图像去雾技术研究
I 编号
图像去雾技术研究
The research on image defogging
technology
学 生 姓 名 XX
专 业 电子科学与技术
学 号 XXXXXXX
学 院 电子信息工程学院
II 摘要
本文首先简单介绍了云雾等环境对图像成像的影响，接着从图像增强的角度研究图像去雾技术的基本方法，介绍了去雾算法的原理和算法实现步骤，并对去雾算法的优缺点和适用条件进行了总结。
基于图像增强的去雾原理，本文提出了联合使用同态滤波和全局直方图均衡的改进去雾算法。先进行同态滤波使有雾图像的细节充分暴露，然后采用全局直方图均衡扩展图像的灰度动态范围。去雾效果具有对比度高，亮度均匀，视觉效果好的特点，不足的是图像的颜色过于饱和。
关键字：图像增强 图像去雾 同态滤波 全局直方图均衡
III Abstract
Firstly, this paper simply introduces the influence of cloud environment of image
formation, then from the enhanced image perspective of image to fog technology
basic method, is introduced to fog algorithm principle and algorithm steps, and has
carried on the summary to fog algorithm advantages, disadvantages and applicable
conditions.
As for the defogging theory based on the image enhancement, the paper puts
forward the improved defogging algorithm which requires combining homomorphic
filtering and global histogram equalization. We should use homomorphic filtering to
get details of the fogging images clearly exposed and then use global histogram
equalization to spread the images’ gray scale dynamic range. Defogging has features
of high contrast ratio, uniform brightness and good visual effect. But its drawback is
that the image color is too saturated.
Key words: image enhancement; image defogging; homomorphic filtering;
global histogram equalization;
1 1.云雾等环境对图像成像的影响
1.1 课题研究的背景和意义
近年来国内的雾霾天气逐渐由中东地区向全国蔓延。雾霾自2013年起开始成为人们对天气关注的关键词。雾霾是特定气候条件与人类活动相互作用的结果。高密度人口的经济及社会活动必然会排放大量细颗粒物（PM2.5），一旦排放超过大气循环能力和承载度，细颗粒物浓度将持续积聚，此时如果受静稳天气等影响，极易出现大范围的雾霾。
雾天时，弥漫在空中的雾气和尘埃模糊了人们的视线，使得景物的能见度大幅降低。在雾天条件下的室外获得的图像会受到严重的退化，图像目标的对比度和颜色等特征被衰减，这大大降低了图像的应用价值。即使在晴朗的天气条件下拍摄的照片，由于大气的散射作用，照片的清晰度同样受到影响。因为在每一个实际的场景中，光线在到达相机之前，都会从物体表面反射出来而且散射在空气中。这是因为空气中存在的浮质，像灰尘、雾和烟等，这些因素导致物体表面颜色变淡和整幅图像的对比度降低。这给工业生产及人们的日常生活带来了很大影响。例如城市交叉路口图像监视系统，在恶劣天气条件下得到的退化图像会对判断车辆信息和监控交通情况造成极大的困难；在军事侦察或监视中，退化图像对信息的识别与处理会造成偏差，而这种偏差的后果是非常严重的；遥感探测中退化图像同样会对后续的信息处理产生很大的干扰。因此许多领域都要用到去雾算法。有雾图像特征清晰化的研究具有非常重要的意义。
另一方面，随着科学技术的飞速发展，计算机运行处理速度加快，图像处理广泛应用于众多的科学和工程领域重要领域。数字图像技术从20世纪50年代发展至今，在航空航天、工业生产、医疗诊断、资源环境、气象及交通监测、文化教育等领域有着广泛的应用，创造了巨额的社会价值。应用的视觉系统极易受到天气因素的干扰甚至无法正常工作。雾天天气条件是各种天气条件中对视觉影响最严重的一种。图像去雾技术成为图像处理和计算机视觉领域共同关心的重要问题。为了保证视觉系统的全天候正常工作，就必须使系统能够适用于各类天气状况，这样才能提高系统的可信赖性。
