基于暗通道先验的图像去雾方法研究
暗通道先验算法范文
暗通道先验算法范文首先，暗通道先验算法的原理是基于自然图像中存在着一种被称为“暗通道”的现象。
暗通道是指在图像中的细节区域中，至少有一个像素的强度值为零，并且这种现象在任何自然图像中都会存在。
通过分析暗通道可以得到有关图像中雾气浓度和透射率的信息，进而进行图像去雾操作。
然后，我们来看一下暗通道先验算法的应用场景。
这种算法主要用于改善由雾霾、烟雾等因素导致图像质量下降的情况。
例如，在户外摄影中，由于空气中存在大量的悬浮颗粒物，拍摄的照片往往表现出模糊、暗淡的效果，这时就可以应用暗通道先验算法来去除雾气，使得照片更加清晰明亮。
接下来，我们将介绍对暗通道先验算法的一些改进方向。
一方面，可以结合其他图像处理技术来进一步提高图像去雾的效果。
例如，可以利用直方图均衡化来增强图像的对比度，或者通过边缘增强算法来提升图像的细节信息。
另一方面，可以引入深度学习的方法来优化暗通道先验算法。
例如，可以使用卷积神经网络来学习图像中的暗通道分布，从而更准确地估计图像的透射率，提高图像去雾的效果。
除了改进算法本身，还有一些与暗通道先验算法相关的研究方向。
首先，可以研究多图像去雾的算法。
传统的暗通道先验算法是基于单幅图像进行处理的，而在实际应用中，常常会有多幅图像同时提供信息。
因此，通过综合多个图像的信息，可以进一步提高图像去雾的效果。
另外，可以研究在特定场景下的去雾算法。
不同的场景可能存在不同的光照分布，因此，可以根据场景的特点来设计针对性的去雾算法，提高图像的视觉效果。
综上所述，暗通道先验算法是一种有效的图像去雾算法，在计算机视觉和图像处理领域得到了广泛的应用。
通过分析图像中的暗通道分布，可以获取有关雾气浓度和透射率的信息，从而实现图像去雾的操作。
未来的研究方向包括算法的优化以及与其他图像处理技术的结合，以及针对不同场景的去雾算法的设计。
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。
图像去雾----暗通道
图像去雾----暗通道暗通道去雾算法原理及实现1. 算法原理。
基本原理来源于何凯明⼤神的CVPR09的论⽂暗通道。
所谓暗通道是⼀个基本假设，这个假设认为，在绝⼤多数的⾮天空的局部区域中，某⼀些像素总会有⾄少⼀个颜⾊通道具有很低的值。
这个其实很容易理解，实际⽣活中造成这个假设的原因有很多，⽐如汽车，建筑物或者城市中的阴影，或者说⾊彩鲜艳的物体或表⾯(⽐如绿⾊的树叶，各种鲜艳的花，或者蓝⾊绿⾊的睡眠)，颜⾊较暗的物体或者表⾯，这些景物的暗通道总是变现为⽐较暗的状态。
所以暗通道是什么呢？其实⽐较简单，作者认为暗通道是：暗通道先验理论指出：暗通道实际上是在rgb三个通道中取最⼩值组成灰度图，然后再进⾏⼀个最⼩值滤波得到的。
我们来看⼀下有雾图像和⽆雾图像暗通道的区别：可以发现，有雾的时候会呈现⼀定的灰⾊，⽽⽆雾的时候咋会呈现⼤量的⿊⾊（像素为接近0），作者统计了5000多副图像的特征，基本都符合这样⼀条先验定理。
雾图形成模型计算机视觉中，下⾯这个雾图形成模型是被⼴泛使⽤的：其中I(x)是现有的图像（待去雾），J(x)是要恢复的原⽆雾图像，A是全球⼤⽓光成分，t(x)是透射率，现在的条件就是已知I(x)，来求J(x),显然不加任何限制的话是有⽆穷多个解的。
但是现实⽣活中，即使是晴天⽩云，空⽓中也会存在⼀些颗粒，看远⽅的物体还是能够感觉到雾的影响，另外，雾的存在可以让⼈们感觉到景深的存在，所以我们保留⼀部分的雾，上式修正为：其中w是[0-1]之间的⼀个值，⼀般取0.95差不多。
上⾯的推导都是假设全球⼤⽓光是已知的，实际中，我们可以借助暗通道图来从有雾图像中来获取该值：1. 从暗通道图中按照亮度⼤⼩取前0.1%的像素。
2. 在这些位置中，在原始图像中寻找对应具有最⾼亮度点的值，作为A值。
到这⾥，我们就可以进⾏⽆雾图像的恢复了：当投射图t很⼩时，会导致J的值偏⼤，会导致图⽚某些地⽅过爆，所以⼀般可以设置⼀个阈值来限制，我们设置⼀个阈值：⼀般设置较⼩，0.1即可。
