暗原色先验去雾算法的一些认识
自适应透射率的暗原色先验图像去雾算法
自适应透射率的暗原色先验图像去雾算法杨东;黄成泉;张儒良;王林;周丽华【摘要】针对传统的暗原色先验在估算透射率时的不足，提出一种结合平均梯度和暗原色先验的图像去雾算法。
通过分析暗原色先验理论，得出雾的透射率和去雾图像，结合平均梯度算法，达到自适应调整雾的浓度系数的目的，得到精确的透射率，解决因雾的浓度系数是固定值，不能有效估算有雾图像透射率的问题。
将该改进算法与Fattal算法、He算法进行实验比较，比较结果表明，改进算法具有很好的去雾效果。
%Aiming at the deficiency when estimating the transmission rate utilizing the traditional dark channel prior,an improved haze removal algorithm based on the mean gradient and the dark channel prior was proposed.Analyzing the dark channel priori-ty,the transmission rate of the haze and the haze removal image were obtained.The coefficient of the haze was self-adaptively adjusted by utilizing the mean gradient algorithm.Thereby,the traditional dark channel prior transmission rate was improved. The problem that the transmission rate might not be efficiently estimated was solved since the coefficient of the haze was fixed.Experi-mental results show that the improved algorithm has better quality on removing haze than Fattal algorithm and He algorithm.【期刊名称】《计算机工程与设计》【年(卷),期】2016(037)007【总页数】5页(P1873-1876,1884)【关键词】平均梯度;暗原色先验;去雾;自适应透射率;阈值【作者】杨东;黄成泉;张儒良;王林;周丽华【作者单位】贵州民族大学理学院，贵州贵阳 550025;贵州民族大学工程实训中心，贵州贵阳 550025;贵州民族大学模式识别与智能系统重点实验室，贵州贵阳550025;贵州民族大学模式识别与智能系统重点实验室，贵州贵阳 550025;贵州民族大学计算机网络中心，贵州贵阳 550025【正文语种】中文【中图分类】TP391目前，图像去雾方法主要分为两类：雾天图像增强方法和雾天图像复原方法[1]。
基于暗原色先验的图像去雾算法研究的开题报告
基于暗原色先验的图像去雾算法研究的开题报告一、研究背景及意义近年来，图像去雾是计算机视觉领域中备受关注的研究方向之一。
由于许多自然场景中存在着雾、烟雾等气溶胶，这些气溶胶对于图像质量和可视性的影响巨大。
因此，如何去除这些噪音并恢复清晰的图像，对于提高图像的质量和可视性具有重要意义。
图像去雾算法的研究和应用在计算机视觉、计算机图形学、遥感图像处理等领域广泛应用。
目前，已经有许多图像去雾算法被提出，如单尺度Retinex、Dark Channel Prior、全自动物理模型、分层反卷积等。
但是，在实际应用中，这些算法仍然存在以下几个问题：去雾效果不理想、存在较大的计算复杂度和较大的计算误差等问题。
因此，如何提出一种高效、准确、实用的图像去雾算法，是当前研究的重点。
二、研究目标和内容本文的研究目标是基于暗原色先验的图像去雾算法的研究，旨在解决现有算法的不足，提高去雾算法的准确性和效率。
具体研究内容包括：1. 基于暗原色的理论研究：分析暗原色与气溶胶之间的物理关系，研究暗原色先验在图像去雾中的作用和作用机理。
2. 基于暗原色先验的图像去雾算法设计：基于暗原色先验，设计一种新型的去雾算法，包括暗通道先验、暗原色先验和模糊先验等关键步骤。
