图像去雾技术研究毕业设计
基于超像素分割的图像去雾技术研究
基于超像素分割的图像去雾技术研究一、引言雾天对于许多场景来说是一大噩梦，它会让飞行员看不清路、让司机无法看清前方的交通信号和车辆，还会让安保人员和监控摄像头难以识别人脸和车牌号码等。
因此，研究图像去雾技术对于各行业来说都是非常重要的。
基于超像素分割的图像去雾技术是一种目前比较流行的方法，它可以帮助我们快速、准确地去除图像中的雾气。
这种技术的原理是将图像分成一系列超像素，然后通过对每个超像素的颜色和亮度进行分析，去除雾气对图像造成的影响。
本文将详细介绍这种技术的原理和应用。
二、基于超像素分割的图像去雾技术原理基于超像素分割的图像去雾技术的核心原理是对图像进行超像素分割，然后对每个超像素计算它的颜色、亮度和透射率等信息，将这些信息组合起来，得到去雾后的图像。
1、超像素分割超像素是一种类似于像素的单位，但与传统的像素不同，超像素通常包含多个像素点，并且它们在空间上是相邻的、颜色相似的。
在图像去雾过程中，超像素可以使得去雾后的图像更加平滑，同时也可以加快计算速度。
超像素分割是将一张图像分割成多个超像素的过程。
这个过程中，我们先将整个图像与一个固定大小的滑动窗口进行比较，找到颜色和亮度相似的部分，然后将它们归类到同一个超像素中。
这个过程可以用形态学运算和聚类算法实现。
2、颜色和亮度信息的计算在对图像进行超像素分割之后，我们需要对每个超像素的颜色和亮度等信息进行计算。
在雾天环境中，雾气会让物体变得模糊、色彩变暗，因此我们需要通过一些补偿方法来还原出原本的颜色和亮度。
对于颜色信息，常用的方法是通过颜色恢复算法，如Retinex算法、白平衡算法等；对于亮度信息，可以通过图像增强技术、gamma校正等方法来进行处理。
3、透射率估计在超像素分割和颜色亮度信息计算完成之后，我们需要进一步估计图像中不同区域的透射率，以便去除雾气对图像造成的影响。
透射率是一个介于0和1之间的值，它表示了光线在通过雾气时所遭遇的屈折和散射效应的影响。
图像去雾算法及其应用研究
摘要
有雾天气条件下获取的图像对比度低、图像内容模糊不清而且颜色整体偏 向灰白色，图像去雾的目的就是恢复有雾图像的对比度和真实色彩，重现在理 想天气条件下拍摄的清晰图像。鉴于图像处理和计算机视觉中有关图像理解、 目标识别、目标跟踪、智能导航等领域的很多算法都是假设输入的图像或视频 是在理想天气条件下拍摄的，因此有雾图像清晰化就显得格外重要，是目前人 们研究的热点问题之一，近年来在国际顶级期刊和会议上不断有新的算法被提 出来。 本文深入分析了有雾天气条件下图像成像的物理过程，回顾了有雾天气条 件下基于大气散射物理模型的图像退化模型和一些常规图像增强算法，多幅图 像去雾算法以及单幅图像去雾算法。在充分研究最近十几年有关图像去雾算法 的基础上，提出了在贝叶斯框架下利用稀疏先验来实现单幅图像去雾。 对于输入的一幅有雾图像，会存在一幅清新图像与之相对应，我们就是要 求清新图像在有雾图像已知情况下出现的概率最大，为此利用图像的统计模型 建立了贝叶斯框架。该框架下每个概率项都有其具体的含义。对于清晰自然图 像，其图像统计具有尖峰长尾特征，稀疏先验能够很好的刻画这种性质，图像 中的噪声可以认为是高斯白噪声，场景深度可以认为是局部平滑的。为了求解 该贝叶斯框架，我们利用 MAP(Maximum A Posteriori Probability)，使用交 替优化方法和 IRLS(Iterative Reweighted Least Square)算法来求解优化问 题。 为了进一步说明本文算法的有效性，本文和最近在国际顶级会议上发表的 三种算法做了对比实验，并分析了各种方法的优点和不足之处。通过对比分析， 本文算法的有效性得到进一步证实。 关键词：图像去雾，图像复原，稀疏先验
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。
基于同态滤波的图像去雾方法本科毕业论文
本科毕业设计（论文）题目：基于同态滤波的图像去雾方法基于同态滤波的图像去雾方法摘要在雾霭等天气条件下获得的图像，模糊不清、颜色失真，影响视觉效果。
因此有必要对图像进行去雾研究。
图像去雾是通过一定的手段去除图像中雾的干扰，达到快速有效的去雾和清晰度恢复的作用，从而得到高质量的图像。
图像去雾的方法众多，同态滤波是一种在频域中进行的图像对比度增强和压缩图像亮度围的特殊滤波方法。
这种方法能减少低频并增加高频，即尽量保留低频中的灰度级（保存图像原貌），又锐化细节，从而达到去雾的效果。
本文把基于同态滤波的去雾算法，与全局均衡化的图像去雾算法等方法进行对比，借鉴其他算法的优点，优化同态滤波算法，使图像去雾效果更加理想。
