雾天图像成像理论分析
夜间雾天图像成像模型与去雾算法研究
夜间雾天图像成像模型与去雾算法研究
在雾、霾、弱光等天气条件下拍摄到的图像存在对比度低、颜色失真和细节模糊等现象,严重影响安全监控、交通监管、自动导航、目标检测等户外计算机视觉系统发挥效用。
目前,针对白天场景雾天图像复原技术取得了较大进展,而对夜晚有雾图像复原研究较少。
相对于白天场景,夜间图像去雾更具挑战性。
因此,本文对夜晚图像去雾算法进行研究,主要工作如下:针对夜晚有雾图像光照不均、色偏和噪声大等特点,论文深入分析夜间有雾图像成像规律,建立了含有人工光源的夜间有雾图像成像模型,并提出了夜间图像去雾新方法。
针对夜间光照不均问题,提出基于低通滤波的环境光估计方法;针对夜间图像去雾后存在光晕问题,提出根据图像色度信息判断场景点是否属于近光源区域;针对非一致色偏问题,利用直方图匹配方法进行颜色校正。
大量实验结果验证了本文提出的成像模型及去雾算法的有效性。
针对夜间图像去雾后容易造成细节模糊、噪声放大等问题,本文基于图像分解模型,将图像分解为结构层和纹理层,只在结构层对图像进行去雾,可以最大程度保留图像的细节信息;然后在纹理层进行去噪、去伪影处理,并与去雾后的结构层融合得到复原图像。
实验结果表明,基于图像分层的夜间图像去雾算法复原图像细节清晰、噪声较小。
图像去雾算法的综述及分析
2020年 12月 图 学 学 报December2020第41卷 第6期JOURNAL OF GRAPHICSV ol.41No.6收稿日期：2020-06-19；定稿日期：2020-07-24 Received ：19 June ，2020；Finalized ：24 July ，2020 基金项目：国家自然科学基金项目(61502297)Foundation items ：National Natural Science Foundation of China (61502297)第一作者：王道累(1981-)，男，上海人，副教授，博士。
主要研究方向为计算机视觉、图像处理、CAD/CAM 。
E-mail ：*******************.cn First author ：WANG Dao-lei (1981-), male, associate professor, Ph.D. His main research interests cover computer vision, image processing, CAD/CAM.E-mail ：*******************.cn图像去雾算法的综述及分析王道累， 张天宇(上海电力大学能源与机械工程学院，上海 200090)摘要：图像去雾是以满足特定条件下应用需求为目的，通过对有雾图像进行分析和预处理，突出图像中的细节信息使之更加适合人机识别的一种图像预处理方法。
在雾天条件下拍摄到的图像因为雾霾的影响导致图像可能会存在细节丢失、对比度低的情况，将会影响图像后续的分析识别工作。
经归纳总结目前图像去雾算法的研究现状，主要包括基于图像增强、图像复原以及卷积神经网络3类去雾方法及其改进算法，对其中的一些算法进行了实验、评价及优缺点分析，并对未来的发展进行了展望，对算法中的难易点提出了一些参考的建议，促进了图像去雾算法的进一步发展。
关键词：图像增强；图像去雾；图像处理；卷积神经网络中图分类号：TP 317.4 DOI ：10.11996/JG .j.2095-302X.2020060861 文献标识码：A文 章 编 号：2095-302X(2020)06-0861-10Review and analysis of image defogging algorithmWANG Dao-lei, ZHANG Tian-yu(College of Energy and Mechanical Engineering, Shanghai University of Electric Power, Shanghai 200090, China)Abstract: Image defogging