图像去雾透射率的优化算法
remove fog算法
remove fog算法Remove fog算法概述Remove fog算法是一种图像去雾算法，旨在从有雾的图像中提取出清晰的场景。
它可以用于改善天气条件较差或者拍摄环境不佳的照片、视频等。
原理Remove fog算法基于以下原理：在有雾的图像中，物体与相机之间的可见距离受到雾的影响而降低，因此，通过估计物体与相机之间的可见距离来去除雾霭。
该算法使用了一个称为大气散射模型（Atmospheric Scattering Model）的模型来描述光线在大气中传播时发生的散射现象。
该模型假设大气中存在一定浓度的微小颗粒，这些颗粒会使得光线在传播过程中发生散射。
当光线与这些颗粒碰撞时，它们会被散射到周围，并且随着传播距离增加而逐渐减弱。
因此，在有雾的图像中，远处物体看起来比近处物体更模糊。
实现步骤1. 估计全局大气光（Global Atmospheric Light）：首先需要确定图像中存在雾霭的区域。
一种常用的方法是计算每个像素点的亮度值，并根据阈值将其分为前景和背景。
然后，从前景中选择最亮的像素点作为全局大气光。
2. 估计透射率（Transmittance）：对于每个像素点，需要确定从该像素点到相机之间的可见距离。
这可以通过估计透射率来实现。
透射率表示光线在传播过程中被吸收或散射的程度。
在有雾的图像中，透射率随着距离增加而减小。
因此，可以使用以下公式计算透射率：t = e^(-beta * d)其中，t表示透射率，beta是一个常量（用于调整雾霭强度），d表示物体与相机之间的距离。
3. 去除雾霭：最后一步是将估计出来的透射率应用到原始图像上，以去除雾霭。
这可以通过以下公式实现：J(x) = (I(x) - A) / max(t(x), t0) + A其中，J(x)表示去除雾霭后的图像，I(x)表示原始图像，在该位置上的颜色值，A表示全局大气光，在该位置上的颜色值，t(x)表示在该位置上估计得到的透射率，t0是一个常量（用于避免除以零错误）。
图像去雾算法PPT课件
7 7 7 7 8 7 9 13 10 13 10 11 10 11 10 10 14 24 29 24 29 24 7 7 7 7 8 7 9 13 10 13 10 11 10 11 10 10 14 24 29 24 29 24 15 15 15 15 14 18 29 40 43 40 43 14 16 14 16 16 25 32 40 49 40 49 22 22 22 22 23 31 38 35 41 35 41 39 37 39 37 34 39 42 39 27 39 27 40 42 40 42 46 48 42 41 23 41 23 39 37 39 37 34 39 42 39 27 39 27 40 42 40 42 46 48 42 41 23 41 23
2021/3/7
CHENLI
5
MATLAB 软件介绍
• 特点：
• 1) 高效的数值计算及符号计算功能，能使用户从繁杂的数学运算分析中 解脱出来；
• 2) 具有完备的图形处理功能，实现计算结果和编程的可视化；
• 3) 友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和 掌握；
• 4) 功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ，为用户 提供了大量方便实用的处理工具。
• 2009年CVPR最佳论文作者何凯明博士（2007年清华大学毕业，2011 年香港中文大学博士毕业）首次提出暗通道先验理论。2010年提出引导 滤波算法对滤波效果改进。
• 2011年对暗通道先验理论进行改进。
• 2013年对引导滤波算法进行改进。
• 何凯明主页( /enus/um/people/kahe/ )
