单幅图像自动去雾新算法(精)

合集下载

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。

基于物理成像模型的单幅图像去雾算法的研究

基于物理成像模型的单幅图像去雾算法的研究基于物理成像模型的单幅图像去雾算法的研究摘要：图像去雾是计算机视觉领域的一个重要研究方向，随着人工智能技术的不断发展，对单幅图像去雾算法的研究也日益深入。

本文基于物理成像模型，探讨了目前常用的单幅图像去雾算法的原理与方法，并分析了其存在的问题和改进方向。

1. 引言雾霾天气对图像质量有着严重影响，使得图像变得模糊、低对比度、色彩失真等。

因此，图像去雾技术在许多领域具有重要意义，如交通监控、图像处理等。

目前，图像去雾算法主要分为基于物理成像模型和基于机器学习的方法。

2. 基于物理成像模型的算法原理基于物理成像模型的算法主要基于光线传播和光照衰减的物理过程进行计算。

光线在传播过程中会发生散射、吸收等现象，导致图像被雾化。

主要物理模型有大气散射模型和透射率模型。

2.1 大气散射模型大气散射模型描述了光线在传播中与大气中的悬浮物质发生散射的过程。

光线传播经过散射后会发生衰减，导致图像变得模糊。

该模型通常采用透射率来表示散射程度，透射率越小，散射越严重。

2.2 透射率模型透射率模型是基于图像和原始场景的透射率之间的关系来进行去雾的。

透射率描述了图像中每个像素点与原始场景之间的透射程度，透射率越小，图像越浑浊。

根据透射率模型，可以得到去雾图像和透射率之间的关系，从而将图像中的雾霾信息去除。

3. 基于物理成像模型的算法方法基于物理成像模型的算法可以分为两类：直接法和间接法。

3.1 直接法直接法通过对图像的像素值进行处理，直接恢复出去雾图像。

其中经典的直接法有暗通道先验法和全局大气光估计法。

暗通道先验法基于观察到的现象，即在大多数图像中存在一个较暗的通道，该通道的像素值在真实场景中透射率较小的区域接近0。

全局大气光估计法通过计算图像中的亮点来估计图像的大气光照。

3.2 间接法间接法通过先估计透射率，再根据透射率恢复图像。

典型的间接法有暗通道先验约束和最小二乘法。

暗通道先验约束法通过利用暗通道先验，结合亮度和对比度信息进行透射率估计。

图像去雾技术研究进展

图像去雾技术研究进展图像去雾技术研究进展一、引言雾霾天气给城市生活带来了很大的困扰，不仅降低了人们的生活质量，也给城市管理者带来了很大的挑战。

在此背景下，图像去雾技术的研究迅速发展，在改善图像质量的同时，也为我们认识雾霾天气提供了一种新的途径。

本文将详细介绍图像去雾技术的研究进展，包括基础算法、改进算法以及应用领域。

二、基础算法图像去雾的基础算法主要有两种，分别是单幅图像去雾算法和多幅图像去雾算法。

1. 单幅图像去雾算法单幅图像去雾算法是最早提出的一种算法，它通过从单幅图像中估计雾的传输矩阵来恢复清晰的图像。

最常见的算法是使用暗通道先验原理进行估计。

该算法假设在绝大多数的非雾像素区域中，至少存在一个颜色通道的像素值接近于0，通过计算每个像素点在颜色通道中的最小值，可以估计出雾的浓度和传输矩阵，从而实现图像去雾的效果。

