图片的去雾是视频去雾的基础，因此许多的学者进行了图片去雾的研究，图片去雾的研究也比较多，对于图片去雾方法，可以大致可以分为图像增强与图像复原两类方法，这两种方法各有利弊，就去雾效果来说，图像复原方法比图像增强方法要好。82522

1 图像去雾

 对于图像增强，有雾图像从视觉来看比较偏白，比较模糊，通过增强对比度的方法可以增加图像的可视性，直方图均衡化可以通过拉伸图像的灰度值进行可视性的增强。但是会造成细节的消失，也会造成部分区域对比度增强的不自然。Retinux算法从另一方面分析，进行图像增强，但是效果差强人意。同态滤波算法基于图像是由照射部分与反射部分组成的，而照射部分属于低频，而反射部分属于高频，通过频率滤波进行去噪。基于图像增强的方法并没有考虑到图像的形成的原理，仅仅是从图像的可视性进行改善，忽略了很多的细节信息，去雾之后效果不是很好。

 图像复原是基于雾霾图像的物理成因，从雾霾图像的形成来逆运算出原来的图像。基于图像复原进行去雾，最关键的是获取图像的景深，通过假设景深，然后在这个深度下进行去雾，但是图像的景深往往不能确定，因此这种方法的去雾效果不太现实。有方法通过多幅图片获得景深信息进行去雾，但是这种方法不具有可实施性。还有方法是基于先验信息进行去雾处理的，Tan等通过估计发现无雾图像必定具有较高的的对比度，因此通过增强图像的对比度进行去雾，Fattal等假设光的传播与物体表论文网

面的反射是局部不相关的，从这个假设出发，估算出场景深度，然后进行去雾。何凯明等人通过统计信息提出了暗通道的概念，然后利用暗通道的进行了图像去雾。因此对于图像的去雾的研究主要是基于物理模型进行的，本文基于的图像去雾方法就是暗通道先验算法。

2视频去雾

视频是由一帧一帧图像构成的，图像去雾是视频去雾的基础，但是仅仅算法直接作用于每一帧图像，处理的结果的时间复杂度会非常的高，并且帧与帧之间容易造成内容的不一致性，对于视频去雾来说，如何利用帧与帧之间的大量冗余减少时间复杂性并且可以保持视频内容的一致性是关键。视频去雾需要解决运动估计和时空一致性保持，对于运动估计有背景减除法还有光流法，对于时空一致性保持，可以运用能量约束函数进行约束。Jisha John等人将运动前景与运动背景进行分离，然后用YIQ颜色模型估计大气光，分别对前景与后景进行处理进行融合。Inhye Yoon是将视频的图像在HSV通道进行处理，在S通道中获取大气光，然后在V通道计算得到透射率图，最后进行图像的去雾处理。Xu zhiyuan等提出对比度受限的直方图均衡化，将前景与背景进行分离处理，根据直方图中的像素点的值进行直方图均衡化，最后将前景与背景进行融合。视频去雾现在大多还是基于一帧一帧的图像进行处理的，对于时空一致性的保持是通过前景与背景的分离或者其他的约束，时间复杂度与内容的一致性保持没有大的突破。