图像增强的主要目的是对图像的视觉效果通过技术方面的处理使之得到改善，针对给定的一幅图像的具体应用场景和实用目标，有目的并且有针对性的对图像的整体架构或局部细节方面的特性进行处理，扩大图像在不同场景中所存在的信息内容的差别，去除图像中不需要增强处理的次要信息，经过增强技术加工过的图像可以很好的表现出有用信息，丰富其所包含的细节，加强对图像的辨别以及识别效果，提高图像的可懂度，根据不同需求选用合适的增强方法。对图像的处理可以是一个失真的过程，其结果对后续的图像分割和识别都有着重要的影响。随着目前图像获取设备在技术方面的升级和完善，人类所获得的图像资源数量正在以无法估量的规模日益增多。但拍摄获取图像的环境往往受到限制，使获得的图片在很多方面都不尽如人意。例如，在光照不够充足、图像场景较大或由于天气的原因使得我们所获取的图片不能够符合实际的应用目的。本文所研究的Retinex算法在解决上述问题中取得了相对较好的效果，在理论和实际应用方面也有重要意义。Retinex理论的主要思路可以这样描述，即当人类想要获取图片中的某个像素点所包含的色彩信息以及亮度分量信息的时候，会对所接收到的信息加以理解。对该像素点的判别除了和人眼所感知到的物体光线有关之外，还和图像像素点的领域所包含的色彩信息以及光照分量信息有着密切的联系。算法来自于色彩恒常性理论，其本质是将原始图像分为入射图像和反射图像两个部分，入射分量属于采集过程中的干扰信息，属于低频分量，反射分量为物体所包含的色彩信息，为高频分量。通过高斯滤波将低频段的入射分量进行滤波处理，去掉入射图像的方法来避免光照不均对图像产生的影响，还原出图像的本来面貌。Retinex算法具有色调再现，保持颜色恒常性和增强动态范围压缩等特点。本文在深入研究Retinex理论的的基础上，给出了基于亮度划分的多尺度Retinex增强算法。算法主要分为三个步骤，首先引入更适合人眼观察物体的HSI色彩空间，此模型可以有效的将亮度信息和色度信息分开，该过程仅提取图像的亮度信息，避免了运算过程中对图像的色彩和饱和度的影响，很好的还原了图像的色度信息。然后引入对数图像处理模型（LIP），在这个过程中可以根据图像的不同亮度值将给定图像的亮度划分为不同区域，其划分的依据为图像的背景强度和梯度。最后针对不同的亮度区域按不同尺度参数的Retinex进行增强处理，在这个过程中，主要按面积因子融合不同尺度去增强各子图的信息。通过实验验证我们能够发现，本文所使用的算法在对图像所包含的原始信息的恢复方面有其独特的处理优势，在很多方面都明显优于现在常用的多尺度Retinex算法。本文算法可以完整的还原图像中的色度信息，去除光照不均的影响。经过处理后的图像不但可以突显出原图像中所包含的细节信息，而且还可以使图像的整体效果得到了提升，使图像更加适合人眼观察，其色彩恢复效果和动态信息效果也更为逼真。