3. 算法实现与优化：设计并实现基于暗原色先验的去雾算法，利用图像处理的相关技术对算法进行优化和改进，降低算法的时间复杂度和计算误差。
4. 算法评价：选取不同的数据集和评价指标，对所提出的算法进行定量和定性评价。
与现有的各种算法进行对比分析，检验本文算法的可行性和效果。
三、预期研究成果1. 基于暗原色先验的图像去雾算法：提出一种全新的图像去雾算法，以暗原色先验为主要思想，采用暗通道先验、模糊先验等关键步骤实现图像去雾。
2. 算法的优化和改进：利用图像处理技术和优化算法，降低算法的复杂度和误差，提高算法的运行速度和准确性。
3. 算法的应用分析：对算法的实际应用进行分析，如在图像处理、计算机视觉、计算机图形学等领域的应用。
暗通道去雾算法原理
暗通道去雾算法原理引言去雾算法是计算机视觉领域的一个重要研究方向，它可以通过对图像进行处理，减少或去除由雾霾、烟雾等造成的图像模糊和低对比度问题。
暗通道去雾算法是一种常用的去雾方法，它通过寻找图像中的暗通道来进行去雾处理。
本文将详细介绍暗通道去雾算法的原理和实现过程。
暗通道理论暗通道定义在图像中，暗通道是指在任何一条从图像中某个像素点出发到达图像中任意其他像素点的路径上，该路径上最小的像素值构成的通道。
简单来说，暗通道是一种反映图像中最暗区域的通道。
暗通道先验暗通道先验是指在大多数自然图像中，暗通道的像素值普遍较小。
这是由于自然环境中的大气散射现象，导致图像中的物体细节信息被模糊和降低对比度。
根据这个先验，我们可以利用暗通道来估计图像中的大气散射情况，从而进行去雾处理。
暗通道去雾算法步骤暗通道去雾算法的实现步骤如下：1. 估计大气光通过计算图像中每个像素点的暗通道，我们可以得到一个反映图像中大气光照强度的图像。
在这个图像中，亮度较大的像素点往往对应着大气光的位置。
我们可以选择图像中亮度最大的像素点作为大气光的估计值。
2. 估计透射率透射率是指光线在大气中传播时的衰减程度，可以用来描述图像中物体的遮挡和散射情况。
通过计算每个像素点的透射率，我们可以得到一个反映图像中散射程度的图像。
透射率的计算公式如下：t(x) = 1 - w * min(R(x)/A, G(x)/A, B(x)/A)其中，t(x)为像素点x的透射率，R(x)、G(x)、B(x)分别为像素点x的红、绿、蓝通道的值，A为估计的大气光照强度，w为一个常数，用来调节透射率的估计结果。
3. 估计场景辐射率场景辐射率是指物体本身的亮度，可以用来描述图像中物体的亮度分布情况。
通过计算每个像素点的场景辐射率，我们可以得到一个反映图像中物体亮度分布的图像。
场景辐射率的计算公式如下：J(x) = (I(x) - A) / max(t(x), t0) + A其中，J(x)为像素点x的场景辐射率，I(x)为原始图像中像素点x的值，A为估计的大气光照强度，t(x)为像素点x的透射率，t0为一个常数，用来避免透射率过小导致的除零错误。
基于暗原色先验图像去雾算法的研究与改进
基于暗原色先验图像去雾算法的研究与改进作者：王亮万舟来源：《软件》2017年第09期摘要：暗原色先验算法在单幅图像去雾方面有较好的效果，但该算法对处理器要求较高，且耗时长，很难应用于对实时性要求较高的图像去雾。
针对这一问题，提出了一种基于暗通道先验的改进算法：首先用高斯滤波替代软抠图方法消除块状效应、平滑透射率，根据给定的雾浓度系数粗略恢复无雾图像；然后增大雾的浓度系数，结合峰值信噪比和暗原色先验算法对图像进行去雾处理，最终恢复无雾图像。
与典型的去雾算法相比，改进后的算法运算量显著减少，保证去雾效果的同时计算速度明显提高。
关键词：暗原色先验；图像去雾；高斯滤波；峰值信噪比0 引言目前，无人机广泛用于航拍、交通监测、空中侦察和测绘等方面。
其轻便、机动灵活、隐蔽性强的特点，使其具有很高的应用价值，越来越受到人们的重视。
然而无人机雾天执行任务时，由于大气中气溶胶对光线的吸收和散射作用，造成无人机拍摄图像质量下降。
图像的退化和模糊使得图像中基本信息特征失真受损，导致目标识别不清。
因此，对无人机图像进行去雾技术研究意义重大。
雾天下由于从目标物体反射的光线与大气粒子的相互作用，发生折射、散射、吸收融合等光学现象，造成能量大幅衰减，感光装置接收到的光线强度发生变化，从而引起图像灰度值分布过于集中、像素间的对比度降低等。
目前无人机去雾算法主要分为两类：基于图像处理的图像增强，通过对雾化图像锐化处理提高对比度，凸显图像中的细节信息，但会造成一定的细节丢失，并不能真正地实现去雾。
