2   图像去雾算法综述
2.1   基于图像处理的去雾方法
2.1.1   全局化的方法 此类方法是对图像强度值的调整根据的是整幅雾图的统计数据，与被调整点所处的区域无关。由于一幅有雾图包含着复杂的深度信息，而雾天下场景的降质情况与所处的深度相关，所以虽然当雾天图像的层次不复杂时，是一种有效可行的途径，但在景深关系复杂的景象中，使用全局化的方法，处理得到的结果往往不够理想。 典型的全局化雾天图像增强方法可以主要归纳为以下5 种。
1) 全局直方图均衡化算法。它的基本思路是把有雾图像的累积直方图函数作为映射函数，对各个灰度值进行重映射，使得灰度分布趋于平坦和均匀，提高动态范围和对比度，从而达到去雾的效果。它的去雾效果在很多文献中进行去雾算法对比时经常被作为参照对象来评价算法的好坏［1 － 4］
。 2) 同态滤波算法。该方法大范围应用于彩图增强［5］。它结合了频率过滤和灰度变换的方法，把照明反射模型作为频域处理的基础，再利用压缩灰度范围和增强对比度来提升有雾图像的质量，达到去雾的目的。
3 ) 小波方法。小波与多尺度分析取得了诸多进展，主要体现在对比度增强上的应用。例如，在多个尺度上对雾天图像进行处理［6］，可以起到增强图像和细节锐化的作用。
4) 曲波变换。在 3）方法基础上发展起来。小波变换在图像的曲线边缘增强方面有自身的局限性，而曲波变换特别适合于各向异性奇异性特征的信号处理，而得以较好地弥补这些局限性。文章［7］利用曲波变换寻找雾图天空消失点。 5) 基于大气调制传递函数(MTF)。该方法首先通过预测大气调制传递函数的。然后整合得到的先验信息，通过预测公式计算出相应的调制传递函数大气调制传递函数。再利用大气调制传递函数在频域内对有雾图像进行复原［8-9］ 。 
2.1.2   局部化的方法 全局化的方法是对整幅图像进行统计或变换，从而确定变换或转移函数。而这不满足实际应用中的某些需求。在很多时候，我们常常需要增强图像某些局部区域的细节信息，而问题是这些局部区域内的像素数量占整个图的比率可能很小，在整幅图的计算时其影响微乎其微。因此，需要根据特定的局部区域自身的性质来确定变换或转移函数，以得到我们所希望的增强效果。 目前局部化的图像增强方法主要归纳为3 类。
1) 局部直方图均衡化方法［10-15］，一种自适应直方图均衡化方法 。与全局直方图均衡化不同的是，它自适应地增强图像局部信息的方法是把直方图均衡化运算应用到所有局部区域，进行局部运算的叠加。
2 ) 局部对比度增强方法，包括了以下3 种方式:  a) 常数增益(CGT) 算法。先求雾天图像的邻域均值并确定比例系数，对每个像素增益其动态范围； b) 饱和度反馈算法； c) 自适应饱和度反馈算法。反馈的极性和程度通过饱和度分量和亮度分量的局部相关性来确定，因此它具有一定的自适应处理能力。 3) 基于局部方差的增强方法［1］ 。此算法也适用于对比度较低且深度信息复杂的雾天图像，但相对于局部直方图均衡化算法，该算法会放大更多的噪声。 

Retinex面向雾天条件的图像增强算法研究(2):http://www.youerw.com/jisuanji/lunwen_42825.html