因此，研究如何对尘雾等恶劣天气条件下获得的退化图像进行有效地处理，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。雾天下图像的清晰化技术有可能对其他恶劣天气条件下图像的清晰化技术也起到促进作用。从而促使全天候视觉系统排除天气状况的干扰和影响。此方面技术的研究有着很大应用前景。 2 1.2 国内外研究现状
对雾天图像，改善退化图像的质量，可采用模拟和数字两种图像处理技术进行处理。模拟图像处理利用光学处理和电子电路处理，特点是速度快实时性好，但是精度较差，灵活性差，很难有判别能力和非线性处理能力。而数字图像处理采用计算机或实时硬件处理，处理精度高，可以进行复杂的非线性处理，有灵活的变通能力。
图像增强法就是采用数字图像处理技术对雾天得到的退化图像进行处理的一种方法。
图像增强方法又称为非模型的方法，不考虑图像退化原因，按照特定需要突出图像中的某些信息，如边缘轮廓、亮度、对比度等，同时削弱或者除去某些不需要的信息，来改善图像的视觉效果或者将图像转换成为一种更适合人或机器进行分析的形式。增强处理并不能增强原始图像的信息，只是改善图像的可识别度，这种处理可能使图像失去某些信息。
（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由整幅雾天图像的统计信息决定的灰度值的调整，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，而一幅图像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近似均匀分布的形式，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。但是在实际场景中图像的景深和雾天图像不同区域影响有差别，整体处理会造成图像增强不均匀，去雾图像视觉效果不够好。
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。
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。
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。黄义明[1]对于Retinex算法的改进，利用递归高斯滤波对Retinex算法进行加速和利用线性拉伸的方法提高图像的对比度。
5）曲波变换。曲波是一种在小波变换基础上发展起来的新的多尺度分析方法，由于它特别适合于各向异性奇异性特征的信号处理，因此能够很好地弥补小波变换在图像的曲线边缘增强方面的局限性。 3 6）基于大气调制传递函数增强雾天图像。该方法的原理是：首先通过对大气调制传递函数的预测，近似估计大气对图像质量的退化过程。当得到先验信息时，通过预测公式计算出相应的湍流调制传递函数和气溶胶调制传递函数，再由前两者的乘积得到总的大气调制传递函数。然后利用大气调制传递函数在频域内对天气退化图像进行复原，并对户外景物图像中由大气调制传递函数造成的衰减进行补偿。例如杨国强通过分析transmission图像的本质特性，并基于图像的大气衰减模型，提出一种有效的单幅图像去雾技术—非线性的双边滤波图像去雾方法，并利用获得结果图像实现图像的重光照技术[2]。
（2）局部化的图像增强方法
对于上述全局化的图像增强方法而言，由于此类方法是对整幅图像进行操作，而且在确定变换或转移函数时是基于整个图像的统计量。而在实际应用中常常需要对图像某些局部区域的细节进行增强，但这些局部区域内的像素数量相对于整幅图的像素数量往往较小，在参与整幅图的计算时其影响常被忽略掉，并且从整幅图像得到的函数也不能保证这些所关心的局部区域得到所需的增强效果。因此，需要根据所关心的局部区域的特性来计算变换或转移函数，并将这些函数用于所关心的区域，以得到所需的增强效果。王敬东等人使用Kuwahara边缘角点保持滤波器对大气散射光进行估计并对所采用的Kuwahara滤波器进行改进[3]。通过增加子块的数目以及进行局部加权等提高边缘保留效果，抑制方块效应，从而获得较为准确的介质透射率。
2 .基于图像增强的去雾算法研究
基于图像增强方法的去雾算法是不考虑有雾图像的成像原理，从有雾图像呈现的低亮度和低对比度的特征考虑，按照特定的需要增强需要突出部分的图像内容，削弱或去除某些图像信息的方法。但是应当明确的是，图像增强去雾算法并不能够增加原始图像的信息，其结果只是提高视觉的清晰度和对比度，会有图像信息的损失。
本节主要研究了基于图像增强的全局化处理方法和局部处理方法，分析算法实现步骤并仿真，然后对每一种算法结果进行总结。最后，总结各图像增强算法优缺点后，提出基于同态滤波和全局直方图均衡的改进去雾算法方案。
2.1全局化雾天图像增强
全局化的雾霾图像增强是指根据整幅雾霾图像的统计信息来对灰度值进行调整，与调整点所在的区域无关。针对雾天条件下获取的图像具有低对比度，全
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。Retinex算法可以有效地提取图像中的细节和信息，改善图像的视觉效果。
图像去雾设计报告
文档收集于互联网，已重新整理排版.word版本可编辑,有帮助欢迎下载支持.
