有一种称为 Retinex 的图像处理算法使用比例来执行局部对比度增强。这是关于 Multi-Scale Retinex 算法的 OK演示文稿以获取更多详细信息。

图像大小不会改变，因为您正在执行高斯核与图像的卷积。在实践中，这通常是在频域中完成的，并且对图像进行了填充以避免循环卷积的影响。这是图像处理中的标准内容，您可以将“内核”与图像进行卷积。它只是使用二维高斯函数对环绕像素进行平均，而不是像块一样的东西。

我已经看到 sigma 的选择是一个有点特别的“这对我来说看起来不错”的选择过程。一些论文中发表的范围似乎适用于大多数图像。本质上，小值保留了图像中的细节，中等值提供了一般细节和全局能量的混合，大值提供了图像能量的更多全局表示。我认为小号是 1-25，中号是 25-75，大号是 +75。当您对所有尺度进行卷积和求和时，使用更轻松的数学运算，您将获得局部对比度增强的图像。结果相当不错。您可以在一些图像上试一试，以查看每个图像的结果，以获得更好的感觉。

尺度空间的基本思想是使用单个参数对图像值/函数空间进行参数化，以便可以定位或选择该参数的有趣变化。为不同的参数值生成的各种图像可以代表不同的事物，在图像分析中它们是输入图像的简化。可以使用线性尺度空间执行平滑、带通滤波和各种基于频率的操作——这已经得到了很好的研究。有关比例的更一般视图，请参阅。

在高斯的情况下，像腐蚀/膨胀这样的形态算子会根据因果关系的概念产生更简单的函数——我们不引入新的极值。这在数学上由半群结构固定。产生的空间或函数族是尺度空间。这里应该注意的是，尺度参数实际上可以用动态系统的参数甚至扩散方案的参数来改变。它是使这个定义具体化的公理。

对于高斯，我们有两个参数，即高斯的内核大小和标准差。现在尺度直觉或多或少是正确的——我们搜索不同的尺度（简化）来找到一个对象，就像在SIFT和其他算法中一样。因此，比例表示图像的结构，而对象（如检测算法中的）是在这个空间中搜索的东西。