2021年采用快速导向滤波的暗通道先验去雾算法的研究与实现
采用快速导向滤波的暗通道先验去雾算法的研究与实现本文首先阐述了暗通道先验去雾的理论基础及其适用范围，其次对于基于暗通道优先理论的雾天图像清晰化处理的基础算法及可能进行优化的步骤进行了分析，最后在此基础之上采用了导向滤波与最新的快速导向滤波算法代替软抠图实现了算法的进一步优化。
在上述理论研究基础之上，本文使用Matlab对多种雾天图像清晰化处理算法进行了逐一实现，并设计了综合比较系统，实现了直方图均衡化去雾算法、自适应直方图去雾算法以及SSR、MSR去雾算法等与暗通道优先算法在效果与效率上的对比分析。
本系统不仅能够对这各种算法的最终结果和中间产物进行输出保存，还能够对各种算法进行算法效率和算法结果进行直观数字的对比。
在描述恶劣天气条件对图像造成的影响时，McCarneg 散射理论得到的米氏散射物理模型是最为常用的，该物理模型表达式为：(1.1)其中β是大气散射系数，d是场景深度。
(x，y)是图像像素的空间坐标;I是雾化图像的颜色值，J是场景无雾情况下的颜色值，A 是大气光颜色值，而t则是场景色彩在各个区域通过程度的描述。
去雾方法的本质就是从I获取J，A和t。
称为场景直接衰减值，表示景场景直接衰减值描述描述场景颜色值，以及它在介质中的衰减程度;被称为空气光。
在光路上由于大气粒子的散射作用，杂散光会融入到成像光路中，与目标物体的反射光一起参与成像，即图像复原中的“噪声”。
空气光描述由于光线散射导致场景颜色值偏移的大气光。
我们可以用传输透射率t(x，y)来表示指数衰减项，则可以得到：I(x，y)=J(x，y)t(x，y)+A(1-t(x，y)) (1.2)对于上式，如果已知透射率t(x，y)，大气光A和有雾图像I，方可求得无雾图像J：(1.3)在大多数的不包含天空的局部区域中至少有一个颜色通道中存在亮度很小甚至接近于零的像素。
也就是说，在这样的一个区域中的最小亮度接近零。
为了更好地描述这个概念，对于任意图像J，其暗通道由下式给出：(1.4)根据式J(x)是要恢复的无雾的图像，A是全球大气光数值， t(x)为透射率。
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。
尺度自适应暗通道先验去雾方法
尺度自适应暗通道先验去雾方法近年来，图像去雾成为计算机视觉领域的热门研究课题之一。
与传统预先指定去雾参数相比，先前提出的基于参数学习的图像去雾方法可以更好地拟合去雾结果和可视感受。
然而，由于光照不均匀性和传感器信噪比的影响，即使采用经验先验学习参数，全局去雾结果仍会受到一定程度的影响。
为了解决这一问题，在本文中，我们提出了一种尺度自适应暗通道先验去雾（SCAP-Dehazing）方法，它可以学习多尺度暗通道先验以便更好地拟合去雾结果和可视感受。
首先，我们提出了一种尺度自适应暗通道先验（SCAP），它可以通过分析多个尺度的像素模糊度来学习暗通道先验模型。
具体来说，该模型使用低通滤波器来捕获像素模糊度，然后利用线性拟合来拟合暗通道先验。
本文还提出了一种多尺度暗通道先验去雾（SCAP-Dehazing）方法，它可以利用从尺度自适应暗通道先验（SCAP）模型中学习到的暗通道参数来实现有效的图像去雾。
本文提出的方法可以更好地拟合去雾结果和可视感受，因为它考虑了不同空间尺度上发生的光照不均匀性和噪声影响。
此外，为了进一步改善去雾效果，我们在本文中提出了一种新颖的暗通道优化（DCO）算法，该算法使用光照保护效应（IPE）来控制暗通道的值和失真的位置。
为了验证本文提出的方法的有效性，我们还从去雾结果、可视感受和暗通道优化等多个方面进行了实验验证。
实验结果表明，比起现有的去雾方法，本文提出的SCAP-Dehazing方法可以在去雾结果和可视感受方面获得更好的拟合。
此外，通过运用暗通道优化算法，也可以有效改善去雾结果。
本文提出了一种尺度自适应暗通道先验去雾方法，它可以学习多尺度暗通道先验以便更好地拟合去雾结果和可视感受。
