三种雾霾图像去雾技术分析
结合高斯滤波和导向滤波的单幅图像去雾算法
结合高斯滤波和导向滤波的单幅图像去雾算法随着科技的不断发展，数字图像处理技术在各行各业中都扮演着重要的角色。
图像去雾是数字图像处理中的一个重要领域，其应用范围涉及到无人机航拍、自动驾驶、安防监控等领域。
在这些领域中，图像质量直接影响到系统的性能和效果。
如何去除图像中的雾霾成为了一个重要的研究课题。
在图像去雾算法中，常常会结合多种图像处理技术来提高去雾效果。
本文将介绍一种结合高斯滤波和导向滤波的单幅图像去雾算法，该算法能够在保持图像细节的同时有效去除图像中的雾霾。
1. 高斯滤波高斯滤波是一种常用的图像平滑技术，其基本思想是根据高斯函数的形状对图像中的像素进行加权平均。
高斯滤波可以有效的抑制图像中的噪声，同时可以保留图像的边缘信息。
在去雾算法中，高斯滤波可以用来对图像进行预处理，去除图像中的部分噪声和干扰，从而提高后续处理的效果。
2. 导向滤波步骤1：对输入的雾霾图像进行预处理，使用高斯滤波去除部分噪声和干扰。
步骤2：利用导向滤波对预处理后的图像进行多尺度的滤波，得到去雾后的图像。
步骤3：根据不同场景和需求，对去雾后的图像进行调整和优化，得到最终的去雾图像。
在实际应用中，结合高斯滤波和导向滤波的单幅图像去雾算法也面临着一些挑战和改进空间。
该算法对图像的预处理和参数设置要求较高，需要针对不同的场景和图像特点进行优化和调整。
未来的研究可以在进一步优化算法的性能和效果上进行探索，从而提高算法在实际应用中的稳定性和可靠性。
结合高斯滤波和导向滤波的单幅图像去雾算法是一种有效的图像去雾方法，能够在保持图像细节的同时有效去除图像中的雾霾。
该算法在无人机航拍、自动驾驶、安防监控等领域有重要的应用前景，为这些领域中的图像处理提供了重要的技术支持。
未来的研究可以在进一步优化算法性能和效果的基础上，探索其在更多领域中的应用，从而推动图像去雾技术的发展和应用。
Matlab中的图像去雾和图像去除技术
Matlab中的图像去雾和图像去除技术引言：当我们拍摄照片或者录制视频时，面临的一个常见问题就是雾气的干扰。
雾气可以降低图像的清晰度和对比度，使得图像看起来模糊、暗淡。
虽然现在有许多图像后期处理软件可以解决这个问题，但是Matlab作为一种强大的计算工具，也提供了很多图像去雾和去除技术。
本文将介绍Matlab中的几种常见图像去雾和去除技术，包括大气散射模型、暗通道先验以及Retinex算法。
1. 大气散射模型大气散射模型是一种常见的图像去雾技术，它基于对大气散射过程的建模。
该模型假设在雾天拍摄的图像中，每个像素的亮度值由两部分组成：场景亮度和雾气散射成分。
该模型可以表示为以下公式：I = J * t + A * (1 - t)其中，I是观测到的图像，J是场景的亮度，t是透射率，A是大气光照。
在这个模型中，透射率t越小，图像就越模糊，反之，透射率越大，图像就越清晰。
在Matlab中，我们可以使用大气散射模型对图像进行去雾处理，提高图像的清晰度。
2. 暗通道先验除了大气散射模型外，暗通道先验也是一种常用的图像去雾技术。
该技术基于观察到的一个有趣现象：在大多数室外场景中，至少有一个通道在任何地方都是非常暗的。
这就是暗通道。
根据这一观察，我们可以使用暗通道先验来恢复图像。
在Matlab中，暗通道先验主要通过以下步骤实现：1）计算暗通道图像：对于每个像素，选择具有最小像素值的通道作为暗通道。
2）估计大气光照：在暗通道图像中，选择亮度值最高的像素作为估计的大气光照。
3）估计透射率：使用大气光照和暗通道图像计算透射率。
较高的透射率表示较少的雾气。
4）恢复场景亮度：使用透射率和原始图像计算恢复的场景亮度。
5）修正结果：对恢复的场景亮度进行修正，以提高图像的视觉效果。
通过以上步骤，我们可以使用暗通道先验技术对图像进行去雾处理，改善图像的清晰度和对比度。
3. Retinex算法Retinex算法是一种经典的图像去除技术，它基于人眼在不同亮度条件下对光照敏感度变化的观察。
图像去雾算法研究综述
图像去雾算法研究综述一、本文概述随着计算机视觉技术的快速发展，图像去雾技术已成为近年来的研究热点之一。
图像去雾旨在从有雾的图像中恢复出清晰、无雾的图像，从而提高图像的质量和视觉效果，为后续的图像处理和分析提供更为准确和可靠的信息。
