基于单幅图像的快速去雾算法

合集下载

基于景深的单幅图像快速去雾算法

ｔｈｅｒｅｂｙｓｉｍｐｌｉｉｆｅｓｔｈｅａｔｍｏｓｐｈｅｉｒｃｓｃａｔｔｅｉｎｒｇｍｏｄｅ１．Ｉｔｕｓｅｓｄｅｐｔｈｏｆｉｆｅｌｄｉｎｆｏｍａｒｔｉｏｎｅｓｔｉｍａｔｉｏｎｏｆａｍｏｔｓｐｈｅｉｃｒｓｃａｔｔｅｒｉｎｇｍｏｄｅｌｔｏｇｅｔｔｈｅ
第４０卷第２期
Ｖｌ０１．４０
Ｎｏ．２
计算
机
工
程
２０１４年２月
Ｆｅｂｒｕａｒｙ２０１４
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ
－
图形图像处理－
பைடு நூலகம்
文章编号：１００ｏ＿＿３４２８（２０１４）０２ — ０２３７ — ０３文献标识码：Ａ
针对上述问题，提出一种基于景深的单幅图像快速去雾算法。通过暗通道对图像处理，得到图像传输图，从而简化大气散射模型，利用景深信息估计大气散射模型，得到边缘突变景深关系比，通过近水平方向上的景深关系比值优化传输图，利用双边滤波对景物边缘进行处理。从３个颜色通道出发，降低波长对景深估计的影响。实验结果证明，该算法能够恢复景物边缘的细节对比度，
ｄｅｐｔｈｒｅｌａｔｉｏｎｓｈｉｐｓｏｆｓｃｅｎｅｅｄｇｅ．Ｔｈｒｏｕｇｈｎｅａｒｌｙｈｏｒｉｚｏｎｔａｌｄｅａｔｈｒａｔｉｏｉｍｐｒｏｖｉｎｇｔｒａｎｓｍｉｓｓｉｏｎｃｈａｔ，ｉｒｔｕｓｅｓｂｉｌａｔｅｒａｌｉｌｆｔｅｒｉｎｇｆｏｒｉｍａｇｅｅｄｇｅｐｒｏｃｅｓｓｉｎｇ．Ｓｔａｔｉｒｎｇｆｒｏｍｔｈｒｅｅｃｏｌｏｒｃｈａｎｎｅｌｓｒｅｄｕｃｅｓｔｈｅｅｆｆｅｃｔｏｆｗａｖｅｌｅｎｇｈｔｏｎｅｓｔｉｍａｔｉｎｇｄｅｐｔｈｏｆｉｅｆｌｄ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ

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。

单幅图像快速去雾算法

Computer Engineering and Applications 计算机工程与应用
2019，55（10） 213
单幅图像快速去雾算法
张弟，吴萍华东师范大学计算机科学与软件工程学院，上海 200062
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。关键词：去雾；均值滤波；透射率文献标志码：A 中图分类号：TP391.41 doi：10.3778/j.issn.1002-8331.1802-0133
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。基于图像复原具有代表性的去雾算法有 He[7]利用暗原色先验来求得透射率，然后利用软抠图技术进行修
Abstract：At present, the defogging algorithm mainly includes the dark channel prior method and the image color channel processing method, but the defogging efficiency of these methods is not high, resulting in poor practicability. In view of this drawback, a fast defogging algorithm based on single image is proposed. Atmospheric light estimation uses the improved dark-channel approach, at first make color channel minimum filtering, and then take the maximum value of minimum filtering as atmospheric light estimation. Transmittance estimation uses physical model mean filter, first convert according to the mathematical model and a mean filter, then use the offset to correct the estimated value with transmittance. The algorithm is simple, quick and effective, and has practicality. Qualitative and quantitative analyses of the experimental results show that compared with other algorithms, it has better defogging effect and faster processing speed. Key words：defogging; mean filter; transmittance

基于物理模型的单幅雾天图像去雾方法

基于物理模型的单幅雾天图像去雾方法
基于物理模型的单幅雾天图像去雾方法是指利用空间反射光谱特
性的物理模型来对单幅雾天图像进行去雾处理的方法。

它是基于亚像
元成像模型，它使用空间反射光谱特性来估计净反射比（AER），从而
还原雾天图像中的真实视觉效果。

首先，这种方法将图像从RGB分量
转换为和空间反射光谱相关的分量，例如，水明度和对散射成分的反
射率。

然后，根据亚像元成像模型，通过可见光中的不同频带和远红
外中的总体反射率，估计出每个亚像元的净反射比值，进而移除浓雾
的影响。

最后，这个去雾方法可以在一定程度上恢复图像的真实视觉
信息，并且可以有效地降低此类图像的噪音。

此外，该方法具有很多优势。

首先，它可以自动从其他光谱特性
恢复净反射比，因此它可以有效避免手工调整模型参数的问题。

其次，该方法不受时间限制，它可以在短时间内获得很好的去雾结果。

最后，该方法可以准确地检测到雾或低能见度对视觉效果的影响，并有效地
进行去雾。

总的来说，基于物理模型的单幅雾天图像去雾方法通过使用空间
反射光谱特性来估计每个亚像元的净反射比，从而移除浓雾的影响，
从而可以恢复图像的真实视觉信息，并有效地降低此类图像的噪音。