实验结果表明，同态滤波能较好的锐化细节，同时保持原图概况。
若要使图片达到更好的清晰度，需结合多种算法，叠加运行。
关键词：图像去雾；图像增强；同态滤波；直方图均衡化Image defog method based on the method of image filterinAbstractThe image obtained in bad weather conditions such as fog, blur, color distortion, visual effects.Therefore, it is necessary to study images defogging.Images defogging is through a certain means of removing fog interference and achieve rapid recovery of fog and clarity of role, resulting in high quality images. Homomorphic filtering is an image in the frequency domain of contrast enhancement and special filtering method of image brightness range, homomorphic filtering can reduce the frequency and increase the frequency, that is, try to keep the low frequencyof gray levels (save the original image) and sharpen details, so as to achieve the effect of fog.This fog based on homomorphic filtering method, and global equalization algorithm for images defogging method compares the advantages of other algorithms, optimizing the homomorphic filter algorithm, making the image to fog effect is more ideal. Experimental results show that the homomorphic filtering can be used to sharpen detail, while keeping the original profile. To make the image better definition, should be combined with a variety of algorithms, stacking operation.Key words: image, image enhancement, image enhancement, image enhancement, image enhancement, histogram equalization.目录1引言11.1课题研究的背景和意义.................... 错误!未定义书签。
图像去雾前期报告
河北工业大学本科毕业设计（论文）前期报告毕业设计（论文）题目：图像去雾算法的研究专业：自动化专业学生信息：指导教师信息：教师号姓名职称报告提交日期：1.文献综述雾是一种常见的自然现象，它会使大气的能见度降低，景物图像发生退化，在雾天拍摄的图像内容模糊，对比度下降，这将会严重影响户外图像采集与处理，使工作无法正常进行。
因此，对这种自然现象引起的图像质量下降展开图像信号处理与研究具有普遍意义。
另一方面，由于计算机技术的迅猛发展，计算机技术的运算速度越来越快，图像处理系统的价格日益下降，随着计算机视觉与图像处理技术的快速发展，户外视觉系统的研究与应用也在飞速增长。
从而图像处理技术得以广泛用于科学和工程领域，为了保证视觉系统全天候正常工作，就必须使系统适应各种天气状况，而雾天图像对比度和颜色的会发生退化，导致这些系统无法正常工作。
因此，研究如何对尘雾等恶劣天气下获得退化图像进行有效的处理，对大气退化图像的复原，和景物细节信息的增强有着非常重要的现实意义，本论文展开了雾天天气下的景物清晰化技术的讨论，雾天图像的清晰化技术有可能对其他恶劣天气下的图像清晰化技术起到促进作用，此方面技术的研究有着很大的前景，图像处理科学与技术逐步向其他领域渗透是必然的。