本文旨在对图像去雾算法进行全面的研究综述，探讨各种去雾算法的原理、优缺点及适用场景，以期为后续的研究提供参考和借鉴。
本文将对图像去雾技术的研究背景和意义进行介绍，阐述图像去雾在各个领域中的应用价值。
接着，本文将从去雾算法的基本原理出发，详细介绍各种去雾算法的实现过程，包括基于物理模型的去雾算法、基于深度学习的去雾算法等。
在此基础上，本文将对各种去雾算法的性能进行评估，包括去雾效果、计算复杂度、实时性等方面的比较和分析。
本文还将对去雾算法的未来发展趋势进行展望，探讨去雾算法在新技术、新场景下的应用前景。
本文期望通过全面、系统的综述，为图像去雾技术的研究提供有益的参考和启示，推动图像去雾技术的进一步发展。
二、图像去雾技术基础理论图像去雾技术，作为计算机视觉和图像处理领域的一个重要研究方向，其基础理论涉及大气散射模型、图像增强与复原、深度学习等多个方面。
深入了解这些基础理论，对于设计和实现有效的去雾算法至关重要。
大气散射模型：大气散射模型是图像去雾算法的理论基础，其中最具代表性的是McCartney模型。
该模型描述了光线在大气中的传播和散射过程，将观察到的图像分解为直接衰减部分和大气光散射部分。
通过估算这两个部分，可以恢复出清晰的无雾图像。
图像增强与复原：图像增强和复原技术在去雾过程中发挥着重要作用。
图像增强技术，如对比度增强、色彩增强等，可以提高图像的视觉效果，使去雾后的图像更加清晰自然。
而图像复原技术则通过去除图像中的噪声和失真，恢复图像的原始信息，进一步提高去雾效果。
深度学习：近年来，深度学习在图像去雾领域取得了显著进展。
通过构建深度神经网络模型，可以学习到去雾过程的复杂映射关系，从而实现更加精确和高效的去雾。
照片去雾让照片更清晰减少雾霾
照片去雾让照片更清晰减少雾霾照片去雾：让照片更清晰，减少雾霾随着科技的不断进步，人们在拍摄照片时经常会遇到一些问题，其中一个常见的问题就是雾霾。
雾霾会使得照片看起来模糊不清，缺乏细节，并且色彩变得暗淡。
为了解决这个问题，科学家们开发了各种方法来去除照片中的雾霾，并使照片更加清晰明亮。
一、照片去雾的原理照片去雾的原理是通过计算机算法来还原照片中由于雾霾造成的信息丢失。
一种常用的方法是通过分析照片中的颜色和亮度信息，然后根据这些信息推断出雾霾对照片的影响，并恢复出原本的图像。
另外，还有一些基于物理模型的方法，通过模拟光线传播的过程，进一步去除照片中的雾霾。
二、常见的照片去雾方法1. 单尺度去雾方法：这种方法主要通过调整图像的对比度和亮度来去除雾霾。
它可以通过增加图像的饱和度和清晰度，使得照片看起来更加锐利和明亮。
这种方法简单易行，但效果有限，对于比较浓重的雾霾效果可能不佳。
2. 双尺度去雾方法：双尺度去雾方法通过分析照片中不同尺度上的信息，将细节清晰的部分与模糊的部分进行分离。
它利用不同尺度的滤波器来提取细节，并根据不同尺度的权重对图像进行重构。
这种方法可以去除一些较为浓重的雾霾，使得照片更加清晰。
3. 基于物理模型的去雾方法：这种方法通过模拟光线在大气中的传播过程，推断出照片中的雾霾分布情况，并去除对图像的影响。
它可以通过求解一些复杂的数学方程来还原照片中丢失的信息，得到清晰的图像。
这种方法较为复杂，但在处理较为浓重的雾霾时效果显著。
三、照片去雾软件的应用现在市面上有很多照片去雾软件，这些软件通过各种算法来去除照片中的雾霾。
它们通常提供了丰富的调试参数，用户可以根据具体的照片情况进行调整，以达到最佳的去雾效果。
一些照片编辑软件也内置了照片去雾功能，用户可以直接在编辑界面进行操作，非常方便。
然而，需要注意的是，照片去雾并不是万能的。
在某些情况下，照片中的雾霾可能过于浓重，导致照片无法完全恢复清晰。
此外，照片去雾软件也可能对图像进行一些失真处理，使得照片的质量下降。
三种Retinex图像去雾算法比较与分析
三种Retinex图像去雾算法比较与分析作者：林东升来源：《电脑知识与技术》2020年第32期摘要：采集到的图像会因为大雾或雾霾的影响而出现清晰度低、对比度差、色彩失真等问题，必须进行去雾处理，基于颜色恒常理论的Retinex算法被证实是一种有效的图像增强方法，可以被用于去雾，分别对SSR、MSR、 MSRCR三种Retinex算法进行了剖析和比较，并将其应用于图像去雾，以图像质量的改善和执行时间为评价指标对去雾效果进行了详细分析，为实际应用提供选择依据。