基于物理模型的快速单幅图像去雾方法

第37卷第2期自动化学报Vol.37,No.2 2011年2月ACTA AUTOMATICA SINICA February,2011基于物理模型的快速单幅图像去雾方法禹晶1李大鹏2廖庆敏1,3摘要在雾、霾等天气条件下,大气粒子的散射作用导致捕获的图像严重降质.本文提出一种新的基于物理模型的快速单幅图像去雾算法.该算法从大气散射模型出发,通过对大气光照进行白平衡,从而简化大气散射模型;利用快速双边滤波方法估计大气耗散函数,进而恢复场景反照率.本文算法的时间复杂度达到图像像素数的线性函数,具有很快的执行速度.实验结果表明本文算法有效地恢复了场景的对比度和颜色,从而明显地提高了图像的视见度.关键词图像去雾,视见度,大气散射模型,双边滤波,白平衡DOI10.3724/SP.J.1004.2011.00143Physics-based Fast Single Image Fog RemovalYU Jing1LI Da-Peng2LIAO Qing-Min1,3Abstract Imaging in the atmosphere is often degraded by scattering due to atmospheric particles such as haze,fog, and mist.In this paper,we propose a novel fast defogging method based on the atmospheric scattering model.The white balance is performed and the atmospheric scattering model is simpliﬁed prior to visibility restoration.In the inference process of the atmospheric veil,the coarser estimate is reﬁned using a fast bilateralﬁltering approach that preserves edges. Finally,the scene albedo is recovered by inverting this simpliﬁed model.The complexity of the proposed method is only a linear function of the number of input image pixels and this allows a very fast implementation.Results on a variety of outdoor foggy images demonstrate that the proposed method achieves good restoration for contrast and colorﬁdelity, resulting in a great improvement in image visibility.Key words Image defogging,visibility,atmospheric scattering model,bilateralﬁlter,white balance计算机视觉系统的很多户外应用,如城市交通、视频监控、智能车辆等,都要求图像特征的检测具备鲁棒性.然而,在雾、霾等天气条件下,大气中悬浮的大量微小水滴、气溶胶的散射作用导致捕获的图像严重降质,这极大地限制和影响了户外系统的功能.随着物体到成像设备的距离增大,大气粒子的散射作用对成像的影响逐渐增加.这种影响主要由两个散射过程造成:1)物体表面的反射光在到达成像设备的过程中,由于大气粒子的散射而发生衰减;2)自然光因大气粒子散射而进入成像设备参与成像.它们的共同作用造成捕获的图像对比度、饱和度降低,以及色调偏移,不仅影响图像的视觉效果,而且影响图像分析和理解的性能.在计算机视觉领域中,常用大气散射模型来描述雾、霾天气条件下场景的成像过程.近期几乎所有的去雾算法均建立在此模型之上,只是利用方式收稿日期2010-07-22录用日期2010-09-15Manuscript received July22,2010;accepted September15, 20101.清华大学电子工程系北京1000842.北京工业大学计算机学院北京1001243.清华大学深圳研究生院深圳5180551.Department of Electronic Engineering,Tsinghua University, Beijing1000842.College of Computer Science and Tech-nology,Beijing University of Technology,Beijing1001243. Graduate School at Shenzhen,Tsinghua University,Shenzhen 518055上有所不同.不同的方法采用不同的方式估计模型中的参数.依据所需要的成像系统或成像场景的附加信息,可将基于物理模型的方法分为4类.前两类方法利用同一场景的多幅输入图像,即不同天气条件下获取的多幅图像[1−5],或者不同偏振程度的多幅图像[6−9].然而,在实际应用中,通常都无法满足这样的特殊条件.后两类方法试图从单幅图像出发估计景深或景深相关项,进而恢复清晰的图像.受单幅图像信息量的限制,第3类方法利用场景的先验信息或用户交互估计景深.Oakley等[10−11]借助航拍相关参数来估计地形模型.但是,这种方法需要估计的参数过多.Narasimhan等[12]利用用户输入的信息对景深进行粗估计.为此,最近的研究工作[13−17]热衷于探索第4类方法,这类方法通过对图像数据做各种假设,从单幅图像中恢复场景信息.一般情况下,构造满足假设条件的代价函数和约束方程(组),使用最优化方法求解模型参数.基于数据假设的单幅图像去雾算法几乎均存在计算过程复杂、耗时的问题,难以应用到实际场合.本文提出了一种新的基于大气散射模型的快速去雾算法.该算法从大气散射模型出发,通过对大气光照进行白平衡(White balance),从而简化模型表示形式;利用快速双边滤波方法(Fast bilateralﬁltering)144自动化学报37卷来估计大气耗散函数(Atmospheric veil),进而利用简化模型解出场景反照率(Scene albedo).本文算法的时间复杂度达到图像像素数的线性函数.此外,仅要求单幅输入图像,并且无需任何场景结构信息或用户交互.本文后续的内容安排如下:第1节描述大气散射模型,并回顾现有的基于数据假设的单幅图像去雾算法.第2节详细地描述本文提出的算法.第3节给出实验比较与分析.第4节为全文的结论.1背景Narasimhan等[4−5]给出雾、霾天气条件下单色大气散射模型(Monochrome atmospheric scat-tering model),即窄波段摄像机所拍摄的图像灰度值I(x)可表示为I(x)=Aρ(x)e−βd(x)+A1−e−βd(x)(1)式中,x为空间坐标,A表示天空亮度(Skylight),ρ为场景反照率,d为场景的景深,β为大气散射系数.如图1所示,大气散射模型由两项组成.第一项表示衰减模型(Attenuation model),也称为直接传播(Direct transmission)或直接衰减(Direct atten-uation).由于大气粒子的散射作用,一部分物体表面的反射光因散射而损失,未被散射的部分直接到达成像传感器,其光强随着传播距离的增大而呈指数衰减.第二项表示环境光模型(Airlight model).这是因为大气粒子对自然光的散射引起大气表现出光源的特性.环境光的强度随着传播距离的增大而逐渐增加.图1大气散射模型示意图Fig.1Atmospheric scattering modelNarasimhan等指出该模型的假设条件是单次散射、均匀大气介质,以及大气粒子对可见光的散射系数与波长无关.因此,该模型不适用于数千米之外场景成像的衰减补偿.基于物理模型的方法实质上是利用大气散射模型求解场景反照率.由于该物理模型包含3个未知参数,从本质上讲,这是一个病态反问题.最近提出的单幅图像去雾算法利用图像数据本身构造约束场景反照率或(和)景深的假设条件.Tan[13]假设局部区域的环境光为常数,以及对比度显著增强.