2.课题研究的发展状况本课题主要研究图像去雾的算法，目前，各个文献提出的图像去雾处理的方法有很多，一般分为以下几种：第一类是常规图像增强算法，图像增强分为图像颜色增强和图像对比度增强，图像颜色增强主要通过颜色恒常算法和色调映射算法，例如，图像亮度曲线调节，图像亮度线性拉伸，直方图均衡化，伽马算法。
图像增强算法主要有频率域图像锐化算法，基于掩膜的图像锐化算法等。
这类算法没有考虑雾天大气对图像的影响。
第二类是基于大气退化物理模型的方法，这种方法需要获得额外信息，例如有的方法需要利用专用的已经标定的雷达装置获得深度信息，然后利用图像数据和深度信息来求物理模型的参数，然后把参数带入退化模型，才能求出估计图像。
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。
基于直方图均衡化和Retinex的图像去雾算法研究
精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。
文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!基于直方图均衡化和Retinex的图像去雾算法探究1. 引言随着科技的不息进步，数字图像处理技术在各个领域起着越来越重要的作用。
遥感技术中的高分辨率图像去云与去雾技术研究
遥感技术中的高分辨率图像去云与去雾技术研究第一章引言遥感技术是一种通过无需接触被测目标，利用能传播在空间中的电磁波进行观测、获取和记录地球和其他天体物体信息的技术。
遥感图像是遥感数据处理和分析的基础，然而，由于云和雾的存在，高分辨率遥感图像中的目标信息常常被掩盖或模糊化。
因此，高分辨率图像去云与去雾技术的研究具有重要的实际意义。
第二章高分辨率图像去云技术研究2.1 云检测与分割云检测与分割是高分辨率图像去云的第一步，通过对图像中的云区域进行检测和划分，可以准确提取出其他地物信息。
传统的云检测方法包括阈值分割、谱特征分析和纹理特征提取等，而基于深度学习的方法（如卷积神经网络）在云检测方面表现出更好的效果。
2.2 云补偿与填充云补偿与填充是针对云区域的处理方法，旨在通过利用周围无云区域的信息来还原云掩盖的地物信息。
常用的云补偿与填充方法包括基于像素相似性的插值方法和基于图像分解的方法，如小波变换和低秩矩阵重建等。
2.3 云去除与恢复云去除与恢复是通过对云区域进行处理，从而使图像中的地物信息更加清晰和真实。
常用的云去除与恢复方法包括传统的多时相合成方法和基于机器学习的方法，如随机森林和支持向量机等。
2.4 云降噪与增强云降噪与增强是为了减少云区域中的噪声，并增强云区域的边缘和纹理等细节信息。
常见的云降噪与增强方法包括基于滤波的方法和基于边缘保留的方法，如双边滤波和非局部均值滤波等。
第三章高分辨率图像去雾技术研究3.1 雾图像恢复模型雾图像恢复模型是去雾技术的关键，其主要目标是从有雾图像中还原出真实的无雾图像。
常见的雾图像恢复模型包括传统的暗通道先验模型和最小二乘模型，以及基于深度学习的模型，如卷积神经网络和生成对抗网络等。
3.2 雾图像去噪与增强雾图像经常伴随着噪声和细节丢失的问题，因此，去噪与增强是雾图像处理中必不可少的步骤。
传统的去噪与增强方法包括基于小波变换和图像分析的方法，而基于深度学习的方法则能够进行更精确的去噪与增强。
- 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)。
诚信声明本人声明：1、本人所呈交的毕业设计是在老师指导下进行的研究工作及取得的研究成果；2、据查证，除了文中特别加以标注和致谢的地方外，毕业设计中不包含其他人已经公开发表过的研究成果，也不包含为获得其他教育机构的学位而使用过的材料；3、我承诺，本人提交的毕业设计中的所有内容均真实、可信。
作者签名：日期：年月日目录摘要 (I)Abstract (II)第1章绪论 (1)1. 1 图像去雾技术分类 (2)1.1.1 基于图像处理的雾天图像增强 (3)1.1.2 基于物理模型的雾天图像复原 (5)1.2 常见的去雾方法 (7)1.2.1 最小失真图像去雾算法 (7)1.2.2 偏振成像去雾算法 (10)1.3 本文采用的去雾方法 (12)1.3.1 简介 (12)1.3.2 背景 (14)1.3.3 暗通道先验算法 (15)1.3.4 利用暗通道先验算法去雾 (16)第2章MATLAB简介 (19)2.1 MATLAB 语言的传统优点 (19)2.2 语言新特点 (19)2.2.1 数据类型和面向对象编程技术 (19)2.2.2 控制流和函数类型 (20)2.3 工作环境 (20)2.3.1 传统工作环境 (20)2.3.2 工作环境新特点 (21)第3章主要程序与图像处理结果 (22)3.1 流程图 (22)3.2 具体程序 (23)3.3 图像处理结果 (27)结束语 (30)致谢 (31)参考文献 (32)图像去雾技术研究摘要: 在这篇论文里，我们找到了一个简单有效的去雾算法——暗通道先验算法，来去除单一图像的薄雾。