关键词：Retinex;图像去雾;图像增强;图像质量中图分类号： TP181 文献标识码：A文章编号：1009-3044（2020）32-0197-021 引言随着智慧交通、智慧城市等系统的广泛应用，图像成为信息获取最重要的载体。
但是，在大雾或雾霾等天气下，采集到的图像质量受到严重影响，模糊不清，细节丢失，甚至无法从中提取有效信息，如电子警察拍摄的图像可能因为大雾的影响无法为交通事故责任的划分提供佐证，需要在图像处理技术上取得突破。
目前，针对图像去雾的研究越来越多，基于图像增强的Retinex方法由于实验环境简单[1]等特点，受到广泛关注。
Retinex是Land等人提出的一种颜色恒常知觉的计算理论，该理论认为，物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的，物体的色彩不受光照非均性的影响，具有一致性[2-3]。
Retinex理论被提出以来，掀起了研究热潮，理论得以不断丰富，并在图像增强等实际应用中得到进一步发展，但是理论基础还是集中在三个基本方面，即基于中心环绕的单尺度Retinex算法（single scale retinex， SSR）、基于多尺度加权平均的Retinex算法（multi-scale retinex， MSR）和带彩色恢复的多尺度Retinex算法（multi-scale retinex with color restoration， MSRCR）[4]，这三种基础算法用于图像去雾，会在图像质量改善和算法执行时间等方面呈现出不同的结果，在实际应用中，应用者可以基于执行环境、质量需求等方面进行合理选择。
利用Matlab进行图像去雾与增强的技巧
利用Matlab进行图像去雾与增强的技巧引言：随着数字图像处理技术的快速发展，人们对于图像的质量要求也越来越高。
然而，在拍摄或者采集图像时，由于天气、光照等各种原因，图像中常常存在雾霾现象，导致图像质量下降。
因此，图像去雾与增强成为了图像处理领域的重要研究方向。
本文将介绍利用Matlab进行图像去雾与增强的技巧。
一、图像去雾技术1. 传统去雾技术传统的图像去雾技术主要基于图像中的像素信息和颜色分布，通过调整图像的对比度、亮度以及增强局部细节来降低雾霾的影响。
其中，最常用的方法是通过估计全局大气光来进行去雾处理。
具体步骤如下：- 首先，通过计算图像中每个像素的亮度值，选择其中的亮度最大值作为全局大气光的估计值。
- 然后，根据全局大气光的估计值和经验参数，对图像进行调整，降低雾霾的影响。
- 最后，通过调整图像的对比度和亮度，增强图像的细节信息。
2. 基于深度学习的图像去雾技术近年来，随着深度学习的快速发展，基于深度学习的图像去雾技术取得了显著的进展。
与传统方法相比，基于深度学习的方法能够更准确地估计图像中的雾霾密度，并恢复出更清晰的图像。
具体步骤如下：- 首先，构建一个深度卷积神经网络模型，用于学习图像的雾霾特征。
- 然后，通过输入原始图像和雾密度的估计值，使用深度学习模型对图像进行去雾处理。
- 最后，根据去雾处理后的图像，调整图像的对比度和亮度，进一步增强图像的细节和质量。
二、图像增强技术1. 对比度增强对比度是指图像中不同区域之间的亮度差异程度。
对于低对比度的图像，可以使用以下技术来进行增强：- 线性变换：通过调整图像的灰度级分布，使得图像的对比度增加。
- 直方图均衡化：通过对图像的灰度级分布进行变换，使得图像的亮度均匀分布，增强图像的对比度。
- 自适应直方图均衡化：结合图像的局部信息，对图像的灰度级分布进行自适应调整，更好地增强图像的细节。
2. 锐化增强图像的锐化增强是通过增强图像的边缘和细节，使得图像更加清晰和鲜明。
图像去雾算法及其应用研究
图像去雾算法及其应用探究摘要：随着科技的飞速进步，图像处理技术也日益成熟。
图像去雾算法作为其中一项重要的探究内容，可以有效消除图像中的大气雾霾和模糊。
本文通过对图像去雾算法的原理及应用进行探究，总结了当前主流的几种图像去雾算法，并分析了其适用范围和应用前景。
一、引言大气雾霾是指由于大气中粉尘、液滴和气态颗粒等悬浮物质对光的散射和吸纳作用所引起的能见度降低的现象。
在平时生活和实际应用中，大气雾霾会导致图像质量下降，从而影响人们对图像内容的识别和理解。
因此，图像去雾技术的探究和应用具有重要的意义。
二、图像去雾算法的原理图像去雾算法的原理主要是基于图像恢复和能见度预估两个方面。