在马尔可夫随机场(Markov ran-domﬁeld,MRF)模型的框架下,构造关于边缘强度的代价函数,使用图分割(Graph cut)理论来估计最优光照.该算法旨在增强图像的对比度.尽管明显地改善了图像的视见度,然而,由于没有从物理模型上恢复真实场景反照率,恢复后的颜色显得过饱和,且在景深突变的交界区域产生严重的Halo效应.Fattal[14]假设图像局部区域的反照率为常向量(Constant albedo),以及物体表面色度(Surface shading)与介质传播(Medium transmission)具有局部统计不相关性.利用独立成分分析(Indepen-dent component analysis,ICA)来估计常向量反照率.该算法本质上是非线性反问题的求解,它的性能在很大程度上取决于输入数据的统计特性.独立成分变化不显著或颜色信息不足将导致统计估计不可靠.He等[15]假设在至少一个颜色通道的局部区域内,场景反照率趋于0,使用最小值滤波对介质传播函数进行粗估计.然后,借助图像抠图(Image matting)算法对介质传播函数进行细化(Reﬁning).这种细化方法实质上是一个大规模稀疏线性方程组的求解问题,具有很高的时间复杂度和空间复杂度.需要指出的是,图像抠图引入α通道的目的是使前景与背景过渡区域的边缘柔化或反混叠(Anti-aliasing),而介质传播函数为场景辐射(Scene radiance)的指数衰减因子.因此,将图像抠图算法用于介质传播函数的细化并不合理.并且,在所用的代价函数中,数据项起着很小的作用.但若提高正则参数的取值,则景深突变边缘处的颜色易产生过冲失真(Overshoot distortion).Kratz等[16]假设场景反照率和景深是统计独立的,并可用正则概率先验对它们建模.场景反照率的梯度建模为幂函数重尾分布先验(Heavy-tail prior),而景深先验取决于特定场景,根据自然场景特征建模为δ分段常值函数或者高斯平滑函数.通过求解一个最大后验概率(Maximum a posteriori, MAP)估计问题,从而联合估计出场景反照率和景深.该算法需根据特定图像选取景深先验模型,且根据经验给定先验模型中的参数.Tarel等[17]假设大气耗散函数在可行域中逼近最大值,且局部变化平缓,提出了一种快速图像去雾算法.该算法利用中值滤波的变形形式估计大气耗散函数.但是,中值滤波并非好的边缘保持滤波器,不恰当的参数设置易引入Halo效应.此外,该算法参数较多,不易调整.2期禹晶等:基于物理模型的快速单幅图像去雾方法1452本文的算法本文在快速双边滤波方法的基础上,提出了一种快速单幅图像去雾算法.本文的算法可分为3个步骤:1)估计天空亮度,并对大气光照进行白平衡,从而简化大气散射模型;2)利用快速双边滤波估计大气耗散函数;3)求解简化的大气散射模型,恢复场景反照率.2.1大气散射模型的简化2.1.1天空亮度的估计直接用最亮像素值估计天空亮度A [8]易受到高亮噪声或白色物体的影响.文献[15]先分别对各颜色分量进行灰度腐蚀操作,再取颜色分量之间的最小值,从中选取0.1%最亮的像素,用对应原图像中的最大像素值估计天空亮度A .为了滤除图像中白色物体对估计天空亮度的影响,结构元素的尺寸应大于图像中白色物体的尺寸.但是,若图像中的天空区域也小于结构元素的尺寸,则将错误地滤除天空区域.如图7所示的后两幅自然场景图像,仅可从树枝之间看到天空,图像中天空区域的面积较小,因此,较大的尺寸容易将天空区域完全腐蚀.显而易见,天空区域具有3个特性:1)亮度较高;2)灰度平坦;3)位置偏上.本文将满足以上3个特性的像素集合确定为天空区域.首先,对彩色图像的最小颜色分量进行最小值滤波,也称为灰度腐蚀操作,可表示为I min (x )=miny ∈Ω(x )minc ∈{R,G,B }I (y )(2)式中,c ∈{R,G,B }分别表示R 、G 、B 颜色通道;Ω(x )表示以像素x 为中心的邻域,其尺寸自适应地与图像宽和高中的最小值成比例,本文中取0.025.然后,采用Canny 算子对彩色图像的灰度分量进行边缘检测,对边缘图像进行分块统计,计算各图像块中边缘像素数所占的比例,记为N edge (x ).同时满足I min (x )>T v 且N edge (x )<T p 的像素集合指定为候选天空区域.本文设定亮度阈值T v 为I min (x )中最大值的95%,平坦阈值T p 为0.001.图2(a)为一幅雾天拍摄的图像,在图2(b)中候选天空区域用青色标识.最后,对候选天空区域标记连通分量.利用天空区域位置的先验信息,选取图像上方的一个连通分量作为天空区域.在原图像的对应区域中,将最大像素值确定为天空亮度A 的估计值.(a)原图像(a)Input image(b)候选天空区域(黑色区域)(b)Candidate for sky region(black area)图2候选天空区域图示Fig.2Candidates for sky region2.1.2白平衡为了简化式(1)的描述,用介质传播函数t (x )表示指数衰减项e −βd (x ),即t (x )=e −βd (x )(3)式中,0<t (x )<1.大气耗散函数定义为V (x )=1−t (x )(4)显然,0<V (x )<1.大气耗散函数表示环境光对场景成像的附加部分,它是关于景深d (x )的增函数.WP (White point)算法,也称为Max-RGB 算法,利用R 、G 、B 颜色分量的最大值来估计光照的颜色[18].本文用已估计的天空亮度A 替换最大值,从而对大气光照进行白平衡,即将大气光照的颜色校正到灰度轴方向上.修改WP 算法的白平衡处理正好是对图像除以天空亮度A .为此,对式(1)两端除以A ,并将式(3)和式(4)代入式(1),大气散射模型可改写为I (x )A=ρ(x )t (x )+V (x )(5)对于图像中亮度高于天空亮度的区域,则对应I (x )/A >1.为了下一节估计大气耗散函数的目的,将白平衡校正的图像I (x )/A 限制在[0,1]范围内,用I (x )表示为I (x )=min I (x )A ,1 (6)进而,大气散射模型可简化为I (x )=ρ(x )t (x )+V (x )(7)在I (x )中,天空亮度A 校正为白色(1,1,1)T.146自动化学报37卷2.2大气耗散函数的估计2.2.1粗估计由于雾、霾的存在,随着场景到成像设备的距离增大,环境光对成像的作用逐渐增加.从视觉效果来看,图像中雾的浓度逐渐增强,图像的亮度逐渐增大.因此,图像亮度是场景景深的依据.根据式(7)表示的物理模型可知,大气耗散函数V (x )受两个条件的约束:1)V (x )≥0,即V (x )为正值;2)V (x )≤I (x ),即V (x )不大于I (x )的最小颜色分量.本文假设恢复后的对比度被尽可能地提高,且非景深突变的边缘处,景深平缓变化[17],通过由粗到细的两步估计大气耗散函数.第1步,用I (x )的最小颜色分量对大气耗散函数进行粗估计,即˜V (x )=min c ∈{R,G,B }I (x )(8)这基本上与文献[15]的观点保持一致,即在雾、霾天气条件下零反照率(全吸收)颜色波段成像的灰度值主要是环境光的贡献.图4(a)为图2(a)中大气耗散函数的粗估计结果.2.2.2基于快速双边滤波的细化操作由于大气耗散函数仅是关于景深d (x )的函数,而与反照率ρ(x )无关.第2步,对大气耗散函数的粗估计˜V(x )进行区域平滑操作,保持景深突变的边缘细节,这可以看作一个滤波问题.He 等[15]估计介质传播函数的第1步实际上等效于对˜V(x )进行最小值滤波,但是,单一的最小值滤波会产生Halo 效应和块效应.第2步借助图像抠图算法对介质传播函数进行细化操作.Tarel 等[17]本质上是对˜V(x )进行中值滤波来估计大气耗散函数.这两种方法的问题见第1节中的描述.为此,本文提出利用快速双边滤波方法来估计大气耗散函数V (x ).Tomasi 等[19]于1998年提出了双边滤波的理论.双边滤波是一种边缘保持的非迭代平滑滤波方法.它的权重由空域(Spatial domain)S 和值域(Range domain)R 平滑函数的乘积给出.随着与中心像素的距离以及灰度差值的增大,邻域像素的权重逐渐减小.