为了提高去雾质量，我们还提出了一种新颖的暗通道优化（DCO）算法，该算法可以有效地改善去雾结果。
实验结果表明，本文提出的SCAP-Dehazing 方法可以根据尺度自适应暗通道先验学习拟合去雾结果和可视感受，改善传统去雾方法。
暗通道去雾算法matlab
暗通道去雾算法是目前应用最广泛的图像去雾算法之一，其基本思想是利用暗通道先验知识，将图像中的暗部像素视为先验图像，通过对图像进行梯度计算和阈值分割，去除图像中的雾气影响。
下面是基于MATLAB 的暗通道去雾算法实现步骤：1. 输入图像预处理首先，需要对输入的图像进行预处理，包括去除图像中的噪声和调整图像的亮度、对比度等。
img = imread('image.jpg'); 读取图像img_gray = rgb2gray(img); 转换为灰度图像img_denoised = img_gray - filter2(bilateralFilter(img_gray), 1, 10, 100); 去除噪声img_adjusted = imadjust(img_denoised, 0.5, 1.5, 0, 1); 调整亮度和对比度2. 计算梯度接下来，需要计算图像的梯度，以确定图像中的暗部像素。
[gx, gy] = gradient(img_adjusted); 计算梯度3. 计算梯度的幅值和方向然后，需要计算梯度的幅值和方向。
[mag, ang] = gradient(img_adjusted); 计算梯度的幅值和方向4. 计算暗通道先验接下来，需要计算暗通道先验图像。
mask_threshold = 0.01; 设定阈值mask_min = 0; 设定最小值mask_max = 1; 设定最大值mask = mag .* (mask_threshold + mask_min) .* (mask_threshold + mask_max); 计算暗通道先验5. 阈值分割和去雾最后，需要进行阈值分割和去雾。
[y, x] = find(mask > 0); 找到暗通道先验大于零的位置img_dehaze = img_adjusted(y, x); 提取暗通道先验大于零的部分img_dehaze = imadjust(img_dehaze, 0, 255, 0, 255); 调整颜色img_dehaze = imshow(img_dehaze, []); 显示去雾后的图像imwrite(img_dehaze, 'dehaze.jpg'); 保存去雾后的图像以上就是基于MATLAB 的暗通道去雾算法实现步骤。
基于暗通道先验的单幅图像去雾算法改进
粒子对光线的传播影响，从根本上解释了有雾图像
的。到目前为止，对于去雾算法的研究主要包括以
的成像过程及原理，然后通过数学建模实现大气散
下两类方法，第一类是基于图像增强的去雾方法，
该类方法主要是通过对有雾图像中的灰度、对比度ห้องสมุดไป่ตู้
∗
射物理模型。目前的方法主要有：Tan［5］提出有雾
图像的对比度要比无雾图像要低并且大气散射物
道先验的单幅图像去雾改进算法。首先通过两种不同的暗通道图像获取不同的透射率粗估计，联合这两种透射率粗估计，
利用引导滤波器对其进行初步优化，针对天空范围内透射率估计偏低，对天空范围内的透射率进行补偿，再次使用引导滤波
器优化透射率，利用四叉树多层次搜索获取大气光的准确值。最后通过大气物理模型，获得去雾图像。结果表明论文算法
Vol. 47 No. 11
2890
总第 361 期
计算机与数字工程
Computer & Digital Engineering
第 47
2019 年第
11 卷
期
基于暗通道先验的单幅图像去雾算法改进
缑新科
孙维江
（兰州理工大学电气工程与信息工程学院
摘
要
∗
兰州
730050）
针对基于暗通道先验去雾算法存在的时间复杂度高，复原图像的天空范围内颜色失真等问题，提出基于暗通
的运算时间相对于软抠图方法缩减 90%以上，并且可以有效地处理包含天空区域的有雾图像。
