retinex模型基於人眼，將圖片中因霧靄等原因產生的模糊現象去除，提高圖像清晰度。這裏介紹最常見的一種retinex模型，採用高斯濾波。
人眼看事物時，周圍的光照強度和事物的反射光均會進入人眼 I(x,y)=R(x,y)*L(x,y)，但真正決定人眼判定事物顏色的是事物的反射光R(x,y)。
拍攝出的照片顯示了R,L兩個分量，爲了讓圖像更清楚，就需要加強照片裏的R分量。於是retinex模型的根本就是提取圖像中的R分量。
首先考慮如何估算L分量，假設光照均勻，既圖像中的L分量在各處分佈均勻，所以L分量佔據圖像中的低頻成分，可以通過高斯濾波，以計算周圍鄰域內的加權平均值來提取其中的低頻成分，並把提取出的低頻成分當做L分量。
爲了降低運算複雜度，在提取R的時候用減法替代除法，首先對圖像求log，於是logR=logI-logL，而不用R=I/L
Single-Scale Retinex：將原始圖像分爲RGB三個通道，針對每個顏色，採用單一尺度的高斯濾波。高斯尺度越大，影響最後結果的像素範圍越大，色彩保真度越大，動態壓縮能力越小；尺度越小，結果受周圍像素的影響越大，細節越明顯，動態範圍壓縮能力越大。尺度大小各有利弊，爲充分發揮各尺度的優缺點，出現了Multi-Scale Retinex。
Multi-Scale Retinex: 一般採用尺度大小爲大，中，小（80~100）的三種高斯濾波處理每個顏色通道。根據不同顏色通道對整體顏色的影響，對每個顏色通道的結果加權重，儘可能保持顏色不失真。
動態範圍：最亮~最黑，灰度1~255，無論感光器件多高級，感知到的動態範圍多大，數字化後只有255.
高斯函數經過傅里葉變換仍未高斯函數，只是原sigma大的，變換之後變爲sigma小的。
圖像中的高頻成分爲圖像的邊緣輪廓等；低頻成分爲整幅圖像強度的綜合度量。
sigma大的高斯濾波，平均更多的像素點，頻域sigma小，濾掉更多成分，剩下很低頻率部分的被當做光照，從原圖像中剔除，剩下的便是最後輸出，也可以理解爲高斯濾掉的各種頻率組成了最後輸出的反射成分，所以色彩保真度更好，色彩保真了，自然明暗變化不明顯，既動態範圍壓縮能力差
反之，sigma小的高斯濾波，頻域sigma大，保留大量頻率較低成分，只濾掉少了頻率很高成分，這些成分可看做最後的輸出反射成分，因爲組成的頻率種類少，所以色彩較單一，動態範圍壓縮能力強。高頻率成分代表細節，缺少其他成分使得細節更明顯。
缺陷：1.顏色分佈集中於某一部分時，L分量估算錯誤。例如一塊區域內紅色通道均爲255，高斯濾波求平均值仍爲255，去除L分量，則剩餘反射分量爲0，顯然不合理。
2.retinex模型基於L分量分佈均勻的假設，如果在某亮度有較大變化的邊緣處，光照變化不符合原有假設，則會出現過亮或過暗的光暈現象（halo artifact）。例如明暗相差很大的臨近區域，明亮側的 I爲50，L爲30；暗側的 I爲20，L爲10；實際的R分別爲20,10；如果按假定的均勻L（30+10）/2=20計算的話，R爲30,0。亮側更加亮，暗側更加暗，造成臨界處顏色的感官差異放大。
3.RGB各分量增減幅度不一時會產生顏色失真扭曲。20,10,30--->10,40,20
4.從原圖像基礎上去除了L分量，使得結果圖像產生褪色現象（graying-out）
改進：在之前傳統方法的基礎上進行改進。其中一種方法如下
EC是enhanced curve, 通過分析周邊的直方圖和edge分佈，決定使用哪種曲線，使得圖像可視性更好，輪廓更清晰
添加使用HSV色彩模型儘可能保證顏色的飽和度，鮮明度