本文使用高斯型双边滤波,即空域和值域平滑函数均是高斯函数.对于大气耗散函数的粗估计˜V (x ),利用高斯型双边滤波进行细化操作,可表示为V (x )=1W b y ∈SG σs ( x −y )G σr ˜V (x )−˜V (y ) ˜V (y )(9)其中,W b 为归一化系数W b=y ∈SG σs ( x −y )G σr˜V (x )−˜V (y )(10)式中,G σs 和G σr 为高斯函数,σs 为空域高斯模板的尺寸,σr 为值域高斯函数的尺度.如图3所示,图3(a)为图2(a)中图像块(白色方框)的三维网格图,图3(b)和图3(c)分别为中心像素的空域滤波器G σs 的权重和双边滤波器G σs ×G σr 的权重.对于与中心像素距离相近且灰度差值较小的像素,双边滤波赋予较大的权重;而对于距离相近但灰度差值较大的像素,赋予较小的权重.因此,双边滤波可以很好地保持图像边缘,从而有效地抑制了恢复结果中由于景深突变而在边缘处引入的Halo 效应.(a)图2(a)中白色方框标出的图像块(a)Three-dimensional plot of the small-squared patch in Fig.2(a)(b)中心像素的空域滤波器权重(b)Spatial ﬁlter for the central pixel(c)中心像素的双边滤波器权重(c)Bilateral ﬁlter for the central pixel图3双边滤波示意图Fig.3Bilateral ﬁltering2期禹晶等:基于物理模型的快速单幅图像去雾方法147由于双边滤波是一种非线性滤波,空域卷积的快速算法已不再适用.根据式(9)直接计算双边滤波的时间开销很大.因此,最近提出了快速双边滤波算法[20−21],探索双边滤波的近似算法,它们在速度上有很大的提高,而在精度上仅有微小的下降.Paris等[21]在信号处理理论的基础上,提出了一种快速近似计算,并分析了数值逼近精度.该算法将双边滤波表示为三维乘积空间S×R中线性移不变卷积,在降采样的高维空间执行低通滤波,最后线性插值到初始分辨率,获得最终的双边滤波结果.本文利用文献[21]的快速双边滤波算法估计大气耗散函数V(x).进一步,根据式(4)计算介质传播函数t(x)为t(x)=1−V(x)(11)图4(b)显示了图2(a)的介质传播函数.(a)大气耗散函数的粗估计(a)Coarser atmospheric veil(b)介质传播函数(b)Medium transmission图4大气耗散函数的粗估计与介质传播函数图示Fig.4Coarser atmospheric veil and correspondingmedium transmission2.3场景反照率的恢复利用已估计的大气耗散函数V(x)和介质传播函数t(x),依据式(7)来解出场景反照率ρ(x).由式(8)可知,图像I (x)与大气耗散函数V(x)的差值极可能接近0.与此同时,天空位于无穷远处,其介质传播函数t(x)趋于0.在这种情形下,直接恢复场景反照率将导致天空区域的颜色发生严重失真.为了避免0/0型(或者非常小的两数相除)的不确定值,本文引入因子κ(0<κ<1),场景反照率ρ(x)由下式计算:ρ(x)=I (x)−κV(x)t(x)(12)式中,κ的引入强制恢复结果中的天空区域为白色.由于平坦的天空区域因图像压缩、镜头光学结构、传感器性能、彩色插值算法等诸多降质因素而产生伪轮廓.因此,为了达到最优的显示效果,图像中天空区域所占的比例越大,κ的取值应越小.在本文中,κ简单地取值为0.95.最后,截断[0,1]范围以外的值,而无需文献[17]中动态范围压缩或文献[15]中曝光量(Expo-sure)增加等后处理过程.3实验比较与分析3.1算法复杂度分析设一幅图像的尺寸为s x×s y,在文献[21]中,快速双边滤波算法的时间复杂度可达到O(s x s y),而本文中其他步骤均为简单操作.因此,本文算法的时间复杂度也为O(s x s y).可见,这仅是图像像素数的线性函数,因而具有很高的执行效率.Tarel算法的Matlab代码参见网站http://pe rso.lcpc.fr/tarel.jean-philippe/publis/iccv09.html,其时间复杂度为O(s x s y s2vln s v),其中,s v为中值滤波的模板尺寸.在Tarel算法中,中值滤波的模板尺寸一般取值较大,如图5中下图为原文中的图例, s v的取值为61.3.2实验结果为了验证所提出算法的性能,本文将与Tarel算法进行比较,并给出在更多户外场景的雾霾图像上的复原结果.如图5所示,(a)列为原图像,(b)列为Tarel算法的结果,参数为p=0.95,s v=61,(c)列为本文算法的结果.从图5中可以看出,Tarel算法处理的图像颜色显得过饱和(注意图5中的草地和天空区域),且在景深突变的边界易产生Halo效应(注意图5中树木和天空区域的交界处).本文的算法更好地再现了场景的真实颜色,且有效地降低了Halo效应.本文的算法应用于大量户外场景的雾霾图像上取得了较好的去雾效果.图6和图7分别给出了部分城市场景和自然场景的实验结果.(a)列为原图像,(b)列为介质传播函数,(c)列为最终恢复的场景反照率.从图6和图7中可以看出,本文的算法有效地去除了图像中雾霾的作用,再现了场景的对比度和颜色,从而在很大程度上提高了图像的视见度. 4结论本文提出了一种新的基于双边滤波方法的大气耗散函数估计方案.本文的算法从单幅图像出发,自动地恢复场景反照率,无需任何场景的附加信息.通过分析得出本文算法的时间复杂度仅是图像像素数的线性函数,处理速度快.最后,在大量雾霾图像上的实验结果验证了本文算法的有效性.与现有的大多数算法存在的共同问题是,本文的算法对白色物体的恢复效果不太理想.148自动化学报37卷图5本文算法与Tarel 算法的实验结果比较((a)原图像;(b)Tarel 算法的结果;(c)本文算法的结果)Fig.5Comparison with Tarel s work ((a)Input images;(b)Tarel s results;(c)Ourresults)图6城市场景去雾结果((a)原图像;(b)介质传播函数;(c)场景反照率)Fig.6Fog removal results in urban scenes ((a)Inputimages;(b)Transmission maps;(c)Unveiledimages)图7自然场景去雾结果((a)原图像;(b)介质传播函数;(c)场景反照率)Fig.7Fog removal results in natural scenes ((a)Inputimages;(b)Transmission maps;(c)Unveiled images)致谢感谢Tarel 和Hauti 提供了所提出算法的Mat-lab 源代码.References1Nayar S K,Narasimhan S G.Vision in bad weather.In:Proceedings of the 7th IEEE International Conference on Computer Vision.Kerkyra,Greece:IEEE,1999.820−8272Narasimhan S G,Nayar S K.Chromatic framework for vi-sion in bad weather.In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2000.598−6053Narasimhan S G,Nayar S K.Vision and the atmosphere.International Journal of Computer Vision ,2002,48(3):233−2544Narasimhan S G,Nayar S K.Removing weather eﬀects from monochrome images.