暗通道先验算法是室外无雾图像的一种统计规律。
它是基于一个重要的观察结果——室外无雾图像的每一个局部区域在至少一个颜色通道内有很低的值。
把这种算法应用在有雾图像的模型中，我们可以直接估计出雾的浓度，并且还原出高品质的无雾图像。
许许多多我们处理过的无雾图像展示了我们先前应用的算法是多么的强大。
同时，高品质深度图像作为图像去雾的副产品也可以得到。
关键词:图像去雾; 一种统计规律; 暗通道先验算法; 无雾图像Review of Image Dehazing TechniquesAbstract: In this paper, we propose a simple but effective image prior - dark channel prior to remove haze from a single input image. The dark channel prior is a kind of statistics of the haze-free outdoor images. It is based on a key observation - most local patches in haze-free outdoor images contain some pixels which have very low intensities in at least one color channel. Using this prior with the haze imaging model, we can directly estimate the thickness of the haze and recover a high quality haze-free image. Results on a variety of outdoor haze images demonstrate the power of the proposed prior. Moreover, a high quality depth map can also be obtained as a by-product of haze removal.Key words: image dehazing;a kind of statistics;dark channel prior; haze-free image第1章绪论近年来，随着计算机软硬件技术的不断发展，对有雾天气图像的景物影像进行去雾处理已经成为可能，这反过来又对去雾图像的清晰度和真实感提出了新的要求在雾天情况下，由于场景的能见度降低，图像中目标对比度和颜色等特征被衰减，致使室外视频系统无法正常工作，因此需要在视频图像中消除雾气对场景图像的影响事实上，图像去雾一直是计算机视觉领域研究的重要内容，其主要应用是视频监控地形勘测和自动驾驶等领域，因此，自动性和实时性就成为了这些研究关注的重点本文即在分析和借鉴了若干计算机视觉领域的研究成果的基础上，从图像处理和物理模型的研究角度，对图像去雾技术进行了综述性的介绍，并给出了这一领域的最新研究进展。
随着图像传感器和计算机技术的发展，户外机器视觉系统得到了广泛应用，而恶劣天气(雾、雨、雪)是影响户外视觉系统正常工作最主要的因素。
由于大气散射，雾造成图像色彩和对比度大幅下降，直接影响图像特征提取，从而导致以提取图像特征为基础的监控、跟踪、智能导航、智能车辆等视觉应用系统无法正常稳定工作。
因此如何从降质图像中去除天气的影响，恢复图像的颜色、对比度已成为目前计算机视觉领域的一个研究热点。
对雾天降质图像的复原技术主要有2 类：(1)基于图像增强的方法，通过增强降质图像的对比度满足主观视觉要求。
直方图均衡化是图像增强中一种常用的方法，全局直方图均衡化算法虽简单、实时性好，但效果较差。
采用局部直方图均衡化方法进行复原处理，但该算法运算量很大，需处理很长时间且效果并不理想。
(2)基于物理模型的复原方法，从大气散射角度建立图像的退化模型，并利用先验知识实现场景复原。
其特点是需要已知场景深度或大气条件等先验信息作为复原的前提。
基于多种假设建立多参数退化模型，通过图像数据和景深等先验信息对模型参数进行估计，实现场景复原。
然而该模型要利用雷达等设备获得景深信息，其成本较高、操作不便，难以在现实中广泛应用。
通过处理同一场景下至少2 幅不同大气状况的降质图像获得场景的结构和深度信息，恢复了场景的色度和对比度。
提出一种交互式的景深估计方法，通过对最大景深和最小景深进行人为指定，得到近似的景深信息，对单幅降质图像实现场景复原。
