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。大部分文献在进行去雾算法对比时均以直方图均衡化的去雾效果作为参照［11-14］。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。该方法及其推广在彩色图像增强方面得到了广泛的应用［15］。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。例如，在多个尺度上对雾天图像的细节进行均衡化［16］，对图像的细节有很好的锐化作用。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。近年来受到研究者的很大关注，包括单尺度Retinex 算法(Single-Scale Retinex，SSR)和多尺度Retinex算法(Multi-Scale Retinex，MSR)的应用都取得了很大的成功。芮义斌等人根据Retinex 理论及MSR 算法，采用正态截取拉伸对有雾图像进行处理，取得了较好的图像去薄雾效果［17］。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。Brian Eriksson 利用曲波变换的优势，采用基于曲波的消失点检测对雾天图像进行了自动去雾处理［18］。6) 基于大气调制传递函数(Atmospherical Modulation Transfer Function，MTF) 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。文献［19-20］均是采用大气调制传递函数对天气退化图像进行清晰化处理。
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。
目前主要有3 类局部化的图像增强方法。1) 局部直方图均衡化方［21-23］，也称块重叠直方图均衡化，是一种标准的自适应直方图均衡化方法(Adaptive Histogram Equalization，AHE)。其基本思想是将直方图均衡化运算分散到图像的所有局部区域，通过局部运算的叠加自适应地增强图像局部信息。此外，Kim 等人提出了非重叠子块直方图均衡化的算法[24]；Zimmerman 等人提出了插值直方图均衡化方法[25]；翟艺书等人采用块重叠直方图均衡化实现了对雾天图像的清晰化处理[26]；王萍等人利用插值自适应直方图均衡化算法很好地解决了雾天图像的低对比度问题[13]。在此基础上，Stark 等人建立了广义局部直方图均衡化的数学描述，并通过对参数的调整很好地实现了对均衡化图像效果的控制。2) 局部对比度增强方法，有3 种方式: a) 常数增益(Constant Gain Trace，CGT) 算法。该算法求得雾天图像的局部均值并设定比例常数，在雾天图像的每个像素位置上根据变换函数放大图像的局部变化; b) 饱和度反馈算法。该算法将雾天图像转换到HIS 色彩空间中进行处理; c) 自适应饱和度反馈算法。该算法通过有饱和度分量和亮度分量的局部相关性来确定反馈的极性和程度，从而使饱和度反馈算法具有了自适应能力。3) 基于局部方差的增强方法［11］。该算法通过计算并比较局部标准方差的大小来判断局部图像的增强程度，然后以灰度均值为基准进行局部灰度拉伸。此算法同样适用于深度信息多变且对比度较低的雾天图像，但相对于局部直方图均衡化算法在噪声方面有所增加。因此，如何在增强细节和抑制噪声方面找到较好的折中点是该方法需要进一步研究的问题。 基于黑色通道先验知识的图像去雾研究(3):http://www.youerw.com/tongxin/lunwen_8069.html