该类方法主要包括gamma校正、直方图均衡、小波变换、对比度拉伸等；第二，基于物理模型的图像复原，通过对整个过程清晰的了解构建物理模型，反演退化过程，获得清晰无雾的图像。
该类方法主要包括基于偏微分方程、基于深度关系、基于先验信息等。
如基于暗通道先验的图像去雾算法，虽然能获得较好的清晰度和对比度，但该基于先验信息的方法依然存在计算复杂，明亮区域透射率估算不准确，色彩过于饱和等问题。
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
基于暗原色先验的图像去雾算法研究
基于暗原色先验的图像去雾算法研究作者：兰军明来源：《软件导刊》2016年第04期摘要：受雾气环境影响，图像往往出现退化现象。
在基于暗原色先验原理的去雾算法中，大气光值的估计对去雾效果有着直接影响。
首先判断图像中是否包含天空区域，对含有天空的图像以像素点位置信息与其对应的亮度分量作为估计条件，求取大气光值。
实验结果表明，该方法针对不同场景进行去雾时，有较强的鲁棒性，能够获取更加准确的大气光值，从而有利于增强复原图像整体视觉效果。
关键词关键词：暗原色先验；大气光；去雾中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2016）004-0188-020引言近年来，雾霾天气频繁，在雾霾环境中，各种成像设备的功能受到一定限制，如采集画面对比度低、彩色饱和度弱、图像信息失真严重等。
目前，对于图像去雾的研究主要集中在两个方面[1]：一是在图像本身的基础上对图像进行降噪处理，并不考虑图像所带有的景深等内部信息[2-3]。
此类方法简单、快速，但处理效果一般；二是在物理模型的基础上，对图像形成的过程进行模拟、建模。
然后将已知条件代入模型中，求得无雾图像[4-5]。
这类方法效果明显，结果更接近实际。
本文在暗原色理论的基础上建立模型，准确选取大气光值，获得更好的去雾效果。
1暗原色先验去雾算法1.1物理模型根据光在雾天环境下传输的物理特性，建立物理模型，本文使用McCarney大气散射模型[2]模拟雾天图像形成的过程：I（x）=J（x）t（x）+A（1-t（x））（1）其中，x表示某一个像素点，I（x）为有雾图像，J（x）为要复原的无雾图像，t（x）代表透射率，A是无穷远处的大气光值。
通过假设和先验知识可求得未知量t（x）、A，进而求解得到无雾图像J（x）。
1.2基于DCP的去雾算法He等[6]通过观察大量户外无雾图像发现，在绝大多数非天空区域，某些像素RGB三个通道中至少存在一个通道具有很低的光强度。
暗通道去雾算法原理
暗通道去雾算法原理暗通道去雾算法是一种常用的图像去雾方法，它基于暗通道先验原理，在图像中预先找到暗通道并利用其估计场景深度和大气光，从而去除图像中的雾霾。
该算法具有计算速度快、效果稳定等优点，在计算机视觉、图像处理等领域具有广泛的应用。
下面我们将详细介绍暗通道去雾算法的原理。
一、判定暗通道对于一张含有雾的图片I，其在某个像素位置的亮度值可以表示为I(x)，其中x为该像素的坐标位置。
根据图像去雾的基本原则，假设原始场景的亮度值为J(x)，则I(x)可以被表示为：I(x)=J(x)t(x)+A(1-t(x))其中t(x)表示该像素处的透射率，A表示场景的大气光，1-t(x)表示该像素的反射率。
对于一张图像，其暗通道一般可以通过以下公式计算：Dc(x)=min(min(Jr,Jg),Jb)其中Dc表示暗通道，Jr,Jg,Jb分别表示图片每个像素点处的红、绿、蓝通道的值。
该公式的物理意义是，在具有较强雾霾的区域，颜色值越小的像素点更容易透过雾霾，因此在暗通道中颜色值最小的像素点更可能是无雾情况下的颜色。
二、估计大气光在使用暗通道先验原理求图像场景深度之前，需要先估计图片中的大气光。
根据上述公式，Dc的最小值与大气光A具有关联，可以通过以下公式计算：A=argmax(I(x))其中argmax表示取所有像素点中亮度值最大的像素点的位置，该位置即为大气光所在位置。
由于大气光通常在图片中位置比较靠近，因此可以针对一个较小的图片区域进行计算，以提高速度和准确性。
需要注意的是，由于图像中可能存在比大气光更亮的物体，如光源等，因此在计算大气光时需要对这些物体作出排除。
三、估计场景深度场景深度是指光线在经过物体时所穿过的距离，能够用于估计透射率。
根据暗通道先验原理，可以使用暗通道估计场景深度。
具体而言，可以通过以下公式计算场景深度：t(x)=1-ωmin(D(x)/A)其中ω表示全局透射率的权重，通常设置在0.95左右。