图像恢复是指通过对图像进行处理，消除雾霾、提高图像的明晰度和对比度。
能见度预估主要是依据大气传输模型和雾霾图像特征，预估出雾霾的密度以及图像的深度信息，从而恢复原始图像。
三、主流图像去雾算法及其适用范围1. 单帧图像去雾算法单帧图像去雾算法是指通过对单张雾霾图像进行处理，消除雾霾并恢复原始图像的算法。
其中最常使用的算法有暗通道先验算法和颜色修复算法。
暗通道先验算法是基于图像的颜色信息来进行雾霾去除的算法。
通过寻找图像中的暗通道，预估出雾霾的密度，从而消除雾霾。
这种方法适用于雾霾较弱的状况，但对于雾霾较深厚的图像效果不佳。
颜色修复算法是通过对图像颜色的修复来消除雾霾。
该算法依据图像颜色失真的特点，恢复图像中受到雾霾影响的颜色，从而消除雾霾。
2. 基于多帧图像的去雾算法基于多帧图像的去雾算法是指通过对多张雾霾图像进行处理，借助图像之间的信息差异来消除雾霾。
其中最常使用的算法有暗通道先验算法和多帧融合算法。
暗通道先验算法在多帧图像去雾中同样适用，通过多帧之间的暗通道信息差异来预估出雾霾的密度和图像的深度信息。
多帧融合算法则是通过对多张雾霾图像进行融合，将不同图像中的雾霾进行消除。
这种算法适用于复杂雾霾状况下的图像去雾，但对于计算量要求较高。
基于神经网络的图像去雾算法研究
基于神经网络的图像去雾算法研究一、研究背景在雾霾天气的背景下，如何从图像中去除雾霾是一个常见的问题。
不过，去除雾霾并不是简单的颜色滤镜或者对比度调节。
到目前为止，基于神经网络的图像去雾算法被认为是最为灵活而有效的解决方案。
基于神经网络的算法可以识别图像内容，以此作为去除雾霾的指导。
这种算法可以减少人工干预，从而减少处理时间和提高算法的准确性。
二、去雾算法原理1. 图像去雾算法是基于多个模型的集成实现。
集成模型包括神经网络模型、卷积神经网络模型和深度比特网络模型等。
2. 神经网络模型是一种人工神经网络，它可以学习和适应数据集中不同场景的变化。
这种模型还可以逐步减少深度图像中的雾霾，并且可以提高图像的亮度和对比度。
神经网络模型具有很高的灵活性，这意味着它可以对各种不同的场景进行归纳。
3. 卷积神经网络模型是通过卷积操作来识别和提取图像的特征。
通过卷积层和池化层的组合，可以有效地实现特征提取和降维。
这种模型可以直接从输入图像中提取局部特征，然后根据上下文信息对这些特征进行调整。
4. 深度比特网络模型是一种用于图像表示学习的方法。
深度比特网络模型可以将图像映射到低维表示空间中，并实现去除雾霾等任务。
这种模型通过对图像数据的特征进行非线性变换，在保留图像信息的同时降低噪声和雾霾的影响，从而提高图像质量。
三、神经网络在去雾算法中的应用1. 图像去雾算法中的神经网络被广泛应用。
神经网络可以自动学习各种场景下的特征，并以此为依据去除图像中的雾霾。
这使得算法具有适应性和灵活性，而不需要对特定的场景和颜色进行硬编码。
2. 神经网络可以处理大量训练数据，从而逐步减少深度图像中的雾霾。
此外，神经网络还可以提高图像的对比度和亮度，使得图像更加清晰明亮。
这种方法被证明比传统的颜色滤镜或对比度调节方法更为有效。
3. 通过调整神经网络的参数，可以改变算法的输出。
在目标图像中，可以改变神经网络中的策略，进而改变去除雾霾的程度。
这意味着用户可以根据需要自由地调整去雾算法的输出。
- 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)。
DOI: 10.12677/jisp.2020.93019
158
图像与信号处理
姜凌奇 等
Figure 3. Gray histogram of image before and after defogging 图 3. 去雾处理前后的图像灰度直方图
直方图均衡化的处理较为简单，能够提高图片的灰度值的范围，提升对比度，具有一定的去雾效果， 在处理器为 Intel Core i5-8300H 的电脑上的直方图均衡化处理时间为 1~3 秒，处理时间短，实时性好。但 这种去雾方法也存在一些缺陷。由于数字图像灰度取值的离散性，计算过程中用到近似的方法使变换后 的新图像中的灰度级数量会比原图像中的灰度级数量少，从而对某些细节造成不好的影响。对于景深较 大的图片，由于不同深度，图像的局部特征不同，采用直方图均衡法以反映景深多变的图像中局部景深 的变化，难以获得令人满意的视觉效果。如在本实验中，远处车辆的清晰度较差。此外，对于雾天中光 源光晕，直方图均衡化处理的效果也不理想。
