算法的基本原理是认为人眼观看的图像S是由两部分组成，即入射光图像L与反射图像R相乘得到，因为R与图像轮廓信息相关，所以问题变为从S中提取R。其中的关键便是根据L的特征对L进行合适的建模。
最基础的算法认为光原本照度是均匀的，所以在S图像上进行高斯滤波，从而留下物体反射的信息R，而且认为物体的颜色也是由物体反射能力决定的，处理照度信息不会对颜色信息产生损失。
在这些理论的假设下，感觉这个算法最适合处理的是光照不足下物体的还原，但是要想处理效果好，最好不要有额外的光源，如路灯，建筑物灯，因为这会破坏L的低频特性。
算法采取的多通道MSRCR算法，三通道标准差为经典的30，150，300，对颜色有一定修复。
例子：
处理理较好的几幅图像。
这几幅的共同特点是，观察的物体都在远方，雾对物体的模糊程度较均匀，假如是物体有近有远，雾仅仅对远处的物体模糊，效果就会变差。抑或有灯光破环原本照度的均匀性效果也会变差（照度存在高频信息）。
较差的效果：
我们可以发现在左下光照区域的建筑细节都丢失了，因为算法颜色恢复使用的是对数域线性的恢复128*颜色比重+127，由对数函数的特性，高亮度的区域被压缩了。再就是像路灯附近，亮度变化较大的部分被平滑化了，这还是对亮度L估计方式不当造成的（此情况不应认为照度是缓慢变化的）。
算法也可以解决的光照不足的情况，例如夜晚，清晨，傍晚的图片，解决因为光照不足导致人眼对图像不敏感的问题。
McCann算法
此算法意在对不均匀照度产生一种更好的估计，其对照度信息的提取不再是高斯卷积的加权方式，而是选取在一条螺旋线上的亮度进行加权，相比与高斯加权这样可以获取更大范围内的照度信息，并且根据图像大小进行规定数目的迭代。
算法细节不再赘述，我们看看其与MSRCR处理性能的区别。
（MSRCR）
(McCann)
还是可以看出明显的性能优势的，但是相应的计算量也大大上升（因为有迭代的过程）。