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recog-nition.Washington D.C.,USA:IEEE,2001.186−1935Narasimhan S G,Nayar S K.Contrast restoration of weather degraded images.IEEE Transactions on Pattern Analysis and Machine Intelligence ,2003,25(6):713−7246Schechner Y Y,Narasimhan S G,Nayar S K.Instant de-hazing of images using polarization.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2001.325−3327Schechner Y Y,Narasimhan S G,Nayar S K.Polarization-based vision through haze.Applied Optics ,2003,42(3):511−5258Namer E,Schechner Y Y.Advanced visibility improvement based on polarization ﬁltered images.In:Proceedings of the Polarization Science and Remote Sensing II.San Diego,USA:SPIE,2005.36−459Shwartz S,Namer E,Schechner Y Y.Blind haze separation.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2006.1984−199110Oakley J P,Satherley B L.Improving image quality inpoor visibility conditions using a physical model for con-trast degradation.IEEE Transactions on Image Processing ,1998,7(2):167−17911Tan K,Oakley P J.Physics-based approach to color imageenhancement in poor visibility conditions.Optical Society of America ,2001,18(10):2460−246712Narasimhan S G,Nayar S K.Interactive (de)weatheringof an image using physical models.In:Proceedings of the ICCV Workshop on Color and Photometric Methods in Computer Vision.Nice,France:IEEE,2003.1387−139413Tan R T.Visibility in bad weather from a single image.In:Proceedings of the IEEE Conference on Computer Vi-sion and Pattern Recognition.Anchorgae,USA:IEEE,2008.1−82期禹晶等:基于物理模型的快速单幅图像去雾方法14914Fattal R.Single image dehazing.ACM Transactions on Graphics,2008,27(3):1−915He K M,Sun J,Tang X O.Single image haze removal using dark channel prior.In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition A: IEEE,2009.1956−196316Kratz L,Nishino K.Factorizing scene albedo and depth from a single foggy image.In:Proceedings of the IEEE In-ternational Conference on Computer Vision.Kyoto,Japan: IEEE,2009.1701−170817Tarel J P,Hautiere N.Fast visibility restoration from a sin-gle color or gray level image.In:Proceedings of the12th IEEE International Conference on Computer Vision Kyoto.Japan:IEEE,2009.2201−220818Cardei V,Funt B,Barnard K.White point estimation for uncalibrated images.In:In:Proceedings of the7th IS and T/SID Color Imaging Conference:Color Science,Systems and Applications.Scottsdale,USA:Society for Imaging Sci-ence and Technology,1999.97−10019Tomasi C,Manduchi R.Bilateralﬁltering for gray and color images.In:Proceedings of the6th International Conference on Computer Vision Bombay.India:IEEE,1998.839−84620Yang Q X,Tan K H,Ahuja N.Real-time O(1)bilateral ﬁltering.In:Proceedings of the IEEE Conference on Com-puter Vision and Pattern Recognition.Miami,USA:IEEE, 2009.557−56421Paris S,Durand F.A fast approximation of the bilateralﬁl-ter using a signal processing approach.International Journal of Computer Vision,2009,81(1):24−52禹晶清华大学电子工程系博士研究生.主要研究方向为模式识别与图像处理.本文通信作者.E-mail:j-yu08@(YU Jing Ph.D.candidate in theDepartment of Electronic Engineering,Tsinghua University.Her research in-terest covers pattern recognition and image processing.Corresponding author of this paper.)李大鹏北京工业大学计算机学院硕士研究生.主要研究方向为模式识别与图像处理.E-mail:lidapeng@(LI Da-Peng Master student at theCollege of Computer Science and Tech-nology,Beijing University of Technol-ogy.His research interest covers pat-tern recognition and image processing.)廖庆敏清华大学教授.1994年获得法国Rennes大学信号处理与通信博士学位.主要研究方向为图像和视频处理与分析、计算机视觉及其应用.E-mail:liaoqm@(LIAO Qing-Min Professor at Ts-inghua University.He received hisPh.D.degree in signal processing and telecommunications from University of Rennes,France,in 1994.His research interest covers image/video analysis, computer vision and its applications.)。