2021/3/7
CHENLI
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。
基于暗通道先验的图像去雾优化算法
Ｗ ＡＮＧ Ｘｉｎ ，ＳＵＮ Ｙｉｎｇ ｙｉｎｇ，Ｍ ＥＮＧ Ｊｉａｎ
（Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ，Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，
王 昕 春 １３００１２）
摘 要 ：暗通 道 先 验 算 法 虽 然 在 单 幅 图像 去 雾 方 面取 得 了 一 定 的 效 果 ，但 是 该 算 法 运 行 时 间 较 长 ，另 外 对 环 境 光 的 计 算 不 太 准 确 ，不 适 用 于 天 空 区 域 ，会 导 致 复 原 图 像 色 彩 失 真 、亮 度 偏 暗 。针 对 这 些 缺 陷 ，本 文 提 出 一 种 改 进 的 ｗ ｈｉｔｅ Ｐａｔｃｈ Ｒｅｔｉｎｅｘ算 法 ，对 原 有 图像 去 雾 算 法 进 行优 化 。 首 先 ，通 过 改 进 的 ｗｈｉｔｅ Ｐａｔｃｈ Ｒｅｔｉｎｅｘ算 法 计 算 出环 境 光 。其 次 通 过 暗 通 道 先 验 算 法 获 得 透 射 率 。最 后 根 据 得 到 的环 境 光 和 透射 率 ，求 解 大 气 散 射 模 型 ，从 而 得 到 去 雾 后 的 图像 。实 验 结 果 表 明 ，该 算 法 不 仅 运 行 时 间 较 短 ，对 分 辨 率 为 ６００×８００的 图 像 处 理 时 间 平 均 为 ５ Ｓ左 右 ，且 能 解 决 天 空 区域 失 真 问题 ，去 雾 后 的 图 像 具 有 较 高 的 亮 度 和 对 比度 。 关 键 词 ：去 雾 ；暗通 道 先 验 ；改 进 的 Ｗ ｈｉｔｅ Ｐａｔｃｈ Ｒｅｔｉｎｅｘ算 法 ；引 导 滤 波 中 图 分 类 号 ：ＴＰ３１７．４ 文 献 标 识 码 ：Ａ ｄｏｉ：１０．３７８８／ＹＪＹＸ￥２０１６３１０５．０５０６
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。
图像去雾方法和评价及其应用研究
图像去雾方法和评价及其应用研究图像去雾方法和评价及其应用研究一、引言在自然环境中，雾是一种常见的气象现象。
不可避免地，雾会影响人们对远距离物体的识别和辨认能力，同时也降低了图像的质量。
因此，图像去雾技术的研究和应用变得越来越重要。
本文将介绍图像去雾的基本原理和常见方法，并重点探讨目前应用于图像去雾评价的指标和方法。
二、图像去雾方法图像去雾的目标是恢复被雾遮挡的真实场景。
目前，已经有多种图像去雾方法被提出和研究。
根据去雾方法的基本原理，可以将图像去雾方法分为物理模型方法和统计模型方法。
1. 物理模型方法物理模型方法基于对雾的形成机制进行建模和分析，通过估计雾的传输模型来去除图像中的雾。
典型的物理模型方法有海平面模型、单一scatter模型和双scatter模型等。
（1）海平面模型海平面模型认为景物表面具有 Lambertian 反射特性，雾的光传输模型可以表示为 I(x) = J(x)t(x) + A(1 - t(x))，其中I(x) 和 J(x) 分别表示观测到的雾图像和无雾图像在像素 x 处的亮度值，t(x) 表示像素 x 处的透射率，A 表示大气光值。
根据这个模型，可以通过估计透射率 t(x) 和大气光值 A 来去除图像中的雾。
（2）单一scatter模型单一scatter模型认为雾粒子只发生一次散射，透射率可以通过改进的Retinex算法进行估计。
改进的Retinex算法可以通过最小二乘法和约束优化方法去除雾图像中的散射成分。
（3）双scatter模型双scatter模型认为雾粒子发生了两次散射，透射率可以通过解半无限光传输方程进行估计。