is an image preprocessing method for man-machine recognition by analyzing and preprocessing the image with fog, meeting the application requirements under specific conditions. The influence of haze could incur lost details and low contrast for the image taken in foggy conditions, which would impact the subsequent analysis and recognition of the image. The past research on image defogging algorithms was summarized, such as image enhancement, image restoration, convolution neural network, and the improved algorithms, some of which were tested, evaluated, and analyzed in terms of advantages and disadvantages. Explorations were made on the future development, and suggestions were propounded for the difficult and easy parts of the algorithm, thus boosting the further development of the image defogging algorithms.Keywords: image enhancement; image defogging; image processing; convolutional neural network由于卷积神经网络(convolutional neural network, CNN)强大的学习能力，人工智能、深度学习等领域成为当前的研究热点[1]，目标识别、目标跟踪等技术在生活中应用的越来越广泛，如变电站无人巡检、自动驾驶等，图像质量的好坏将会影响着系统能否正常运行。
遥感影像去雾技术的研究与应用
遥感影像去雾技术的研究与应用在当今的科技时代，遥感技术已成为获取地球表面信息的重要手段。
然而，在实际应用中，雾的存在常常会影响遥感影像的质量，使得影像变得模糊不清，从而降低了其在诸多领域的应用价值。
因此，遥感影像去雾技术的研究具有极其重要的意义。
遥感影像去雾技术旨在通过各种方法和手段，消除雾气对影像造成的干扰，恢复影像的清晰度和对比度，以便更准确地提取和分析其中的有用信息。
这一技术的研究涉及到多个学科领域，如光学、图像处理、计算机视觉等。
要理解遥感影像去雾技术，首先需要了解雾是如何影响遥感影像的。
雾会使光线发生散射和吸收，导致影像中的物体变得模糊，颜色变淡，细节丢失。
此外，雾气还会造成影像的对比度降低，使得不同物体之间的边界变得模糊，难以区分。
为了去除雾气的影响，研究人员提出了多种去雾方法。
其中，基于物理模型的方法是较为常见的一种。
这种方法基于对雾形成的物理过程的理解，通过建立数学模型来恢复无雾的影像。
例如，暗通道先验算法就是一种基于物理模型的去雾方法。
该算法利用了在无雾图像中，某些局部区域的像素在至少一个颜色通道中存在很低的值这一先验知识，通过计算这些暗通道的值来估算雾气的浓度，进而实现去雾。
除了基于物理模型的方法，还有基于图像增强的去雾方法。
这类方法不直接考虑雾的形成物理过程，而是通过对图像的对比度、亮度等进行调整来达到去雾的效果。
例如，直方图均衡化就是一种常见的图像增强方法。
它通过调整图像的灰度分布，使得图像的灰度范围更广，从而增强对比度。