1文档来源为:从网络收集整理.word版本可编辑. 课程设计——图像去雾
一、设计目的
1、通过查阅文献资料，了解几种图像去雾算法，；
2、理解和掌握图像直方图均衡化增强用于去雾的原理和应用；
3、理解和掌握图像退化的因素，设计图像复原的方法；
4、比较分析不同方法的效果。
二、设计内容
采用针对的有雾图像，完成以下工作：
1、采用直方图均衡化方法增强雾天模糊图像，并比较增强前后的图像和直方图；
2、查阅文献，分析雾天图像退化因素，设计一种图像复原方法，对比该复原图像与原始图像以及直方图均衡化后的图像；
3、分析实验效果；
4、写出具体的处理过程，并进行课堂交流展示。
三、设计要求
1、小组合作完成；
2、提交报告（*.doc）、课堂交流的PPT（*.ppt）和源代码。 文档收集于互联网，已重新整理排版.word版本可编辑,有帮助欢迎下载支持.
1文档来源为:从网络收集整理.word版本可编辑. 四、设计原理
（一）图像去雾基础原理
1、雾霭的形成机理
雾实际上是由悬浮颗粒在大气中的微小液滴构成的气溶胶，常呈现乳白色，其底部位于地球表面，所以也可以看作是接近地面的云。霭其实跟雾区别不大，它的一种解释是轻雾，多呈现灰白色，与雾的颜色十分接近。广义的雾包括雾、霾、沙尘、烟等一切导致视觉效果受限的物理现象。由于雾的存在，户外图像质量降低，如果不处理，往往满足不了相关研究、应用的要求。在雾的影响下，经过物体表面的光被大气中的颗粒物吸收和反射，导致获取的图像质量差，细节模糊、色彩暗淡。
2、图像去雾算法
图像去雾算法可以分为两大类：一类是图像增强；另一类是图像复原。图1-1介绍了图像去雾算法的分类:
图1-1 去雾算法分类
从图像呈现的低亮度和低对比度的特征考虑，采用增强的方法处理，即图像增强。比较典型的有全局直方图均衡化，同态滤波，Retinex
第3章 基于图像增强的去雾方法
第3章 基于图像增强的去雾方法
3.1 引言
图像增强是数字图像处理技术中最为基本的容之一。在实际应用中，无论采用何种装置采集的图像，由于噪声、光照、天气等原因，获取的图像视觉效果不理想。例如，雾天获取的图像模糊不清，难以提取细节信息；一幅户外自然风景图像色彩失真严重，视觉效果较差；夜间拍摄的图像，由于光线较暗，图像对比度低，暗处景物难以辨识等。图像增强技术的目的是将图像转化为一种更适合于人或计算机进行分析处理的形式，通过相关算法的处理，使图像的动态围扩大，拉伸图像对比度，突出图像中研究者感兴趣区域的细节信息，为图像的进一步处理和分析奠定基础。
雾天图像可以看作是清晰图像中引入了低频噪声，图像的灰度集中分布在某个区域，图像的对比度低，视觉效果较模糊。图像去雾的目的主要是去除图像中的噪声(即雾)，提高图像的对比度，从而恢复出清晰的无雾图像。
基于图像增强的去雾技术以其方法简单、有效而得到较为广泛的应用。
本章主要研究图像增强技术中常用的直方图均衡、同态滤波、小波变换方法在图像去雾中的应用，重点研究基于Retinex理论的图像去雾算法，介绍Retinex算法中的单尺度、多尺度以及带彩色恢复的Retinex算法。通过对各算法原理的研究和实验结果对比分析，总结各算法的优势与不足。
3.2 基于直方图均衡化的雾天图像增强技术
直方图是多种空间处理技术的基础。图像的直方图是图像的重要统计特征，是表示一幅数字图像中每一灰度级与该灰度级出现的频数间的统计关系。直方图均衡化是传统的图像增强理论中常用的方法，图像中原本灰度级集中的区域经直方图均衡处理后均匀分布，从而增大反差，使图像细节清晰，它的根本目的是改善图像的对比度。直方图均衡分为全局直方图均衡和局部直方图均衡。全局直方图均衡主要是通过拉伸图像灰度值的动态围达到图像整体对比度增强，局部直方图均衡化是针对图像部细节进行增强处理从而达到图像局部对比度增强。直方图在软件中计算简单，而且有助于商用硬件的实现，因此已成为实时图像处理的一种流行工具。