该方法虽然降低了对图像采集的要求，但要通过人工交互处理的办法实现清晰化。
从信息论的角度出发，在基于物理模型的基础上提出一种有约束的最优化复原算法，从理论上证实从单幅雾天图像中可自动获取所需部分参数。
通过以上分析可以看出，第(2)类复原方法建立在物理模型的基础上，其复原效果较好。
但如何实现对单幅图像自动、实时地复原是急需解决的问题。
1957年第一颗人造地球卫星进入地球轨道，人类从此开始了太空活动。
1960年4月1日美国发射第一颗电视和红外观察卫星——泰罗斯卫星，首次将电视摄像机拍摄的清晰可见光云图送回地球，遥感图像的研究受到了越来越多的研究者的重视。
随着卫星数量的增多，遥感图像广泛应用于军事、国防以及农业、林业、地质、地理、水文、气象、海洋、城市工程等各个领域。
但是在遥感数据处理过程中突出的问题是，云雾的存在使得遥感图像得不到应有的信息，很多遥感图像无法发挥其应有的价值。
由于遥感数据来源有限，必须对已有的资料进行充分的利用，在有云层覆盖的区域，地面被云层阻挡，从遥感图像获取不到地面信息，如何去除云雾的影响，提取地物信息，成为图像增强的一个重要任务。
1. 1 图像去雾技术分类目前对于雾天图像的处理方法主要分为两类: 雾天图像增强和雾天图像复原雾天图像的增强方法不考虑图像降质原因，适用范围广，能有效地提高雾天图像的对比度，突出图像的细节，改善图像的视觉效果，但对于突出部分的信息可能会造成一定损失雾天图像复原是研究雾天图像降质的物理过程，并建立雾天退化模型，反演退化过程，补偿退化过程造成的失真，以便获得未经干扰退化的无雾图像或无雾图像的最优估计值，从而改善雾天图像质量这种方法针对性强，得到的去雾效果自然，一般不会有信息损失，处理的关键点是模型中参数的估计对于每一类方法，按照去雾方法的相似性进一步归纳为不同的子类方法: 基于图像处理的雾天图像增强方法分为全局化的图像增强方法和局部化的图像增强方法; 基于物理模型的雾天图像复原方法则包括基于偏微分方程的雾天图像复原基于深度关系的雾天图像复原和基于先验信息的雾天图像复原。
雾图增强是智能管理系统的一个组成部分，在交通管理系统、公路收费站、轮船、飞机场等场合有着广泛的应用场景。
比较了对数函数、双曲正切函数、反双曲正切函数对雾天降质图像亮度分量的调节能力，证明双曲正切函数具有比对数函数更宽的亮度调节能力。
在此基础上提出一种基于单尺度Retinex的雾天图像增强方法。
该算法首先把图像从RGB彩色空间转换到HSV空间，保持色调分量不变，采用中心可自适应调节的双曲正切函数增强图像的全局亮度，局部细节非线性变换处理进一步提高图像的局部对比度，运用线性拉伸对饱和度进行调整，实现颜色补偿。
实验结果表明该方法去雾效果显著，且颜色自然。
实验还结合方差、熵和算法运算时间等参数，对该算法与多尺度Retinex算法作比较，验证了该算法在图像对比度、细节增强方面的优越性，且算法速度快，具有应用于实时图像处理的能力。
1.1.1 基于图像处理的雾天图像增强①全局化的图像增强方法全局化的雾天图像增强方法是指对灰度值的调整是由整幅雾天图像的统计信息决定的，与被调整点所处的区域无关。
由于雾天下场景的退化程度与其深度相关，而一幅图往往包含复杂的深度信息，所以全局化的处理方法往往不能得到理想的效果，但当雾天图像的场景相对简单时，不失为一种有效的途径。
典型的全局化雾天图像增强方法主要有6 种：1) 全局直方图均衡化算法。
该方法的基本思想是把有雾图像的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围从而达到增强雾天图像整体对比度的效果。
大部分文献在进行去雾算法对比时均以直方图均衡化的去雾效果作为参照。
2) 同态滤波算法。
该算法是一种把频率过滤和灰度变换相结合的图像增强处理方法，也是一种把照明反射模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像质量的处理技术。
该方法及其推广在彩色图像增强方面得到了广泛的应用。
3 ) 小波方法。
小波与多尺度分析在对比度增强上的应用取得了很大进展。
例如，在多个尺度上对雾天图像的细节进行均衡化［6］，对图像的细节有很好的锐化作用。
4) Retinex 算法。
Retinex 是一种描述颜色不变性的模型，它具有动态范围压缩和颜色不变性的特点，对由于光照不均而引起的低对比度彩色图像具有很好的增强效果。
近年来受到研究者的很大关注，包括单尺度Retinex 算法( Single-Scale Retinex，SSR ) 和多尺度Retinex 算法( Multi-Scale Retinex，MSR) 的应用都取得了很大的成功。