然而，这种方法可能会导致图像的过度增强或失真。
在遥感影像去雾技术的应用方面，其在农业、林业、环境保护、城市规划等众多领域都发挥着重要作用。
在农业领域，清晰的遥感影像对于监测农作物的生长状况、病虫害的发生以及评估土地的利用情况至关重要。
去雾后的影像能够更准确地反映农作物的颜色、纹理和形态特征，有助于农业专家及时发现问题并采取相应的措施，提高农作物的产量和质量。
大气散射模型在雾天图像增强和海面小目标检测中的应用
大气散射模型在雾天图像增强和海面小目标检测中的应用大气散射模型在雾天图像增强和海面小目标检测中的应用引言：雾天对于图像处理和目标检测带来了许多挑战。
在雾天条件下，图像中的细节被模糊和遮蔽，同时海面上的小目标也因雾气的存在而变得难以识别。
为了克服这些问题，科学家们引入了大气散射模型，该模型可以帮助恢复被雾气所遮挡的图像信息，并提高海面小目标的检测率。
一、大气散射模型的原理大气散射模型是根据大气散射现象建立的数学模型。
在雾天条件下，光线与雾气中的微小颗粒相互作用，导致光线的散射现象。
根据散射模型，我们可以估计雾气对图像亮度和颜色的影响，进而利用这些信息进行图像增强和目标检测。
二、雾天图像增强1. 雾气的影响：在雾天条件下，由于光线的散射现象，图像的亮度和对比度会降低，同时出现色偏现象，使得图像细节难以辨认。
2. 大气散射模型在图像增强中的应用：大气散射模型可以估计图像中雾气的浓度和颜色参数，进而根据这些参数调整图像的亮度和对比度，减轻色偏现象。
通过该模型的应用，雾天图像的细节可以得到恢复，图像的视觉效果将更加清晰和自然。
三、海面小目标检测1. 雾气的影响：在海面上，雾气的存在会导致小目标在图像中的表示模糊，目标的边缘和纹理特征难以捕捉，从而给目标检测带来困难。
2. 大气散射模型在目标检测中的应用：大气散射模型可以帮助恢复由雾气导致的图像模糊，使得海面小目标的边缘和纹理特征得以增强。
在目标检测过程中，我们可以利用散射模型对原始图像进行预处理，将图像中的雾气效应去除后，再进行目标的特征提取和分类，从而提高小目标的检测率。
四、实验和应用科学家们通过实验验证了大气散射模型在雾天图像增强和海面小目标检测中的有效性。
他们使用了不同种类的雾天图像和海面小目标图像，通过调整大气散射模型的参数，成功地恢复了图像的细节并提高了小目标的识别率。
在实际应用中，大气散射模型的应用有着广泛的前景。
在军事上，利用该模型可以提高侦查和目标锁定的准确性；在海洋研究中，能够更好地识别和跟踪海洋中的小目标；在自动驾驶领域，可以增强汽车视觉系统在雾天条件下的图像处理能力。
基于物理模型的单幅雾天图像去雾方法
基于物理模型的单幅雾天图像去雾方法
基于物理模型的单幅雾天图像去雾方法是指利用空间反射光谱特
性的物理模型来对单幅雾天图像进行去雾处理的方法。
它是基于亚像
元成像模型，它使用空间反射光谱特性来估计净反射比（AER），从而
还原雾天图像中的真实视觉效果。
首先，这种方法将图像从RGB分量
转换为和空间反射光谱相关的分量，例如，水明度和对散射成分的反
射率。
然后，根据亚像元成像模型，通过可见光中的不同频带和远红
外中的总体反射率，估计出每个亚像元的净反射比值，进而移除浓雾
的影响。
最后，这个去雾方法可以在一定程度上恢复图像的真实视觉
信息，并且可以有效地降低此类图像的噪音。
此外，该方法具有很多优势。
首先，它可以自动从其他光谱特性
恢复净反射比，因此它可以有效避免手工调整模型参数的问题。
其次，该方法不受时间限制，它可以在短时间内获得很好的去雾结果。
最后，该方法可以准确地检测到雾或低能见度对视觉效果的影响，并有效地
进行去雾。
总的来说，基于物理模型的单幅雾天图像去雾方法通过使用空间
反射光谱特性来估计每个亚像元的净反射比，从而移除浓雾的影响，
从而可以恢复图像的真实视觉信息，并有效地降低此类图像的噪音。
基于暗原色先验的去雾理论与算法的学习
暗原色先验去雾原理
暗原色先验去雾原理