4种保边滤波器在图像去雾算法应用中的性能比较研究
第３３卷第１期 ２０１４年３月 成都大学学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｎｇｄｕ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖｏ１．３３ Ｎｏ．１ Ｍａｒ．２０ｌ４
文章编号：１００４—５４２２（２０１４）０１—００３２—０５
４种保边滤波器在图像去雾算法
应用中的性能比较研究
刘巧玲 ，张红英
（１．成都大学电子信息工程学院，四川成都６１０１０６；２．西南科技大学信息工程学院，四川绵阳６２１０１０）
摘要：在雾霾等能见度低的天气条件下，大气粒子的散射作用造成拍摄的图像质量严重下降．在众多基于物 理模型的图像去雾算法中，各种滤波器被广泛得到应用．对４种具有边缘保持特性的滤波器在图像去雾算法的 应用进行了研究．实验结果表明，Ｇｕｉｄｅｄ－ｉｍａｇｅ滤波器具有更好的保边特性，且处理速度快，更适用于图像去雾． 关键词：滤波器；图像去雾；边缘保持 中图分类号：ＴＰ３９９ 文献标志码：Ａ
Ｏ 引 言
在雾霾天气下，能见度很低，不仅会造成户外各
类监控系统不能正常工作，还会直接影响海、陆、空 运输的安全．目前，在众多基于物理模型的图像去雾
算法中，应用了多种滤波器进行处理，使得单幅图像 去雾技术取得了突破性进展ｌ】Ｉ５］．虽然滤波器应用
于图像去雾算法中可改善图像处理的质量，但哪种 滤波器具有更好的边缘保持特性，具有更好的去雾 效果目前未见详细的报道．针对该问题，本研究将针
对４种滤波器在基于物理模型的图像去雾算法中的
性能进行比较，并得出结论．
１ ４种滤波器的基本原理
１．１双边滤波器
双边滤波是一种非迭代的边缘保持平滑滤波方 法，其权重是空域（ｔｈｅ ｓ￣ｆｉＭ ｄｏｍａｉｎ）ｄ和值域（ｔ｝ｌｅ
Ｆａ／ｌｇｅ ｄｏｍａｉｎ）Ｒ平滑函数的乘积．邻域像素的权重
随着与中心像素的距离以及灰度差值的增大而逐渐 减小．双边滤波器中，输出像素的值依赖于邻域像素
的值的加权组合，
基于红外成像模型的夜雾图像去雾算法研究
基于红外成像模型的夜雾图像去雾算法研究
基于红外成像模型的夜雾图像去雾算法研究
摘 要
夜雾对图像质量有着严重影响，特别是对于红外成像图像来说，夜雾的存在往往导致图像细节模糊、对比度降低等问题。本文基于红外成像模型，针对夜雾图像去雾问题进行研究，并提出了一种适用于夜雾图像的去雾算法。该算法根据红外图像的特点，利用红外图像的各向同性特性提取图像的边缘信息。接着运用小波变换降低图像的噪声，并利用大气散射模型推导出红外图像的透射率参数。最后，利用透射率参数进行图像去雾实验，并与其他算法进行比较。实验结果表明，本文提出的算法能够有效地提升夜雾图像的清晰度和对比度，具有较好的去雾效果。
关键词：夜雾；红外成像；去雾；透射率；大气散射
1. 引言
夜雾是指空气中的水汽等微小颗粒阻碍了红外传感器对远距离目标的探测能力，导致红外成像图像出现模糊、低对比度等问题。夜雾对红外成像在安防、军事、交通等领域的应用造成了很大的影响。因此，研究夜雾图像去雾算法对于提高红外成像质量具有重要的实际意义。
2. 红外成像模型
研究红外成像之前先要了解红外成像模型。红外图像的生成过程可以通过红外辐射物理模型来描述，该模型由发射、传播和接收三个部分组成。在夜雾情况下，发射和接收部分的能量很容易计算，关键在于传播过程中的大气散射。