基于二次滤波的单幅图像快速去雾算法研究

基于二次滤波的单幅图像快速去雾算法研究近年来，由于环境污染的严重，大气中的大量灰尘、酸雨等会影响外界光照，使得单幅图像曝光过于浅，颜色失真，对于这种因雾影响导致的图像质量下降，采用各种去雾技术已经成为目前图像处理中的重要研究领域之一。

通过处理可以使单幅图像恢复到更清晰、色彩更准确、曝光更充足的状态，从而提高图像处理的精度和准确性，为实际应用提供可靠的保障。

基于二次滤波的单幅图像快速去雾算法研究是一种有效的方法，它可以快速有效地去除外部因素（如雾）对图像质量的影响。

本文介绍了基于二次滤波的单幅图像快速去雾算法（SFF）及其步骤，以及SFF算法在实际应用中的优势，以便在其他图像处理应用中得到有效的应用。

一、基于二次滤波的单幅图像快速去雾算法1.1法原理基于二次滤波的单幅图像快速去雾算法（SFF）是一种基于统计的局部滤波去雾技术，它主要利用去雾窗口中的局部统计特性，有效地去除外部因素（如雾）对图像质量的影响。

SFF算法基于灰度变换原理，将窗口内像素点像素值映射到较低暗度区域，有效消除雾气拖尾，使图像恢复更清晰。

该算法首先将去雾窗口图像分割成若干小块，然后计算每个像素值的均值和标准差，根据均值和标准差计算出每个像素点像素值的灰度变换系数，再将每个像素点的原始像素值按照灰度变换系数变换后作为新的像素值。

最后，运用拉普拉斯边缘保留滤波，提高图像的边缘效果。

1.2法步骤（1）划分窗口：首先将图像划分成若干小块，每块中心像素作为去雾窗口中心，其大小可由用户自定义。

（2）图像空域处理：计算每个去雾窗口像素值的均值（m）和标准差（s），使用均值和标准差计算出灰度变换系数。

（3）像素灰度变换：将每个像素点的原始像素值按照灰度变换系数变换后得到新的像素值。

（4）滤波处理：运用拉普拉斯边缘保留滤波，提高图像边缘效果。

二、SFF算法的优势SFF算法可以更快更准确地去除外部因素（如雾）对图像质量的影响，相比其他技术有以下优势：（1）高效：SFF算法首先利用空间划分窗口，减少了外部环境因素对图像的影响，使得图像处理的速度更快；（2）准确：SFF算法利用灰度变换技术有效调整暗度，使得图像更加清晰；（3）复杂：SFF算法可以处理复杂的大气环境中的图像，比如雾霾天气和阴影天气。

