目录

1引言..1

2图像去雾算法综述..2

2.1基于图像处理的去雾方法2

2.1.1全局化的方法..2

2.1.2局部化的方法..3

2.2基于物理模型的去雾方法3

2.2.1基于大气散射模型的去雾方法..3

2.2.1.1基于偏微分方程的方法.3

2.2.1.2基于深度关系的方法..4

2.2.1.3基于先验信息的方法..4

2.2.2基于Retinex模型的去雾方法5

3实验平台和环境7

3.1软件平台.7

3.2操作系统.7

3.3硬件环境.7

4基于暗通道先验的图像去雾方法研究.8

4.1大气散射模型8

4.2暗通道先验9

4.3算法基本原理和流程11

4.3.1算法原理..11

4.3.2算法流程.13

4.4边缘保持滤波和导向滤波.14

4.4.1边缘保持滤波14

4.4.2导向滤波.16

4.5特点和适用性.18

4.6全局大气光值A的选择.21

4.7拓展的大气光图27

5多尺度Retinex算法研究33

5.1Retinex理论33

5.2色彩恒常性.34

5.3基于中心/环绕的Retinex..35

5.3.1算法基本原理和单尺度Retinex（SSR）35

5.3.1多尺度Retinex（MSR）..37

5.4多尺度Retinex的色彩恢复..38

5.4.1线性映射.38

5.4.2非线性映射.40

5.4.3比较分析.41

6结语46

参考文献..48
1  引言 数字图像的发展给人们的生活增加了极大的便捷，并且应用到了生活中的各个领域，如视频监控和遥感成像等。然而在有雾的状况下，大气中悬浮着很多的粒子。这些粒子的散射使得雾天状况下的可见度大幅降低，获得的图像质量过低，存在着明显的退化与失真问题。这不仅影响人的视觉感受，也对诸多计算机视觉系统的正常运作有不容忽视的影响。于是寻找行之有效的去雾方法，来对有雾图像作还原处理，就成为一个值得研究的课题。 图像去雾技术属于图像处理和增强技术的范畴。其总体目标可以从多方面进行描述：或者提升视觉体验，或者提高计算机识别率，或者提高处理效率等等。对于某个具体的应用环境而言，在它需要提升的对象上做出尽量好的改善，就是去雾算法的最终目标。 图像去雾技术发展到现在，已经有了丰富多样的去雾手段。总的来说其思路可以分为两大类。第一类是基于图像处理的方法，通过直方图均衡化、同态滤波、小波变换等途径，对比度得以提高，图像细节得以强化。该类方法不考虑退化物理模型，就自身的强度分布信息作出调整优化。第二类是基于物理模型的方法。其中包括基于大气散射模型的方法，和基于Retinex 模型的方法。这类方法通过反推雾图形成模型以获得退化前的较清晰的无雾或少雾图像，针对性强，处理结果比较自然。核心难点一般在模型中某些参数的估计方法上。更具体的介绍将在本文第2 部分给出。 本文后续部分对两种基于物理模型的去雾方法做了研究，比较和改进。其一是He 等提出的基于暗通道先验的单一图像去雾方法，针对其全局大气光值 A 的不同选取方法做了比较，在此基础上提出将单个大气光值拓展为空间上变化的大气光值图的方法。其二是带色彩恢复的多尺度Retinex 算法即MSRCR，针对 MSR 的偏色问题使用多种色彩恢复算法进行实验和比较，找出相对较好的色彩恢复方法。