量处理的思路很简单遍历输入目录对每张图调用同一个去雾函数输出到带后缀的结果文件。注意一点不同图片的亮度分布不同固定参数对一部分图效果很好对另一部分图会过曝批量处理前先抽样三张图确认参数稳定性。import os input_dir ./fog_images output_dir ./results os.makedirs(output_dir, exist_okTrue) for fname in os.listdir(input_dir): if not fname.lower().endswith((.jpg, .png, .jpeg)): continue path os.path.join(input_dir, fname) img cv2.imread(path) enhanced msrcr(img, scales[15, 80, 250]) # 复用上一节 out_name os.path.splitext(fname)[0] _enhanced.jpg cv2.imwrite(os.path.join(output_dir, out_name), enhanced)6.2 视频逐帧去雾与自适应参数视频去雾在安防监控里很常见但逐帧调用处理函数会遇到两个问题一是稳定性参数抖动会让画面亮度闪烁一眼能看出来二是性能1080p 视频逐帧跑多尺度卷积帧率上不去。我一般会先缩放到 720p再把每 3 帧取 1 帧做关键帧参数计算中间帧沿用上一帧参数组这样既稳定又省算力。视频去雾算法的参数不是越激进越好亮度的连续变化比单帧的极限画质更重要。从那以后我每次跑去雾脚本都会先拿三张典型图试参数、看直方图、再决定是否批量而不是拿到代码就全量跑。这个方法帮我少走了很多弯路希望帮到你。压缩包里的 Retinex_1.py、Retinex.py、Retinex_run.py 已经把整条链路搭好直接从第三章的环境准备开始复现就行。本文还有配套的精品资源点击获取