然后可以利用估计的透射率和大气光值去除雾图像中的散射成分。
2. 统计模型方法统计模型方法通过研究和利用图像中不同区域的统计特性来去除雾。
典型的统计模型方法有基于局部特征的方法和基于全局特征的方法。
（1）基于局部特征的方法基于局部特征的方法主要通过分析图像的纹理信息和对比度来去除雾。
aod去雾算法原理
aod去雾算法原理
AOD(AtmosphericOpticalDepth)去雾算法是一种常用的图像去
雾方法，其原理是利用大气光学模型，对图像进行透射率估计和退化恢复操作。
该算法主要分为以下几个步骤：
1. 估计大气光照度：首先需要根据图像的亮度信息来估计出大气光照度，这个值表示了在没有雾气的情况下，图像中最亮的部分的亮度值。
2. 估计透射率：通过估计图像中每个像素点与大气光照度之间的透射率，可以得到图像被雾气所遮盖的程度。
这个过程可以通过计算像素点颜色值与估计的大气光照度之间的比值得到。
3. 透射率修正：由于图像中不同区域的雾气密度不同，因此需要对估计出的透射率进行修正。
一种常用的方法是使用像素点间的差异来计算修正系数，并将其应用到透射率中。
4. 退化恢复：根据估计出的透射率和大气光照度，可以对图像进行退化恢复操作，去除图像中的雾气。
该算法可以在大气光学模型基础上对图像进行较好的去雾处理，但仍有一些缺陷，如对于复杂纹理或颜色变化剧烈的图像处理效果较差。
因此，针对不同类型的图像，需要选择合适的去雾算法进行处理。
- 1 -。
基于DSP的图像去雾算法优化方法
Ｄａ ｌ ｉ ａ ｎ １ １ ６ ０ ２ ３， Ｃ ｈ ｉ ｎ ａ ；２ ． Ｓ ｐ ａ ｃ ｅ Ｓ ｔ ａ ｒ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｃ ｏ Ｌ ｔ ｄ ， Ｂ ｅ ０ ｉ ｎ ｇ １ ０ ０ ０ ８ ６ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｍ ｕ ｌ ｔ ｉ ｐ ｌ ｅ — ｓ ｃ ａ ｌ ｅ ｒ ｅ ｔ ｉ ｎ ｅ ｘ ｗ ｉ ｔ ｈ ｃ ｏ ｌ ｏ ｒ ｒ ｅ ｓ ｔ ｏ ｒ ａ ｔ ｉ ｏ ｎ （ ＭＳ Ｒ Ｃ Ｒ） ｉ ｓ ａ ｄ ｅ ｆ ｏ ｇ ｇ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ｈ ｉ ｃ ｈ ｃ ａ ｎ ｓ ｏ ｌ ｖ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ
摘
要 ：带彩色恢 复的多尺度视 网膜皮层 （ ＭＳ Ｒ Ｃ Ｒ） 去雾算 法是解决雾 、 霾 等恶劣天气下拍 摄的 图像 的对
比度下降和图像特征退化 问题 的一类算法 ， 可 以有效改善 图像 的视 觉效果 ， 但 由于算法 复杂度 较高 ， 实时 处理 困难 。通过时域到频域 的转化 和基 于 Ｔ Ｍ ３ ２ ０ Ｄ Ｍ６ ４ ２本身 硬件特 性对 ＭＳ Ｒ Ｃ Ｒ去雾算 法进 行 了优化 ，
（ 如雾 、 霾等 ） 的影 响而发生降质 ， 不仅 图像颜 色偏灰 ， 而且 图像特征难 以辨认 ， 这 是因为 大气 中的大量悬 浮粒 子对光 线产生散射 ， 引起景物 的反射光线 衰减 ， 使成像后 图像 的对
比度 和颜 色 等 特 征 发 生 了改 变 ， 很 难进行图像的后期处理 。
０ 引 言
和 Ｒ ａ ｈ ｍ ａ ｎ Ｚ 等 人 提 出 了 色 彩 恢 复 多 尺 度 Ｒ ｅ ｔ ｉ ｎ ｅ ｘ
（ ＭＳ Ｒ Ｃ Ｒ ） 算法 ， ＭＳ Ｒ Ｃ Ｒ 算 法 不 仅 可 以有 效 地 恢 复 出 清 晰
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。
基于自适应透射率和补偿优化的图像去雾研究