2. 多幅图像去雾算法多幅图像去雾算法是在单幅算法的基础上发展起来的。

由于单幅图像去雾算法需要对雾的传输矩阵进行估计，这个过程中很难准确地估计雾的浓度和传输矩阵。

为了解决这个问题，研究者们提出了多幅图像去雾算法。

这种算法通过利用多幅具有不同对比度的图像，来进行雾的浓度和传输矩阵的估计，从而提高了去雾效果。

三、改进算法虽然基础算法在一定程度上可以去除雾霾的影响，但是仍然存在一些问题，如去雾结果中可能会出现颜色失真、细节丢失等情况。

为了进一步改善去雾效果，研究者们提出了一系列的改进算法。

1. 多尺度算法多尺度算法是一种常用的改进算法，它通过将图像分解为多个尺度的子图像，然后对每个子图像进行去雾处理，再将处理结果进行融合。

这种算法可以充分利用图像的局部特征，并且能够提高去雾结果的质量。

2. 深度学习算法深度学习算法是目前研究较为活跃的一种改进算法。

它通过构建深度神经网络模型，利用大量的真实雾霾图像训练模型，从而实现对雾霾图像的去雾。

深度学习算法不仅可以提高去除雾霾的效果，还可以减少人工干预，提高算法的自动化程度。

基于单幅图像去雾算法分析

射成分，以恒定反射率图像算法为基础，推论ＭＡＴＬＡＢ实验平台强大的数据处理作用，满
出多反射率图像去雾算法，处理基础的图像，足单幅图像去雾算法改进的需求，简化了图像
喜幅图像去雾算法的研究
在同一个像素的前提下，运用相邻像素之间的
去雾的过程，保障图像的真实性，进而提高图
［１】王印龙．单幅图像去雾算法研究［Ｄ］．西安：西安电子科技大学，２０１４．［２】唐美玲．单幅图像去雾算法的研究与应用
［Ｄ］．长沙：湖南大学，２０１４．去 Nhomakorabea雾算法
基于单幅图像的去雾算法，分为恒定反蕾图像算法和多反射率图像算法两种，分析Ｅ去雾中的应用。
合图像的基本需求。线性拉伸原理，已经得到
在后续阶段获取恒定的反射率，评估反射率中
键词】单幅图像去雾算法
的误差量，通过模拟误差，获取真实的图像数值。当图像中采用单幅图像去雾算法，满足恒
了多项实验证明，其可改进单幅图像去雾算法的应用，促使图像处理达到最佳的状态。线性
ｊ像与多媒体技术・Ｉｍａｇｅ＆ＭｕｌｔｉｍｅｄｉａＴｅｃｈｎｏｌｏｇｙ
基于单幅图像去雾算法分析
文／祝朝磊
存在着空气光反射率，导致图像中含有大量不
确定的自由度。单幅图像去雾算法，就要去除
理雾霾图像。单幅图像去雾算法在应用中，经

单幅图像快速去雾算法

单幅图像快速去雾算法张弟;吴萍【摘要】目前去雾算法主要有通过暗原色和对图像颜色通道处理等方法,但是这些方法去雾效率不高,从而导致实用性不强,针对此弊端提出了一种基于单幅图像的快速去雾算法.大气光估计运用改进的暗通道方法,先对颜色通道进行最小滤波,然后取最小滤波的最大值作为大气光的估计值;透射率估计运用物理模型均值滤波,先根据数学模型转换,然后进行一次均值滤波,再用偏移值来修正带透射率的估计值.算法简单快速有效,具有实用性.对实验结果进行定性定量分析,证明与其他算法相比,所提算法具有更好的去雾效果和更快的处理速度.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)010【总页数】6页(P213-217,249)【关键词】去雾;均值滤波;透射率【作者】张弟;吴萍【作者单位】华东师范大学计算机科学与软件工程学院,上海 200062;华东师范大学计算机科学与软件工程学院,上海 200062【正文语种】中文【中图分类】TP391.411 引言在视频监控、遥感、目标跟踪和自动驾驶等领域，都涉及到图像处理步骤。