3. 基于红外图像特点的去雾算法 夜雾红外图像与可见光图像不同，红外图像的各向同性特性较好，因此可以利用该特性提取图像的边缘信息。本文提出的去雾算法首先对红外图像进行边缘检测，得到图像的边缘图。接着，通过小波变换降低图像的噪声，提高图像的清晰度。最后，利用大气散射模型推导出红外图像的透射率参数，并根据透射率参数进行图像去雾处理。
4. 实验结果及分析
本文在常见的夜雾红外图像数据集上进行了实验，并将本文提出的算法与其他常用的去雾算法进行了比较。实验结果表明，本文提出的算法在夜雾图像的去雾效果方面具有一定优势。通过对比实验结果，可以发现本文算法能够有效地提升夜雾图像的清晰度和对比度。
小波变换在图像去雾中的应用及算法优化
小波变换在图像去雾中的应用及算法优化
一、引言
图像去雾是计算机视觉领域的重要研究方向之一。在自然环境中，由于大气中的微粒和水汽的存在，远处物体的图像会受到雾霾的干扰，导致图像质量下降。为了提高图像的清晰度和可视性，研究者们提出了许多图像去雾算法。其中，小波变换作为一种有效的信号处理工具，被广泛应用于图像去雾中，并取得了良好的效果。
二、小波变换在图像去雾中的应用
小波变换是一种多尺度分析方法，能够将信号分解成不同频率的子信号。在图像去雾中，小波变换能够帮助我们分离图像中的雾霾成分和清晰成分，从而实现去雾的目的。
首先，小波变换可以提取图像的边缘信息。在雾霾图像中，由于雾霾的存在，物体边缘的锐利度会降低。通过对图像进行小波变换，我们可以将图像分解成不同尺度的子图像，其中高频子图像包含了图像的边缘信息。通过增强高频子图像，我们可以提取出图像中的边缘，从而恢复图像的清晰度。
其次，小波变换可以增强图像的细节。在雾霾图像中，细节信息会被雾霾模糊掉。通过对图像进行小波变换，我们可以将图像分解成不同频率的子图像，其中细节信息主要集中在高频子图像中。通过增强高频子图像，我们可以恢复图像中的细节，使得图像更加清晰。
最后，小波变换可以降低图像中的噪声。在图像去雾过程中，由于雾霾的存在，图像中的噪声也会被放大。通过对图像进行小波变换，我们可以将图像分解成不同频率的子图像，其中噪声主要集中在高频子图像中。通过减弱高频子图像，我们可以降低图像中的噪声，提高图像的质量。
三、小波变换在图像去雾中的算法优化 尽管小波变换在图像去雾中取得了一定的效果，但是由于小波变换本身的缺点，如计算复杂度高、边缘效应等，使得其在实际应用中存在一些问题。因此，研究者们对小波变换进行了一些算法优化，以提高图像去雾的效果。
首先，研究者们提出了快速小波变换算法，以降低小波变换的计算复杂度。快速小波变换算法通过利用小波函数的特性，将小波变换的计算过程转化为快速傅里叶变换的计算过程，从而大大提高了计算效率。
全偏振成像相机及偏振去雾技术研究
全偏振成像相机及偏振去雾技术研究
全偏振成像相机及偏振去雾技术研究
引言：
近年来，偏振成像技术在图像处理领域中得到广泛应用。偏振成像相机是一种能够获取物体偏振信息的相机设备，能够在传统相机的基础上捕捉到更多的表面信息。偏振去雾技术则是应用偏振成像相机对雾霾场景进行去雾处理的一种方法。本文旨在探讨全偏振成像相机及其偏振去雾技术的研究进展。
1. 全偏振成像相机的原理与特点
全偏振成像相机是一种能够获取物体全偏振信息的相机。它通过增加偏振片和偏振镜等装置来实现对光的偏振状态的探测。相对于传统相机，全偏振成像相机可以获取到更多的物体表面信息。通过对不同偏振光进行同时采集和处理，可以得到反射率、透射率、透射方向等更为详细的表面属性。
2. 全偏振成像相机的应用领域
全偏振成像相机可以应用于多个领域，如医学、军事、材料科学等。在医学领域，全偏振成像相机可以帮助医生观察组织细胞的变化，提供更详细的诊断依据。在军事领域，全偏振成像相机可以用于目标探测、无人机识别等应用。在材料科学领域，全偏振成像相机可以用于材料特性研究、质量检测等。