关键词
天空区域；两种暗通道；引导滤波；透射率补偿；四叉树多层次搜索
中图分类号
TP301.6
DOI：10. 3969/j. issn. 1672-9722. 2019. 11. 049
- 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)。
基于暗通道先验的图像去雾方法研究苟婷婷1严瑾2黄凌霄1刘立波1*(1.宁夏大学信息工程学院，宁夏回族自治区银川750021;2.宁夏回族自治区遥感测绘勘察院，宁夏回族自治区银川750021)[摘要]针对多发性的雾霾天气下获得的图像质量退化问题,雾天退化图像的去雾复原技术引起广泛关注。
在充分分析雾天图像特点的前提下,研究暗通道先验算法在图像去雾中的应用并借助Matlab平台实现仿真验证。
首先将采集到的雾天图像载入系统,然后使用暗通道先验算法处理图像。
实验结果证明,该方法具有良好的去雾效果,处理后的图像不仅更加清晰,同时增强了细节信息,提升了图像的利用价值。
[关键词]暗通道先验;图像去雾;Matlab;直方图均衡化中图分类号:TP391.41文献标识码:A文章编号:1008-6609(2019)01-0005-041引言随着人类生产工业化进程的推进，空气污染尤其是雾霾天气愈发严重，这给人类生产生活带来极大不便，使得户外景象图像的对比度和颜色被改变或退化，同时也会使图像中的许多细节特征不清晰。
这些降质图像不但不符合人类视觉效果，同时也给交通监控系统之类的视觉系统正常工作带来影响。
所以，对于在雾霾等恶劣天气下由图像采集设备得到的降质图像，非常有必要进行去雾处理并恢复细节信息。
图像去雾技术是通过一定的方法和手段去除图像中霾的干扰，从而得到高质量的图像，以便得到满意的视觉效果并获取更多有效的图像信息[1]。
国内外相关研究领域围绕如何对图像去雾进行了深入研究，至今提出了多种去雾方法，这些研究方法大体可分为两大类：图像增强方法和图像复原方法。
图像增强方法早期表现出优异的去雾效果，是研究相关问题的常用方法，主要有基于统计特性的直方图均衡化算法[2]和nd等人提出的Retinex 理论[3]。
该类方法重点在于改善图像对比度，针对图像中需要用到的部分进行增强即可。
基于物理模型的图像复原方法通过掌握图像的退化过程，对该过程进行建模实现图像去雾[4]。
该类方法中具有代表性的是何恺明提出的暗通道先验去雾算法，该方法根据暗通道统计规律复原清晰图像，去雾效果明显[5]。
由于随机的天气条件具有不确定性，研究具有较高可靠性的图像去雾算法仍具有重大应用价值。
本文在分析雾天图像成像过程的基础上，探讨暗通道先验算法在图像去雾过程的实际应用，解决雾天图像的降质问题。
2雾天成像分析空气中的灰尘等微小颗粒在低气压等环境下会黏结在一起，一般上午和晚上悬浮在空气中，造成雾霾天气。
在这种天气下，光在介质中与空中的微粒相互作用，传播方向发生改变，产生了光的散射，使得到达接收设备的光线减少，最终获得的图像在色调、亮度、对比度等方面会发生不同程度的失真[8]。
图像衰减的程度与景物距离接收设备的距离也不可分割，一般来说成指数关系，即距离越大，衰退强度也越大，反之亦然。
从雾霾天气获得的图像也可以观察到，图像的对比度随着景深的增加在逐渐减小。
总而言之，影响雾霭天气图像质量退化的根本原因还是大气中粒子的散射作用。
震惊世界的大气散射模型由Mc-Cartney于二十世纪七十年代提出，同时也是目前图像处理领域经常使用的模型之一，如图1所示。
该模型将到达镜头的光分为两部分：其一是正投影，即物体的反射光线未被散射的一部分，称之为入射光衰减模型；其二是添加到图像的各种进入视角的周围环境光线，称作者简介:苟婷婷(1995-),女,宁夏固原人,硕士,研究方向为智能信息处理、深度学习。
*通信作者:刘立波(1974-),女,宁夏银川人,博士后,教授,CCF会员(14770M),研究方向为智能信息处理、深度学习。
基金项目:国家自然科学基金项目,项目编号:61862050;西部一流大学科研创新项目,项目编号:ZKZD2017005。