基于暗通道先验的单幅图像去雾改进算法
基于暗通道先验的单幅图像去雾改进算法基于暗通道先验的单幅图像去雾改进算法摘要：近年来，随着计算机视觉和图像处理领域的快速发展，图像去雾成为了研究的热点之一。
在单幅图像去雾中，暗通道先验算法是一种非常有效的算法。
本文提出了一种基于暗通道先验的单幅图像去雾改进算法，通过对暗通道进行优化得到更好的去雾效果。
实验结果证明，该算法在去雾效果和图像细节保持方面都达到了较好的效果。
关键词：暗通道先验算法；单幅图像去雾；图像细节保持 1. 引言在许多户外场景中，雾霾天气会导致图像质量下降，进而影响计算机视觉和图像处理的性能。
因此，图像去雾技术的研究对于提高图像质量和准确性具有重要意义。
在过去的几年中，许多基于单幅图像的去雾算法被提出，其中暗通道先验算法是一种广泛应用的方法。
2. 暗通道先验算法暗通道先验算法是一种利用图像中存在的暗通道来估计场景中全球大气光照的方法。
暗通道可以理解为图像中最暗的区域，它存在于几乎所有户外图像中。
该算法基于以下观察结果：在大气无光散射模型中，透射率和全球大气光照成反比关系。
因此，通过估计图像中最暗区域的暗通道来获得全球大气光照估计，并进一步计算出场景的透射率。
最后，通过修复的透射率和原始图像重建无雾图像。
然而，传统的暗通道先验算法在一些情况下存在一定的局限性。
首先，传统算法往往难以处理场景中存在强光源的情况。
这是因为在强光照射下，暗通道不再是局部最暗的区域，导致估计的透射率不准确。
其次，传统算法对于具有复杂纹理和细节的图像在去雾后可能存在伪影和失真问题。
3. 改进算法为了克服传统暗通道先验算法的局限性，本文提出了一种基于暗通道先验的单幅图像去雾改进算法。
改进算法分为以下几个步骤：3.1 强光源处理对于存在强光源的图像，传统算法往往难以准确估计透射率。
因此，我们在预处理阶段采用了一种强光源检测和过滤的方法。
首先，通过检测图像中较亮的区域来判断是否存在强光源。
然后，对于存在强光源的图像，我们利用图像分块和平滑操作来减弱其影响，使传统暗通道算法能够更好地适应这样的场景。
何恺明 - 暗原色先验图像去雾
何恺明，孙剑，汤晓鸥香港中文大学微软亚洲研究院摘要：在这篇论文当中，我们提出了一种简单但是有效的图像先验规律——暗原色先验（dark channel prior）来为单一输入图像去雾。
暗原色先验来自对户外无雾图像数据库的统计规律，它基于经观察得到的这么一个关键事实——绝大多数的户外无雾图像的每个局部区域都存在某些至少一个颜色通道的强度值很低的像素。
利用这个先验建立的去雾模型，我们可直接估算雾的浓度并且复原得到高质量的去除雾干扰的图像。
对户外各种不同的带雾图像的处理结果表明了dark channel prior的巨大作用。
同时，作为去雾过程中的副产品，我们还可获得该图像高质量的深度图。
1、引言户外景物的图像通常会因为大气中的混浊的媒介（比如分子，水滴等）而降质，雾、霭、蒸气都因大气吸收或散射造成此类现象。
照相机接收到景物反射过来的光线经过了衰减。
此外，得到的光线还混合有大气光(经大气分子反射的周围环境的光线)。
降质的图像的对比度和颜色的保真度有所下降，如图1所示。
由于大气散射的程度和景点到照相机的距离有关，图像降质是随着空间变化的。
在消费／计算摄影业和计算机视觉领域，图像去雾有着广泛的需求。
首先，去雾能显著地提高景象的清晰度并且改正因空气而带来的色移。
一般的，去除雾干扰的图片看起来要更加舒服。
其次，大多数的计算机视觉算法，从低级别的图像分析，到高级别的目标识别，一般会假定输入图像即景物的原始光线会聚所成。
视觉算法（例如特征检测、滤波、光度分析等）的实现会不可避免地因为偏光、低对比度图像而不理想。
再次，去雾可产生图像的深度信息，有助于视觉算法和高级的图像编辑。
通常意义下不好的雾也能派上用场，作为深度的线索能加深人们对景像的理解。
然而，去雾是一项有挑战性的课题，因为大气中雾所依赖的深度信息是未知的。
而在只有一幅图像可分析的情况下，解决这一问题又受到了制约。
因此，很多使用多张图像或其他更多辅助信息的去雾方法被提出。
基於暗原色的单一图像去雾技术
现实中，即使是很晴朗的天气，空气中总会不可避免地包含一些杂质分子。所以当我们看远处的物 体时雾依然是存在的。而且，雾的存在是人们感知深度的一个基本线索 [3 , 13 ]。这一现象被称为空 间透视。如果我们彻底地移除雾的存在，图像会看起来不真实，并且深度感会丢失。所以我们可以通过 在方程(11)中引进一个常数ω (0<ω≤ 1) ，有针对性的保留一部分覆盖遥远景物的雾：