3. 偏振去雾技术的原理与挑战
偏振去雾技术是利用偏振成像相机获取雾霾场景的偏振信息，并结合先进的图像处理算法对图像进行去雾处理的方法。传统的去雾算法往往无法准确恢复图像的细节信息，而偏振去雾技术通过利用偏振成像相机获取的额外信息，可以更准确地还原图像中被雾霾遮挡的物体细节。 然而，偏振去雾技术也面临一些挑战。首先，在复杂的雾霾环境中，偏振成像相机可能会受到颗粒散射影响，使获取的偏振信息不准确。其次，对于不同的雾霾场景，需要设计不同的去雾算法，以适应不同的光学特性。
4. 偏振去雾技术研究进展
在近年来，偏振去雾技术得到了广泛的研究。许多学者提出了各种去雾算法，如基于偏振恢复模型的算法、多尺度算法等。同时，一些研究者还通过实验验证了偏振去雾技术在不同场景下的有效性。
基于改进暗通道算法的红外图像去雾研究
第５１卷 第８期 激光与红外Ｖｏｌ．５１，Ｎｏ．８
２０２１年８月 ＬＡＳＥＲ ＆ ＩＮＦＲＡＲＥＤＡｕｇｕｓｔ，２０２１
文章编号：１００１５０７８（２０２１）０８１０８１０７·图像与信号处理·
基于改进暗通道算法的红外图像去雾研究
张 健
（黄淮学院智能制造学院，河南驻马店４６３０００）
摘 要：为了提高红外图像去雾的质量，采用改进暗通道算法。首先通过图像自身调节来获得
较准确的大气光强，利用原图暗原色图以及亮原色图的调节因子得到更加接近图像真实值的
大气光强；然后均方差判断去雾图像区域块的对比度，通过透射率伸缩系数和透射率增减系数
来调节透射率；接着为避免去雾图像画质偏暗，通过灰度值大小对图像亮度进行校正；最后给
出了算法流程。实验仿真显示本文算法没有色彩失真现象，边缘细节处理更清晰明亮，平均梯
度值最少为６０，信息熵最少为７５，峰值信噪比最少为１７６ｄＢ，能够满足红外图像去雾对清
晰度、信息量的要求。
关键词：大气光强；透射率；调节因子；红外图像去雾
中图分类号：ＴＰ３９１４ 文献标识码：Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１５０７８．２０２１．０８．０１８
Ｉｎｆｒａｒｅｄｉｍａｇｅｄｅｈａｚｉｎｇｂａｓｅｄｏｎｉｍｐｒｏｖｅｄ
ｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒａｌｇｏｒｉｔｈｍ
ＺＨＡＮＧＪｉａｎ
（ＳｃｈｏｏｌｏｆＩｎｔｅｌｌｉｇｅｎｔＭａｎｕｆａｃｔｕｒｉｎｇ，ＨｕａｎｇｈｕａｉＵｎｉｖｅｒｓｉｔｙ，Ｚｈｕｍａｄｉａｎ４６３０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｉｎｆｒａｒｅｄｉｍａｇｅｄｅｈａｚｉｎｇｅｆｆｅｃｔ，ｕｓｉｎｇｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒ，ａｎｉｍｐｒｏｖｅｄａｎｄｆａｓｔｍｅｔｈ
ｏｄｆｏｒｓｉｎｇｌｅｉｍａｇｅｄｅｈａｚｉｎｇｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａｔｍｏｓｐｈｅｒｉｃｌｉｇｈｔｉｎｔｅｎｓｉｔｙｉｓｏｂｔａｉｎｅｄｂｙｉｍａｇｅａｕｔｏｒｅｇｕｌａｔｉｏｎ，ｗｈｉｃｈ
图像去雾增强算法
ValueEngineering
0引言对公路行车而言，由于雾天环境下能见度偏低，视线不
好，由此带来的各种交通事故频频发生。以何种方法来降低
雾对驾驶人员造成的视觉影响，使得在雾天行车所发生交
通事故的几率最大程度的减小，这是一个亟待解决的问题。
对于雾天能见度低的情况，采用雾天行车视觉增强技