之为大气光模型[2]。
根据该模型，雾天图像退化的物理模型可表述为：I(x)=J(x)t(x)+A(1-t(x))(1)其中，I(x)为获得的雾霾图像的亮度；J(x)为没有雾霾时的亮度；A 为大气光值；t(x)为透射率。
此处公式(1)中清晰图像J(x)被t(x)衰减，而大气光线强度A 又由(1-t(x))衰减。
目前只有I(x)已知，而上述提到的J(x)、t(x)和A 是未知的。
因此根据公式可推测，研究图像去雾问题大的本质是通过确定t(x)和A 得出清晰图像J(x)的过程。
3暗通道先验算法在此方法提出之前，图像去雾的研究者都是针对有雾图像工作，利用各类改进算法消除雾霾等天气对拍摄图像的影响。
而暗通道先验方法首先掌握原始图像的完整退化过程，其次对该过程进行建模（该模型可看作退化过程的逆过程），在以上基础上复原之前的原始图像。
3.1暗通道先验规律文献[6]经对上千张户外条件下的清晰图像进行实验，发现在天气晴朗时，户外的清晰图像中除了多数水域及空域以外，在其他小区域中一些甚至一个像素点处的RGB 的某个通道中总会存在非常低的像素，这些像素通常被称为暗通道，由此实验证明，不论哪一幅图像，没有不存在暗通道的。
所以需要想办法得到这些暗通道，为此第一步将图像进行RGB 分解，取到局部块的最小值后求其分别在R 、G 、B 三个通道中的分量，最后选择其中的最小分量进行最小滤波操作。
暗通道求解公式如下：J dark=min y ∈Ω(x )（min c ∈{r ，g ，b }Jc（y ））（2）其中，J 表示户外晴天下的清晰图像，J dark表示图像J 的暗通道（通常该值几乎为0），J c(y )表示J 图像的R 、G 、B 中的某个颜色通道，Ω(x )表示上述提到的局部块，该区域以x 为中心[7]。
该定义原理图如图2所示。
3.2透射率估算现假设大气光成分A 已知，在局部最小区域Ω(x )内透射率恒定，可求出雾霾图像暗通道值为：min y ∈Ω(x )(min c I c (y )A c )=t(x ~)min y ∈Ω(x )(min c I c(y )Ac )（3）其中c 表示R 、G 、B 通道之一，Ω(x )为以15×15为大小，中心为x 的一小块。
通过公式（3）可以得到透射率t (x )：t (x ~)=1-min y ∈Ω(x )(min c I c(y )Ac )（4）上式min y ∈Ω(x )(min c I c(y )A c )为大气光成分A 归一得到的图像暗通道值，故所求透射率即该暗通道。
但是消除图像中的全部雾霾，将导致图像因过度处理而不够真实。
故为使处理结果显得真实可选择适当保留部分雾，w 表示表示去雾强度，规定0＜w ≤1,当操作图像中雾气浓度越大时w 的值应随之增大，引入w 后的公式如下：t (x ~)=1-w min y ∈Ω(x )(min c I c(y )Ac （5）场景在大气散射作用下未被散射部分的比例即透射率，与光线经大气散射后到达成像设备的能量成正比。
由大气散射模型和暗原色先验规律可估算透射率。
3.3有雾图像恢复前文提到过雾霾天气成像模型，根据该模型可推导出，图像去雾问题的本质是通过确定t (x )和A 得出清晰图像J(x)的过程，因此可依据大气光值A 和透射率的值来恢复原始图像：J (x )=I (x )-A t (x )+A(6)此处设置t 0作为最小透射率来控制处理过程中雾的保留，那么恢复原始图像的最终公式为：图1大气散射模型图2暗通道先验原理J(x)=I(x)-Amax(t(x)，t0)+A(7)此处t0设置为0.1。
4实验结果与分析4.1实验结果本文以Matlab2016a为实验操作平台，采集户外不同时间段的雾天图像，经筛选保留其中300幅进行实验，通过暗通道先验算法对有雾图像做图像去雾处理仿真，现选取浓雾天气及薄雾天气的两幅图像进行实验说明，比较结果图像与原始图像的对比度和信息熵，同时以对比度、信息熵和去雾时间为客观评价指标，选用直方图均衡化方法和Retinex增强方法进行实验对比。