这些户外图像处理系统的性能在极端天气下会受很大的影响。

在雾、霾天气下，物体表面的反射光会受到大气中微小粒子的吸收和散射，从而导致获得的图像细节模糊，色彩偏移，可视性弱，对后续的图像处理结果会有很大的影响。

因此，对图像去雾算法的研究就变得尤为重要。

而很多实际应用系统对实时性要求很高，所以快速去雾算法的研究极其重要。

目前图像去雾的研究算法有很多，但是主要分为两类：一类是基于图像增强的方法。

此方法主要是去除图像的噪声，提高图像的对比度，从而恢复出清晰无雾的图像。

但是此类方法没有考虑到形成有雾图像的过程，从而使得图像的细节部分会有所丢失。

基于图像增强的方法具有代表性的有直方图均衡化[1-2]、Retinex 算法[3-4]和同态滤波[5-6]。

另一类是基于图像复原的方法。

该方法基于雾天成像模型和假设条件，推导出模型中所需要的未知数，最后根据成像模型的逆过程得到去雾图像。

图像去雾算法研究

图像去雾算法研究图像去雾技术是数字图像处理中一个重要的研究领域，它涉及到计算机视觉、计算机图形学和图像处理等多个学科领域。

图像去雾技术是指对雾霾干扰下的图像进行修复和恢复，消除雾霾对图像的影响，提高图像的质量和清晰度。

目前，图像去雾技术已经被广泛地应用于气象、交通、航空、地理等多个领域，并取得了令人瞩目的成果。

图像去雾算法的研究已经经历了多个阶段，其中传统算法主要采用物理模型和传统滤波器来去除单色雾霾和灰烬，但对于颜色雾霾和复杂的照明条件，传统算法存在严重的限制，效果十分有限。

