很多人都认为retinex和暗通道去雾是八杆子都打不着的增强算法。的确，二者的理论、计算方法都完全迥异，本人直接从二者的公式入手来简单说明一下，有些部分全凭臆想，不对之处大家一起讨论。
首先，为描述方便，后面所有的图像都是归一化到[0,1]的浮点数图像。
Retinex的公式就是：
J=I/L (1)
其中，J是所求的图像，I是观测图像，L是估计的光照图像。注意，由于有J、I、L的值都在区间[0,1]内，则有L>=I成立。（这里使用符号J和I，而不是常规的R和S，主要是为了和暗通道公式保持一致，便于比较）
暗通道去雾的公式为：
J=(I-A)/t+A (2)
其中，A是光照值，t是透射率。如果我们定义遮罩图像V1， 并令t=1-V1/A, 将其带入上面公式，则有：
J = (I-V1)/(1-V1/A) (3)
一般有I>=V1, 由于光照A的值一般都偏大，接近于1，那么上面公式再次简化为：
J = (I-V1)/(1-V1) (4)
仔细观察公式（1）和（4），你发现相似之处了吗？
在公式（1）中，I值介于0和L之间，其作用就是将I线性拉伸到[0,1]之间，公式（4）中，I值介于[V1,1]之间，其作用也是将其值线性拉伸到[0,1]之间。
所以，二者是类似的。
如果现在图像I值介于[V1,L]之间，那么自然地恢复公式是：
J = (I-V1)/(L-V1) (5)
如果直接套用上面公式到普通图像，效果很容易增强太过，毕竟难以找到又有较强雾霾有光照不足的场景。什么图像合适呢？标题已经点明了，HDR图像。V1也就是我前几天说的暗边界，L就是亮边界，三个RGB通道可以共用暗边界，但L要各自计算。此外，hdr的预处理也非常关键，比如进行对数操作，最后要采用非线性归一化操作。
话不多说，下面上图。左边是Luminance-HDR软件的结果，右边是我的增强结果。
软件EXE下载地址：http://pan.baidu.com/s/1cxKU0u
程序采用python实现，未经性能优化，exe中打包了python及numpy wxpython opencv等重量级模块，故体积较大，如杀毒软件误报为病毒，请信任运行。
