在数字图像处理领域中,基于人类视觉系统特性提出的Retinex算法作为最常见的一种图像增强算法,具备保持图像色彩恒常性、不易失真,局部对比度增强、图像的动态变化在理想的范围内等特点,在各行各业都具有广泛的应用前景,已成为该领域的研究热点。针对Retinex算法中图像边缘细节增强不足及无法有效控制各尺度信息增强程度的问题,提出一种多层次分解的Retinex图像增强算法。首先,在Retinex算法中结合回转对称双边滤波,通过设置不同尺度的滤波参数,获取表征图像不同尺度信息的反射分量和照度分量;其次,通过使用指数函数对分解得到的各级反射分量进行增强,结合Sigmoid函数和伽马矫正对最终的照度分量进行处理,能够有效提升图像边缘细节的表达能力,提升低照度图像整体亮度同时抑制高亮度区域;再次,融合各层级增强分量,将融合后的图像亮度图与原始颜色分量相结合,使得调整前后图像的颜色饱和度一致性更佳;最后,通过颜色恢复函数对增强图像进行后处理,进一步避免色彩偏差和失真的问题。以低照度图像、背光图像及光照不均匀图像为增强的目标图像,与6个经典图像增强算法进行对比实验结果表明,局部标准差平均值、信息熵及平均梯度均得到一定的提升,验证了本文算法具有较强的鲁棒性及有效性。该论文有图32幅,表3个,参考文献65篇。