术进行改进。视觉增强（即：图像增强）的首要目标是对图
像进行处理，通过增强技术有效地提高图像的对比度，突
出图像中的细节部分，进而改善图像的视觉效果。
图像增强技术主要分为两大类：空域法和频域法。对
于空间域这类方法，是以对图像的每个像素点直接进行处
理为基础的，它主要有直方图处理、直接灰度变换等。频域
增强技术则是以修改图像的傅氏变化作为基础，它主要
有：高通滤波、低通滤波等。
对于图像增强技术，目前还不存在增强效果判定的通
用标准[1]，其增强好坏主要是通过人眼的主观判断，并结合
人类的视觉特性模型，由观察者进行处理效果的最后判
断。因此，图像增强处理技术的研究具有多样性。但应该明
确的是，用于图像增强的方法一般都具有很强针对性，即
增强处理是为了某种特定的应用目的而去改善图像的质
量，使其处理的结果更适合于人的视觉特性或机器的识别
系统。以致于对于不同的应用，需根据自己的实际应用环
境进行算法的选取。
1常用的图像去雾算法
1.1基于直方图的增强算法灰度直方图[1]是图像最基
本的统计信息，它是用来表示数字图像中每一个灰度级与
该灰度级像素点出现频率之间对应关系的图形。图像的灰
度统计直方图可表示为一个一维的离散函数，如下式所示。
ps=（sk）=nk/nk=0，1，…，L-1
式中：ps（sk）是第k级灰度值的概率；sk是第k级灰度
值；nk是灰度值sk的像素点总数目；n是图像总像素点；L
是灰度的级数。灰度直方图是对数字图像中的每一个灰度级所出现
的频率进行统计，它基本上可以描述一幅图像的整体概
貌，从中可以看出该图像的明暗分布情况以及对比度的
情况，图像的亮度情况可以通过灰度均值来反映，而图像
基于深度学习的图像去雾算法
基于深度学习的图像去雾算法
深度学习技术在计算机视觉领域有着广泛的应用，其中之一就是图像去雾。图像去雾是一种对雾霾或模糊图像进行处理，以还原图像真实细节的算法。深度学习模型能够通过学习大量的数据，从中自动提取图像特征，并生成较清晰的图像。本文将介绍基于深度学习的图像去雾算法的原理和应用。
一、深度学习在图像去雾中的应用
深度学习在图像去雾中的应用主要包括以下几个方面：
1. 基于卷积神经网络（CNN）的图像去雾：CNN是一种常用的深度学习模型，可以自动学习图像的特征，并进行图像处理。在图像去雾中，CNN可以通过对雾霾图像和清晰图像进行训练，学习到雾霾的特征，从而生成清晰的图像。
2. 基于生成对抗网络（GAN）的图像去雾：GAN是一种由生成器和判别器组成的深度学习模型。生成器负责生成模糊图像的去雾结果，而判别器则评估生成结果的真实性。通过对生成结果进行反馈和训练，GAN可以产生较为真实的去雾图像。
3. 基于深度残差网络（DRN）的图像去雾：DRN是一种具有残差连接的深度学习模型，可以有效地学习图像的细节。在图像去雾中，DRN可以通过学习雾霾图像与清晰图像之间的残差，将雾霾图像还原为清晰图像。
二、基于深度学习的图像去雾算法原理 基于深度学习的图像去雾算法主要通过以下几个步骤实现：
1. 数据准备：收集大量的雾霾图像和其对应的清晰图像作为训练数据。可以通过现有的数据集或自行采集。
2. 搭建深度学习模型：选择适用的深度学习模型，如CNN、GAN或DRN，并进行模型的搭建。模型的结构可以根据实际情况进行调整和优化。
3. 数据预处理：对训练数据进行预处理，如调整图像大小、归一化、平滑处理等。预处理能够使模型的训练更加稳定和高效。
4. 模型训练：使用预处理后的雾霾图像和对应的清晰图像对深度学习模型进行训练。可以采用监督学习或无监督学习的方法。
5. 模型测试和评估：使用测试数据对训练好的模型进行测试和评估。评估指标可以包括图像质量评价指标（如PSNR和SSIM）以及主观视觉效果。