因此，针对这些问题，学者们积极探索研究了一系列基于深度学习的图像去雾算法，这些算法具有较高的去雾效果和鲁棒性，成为当前图像去雾研究的热点。

深度学习算法在图像去雾领域的应用近年来，深度学习算法被广泛应用于图像去雾领域。

深度学习算法通过学习图像中的特征，可以自动提取雾霾和背景之间的差异，然后将这种差异转化为可见的图像。

与传统算法相比，深度学习算法的优势在于可以灵活地处理复杂的场景，在保持较高处理效率的同时，具有更好的去雾效果和图像质量。

下面介绍一些代表性的深度学习算法。

1. Retinex-based deep network(RDN)RDN是一种最新的深度学习算法，是Retinex理论和深度学习的结合体。

Retinex理论是一种基于颜色恒常性的图像增强方法，通过将图像分解为反射和亮度两个部分来改善图像质量。

RDN中采用了一个多层卷积神经网络结构，具有高度的非线性表征和稳健的特性。

RDN不仅在单一场景下表现出了较好的效果，而且在同类算法中效果最佳。

2. Dehaze-NetDehaze-Net是基于CNN的端到端的去雾算法。

它通过卷积神经网络来提取图像的深度特征，并通过重建图像来对背景和前景进行分离和去除雾霾的影响。

Dehaze-Net的最大特点在于对背景和前景的分离是无监督的，不需要预先标注背景和前景的位置，可以对任意复杂场景进行处理。

图像去雾算法研究

图像去雾算法研究近年来，随着计算机视觉和图像处理技术的迅速发展，图像去雾算法逐渐成为研究的热点。

图像去雾是指通过对雾霾图像进行处理，提取出原始图像中被雾霾遮挡的细节和信息，从而还原出更清晰、更真实的图像。

图像去雾算法的研究主要包括传统方法和深度学习方法两个方向。

传统方法主要基于物理模型，通过对图像中的雾霾进行建模，再根据雾霾的特性进行去除。

典型的传统方法包括暗通道先验算法和雾图估计算法。

暗通道先验算法基于一个观察：在绝大多数户外自然图像中，至少存在一个像素点它的R、G和B三个通道中的最小值近似为零。

该算法通过检测暗通道来估计图像中的雾浓度，进而去除雾霾。

雾图估计算法则通过对图像中的雾霾进行建模和估计，然后根据估计结果进行去雾处理。

然而，传统方法在处理复杂场景、大范围雾化以及雾霾密度不均匀的图像时存在一定的局限性。

为了克服这些问题，深度学习方法应运而生。

深度学习方法通过训练神经网络，从大量的数据中学习图像去雾的模式和特征，达到更好的去雾效果。

典型的深度学习方法包括基于卷积神经网络（CNN）的去雾算法和生成对抗网络（GAN）的去雾算法。

基于CNN的去雾算法通过训练一个深度卷积神经网络，从输入的雾霾图像中提取特征，然后生成去雾图像。

该算法能够在一定程度上恢复出原始图像中的细节和颜色信息。

而基于GAN 的去雾算法则通过将生成器网络和判别器网络相互对抗的方式，不断优化生成的去雾图像，使其尽可能接近真实图像，从而达到更好的去雾效果。

综上所述，图像去雾算法的研究在提高图像质量、改善视觉感受等方面具有重要意义。

未来，随着深度学习技术的不断发展和优化，图像去雾算法有望在各个领域得到更广泛的应用，为我们提供更清晰、更真实的视觉体验。

一种快速单幅图像去雾新方法

较好的图像颜色．
关键词：图像去雾；改进的双边滤波器：大气散射模型；暗通道先验：图像处理
ＮｅｗＦａｓｔＳｉｄ
ＬＩＵＺｈｅ，ＨＵＡＮＧＷｅｎ－Ｚｈｕｎ，ＨＵＡＮＧＳｈｉ — Ｑｉ
ｕｓｅｄｔｏａｃｃｕｒａｔｅｌｙｅｓｔｉｍａｔｅｈｅｔｖａｌｕｅｏｆｇｌｏｂａｌａｍｏｔｓｐｈｅｒｉｃｌｉｇｈｔｂｙａｎｉｎｔｅｒｖａｌｔｈｒｏｕｇｈｗｅｉｈｔｇｅｄｆｕｓｉｏｎ．Ｃｏｍｐｒｅａｄｔｏｓｏｍｅ
ｈｅｔｍｏｄｉｉｅｆｄｂｉｌａｔｅｒａｌｉｌｆｔｅｉｒｎｇ．Ｔｈｅｍｏｄｉｉｅｆｄｂｉｌａｔｅｒａｌｉｌｆｔｅｒｉｎｇｉｓａｌｉｎｅａｒｅｄｇｅｐｒｅｓｅｒｖｉｎｇｉｌｆｔｅｒａｎｄｉｓｕｓｅｄｔｏｒｅｉｆｎｅｍｅｄｉｕｍｔｒａｎｓｍｉｓｓｉｏｎ；ｍｅａｎｗｈｉｌｅ，ｉｔｃａｎｅｆｅｃｔｉｖｅｌｙｅｎｈａｎｃｅｔｈｅｓｐｅｅｄｏｆｄａｔａｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅｄａｒｋｃｈａｎｎｅｌｐｉｏｒｒｎｄａｏｇｆｉｍａｇｅａｒｅ
Ａｂｓｔｒａｃｔ：Ｉｍａｇｉｎｇｉｎｔｈｅａｔｍｏｓｐｈｅｒｅｐｒｅｓｅｎｔｓｔｈｅｐｈｅｎｏｍｅｎｏｎｏｆｌｏｗｃｏｎｔｒａｓｔ，ｌｏｗｓａｔｕｒａｔｉｏｎａｎｄｈｕｅｏｆｓｅｔｄｕｅｔｏａｍｏｔｓｐｈｅｒｉｃｐａｒｔｉｃｌｅｓｓｕｃｈａｓｈａｚｅａｎｄｆｏｇ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｆａｓｔｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄｔｏｒｅｍｏｖｅｈａｚｅｆｒｏｍａｓｉｎｇｌｅｉｍａｇｅ

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)。

第16卷第4期2011年4月中国图象图形学报Journa l o f I m age and G raphics V o.l 16,N o .4 A pr .,2011 中图法分类号:TP391.41 文献标志码:A 文章编号:1006-8961(201104-0516-06 论文索引信息:郭璠,蔡自兴,谢斌唐琎.单幅图像自动去雾新算法[J].中国图象图形学报,2011,16(4:516-521

收稿日期:2010-01-06;修回日期:2010-02-10基金项目:国家自然科学基金项目(90820302。

第一作者简介:郭璠(1982 ,女。中南大学计算机应用技术专业博士研究生,主要研究方向为数字图像处理、虚拟实验环境等。E-m ai:l guofancs u@163.co m 。