基于自适应透射率和补偿优化的图像去雾研究基于自适应透射率和补偿优化的图像去雾研究一、引言图像去雾是计算机视觉领域的重要研究方向之一，其主要目标是提高雾天下图像的可见度和质量。
现有的图像去雾方法主要分为基于传统模型和基于深度学习的方法。
然而，传统模型往往对雾的密度以及光照条件较为敏感，而深度学习方法需要大量的训练数据和计算资源。
因此，本文提出了一种基于自适应透射率和补偿优化的图像去雾方法，旨在提高去雾效果和算法的实用性。
二、方法介绍本文的方法主要包括透射率估计和透射率补偿两个关键步骤。
1.透射率估计传统的透射率估计方法主要基于图像中的暗通道先验，但该方法对具有高亮度和低对比度的场景效果较差。
为了解决这个问题，本文提出了一种自适应透射率估计方法。
首先，通过计算每个像素点的亮度值，得到图像的亮度分布图。
然后，根据亮度分布图，估计每个像素点的透射率。
最后，根据透射率估计图像进行补偿操作。
2.透射率补偿透射率补偿是去雾方法中的重要步骤，其目的是根据估计的透射率值，减少雾的影响，提高图像的可见度。
在本文中，为了更好地补偿透射率，我们引入了补偿优化方法。
具体来说，我们通过对图像的亮度值进行修正，并结合估计的透射率值进行补偿操作。
同时，为了保持图像的细节信息，还引入了边缘保护机制，避免过度增强。
三、实验与结果为了验证本文方法的有效性和性能，我们从数据集中选择了多张典型的雾天图像进行实验，并将结果与其他经典的去雾方法进行对比。
实验结果表明，本文方法在去雾效果和算法实用性方面具有明显优势。
首先，自适应透射率估计方法可以有效估计透射率，适应不同亮度和对比度的场景；其次，透射率补偿方法可以减少雾的影响，提高图像的可见度，并通过补偿优化和边缘保护机制，保持图像的细节信息。
与传统模型和深度学习方法相比，本文方法在去雾效果上更加自然和准确。
四、结论与展望本文提出了一种基于自适应透射率和补偿优化的图像去雾方法。
实验结果表明，该方法能够有效改善雾天图像的可见度和质量。
- 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)。
图像去 雾透 射率 的优化算 法
张 阳Ｌ 王 瑕Ｌ 。 肖 梦 徐 国庆
（ １ ．武汉工程大学计算机科 学与工程学院 ， 湖北 ２ ．武汉工程大学计算机科 学与工程实验班 ， 湖北 武汉 武汉 ４ ３ ０ ２ ０ ５ ； ４ ３ ０ ２ ０ ５ ）
［ 摘
要］ 在 雾、 霾等天 气条件下 ， 大气粒子 的散 射作用导致 图像 严重降质 。本 文提 出一种 简单快速 的基 于物理模型的
式（ １ ） 所示 ：
其中 ， ， ∽ 是准备去雾 的图像 ， ． ， ∽ 为准备恢复的无雾 图
像， 大气光成 分为 Ａ， 透射 率为 ㈤ 。己知条件 为 ， ∽， 要 求
的 目标值 为 ． ， ㈨ ， 由于该 方程有 无数个解 ， 故先验 是很有 必
要 的。
将 大气光值 当作 已知值 ， 假 设在局部 区域 的透射 率固定 不变 。对方程 （ ３ ） 取最小运算符并除 以 Ａ， 得到 （ ４ ） ：
图像退化 的原 因以及 大气散射规律 来建立退化模 型 ， 采用 图
像去雾 的手段达到去雾 的 目的 。 ２ ０ ０ ８ 年Ｔ ａ ｎ ｔ １ 提出 了通过 最 大化局部对 比度来恢 复图像的色彩对 比的方法 ； 同年 Ｆ ａ ｔ ｔ ａ ｌ ｔ
在其研 究中假定表面投 影及透射率不相 关 ， 估算了景物 的反
．
７ ．
学 术探讨 ・ 基金
ｍ ｉ ｎ （ ｍ ｉ ｎ （
…
ｍ ｉ ｎ （ ｍ … ｉ ｎ （ ） ） ＋ （ １
）
（ ５ ］
１ －ｍ ｉ ｎ （ ｍ ｎ ｉ ｎ （ Ｆ （ ｙ ） ｌ Ａ ￣ ） ） ） ∽＝
而
（ １ ３）
上 式 中， ＇ ， （ ｙ ） 是 求 得 无 雾 的 图像 ， 根 据 前 述 的 暗 原 色 先