• 上述推论中都是假设全球大气光A值是已知的，在实际中，我们可以借助于 暗通道图来从有雾图像中获取该值。具体步骤如下： • 1） 从雾化暗通道图中按照亮度的大小取前0.1%的像素。 • 2） 在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值， 作为A值。 • 到这一步，我们就可以进行无雾图像的恢复了。由上式可知： • J = ( I - A)/t + A
基于暗原色先验的去雾理论与算法的学习报告
By唐建城 杨琪泽
去雾除霾现实意义
近几年空气质量退化严重，雾霾等恶劣天气出现频繁，PM2.5值越来越 引起人们的广泛关注。 在有雾天气下拍摄的图像模糊不清，清晰度不够，细节不明显，色彩保 真度下降，出现严重的颜色偏移和失真，达不到满意的视觉效果。 限制和影响了室外目标识别和跟踪、智能导航、公路视觉监视、卫星遥 感监测、军事航空侦察等系统效用的发挥，给生产与生活等各方面都造 成了极大的影响。 以公路监控为例，由于大雾弥漫，道路的能见度大大降低，司机通过视 觉获得的路况信息往往不准确，进一步影响对环境的判读，很容易发生
暗原色先验去雾原理
• 但是当t值很小时，会导致J的值偏大，从而使得图像整体向白场过渡，因此 一般可设置一阈值T0，当t小于t0时，令t=t0。在单幅图像去雾算法中，t0通 常被设置成0.1。最终恢复公式：
暗原色先验去雾原理
• 下面直接用上述理论进行图像恢复，去雾效果也是可以的，但边框会出现模 糊，左边是原图，右边是恢复后的图像
暗原色先验去雾原理
关于雾天图像增强和恢复算法的文档
关于雾天图像的增强和复原现状：国内外已有很多研究人员将大气对成像的影响进行了分析和评估。
散射理论在分析大气的影响中发挥了巨大的作用，由于单射模型不能准确表现实际复杂介质的影响，多射模型得到了广泛的关注。
在光和大气介质交互问题的研究中，或多或少地借鉴了物理学科的知识，其中输运理论很常见，并被广泛应用于恶劣天气条件对图像退化的建模。
在研究尘雾等恶劣天气条件对成像影响模型的基础上，对退化图像进行复原处理取得了较大的进展。
当场景深度已知和大气条件的精确信息己知时，消除一幅图像的天气条件的影响已被证明是可行的；在计算机视觉方面，算法已经发展到不用已知大气及场景深度信息，通过处理至少两张在恶劣天气条件下拍摄的图像可以自动地计算出场景的结构和恢复场景的色度及对比度。
目前，对雾图进行清晰化处理的方法大体上有两类:基于模型的和非模型的算法。
其中，基于模型的算法通过了解图像退化的内在原因而进行逆运算来改善图像的对比度;非模型的算法并不要求知道图像退化原因的信息。
用非模型的方法处理图像我们称之为图像增强；用基于模型的方法处理图像我们称之为图像恢复，这类算法更加可靠，因为它们利用了图像退化的物理机理，其目的在于提高退化图像的保真度。
近年来，上述两个方面的研究都取得了较大的进展，特别是基于物理模型的复原问题，吸引了越来越多研究者的注意，以下分别就其研究现状做简要的介绍。
●图像增强处理的研究现状图像增强是图像处理的基本手段，是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息的处理方法。
图像对比度增强是图像处理领域中的一个传统的话题，同时又一直是较为活跃的研究领域，不断有新方法与新手段引入使该领域保持旺盛的生命力，并不断有新成果面世。
●图像恢复处理的研究现状近年来，不少学者在大气散射物理模型的基础上，对恶劣大气条件下的成像机理进行了深入的分析，并提出了一些新的雾天图像增强方法。
与传统图像增强相比，这些方法是建立在雾天成像的物理过程之上的，因此更具有针对性，处理效果也较为理想。
图像去雾技术研究进展
图像去雾技术研究进展近年来，随着计算机视觉和图像处理技术的不断发展，图像去雾成为研究的热点之一。
图像去雾技术是指通过研究图像中存在的雾气信息，利用算法和数学模型将图像中的雾气去除或减弱，从而提高图像的质量和清晰度。
图像去雾技术对于许多应用场景具有重要意义。
在计算机视觉和图像处理领域，如果图像中存在大量的雾气，会导致图像的细节模糊、对比度降低甚至失真，影响图像的可视化效果。