DOI: 10.12677/jisp.2020.93019
157
图像与信号处理
姜凌奇 等
cdf x
(i
)
=
∑i j =1
px
(i
)
(2.1.1)
4) 直方图均衡化计算公式，cdfmin 为累积分布函数最小值，M 和 N 分别代表了图像的长宽像素个数， 而 L 则是灰度级数(如图像为 8 位深度，则灰度级别共有 28 = 256 级数，这也是最常见的灰度级数)，v 为
Analysis of Image Defogging Technology for Unmanned Vehicle
Lingqi Jiang, Gailing Hu*, Hongyuan Ye, Hongjiang Ji
Xi’an Jiaotong University, Xi’an Shaanxi
灰度直方图均衡化实现步骤[7]： 1) 统计原始图像各灰度级的像素数目 ni，0 ≤ i < L，L 是图像中所有的灰度数(通常为 256)； 2) 图像中灰度为 i 的像素的出现概率是：px(i) = p(x = i) = ni/n，n 是图像中所有的像素数，px(i)实际 上是像素值为 i 的图像的直方图，归一化到[0, 1]； 3) px 的累积分布函数，是图像的累计归一化直方图：
2.2. 暗原色先验去雾算法
暗通道先验去雾算法是何凯明博士经过大量统计实验数据研验证发现的。暗原色先验(dark channel prior)指在绝大部分非天空的局部区域里，某些像素总会有至少一个颜色通道具有很低的值，该区域光强 度的最小值是个很小的数。暗原色先验定义为：
( ( )) ( ) ( ) J dark x = min y∈Ω(x) minc∈(r,g,b) J c y
Figure 6. Process 1 图 6. 过程一
DOI: 10.12677/jisp.2020.93019
160
图像与信号处理
姜凌奇 等
F 过程二
Figure 8. Image after defogging 图 8. 去雾后图像
通过比较处理前后的图片可以看到，处理过后的图片中的关键信息(车牌、远处车辆)更加清晰，图中 红绿灯和车辆(右 1)的辨识度有所提高，使观测者更容易注意到，并且图片颜色也更加鲜艳，但是由于对 大气光的估计产生偏差，从而导致整体色调偏红，去雾效果不是很理想。同时，本实验在处理器为 Intel Core i5-8300H 的电脑上运行，所用时间为 110~130 秒，而本文采用的其余两种方法的处理图片的时间均小于 10 秒，所以采用暗原色先验技术去雾实时性较差。
姜凌奇 等
驶、道路交通管控都是一个严峻的问题。由于大气中粒子的散射作用，机器拍摄的照片质量严重下降， 这不仅影响了照片的视觉效果，也对图像中关键信息的提取产生了不利影响。针对上述问题，通过采取 直方图均衡化、Retinex图像增强算法、暗原色先验去雾算法等三种去雾技术，对在雾霾天实际采集的交 通路况图片进行处理，并通过比较处理前后图片中车牌信息和图片灰度直方图对结果进行评估，论述不 同去雾技术的有效性和实时性。
DOI: 10.12677/jisp.2020.93019
159
图像与信号处理
姜凌奇 等
Figure 4. Dark channel prior defogging flow chart 图 4. 暗原色先验去雾流程图 图 5~8 为对采集到的图片用暗原色去雾技术处理的结果。
Figure 5. Haze image 图 5. 雾霾图像
式中：w 被称为调节系数，其目的是保证景深处有模糊效果，取值为 0.95。 在估计大气光 A 时，He 等[8]选取暗原色 J dark 中前 0.1%亮度最大的像素，然后得到这些像素对应在
雾天图像 I(x)中对应位置的像素点，取这些像素点中的最大值为大气图像 A 的值[9]。 其基本去雾流程如图 4 所示[10]：
西安交通大学，陕西 西安
收稿日期：2020年6月1日；录用日期：2020年6月23日；发布日期：2020年6月30日
摘要
在现实生活中，我国许多城市在秋冬季节都饱受雾霾天气的困扰。雾霾天气的频繁出现，对车辆安全驾
*通讯作者。