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

基于天空区域分割的单幅海面图像去雾方法

基于天空区域分割的单幅海面图像去雾方法第41卷一第5期一Vol.41一No.5一计算机工程Computer Engineering 一一2015年5月May 2015四图形图像处理四文章编号:1000-3428(2015)05-0237-06一一一文献标识码:A一一一中图分类号:TP391.41基金项目:国家自然科学基金资助项目面向海事监测的GNSS-R 海上物标探测及异类传感器时空信息融合方法(51379121);上海市自然科学基金资助项目基于卫星导航反射信号的海上物标探测方法及应用(13ZR 1418700);上海市科委能力建设基金资助项目空间多元数据融合的海事监测关键技术及应用 (12510501800)三作者简介:雷一琴(1980-),女,讲师二博士研究生,主研方向:图像处理,智能交通;施朝健,教授二博士生导师;陈婷婷,博士研究生三收稿日期:2014-05-12一一修回日期:2014-07-12一一E-mail :50602748@/doc/065985602.html, 基于天空区域分割的单幅海面图像去雾方法雷一琴1,2,施朝健1,陈婷婷1(1.上海海事大学商船学院,上海201306;2.兰州交通大学电子与信息工程学院,兰州730070)摘一要:为提高雾天海面图像的质量,提出面向单幅海面图像的去雾方法三将均值漂移方法与嵌入置信度的边缘检测方法相结合进行图像分割,分割后的图像用形态学膨胀与腐蚀操作进行二值化,提取出天空区域和非天空区域三对天空区域使用限制对比度直方图均衡算法去雾,非天空区域使用基于导向滤波的暗通道优先算法去雾三导向滤波通过导向图像内容来计算滤波输出,在精细化透射图方面可以得到与软抠图方法类似的效果,计算开销较小三实验结果表明,相对于暗通道优先方法,该方法在天空区域没有明显的过渡区域和偏色现象,可取得较好的去雾效果三关键词:海面图像;去雾方法;图像分割;天空区域;均值漂移;暗通道优先中文引用格式:雷一琴,施朝健,陈婷婷.基于天空区域分割的单幅海面图像去雾方法[J ].计算机工程,2015,41(5):237-242.英文引用格式:Lei Qin ,Shi Chaojian ,Chen Tingting.Single Sea Image Haze Removal Method Based on Segmentation of Sky Area [J ].Computer Engineering ,2015,41(5):237-242.Single Sea Image Haze Removal Method Based on Segmentation of Sky AreaLEI Qin 1,2,SHI Chaojian 1,CHEN Tingting 1(1.Merchant Marine College ,Shanghai Maritime University ,Shanghai 201306,China ;2.School of Electronic and Information Engineering ,Lanzhou Jiaotong University ,Lanzhou 730070,China )?Abstract ?In order to enhance quality of sea hazy images ,this paper presents a method of dehazing for sea hazy images.It uses the mean shift method and edge detection method of embedding confidence for image segmentation of a sea hazy image ,and applies the morphological dilation and erosion operations with binarization to extract regional and non-regional sky area in the hazy image ,and finally dehazes the sky area with restricted contrast histogram equalization algorithm ,and non-sky area with dark channel prior with guided filtering.The guided filter computes the filtering output by considering the content of a guidance image ,and achieves similar results of refining transmission maps compared with the soft matting method ,but needs less computation cost.Experimental results show that relative to the dark channel priority method ,the proposed method does not provide the transition area and the phenomenon of color cast in the sky area ,and achieves high performance of haze removal.?Key words ?sea image ;haze removal method ;image segmentation ;sky area ;mean shift ;dark channel priorDOI :10.3969/j.issn.1000-3428.2015.05.0441一概述户外场景图像经常会由于雾霾的影响而产生降质现象,这些图像在对比度和色彩保真度方面都会发生不同程度的衰减三去雾后的图像不仅可以带来更好的直观视觉效果,并且去雾后的清晰图像更有利于类似目标识别等算法的实现三在海上航行过程中,海雾是一种危害很大的天气现象,无论在海上还是在海岸带地区,海雾都因其大大降低能见度而对交通运输二渔业捕捞和养殖二海上油气勘探开发以及军事活动等造成不利的影响三其中,在全部因海洋和气象原因造成的海难事故中,因海上能见度原因造成的船舶海难事故占有相当的比例三有效的海面图像去雾方法能够使船舶装载的计算机成像系统得。

基于深度学习的单幅图像去雾算法综述

科技与创新｜Science and Technology & Innovation2024年第02期DOI ：10.15913/ki.kjycx.2024.02.033基于深度学习的单幅图像去雾算法综述＊李武劲，刘昱泽，刘道城，姜林，罗娜（湖南理工学院，湖南岳阳 414000）摘要：随着人工智能技术的快速发展，深度学习已经成为解决图像去雾问题的主要方法之一。

综述了当前深度学习在图像去雾中的应用研究进展，主要包括基于传统卷积神经网络的方法、基于生成对抗网络的方法、多尺度方法等。

对比分析了不同方法的优缺点，并对未来的研究方向进行了探讨。

关键词：深度学习；单幅图像去雾算法；图像去雾；多尺度方法中图分类号：TP391.41；TP18 文献标志码：A 文章编号：2095-6835（2024）02-0114-03——————————————————————————＊［基金项目］2022年度湖南省大学生创新创业训练计划一般项目“基于自相似性的水下图像清晰化算法研究”（编号：5373）图像去雾是计算机视觉领域中的一个重要问题，其目的是从有雾图像中还原出无雾图像。