在航空、无人机摄影、遥感等领域中，由于物体与观测者之间存在大气散射现象，会导致图像中存在雾气，减弱图像的信息传递和视觉效果。
最早的图像去雾方法是基于物理模型的方法，例如通过对大气散射过程的建模，采用气象学原理来估计雾气的影响。
这种方法虽然能够一定程度上去除图像中的雾气，但对于复杂的场景和不同的光照条件下的图像处理效果有限。
随后的研究中，出现了基于暗通道先验的图像去雾方法。
该方法利用了天空区域在雾气影响下的特定属性，即图像中的暗通道。
暗通道是指在单一光源照射下，图像中任意一点的RGB通道中最小值的集合。
通过对暗通道的分析和处理，可以估计出图像中存在雾气的程度，并进行去雾处理。
这种方法在一定程度上能够取得较好的去雾效果，尤其在自然风光和室外场景中表现突出。
随着深度学习技术的兴起，基于卷积神经网络的图像去雾方法也得到了广泛应用。
通过利用深度学习模型，可以学习图像中雾气和景物之间的映射关系，从而更准确地去除图像中的雾气。
这类方法通过大量的训练数据和优化算法，能够实现更高质量的图像去雾效果。
除了上述方法外，还有一些新兴的图像去雾技术受到了研究者们的关注。
例如，基于双边滤波的图像去雾方法，通过对图像进行双边滤波处理，同时考虑像素之间的距离和相似度，可以有效地去除图像中的雾气。
此外，使用波束分解和多尺度分析的图像去雾方法也在研究中取得了一定的进展。
然而，图像去雾技术仍然存在一些挑战和局限性。
首先，雾气对图像的影响程度和分布方式较为复杂，不同的光照条件、气象条件以及物体和雾气之间的距离都会对去雾效果产生影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于大气散射模型的实时视频去雾方法研究摘要：近年来，我国空气质量大幅下降，导致雾霾天气日渐频繁。
在雾霾天气情况下，大气中存在着很多混浊介质（如，颗粒、水滴等），户外场景的视频图像出现了退化和降质，表现为清晰度和对比度低、色彩失真、细节特征模糊不清等特点。
视频图像的降质退化使得户外视觉系统不能正常发挥效用，降低了工作效率及其可靠性。
例如，在雾霾天气情况下，能见度降低，航拍视频中目标不可见，且色彩及对比度等特征严重衰减，无法满足航拍工作系统的灾害监测预警等后续要求。
因而，在计算机视觉这一领域内，有雾视频的清晰化是一个重要的问题。
本文对雾天视频图像的退化和降质进行了详细的分析，阐述了雾天视频图像降质的原因，研究了国内外研究人员在视频图像去雾方面的成果，分析了各研究人员去雾方法的理论基础和核心技术，在此基础上，详细研究了基于大气散射模型的暗通道先验去雾方法，并且进行改进和完善，作出创新。
本文建立基于大气散射原理的视频图像去雾模型，以暗通道先验去雾方法为基础，用导向滤波进行改进，采用VS2013和Opencv编写去雾算法程序，实现单幅图像去雾，然后进行CUDA加速，使对常用的1920×1080大小的视频图像进行去雾处理的运算速率达到每秒15帧以上，实现实时视频去雾。
最后，将本文的去雾算法与其他算法进行比较，对比不同去雾方法得到的恢复图的效果，以及不同方法的利弊，完善细节，将该算法应用于实际待去雾的视频中。
关键词：图像降质；图像去雾；暗通道先验；大气散射模型第1章绪论1.1 课题研究背景和意义一般情况下，获得清晰的视频图像是户外视觉系统正常工作和发挥效用的前提，因此，它对于天气情况非常敏感。
然而，近年来，我国空气质量大幅下降，多地频繁出现雾霾天气。
雾天条件下，户外场景的视频图像受到严重影响，这是由于大气中存在着许多混浊介质，包括颗粒、水滴等，这些介质会吸收和散射部分可见光，使成像设备接收到的光的强度产生衰减，这导致获取的视频图像产生退化和降质。
与无雾图像相比，降质图像表现为清晰度、对比度和能见度降低，细节特征模糊不清，色彩产生失真和偏移等特性[1]。
以上视觉效果较差的降质视频图像丢失了部分有用的信息，这给确定目标和获取视频图像细节信息造成了很大的困难，直接影响户外视觉系统的正常工作，例如公路交通智能监控，军事航空监测，户外目标追踪，航拍工作系统等重要的视觉系统。