图3是对雾天公路图像分别采用按通道先验方法处理、直方图均衡化方法处理和Retinex增强方法进行去雾处理后的结果。
其中，图(a)为原始图像，图(b)为暗通道先验方法处理后的图像，图(c)为直方图均衡化方法处理后的图像，图(d)为Retinex增强方法处理后的图像。
(a)原始图像(b)暗通道先验处理后的图像(c)直方图均衡化处理后的图像(d)Retinex增强处理后的图像图3雾天公路图像不同算法去雾效果图4.2结果分析由图3可以看到，图(a)为有雾图像，图像信息笼罩在雾气中，无法清晰分辨出路况信息；经直方图均衡化处理后，图(b)较原图(a)去雾效果更明显，细节丰富，颜色保真度较好，看起来真实自然。
图(c)较图(a)和图(b)而言有一定的去雾效果，车和路标能显露出来，但增强效果并不均匀，致使图像色彩失真，且图像上方区域有轻微曝光，丢失了图像细节；图(d)较图(a)和图(d)而言，整体来说实现了图像去雾，增强处理后的图像细节突出，色彩丰富，但是色彩保真度低，不能达到良好的增强去雾效果。
表1给出了雾天公路图像去雾效果的客观质量评价，从对比度、信息熵和去雾时间可以对图像去雾质量进行分析。
经表中的对比数据可看出，直方图均衡化处理后的图像，对比度虽然有了很大的提高，但信息熵值相比原始图像反而有所减少，这说明该方法增强效果并不均匀，处理后的图像会Image Defogging Technology Based on Dark Channel PriorGOUTing-ting 1YANJin 2HUANG Ling-xiao 1LIU Li-bo 1*（1.Ningxia University,Yinchuan 750021,Ningxia;2.Ningxia Hui Autonomous Region Remote SensingSurveyInstitute,Yinchuan 750021,Ningxia）For the problem of image quality degradation obtained from multiple haze days,the defogging and restoration technol-ogyof degraded images in fog has attracted extensive attention.On the premise of fully analyzing the image characteristics of fog,the application of dark channel prior algorithm in image defogging is studied,and the simulation verification is realized with the help of Matlab platform.Firstly,the collected foggy images are loaded into the system,and then the dark channel prior algorithm is used to process the images.The experimental results show that this method has better fog removal effect and clearer image,but also enhances the detail information and improves the utilization value oftheimage.dark channel prior;image defogging;Matlab;histogramequalization丢失部分信息；Retinex 增强算法对比度和信息熵有了提高，但对比度仍然偏小，导致图像质量和色彩表现并不是最理想的；暗通道先验算法对比度和信息熵值都有提升，具有良好的去雾效果，但因计算量大导致去雾时间过长，时间代价过大。