在这篇文章，我们提出一种新的先验规律——暗原色先验，来用于单一图像去雾。暗原色先验是对 户外无雾图像库的统计得出的规律。我们发现，在不包括天空的绝大部分局部区域，总会存在一些我们 称之为“dark pixels”的像素，至少有一个颜色通道具备很低的强度值。在被雾干扰的图像里，这些暗 像素的强度值会被大气中的白光成分所充斥而变得较高。 因此，这些暗像素能够直接用来评估雾光的透射信息。结合一个已有的雾成像模型和插值法抠图修复， 我们可以得到高质量的去雾图像和很好的深度图。
在一个局部区域的透射率是恒定不变的在方程(5)中使用取最小运算符得到： min y∈Ω(x) (Ic (y )) = ˜t (x ) min y∈Ω(x) (Jc (y ))+(1− ˜t (x ))Ac. (6)
注意到取最小运算是对三个颜色通道单独进行操作的，该方程等价于：
- 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)。
暗原色先验去雾算法的一些认识
摘要：本文首先简单介绍基于暗原色先验去雾算法，然后总结出各变量的求解，最后利用已知程序检验算法的效果。
引言：在雾天时，由于空气中大量悬浮粒子的散射和吸收作用，使得光学成像对比度降低，颜色偏灰白色，严重影响视觉效果，这直接限制室外各种视觉系统的作用。
因此对图像去雾有着重要的现实意义。
暗原色先验是基于户外无雾图像数据库得到的一条简单有效的图像先验规律。
该理论的核心是：绝大多数户外无雾图像的每个局部区域里，至少存在一个颜色通道的强度值很低。
称之为在暗像素。
雾天中，这些暗像素会因为雾光的充斥而强度值变大。
因此这些暗像素能够用来评估雾光的透射情况。
根据McCarney 的大气散射模型，根据光在雾天传输的物理特性可以得到较好的去雾原像。
1. 雾天图像去雾模型
McCarney 的大气散射模型（如下）被广泛应用于计算机视觉和图形学领域中
()()()(1())I x t x J x t x A =+-（1）
I 是输入图像（观测到的）光强度，t 指光线透射率，A 是大气光成分，J 是无雾时景物的光线强度。
图像去雾目标就是由已知的I 求得未知参数J,A,t 。
由于方程的个数少于未知量的个数，需增加约束条件来求解。
暗原色先验即是其中的一种约束。
2.暗原色先验
暗原色先验是基于大量户外无雾图像观察到的一条统计规律：在绝大数户外无雾图像的每个局部区域至少存在某个颜色通道的强度值很低。
对户外无雾图像J 进行分块，对每个像素块定义暗原色如下：
{,,}()
()min (min (()))dark c c r g b y x J x J y ∈∈Ω=（2）
式中：()x Ω是以x 为中心的正方形邻域，c J 为J 三原色的一个通道，()dark
J
x 即为图像J
在这个邻域的暗原色。
观察统计表明dark J 趋于零。
在带雾图像中，这些暗原色的值会升高。
3.模型求解
对于t 的估计需要以下的假设：每一个像素块的光线透射率是相同的。
因此像素块的大小直接影响透射率的估计。
像素块较小则t 的细节多，层次感好。
但会增加运算量，且可能增加局部错误；快较多时，得到的暗原色图分布会很单一，图片的层次感不明显，会使对比度下降。
因此分块时可尝试不同的值，以期得到较好的值。
假设大气光A 已知（事实上t 的估计不需要A ），首先在模型（1）两端在每个像素块求取最小值：
()
()()()
min(min (
))()min(min ())(1())c c y x c y x c c
I y J y t x t x A A ∈Ω∈Ω=+-（3）
根据暗原色先验无雾图像的暗原色趋于零，故由上式可得
()
()
()1min(min (
))c c
y x c
I y t x A ∈Ω=-（4） 而右式第二项即为带雾图像在x 邻域的暗原色值，这是可以通过matlab 得到的，因此局部区域的t 值可以求得。
从而可以得到整幅图的透射率()t x 。
但当()t x 趋于零时，图像趋于包
含噪音，因此常常需要设置一个透射率下限0t （通常设置为0.1）。
大气光的估计：在一般的单一图像去雾中，通常整幅图最大强度的像素作为大气光的估测。
最后得到J 的求解公式为
0()()max((),)
I x A
J x A t x t -=
+（5）
4.实验结果与分析