以灾害监测航拍工作系统为例，在雾天情况下，户外场景能见度低。
航拍视频中的目标难以准确追踪锁定，目标颜色和对比度等特征严重衰减，导致航拍灾害监测预警以及后续搜救等工作难以正常进行，情况严重的话可能带来巨大的损失[2]。
因此，如果能对雾霾天气下的降质视频图像进行去雾处理，就能使户外视觉系统适用于各种恶劣的天气，增加其可靠性，获取更加精确和有效的信息，提高视觉系统的工作效率，降低成本。
同时，随着计算机技术的发展，计算机视觉系统在人们的日常生活和安全监测方面得到了更加广泛的应用，深入地研究高效的视频图像去雾技术有着很重要的社会价值，也是当前社会所迫切需要的。
视频去雾技术是以图像去雾为基础的，图像去雾即用各种技术和算法去除图像中的雾。
现阶段，在计算机视觉领域里，已经有很多图像去雾算法被提出，根据去雾的基本原理不同，将图像去雾算法分为两大类：一种是基于图像增强的方法，一种是基于模型的图像复原的方法。
这两种方法都可用于改善降质有雾图像的质量，使其在视觉上有更好的效果，但两种方法的机理不同[3]。
在本文中，重点研究对象是图像复原的方法，主要研究了基于大气散射模型的去雾方法，并在此基础之上做出了某些方面的改进。
1.2 本课题国内外研究现状现阶段，去雾在摄影和计算机视觉领域都是非常需要的。
首先，去雾可以显著增强场景的能见度并改善色彩偏移，无雾视频图像能增加人视觉上的愉悦感；其次，大部分计算机视觉算法，通常都假定输入图像获取的是现场实时光照，视觉算法的运行（如：光照度分析，特征监测及滤波）难以避免出现偏差。
最后，去雾能产生一些深度信息，使得很多高级图像编辑和视觉算法获益。
因此，基于现实需要，很多图像去雾方法被提出来了。
L.Bissonnette等研究人员早在1992年就对雨天和雾天条件下的降质图像进行了去雾的研究[4]；Southerly和John P.Oakley等人1998年对航拍的有雾天气条件下的图像进行去雾处理，最终得到了一些研究成果[5]。
在各研究人员二十多年的研究中，图像去雾的技术取得了非常大的进步。
上一节中提到现阶段有雾图像的处理方法可分为两大类：基于图像增强及基于图像复原的方法。
基于图像增强的方法是对图像的对比度、边缘、轮廓等特征进行一些处理，来显示出图像的细节信息，从而使其在视觉上更加清晰，然后应用到去雾领域即在视觉效果方面对图像进行改善[6]。
这种方法虽然适应性较广泛，计算上也比较简单，但它没有考虑图像退化降质的根本原因，只是通过一些处理来使人在视觉上方便查看或者进一步进行处理和分析；另外，图像增强的方法在处理局部的场景深度的变化细节方面存在着不足，并且可能会产生一定程度的颜色失真。
由此可知，图像增强的方法只能减轻一定程度的雾的影响，而不能从根本上消除图像中的雾。
图像复原去雾方法，则是通过建立雾天图像成像模型，从中还原出无雾图像。
由于图像复原方法去雾是根据雾天退化图像成像的根本原理研究出来的，因此，现阶段基于模型的图像复原方法应用得较广泛且取得了不错的成果。
1.2.1 基于图像增强的去雾方法现阶段，图像增强方法中两个主要方法是直方图均衡算法及Retinex（视网膜皮层理论）算法。
直方图均衡化算法的原理是变换和处理雾天图像的直方图，使其趋于均匀分布，因为当数据趋于均值时，图像的对比度会被增强，表现的信息较丰富，清晰度也更强。
这种方法是根据图像中像素的个数的分布状况来对图像的直方图进行调整使其分布趋向于均匀[7]。
全局直方图均衡化方法是最先被研究的，这种方法从整体上研究雾天图像的灰度均衡化，它分析处理全局上统计的灰度信息，得到灰度调整函数。
然而在很多实际的工程应用中，局部区域才是某些图像处理算法需要处理的。
因此，局部直方图均衡化的方法应运而生，即AHE方法，这种方法要先对图像进行分块，然后设置一个局部窗口，将设置的窗口的中心像素点置于待操作的局部块像素点处，对其进行直方图均衡化处理，再把该窗口依次移到其他待处理的像素点处，直到完成整个图像的处理。
然而，这种重叠处理运算量非常大。