验理论有 ：
明亮区域部 分 ， ｍ ｉ ｎ （ ｍ （ ） ） 不 可 以近 似 为 ０ ， 故 实 际 、 Ｅｉ Ｈ Ｉ、 ｄ‘
： ｆ ∽ ＋ ｌ － ￡ 西
由上式可知 ， Ｒ ／ Ｇ ／ Ｂ三个 通道 均由上标 ｃ 来表示 。
（ ４ ）
将每 一个 窗 口里 的透射 率定义为 常数 ； ㈨ ， 由于它 的值 是给定 的 ， 故把最 小值 运用在式 （ ５ ） 的两边 ， 最后可 以得到 下
面的式子 ：
大气光 项和直接衰减项均会 导致 有雾图像出现嘲 。从其 他方 向散射过 来 的光 线组成 大气光 项 。当场 景光线 经过散 射介 质时 ， 被其 散射或者 吸收 ， 此称 为直接 衰减项 。介质和 景深对 此衰减 具有重 要的影 响 。下 式所述 的模 型是计 算机 视 觉 与 图 形 研 究 中 广 泛 采 用 的 模 型， 具 体 方程 如 下 ： Ｊ ∽＝ ． ， ∽￡ ∽＋ （ １ 一ｔ ∽） （ ３ ）
图像 去雾新算 法 ， 对 大气散射模 型进 行化 简， 得到新 的去雾模 型。然后 ， 利用暗原 色先验 方法估计 大气光值 Ａ， 并代入 新的 简 化模型 ， 得 到去 雾图像 。实验表 明 ， 该算 法在 处理速度 和去 雾效果上都优 于现有算法。
［ 关键 字］ 图像 去雾 ； 物理模型 ；暗原 色先验 ；大气光值 Ａ 中图分类号 ： Ｔ Ｐ ３ ９ １ ． ４ １ 文献标识码 ： Ａ 文章编号 ： １ ０ ０ ８． ６ ６ ０ ９（ ２ ０ １ ７ ） ０ ６ ０ ０ ０ ７ ． ０ ３ ． ，
１ 引言
ｍｉ ｎ（ Ｕ ∽） ）
（ １ ）
具有 目标 识别 的视觉 系统在 户外 的应用 中可能会 受到 雾 霾天气 的干扰 ， 可能会 导致系统 的图像变 得模糊， 或造 成画 面 的对 比度 下降等 。如今， 各 国的研 究人员 越来越重视 这些 缺陷 ， 这 方 面 的研 究越 来 越 多 ， 并且 取 得 了不 错 的研 究 成
（ ２ ）
果 。在使 图像变清晰 的过程 中， 一般 可用两类方法 ， 分别是基
于 图像增 强 的方 法和基 于物理 模型 的 图像 复原 方法 。其 中 同态 滤波 法 、 Ｒ ｅ ｔ ｉ ｎ ｅ ｘ 算 法 、 直 方 图均衡化 以及 基于 大气 调 制传 递函数 等均属 于 图像增 强法 。第 二类 方法主 要是通过
作者简介： 张阳（ １ ９ ９ ５ － ） ， 女， 湖南张家界人， 本科， 研究方向为计算机图像处理。 基金项 目： 本文由湖北武汉工程大学计算机科学与工程学院院长基金项 目资金支持 ， 项 目编号 ： ２ ０ １ ７ ０ ４ ５ ； 国家自然科学基金 ， 项 目编号 ： ６ １ ５ ０ ２ ３ ５ ４ 。
பைடு நூலகம்
Ｊ 的某一个颜色通 道由 Ｊ ｃ 表示 ， Ｑ（ ｘ ） 是一正方形 区域 ， 其 中心点为 Ｘ 。Ｊ 没有高强度 。若 Ｊ 为户外无 雾图像 ， 则Ｊ 叫 做Ｊ 的暗原色 ， 暗原色先验 由此得 出。 暗通道先验 的理论 指出 ：Ｊ 一０
２ ． ２ 建 立 雾 天 的退 化 模 型
射率， 并 以此 推断出空气 中景物光在传播时 的透 射率 。 ２ 算法 介绍 ２ ． １ 暗通道先验 原理 Ｈｅ ｔ ４ ￣ 对５ ０ ０ ０ 幅 正常 图像做 了统计 ， 结 果表 明 ， 若将 该点 像 素取为 彩色 图像 中任 一像素 点 Ｒ Ｇ Ｂ中的最小值 ， 那 么［ ０ ， １ ６ １ 区域 内 占有 ８ ６ ％的像素 值 ， 说 明这个 区域 的值 与零接近 ， 而最 小值 的通道 即是暗通道 。若该 像素 点是在（ ｘ ， ｙ ） 领域 内 的局 部小方块 Ｏ （ ｘ ， ｙ ） 中所取 ， 同时是 Ｒ Ｇ Ｂ中 的最 小值 ， 将 各 像素 点 的暗通道值 构成 的图像作 为暗 原色 图像 Ｊ 【 ｌ 。如 下