利用已知的程序来验证算法的有效性，可以看到原本模糊的图像经处理后变得更加清晰，色彩更鲜明，视觉上感觉更舒适。
Original Image
Haze-Free Image:
原图像灰度
图
去雾后灰度图
Original Image
Haze-Free Image:
原图像灰度
图
去雾后灰度
图
Original Image
Haze-Free Image:
总结:暗原色先验使得单一图像去雾变得简洁且有效。
但由于本身是一条统计规律，因此在某些极端情况下（如全白色的图景）效果就会受到很大的影响。
在实际应用中，暗原色先验原理还可以推广到音影材料的去噪中等等，这都可以进一步探索。
参考文献：
[1].He Kai-Ming,SUN JIAN,TANG Xiao-ou.Single image haze removed using dark channel prior[A].Proceedings of IEEEConference on computer Vision and Pattern
Recognition[C].Mami,2009,1956-1963.
原图像灰度
图去雾后灰度
图
Original Image
Haze-Free Image:
原图像灰度
图
去雾后灰度图
[2]嵇晓强，戴明，孙丽娜，郎小龙，王洪.暗原色先验图像去雾算法研究.光电子，1005-0086（2011）06-0926-05
[3].胡伟，袁国栋，董朝，疏学明.基于暗通道优先的单幅去雾新方法.计算机研究与发展，2010
附录：（已知程序）
close all
clear all
clc
blockSize=8; %每个block为8个像素
w0=0.6;
t0=0.1;
% A=200;
I=imread('C:\Users\asus\Desktop\图片17.jpg');
h = figure;
subplot(321)
imshow(I);
title('Original Image');
subplot(323);
grayI=rgb2gray(I);
imshow(grayI,[]);
title('原图像灰度图') %原图像的灰度图
subplot(324);
imhist(grayI,64);
%统计<50的像素所占的比例
[COUNT x]=imhist(grayI);
under_50=0;
for i=0:50
under_50under_50=under_50+COUNT(x==i);
end
under_50
total=size(I,1)*size(I,2)*size(I,3);
percent=under_50/total
%%%%%%%%%%%%%%%%%%%
if(percent>0.02)
error('This image need not Haze-Free-Proprocessing.');
else if(percent<0.001)
w=0.6;
else if (percent>0.01)
w=0.3;
else
w=0.45;
end
end
end
[h,w,s]=size(I);
min_I=zeros(h,w);
for i=1:h
for j=1:w
dark_I(i,j)=min(I(i,j,:));%取每个点的像素为RGB分量中最低的那个通道的值end
end
Max_dark_channel=double(max(max(dark_I)))
dark_channel=double(dark_I);
t=1-w0*(dark_channel/Max_dark_channel);
T=uint8(t*255);
t=max(t,t0);
%%%%%%%%%%%%%%%%%%%%
I1=double(I);
J(:,:,1) = uint8((I1(:,:,1) - (1-t)*Max_dark_channel)./t);
J(:,:,2) = uint8((I1(:,:,2) - (1-t)*Max_dark_channel)./t);
J(:,:,3) =uint8((I1(:,:,3) - (1-t)*Max_dark_channel)./t);
subplot(322)
imshow(J);
imwrite(J,'tj2.jpg');
title('Haze-Free Image:');
subplot(325);
grayJ=rgb2gray(J);
imshow(grayJ,[]);
title('去雾后灰度图')。