翟艺书在此基础上提出局部重叠的均衡化算法，但这种方法的分块处理比较复杂；J B Zimmerman等提出插值均衡化算法，消除了一部分块效应[8]；Stark提出广义的均衡化方法，扩大了AHE方法的使用范围[9]。
Retinex算法是Land以颜色恒定型为基础提出的理论。
Retinex表示的是视网膜皮层理论，表明人的视觉系统与视网膜及大脑皮层有关系。
该算法有颜色恒常性和动态范围压缩的特点。
颜色恒常性指的是，人类在感知外界事物时，无论事物周围的环境如何变化，人的视觉系统都能保持色彩恒定[10]。
对于Retinex算法的研究已经取得了很多的成果，Land 等研究人员最早提出自由路径的Retinex算法，但由于运算中路径的个数和长度等难以加以确定，导致这个算法运算复杂。
现阶段，中心环绕Retinex算法是该领域的研究重点，该算法认为，周围像素和中心像素的距离变化，会导致周围像素对中心像素的影响产生变化，这个算法在运算上复杂度较低，而且能较好地增强图像对比度。
在应用方面，美国国家航空航天局在2004年对航拍的图像进行了单尺度的Retinex实时性增强处理，获得了很好的去雾效果。
1.2.2 基于模型的图像复原去雾方法近年来，越来越多的研究人员对雾天图像的成像机理进行研究，从这个角度入手，建立图像退化降质模型，从中恢复出无雾图像。
最初，Oakley等基于这种机理构造了一个多个参数的退化衰减模型。
这个模型考虑设备和场景中多个不确定的因素，去雾效果较好，但它需要测量的参数太多，运算太复杂，实用性不强[5]。
后来Narasimhan S G在此基础上对同一个场景不同天气情况下形成的图像进行研究，运用不同天气情况的图像间的差异获取景深信息，提取该场景的三维结构，然后复原出无雾图像。
这种方法的去雾效果取得了一定的进步，但由于条件的限制，一般情况下，获得同一场景不同天气情况下的图像有一定的困难，对于实时系统来说也无法进行实时性的去雾[11]。
受到条件的限制，研究人员开始对单幅图像的去雾技术进行研究，他们在大气散射模型的基础上，根据先验条件还原出单幅图像的无雾图像。
Tan假定同一个场景的晴天图像的对比度比雾天图像更高，并且随着场景深度增加，大气光的变化趋于稳定。
根据这一先验，Tan通过增加雾天图像的局部对比度以达到最大来对图像进行去雾[12]。
然而这种方法可能产生光晕效应，它在视觉上可能是有效的，但在物理上是无效的。
Ktatz假定景深和场景辐射在统计上是各自独立的。
在此基础上，建立一个重尾先验的幂函数作为场景反射率的模型，具体的场景决定场景深度，依据景物特征，建立一个高斯平滑函数或者分段常数函数的模型，再求最大后验估计[13]。
运用独立成分分析法，Fattal认为在局部上，透射率被与物体深度是无关的，结合局部上的最优解实现图像去雾[14]。
但这种方法在缺乏颜色信息及差异性，或者浓雾天气情况时，是不适用的。
Tarel 提到对单幅图像快速去雾的算法，他假定在可行区域内，大气耗散函数局部的变化较为平缓稳定且趋向于最大值，然后对中值滤波变化形式，最后估计出大气耗散函数[15]。
Kaiming He等研究人员用暗通道先验对单输入图像进行去雾，他发现无雾户外图像中大部分的局部图像块都包含了一些强度非常低的，至少有一个色彩通道的像素。
他将这种先验通道应用于无雾图像模型，可直接估算出雾浓度并恢复高品质的无雾图像，同时高质量的深度图也可以作为其副产品[16]。
1.3 本文研究内容与方法对于雾天条件下，由于入射到成像设备的目标物体反射的光和环境光被空气中悬浮的大气微粒散射而减弱，导致视频图像发生退化和降质这个问题，本文进行了研究和分析。
雾天视频图像清晰度和对比度降低，细节信息模糊，基于这些特性，本文在大气散射模型的基础上解决这些问题，研究分析了基于大气散射模型的图像去雾方法，重点研究了Kaiming He提出的暗通道先验去雾方法，He提出暗通道先验这一概念，在这个概念的基础上，估算透射率和大气光值，得到透射率图，并且用软抠图方法进行细化，本文在此基础之上对He的方法进行了改进，提出用导向滤波的方法代替软抠图的方法来细化透射率图，并用实验结果验证了该方法的效果。