单幅图像自动去雾新算法郭璠,蔡自兴,谢斌,唐琎 (中南大学信息科学与工程学院,长沙 410083 摘要:针对雾天拍摄图像的退化现象,提出一种针对单幅图像的自动去雾新算法。该算法先将有雾图像从RGB 转换到Y CbC r 颜色空间后,再在亮度分量上进行多尺度R eti nex 处理,所得的亮度图在图像清晰度评价指标的调控下经过反色变换和中值滤波即可求得传播图,并进一步得到清晰化后的复原图像。实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度。

关键词:雾;清晰化;亮度分量;R e ti nex 算法;图像清晰度评价指标 New algorith m of auto m atic haze re moval for single image Guo Fan ,Ca i Zi x ing ,X i e B i n ,Tang Ji n (School o f Infor m ation Science and E ng i n ee ring,Cen t ral S outh Un iversit y,Chang sha 410083China

Abstrac t :A i m a t the degradation o f si ng l e i m age under haze conditi ons ,th i s paper propo ses a ne w a l gor it hm o f au t om atic haze re m ova.l It fi rst transfor m s t he haze i m ag e from RG B to Y CbC r co l o r space ,and usesm ult-i sca le R etinex a l gor it hm on the l um inance component ,then conduct a sub tracti on operati on w it h t he con tro l of i m age quality assess ment .A fter m ed i an filter on the i m age ,the trans m i ssi on m ap i s obta i ned and t he haze re m oval i m age can be obta i ned as w e l.l Exper i m ents show tha t the a l gor it hm can effecti ve l y i m prove t he deg radati on of i m age and enhance its quality .K eywords :ha ze ;haze re m ova;l l u m i nance co m ponent ;R eti nex a l gor it hm ;

i m ag e qua li ty assess m ent 0 引言有雾图像清晰化是计算机视觉领域中一个重要问题,对雾天图像进行去雾可以增加图像的视觉效果。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,因而无法满足室外视频工作系统需要准确提取图像特征的需求。由此可见,消除图像中雾气对场景目标的影响具有重大的现实意义。

目前,对于雾天图像的处理方法主要分为两类:基于图像处理的雾天图像增强方法和基于物理模型

的雾天图像复原方法。图像增强方法能有效提高对比度,突出细节。典型方法如直方图均衡化算法。此法虽然实现简单,但没有考虑到雾天图像中景深的多样性,因而有时无法得到好的效果。为此,祝培等人先将图像中的天空区域分离之后,再利用图像中不同深度的景物特征,对雾天景物影像进行局部自适应增强

[1] 。但是,该方法在进行景物影像的清晰化时,采用的是基于移动模板的快重叠直方图均衡化方法。而移动模板大小的确定,需要对所拍摄的样本图像进行观察学习,即需要人工参与,这就决定了此方法很难满足对变换场景的实时图像处理需求。基于物理模型的图像复原方法针对性强,得到

第4期郭璠等:单幅图像自动去雾新算法517 的结果自然,能够取得较为理想的去雾效果。一些学者利用M cCartney提出的大气散射模型[2],通过对雾天场景建模来解决雾天图像的去雾问题。如陈功等人借助一张晴天和一张雾天场景的参考图像,计算出场景各点的深度关系来复原雾天图像[3]。但是,由于该方法对图像采集的要求过于苛刻,因而在实际中难以实现。近年来,众多研究者致力于如何按照降质图像中雾气浓度的变化,达到彻底去雾的目的。在这方面的早期工作是由Tan等人完成的[4]。他们通过统计发现无雾图像相对于有雾图像必定具有较高的对比度,从而利用最大化复原图像的局部对比度来达到去雾的目的,该方法的缺点在于复原后的图像颜色常常过于饱和。此外,Fattal等人在假设光的传播和场景目标表面遮光部分是局部不相关的前提下,估算出场景的辐照度和传播图像[5]。由于该方法基于数理统计,并且要求有足够多的颜色信息,所以当处理浓雾天气下颜色暗淡的图像时,该方法无法得到可信的传播图像,因而复原后的图像失真较大。为了解决以上两种方法的问题,何恺明最近提出了基于暗原色的单一图像去雾技术[6]。该方法指出无雾图像中存在能识别雾气浓度的暗原色统计规律,根据此规律复原后的图像,达到了很好地去雾效果,但该方法具有较大的计算代价。