文章引用: 姜凌奇, 胡改玲, 叶鸿源, 冀泓江. 三种雾霾图像去雾技术分析[J]. 图像与信号处理, 2020, 9(3): 156-164. DOI: 10.12677/jisp.2020.93019
Journal of Image and Signal Processing 图像与信号处理, 2020, 9(3), 156-164 Published Online July 2020 in Hans. /journal/jisp https:///10.12677/jisp.2020.93019
2. 三种常见的图像处理方法
由于去雾需求在各个领域的需求不断提高，产生了越来越多的去雾技术，基于课外创新实验的要求， 本文针对公路交通现状主要采用三种主流的去雾方法：1) 全局直方图均衡化；2) Retinex 图像增强算法； 3) 暗原色先验去雾算法。
2.1. 全局直方图均衡化
全局直方图均衡化是一种十分常用的去雾技术，广泛应用于光学补偿、图像去雾等多个领域[5]。这 种算法的核心是将彩色图片分解为红、绿、蓝三种颜色的灰度级图片，通过直方图均衡化分别处理三种 颜色的灰度级图片，重新将三个图片叠加即为去雾后的图像，经过处理后，使图像中灰度原本集中的区 域变得均匀，从而增大反差，改变图像对比度，使细节更加清晰[6]。
2.3. Retinex 图像增强算法
人类视觉系统具有颜色恒常性，当环境照度变化时，人眼对物体颜色的感知保持相对不变。E. H. Land 基于颜色恒常性理论提出了 Retinex 理论[11]。在 Retinex 图像增强增强算法中，将图像分为照度图像和 反射图像，照度图像是由光照所导致，对应于图像中的低频成分；反射图像是由图像中场景自身反射属 性导致的，包含图像的颜色、细节等，属于图像中的高频成分。其数学表达式可表示为：
Received: Jun. 1st, 2020; accepted: Jun. 23rd, 2020; published: Jun. 30th, 2020
Abstract
In real life, many cities in China suffer from haze in autumn and winter. The frequent occurrence of haze weather is a serious problem for vehicle safety driving and road traffic control. Due to the scattering effect of particles in the atmosphere, the quality of the photos taken by the machine is seriously reduced, which not only affects the visual effect of the photos, but also adversely affects the extraction of key information in the images. In view of the above problems, students adopt three common defogging technologies (histogram equalization, Retinex image enhancement algorithm and dark channel prior defogging algorithm) to process the actual traffic condition pictures collected in haze days. The results were evaluated by comparing the license plate information and gray histogram of the images before and after processing.
关键词
图像去雾，直方图均衡化，Retinex图像增强算法，暗原色先验去雾算法
Copyright © 2020 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). /licenses/by/4.0/
原始图像中为 v 的像素值：
= h(ν )
round
cdf (v) − cdfmin ( M ∗ N ) − cdfmin