针对以上这些问题,提出一种基于亮度分量的自动图像去雾方法,即先将有雾图像从RGB转换到YCbC r颜色空间后,在亮度分量Y上进行多尺度Retinex处理,然后利用图像清晰度评价指标SSI M 动态调控算法参数,再根据所确定的参数对亮度分量图进行反色变换和中值滤波处理,把滤波后的亮度分量图像扩展为3分量,并进行3分量图像的合成,此分量合成图即为大气散射模型的传播图。实验结果表明,该方法在取得较好的清晰化效果的同时,具有较快的清晰化速度,能够满足实际应用的需求。

1相关理论 M c C artney于1975年提出了大气散射模型,该模型由衰减模型和大气光模型2个模型组成。其中衰减模型描述了光从场景点传播到观测点之间的削弱过程。大气光模型描述了周围环境中的各种光经过大气粒子散射后,对观测点所观测到得光强的影响。大气散射模型用公式表示为

I(x=J(xt(x+A(1-t(x(1式中,I为观测点接收到的点光强(即输入的有雾图像,J为场景点处的辐照度(即去雾后的复原图像,A为大气光,其代表了周围环境中各种光的总强度,在实际运算中该值通过暗原色图像求得。t 为光路传播图,其代表了场景目标的深度信息,本文即是通过对图像亮度分量的相关操作来获取其光路传播图。去雾的目的在于通过t、A值从I中得到去雾后的图像J。

由于去雾的目的在于通过对原有雾图像的处理得到类似于在天气晴朗环境下拍摄的图像,所以去雾后的图像应满足对大量无雾或晴天图像的统计规律,即暗原色先验统计规律。该规律表明:对于晴天图像,在被分为多个局部区域后,每个局部区域至少在一个颜色通道上有亮度值很小的像素点。一般地,对于一幅图像J,其暗原色图像各像素点的值按以下表达式确定:

J dark(x=m in c I{r,g,b} (m in y I8(x (J c(y(2式中,J c为原图像J的颜色通道,8(x为以x为中心的局部区域。除天空区域外,J dark的亮度值较低且趋近于0。如果J是无雾或晴天图像,则J dark被称为J的暗原色图像。此暗原色图像的物理意义为通过局部最小值滤波,滤去可能干扰大气光取值的白色场景目标,从而使A的取值尽可能准确。此图像中的较低的亮度值主要有3个来源物体的阴影、黑色物体或表面,以及具有鲜艳颜色的物体。以上统计规律被称为暗原色先验统计规律[6],其物理意义在于去雾后的图像应该满足这一由晴天或无雾图像统计得到的规律,即有雾图像的清晰化过程可以采用由该规律得到的暗原色图像。

由于大气光的存在,有雾图像的雾气越浓,该图像的暗原色图像的亮度值越大,相应传播图t的亮度值越小。从视觉上来看,暗原色的亮度近似等于雾气的浓度,其重要性在于:根据这一特性,可以估算出相应的大气光值A。

在大多数已有的单一图像去雾方法中,大气光值A主要是由受雾气影响最亮的像素估计求得。如文献[4]采用图像的最大亮度值作为大气光,文献[5]对此方法做了进一步的改进。但在实际图像中,亮度最大的像素点可能位于白色的小车或白色的建筑物处,所以利用暗原色先验规律来自动估算大气光值比以上这些方法更精确。具体做法为在暗

518 中国图象图形学报 www.cji g .cn 第16卷原色图像中,将各像素点的亮度值按照递减的顺序排序,确定数值大小为前0.1%的点在暗原色图像中所处的位置,则这些位置所对应的原有雾图像区

域中的最大值即为大气光A 的值。按这种方法取得的A 值可能不是整幅图像中的亮度最大值,从而避免选取错误的A 值。