在现实世界中，由于自然灾害、人为排放等原因，雾化图像广泛存在。

这些雾化图像通常会降低图像的质量、图像的视觉效果和识别精度。

因此，图像去雾已经成为计算机视觉中的一个重要研究方向。

在图像去雾领域，传统方法主要是基于物理模型方法，如暗通道先验方法[1]、颜色恢复方法[2]等。

但这些方法通常需要手动选择参数，处理复杂场景的效果有限。

随着深度学习技术的快速发展，基于深度学习的图像去雾算法逐渐成为研究的热点[3-5]。

深度学习算法利用深度神经网络的强大特征提取能力，自适应地学习特定场景下的图像特征，能够更好地还原有雾图像。

1 基于深度学习的单幅图像去雾算法简介深度学习去雾算法通过训练深度神经网络来实现图像去雾。

具体来说，它利用已有的带雾和清晰的图像数据集进行监督学习，训练出一种能够自动从带雾图像中恢复出清晰图像的模型。

基于深度学习的单幅图像去雾算法研究

基于深度学习的单幅图像去雾算法研究基于深度学习的单幅图像去雾算法研究摘要：雾天给图像的获取和分析带来了很大的困难，降低了图像处理和计算机视觉领域的性能。

因此，去雾算法是一个重要的研究方向。

本文主要研究了基于深度学习的单幅图像去雾算法，对现有的算法进行了回顾和分析，并提出了一种全新的算法。

实验结果表明，该算法在去除雾霾的同时保持图像细节和色彩的准确性上取得了优秀的性能。

1. 引言随着计算机视觉和图像处理的快速发展，人们对于图像质量的要求也越来越高。

然而，在雾天情况下，图像的质量往往会受到严重的影响。

雾霾会导致图像失真、细节模糊、色彩失真等问题，降低了图像的可视性和识别率。

因此，研究如何去除雾霾从而提升图像质量成为了一个重要的课题。

2. 相关工作在过去的几十年里，研究人员提出了许多不同的图像去雾算法。

最初的算法通常基于传统的图像处理技术，如曝光补偿、对比度增强等。

然而，这些算法往往无法很好地处理复杂的雾霾情况，且需要手动调整参数，不够自动化。

近年来，随着深度学习的兴起，越来越多的研究者开始将其应用于图像去雾任务中。

3. 基于深度学习的单幅图像去雾算法基于深度学习的单幅图像去雾算法通常包含两个阶段：训练阶段和测试阶段。

在训练阶段，通过提供大量的带雾和无雾图像样本来训练深度神经网络模型。

在测试阶段，将训练好的模型应用于新的带雾图像，通过学习到的特征来估计图像中的雾霾情况，进而去除雾霾。

4. 实验结果与讨论本文通过构建一个包含大量带雾和无雾图像的数据集，进行了大量的实验。

实验结果表明，我们的算法在去雾效果和保持图像细节和色彩准确性方面优于现有的算法。

我们的算法能够准确地估计并去除不同密度和厚度的雾霾，使图像恢复到更接近无雾的状态。

5. 结论在本文中，我们对基于深度学习的单幅图像去雾算法进行了研究。

通过实验验证，我们的算法在去除雾霾、保持图像细节和色彩准确性方面取得了优秀的性能。

然而，仍然有一些问题需要进一步研究和改进，如如何处理雾霾边缘和复杂场景中的雾霾。

基于深度学习的单幅图像去雾算法研究

基于深度学习的单幅图像去雾算法研究基于深度学习的单幅图像去雾算法研究一、引言随着计算机视觉领域的发展，图像处理技术在各行各业中得到了广泛应用。

但在现实场景中，由于大气中的雾霾等因素的存在，图像中的细节和清晰度往往会受到影响，降低了图像处理的准确性和可靠性。

因此，单幅图像去雾算法成为了近年来研究的热点之一。

本文将基于深度学习的方法进行单幅图像去雾算法的研究与探讨。

二、雾霾成因分析大气中的雾霾是由于水汽、尘埃、烟雾等物质的存在造成的。

当光线通过这些物质时，由于物质的吸收、散射等作用，导致图像中的细节和清晰度下降。

因此，去除雾霾的关键是准确估计出图像中的雾霾特征，以便更恢复图像的细节和清晰度。

三、传统图像去雾算法的缺点在过去的研究中，人们提出了许多传统的图像去雾算法，如暗通道先验(ACP)算法、大气散射模型(ASM)算法等。

然而，这些算法存在以下缺点：1. 对于大范围的输入图像，算法的性能不稳定且难以达到预期效果；2. 需要手动选择雾霾密度或其他参数，而这些参数对算法的效果有较大的影响；3. 在处理复杂场景的图像时，算法无法准确估计雾霾特征。

四、基于深度学习的单幅图像去雾算法近年来，深度学习技术的快速发展为图像去雾算法的改进提供了新的思路。

基于深度学习的单幅图像去雾算法通过利用大量的标注清晰图像数据进行训练，学习图像中的雾霾特征，从而在去雾过程中更准确地估计，并恢复出清晰的图像。

1. 基于卷积神经网络的去雾算法卷积神经网络(CNN)是深度学习中最经典的模型之一，用于处理图像数据具有很好的效果。

在单幅图像去雾算法中，可以通过搭建CNN模型，学习图像中的雾霾特征。

例如，通过构建一个深度的残差网络，可以从输入图像中学习到雾霾的传播模式，并将其应用于未知图像的去雾过程中。

2. 基于生成对抗网络的去雾算法生成对抗网络(GAN)是一种将生成模型与判别模型相结合的深度学习框架。

在单幅图像去雾算法中，可以使用GAN模型从雾霾图像中生成清晰图像。

单幅图像的快速去雾算法

光电子 · 激光
·Ｌ第２２卷第１１期２０１１年１１月Ｊｏｌ．２２Ｎｏ．１１Ｎｏｖ．２０１１ｏｕｒｎａｌｏｆＯｔｏｅｌｅｃｔｒｏｎｉｃｓａｓｅｒＶｐ
度（对彩色图像）进行校正。本文算法简单，运算速度快，对６００，［，］彩色图像的处理时间仅为比文献减少很 × ４００２－３ｓ１３多。且既适用于彩色图像，又适用于灰度图像。
）。式（）取８需满足归一化条件０６（ｅｘ－ｐ槡２ π σ
１引言
光在大气介质中传播时会受到悬浮颗粒散有雾天气下，射、折射等复杂作用而发生变化，导致户外监控系统获取的景物图像对比度下降、颜色退化，严重影响了监控系统性能的发挥。因此，对恶劣天气条件下（雾、霭、雨、烟等）的景物图像进行清晰化处理具有重要意义。近年不断有单幅图像去雾方法］１～８。但由于雾对图像的影响与未知的场景深度信息有提出［关，基于单幅图像的去雾面临很大的挑战，尤其是如何在单幅，图像中提炼出与场景深度有关的信息是实现去雾的关键。典型的方法是把图像分割成许多小方块，并假设每一局部小方块内的场景深度一致，再通过适当的估算与后期图像修补达到去］雾的目的。如，文献［都是用平均分割法把图像分割成相１５～［］１等的几个小方块后进行处理。其中Ｆ提出基于独立分量ａｔｔａｌ，，分析的方法（基于图像ＩｎｄｅｅｎｄｅｎｔＣｏｍｏｎｅｎｔＡｎａｌｓｉｓＩＣＡ）ｐｐｙ
单幅图像的快速去雾算法
黄黎红＊

基于景深的单幅图像快速去雾算法

基于景深的单幅图像快速去雾算法张仁斌;李兴兴;夏宏丽【摘要】Imaging in the atmosphere is often degraded by scattering dueto atmospheric particles such as haze, fog, and mist, which brings great inconvenience to the imaging of computer vision system. This paper presents a method based on the depth of field of the single image defogging algorithm quickly to solve this problem. Through dark channel prior on image processing, it gets image transmission chart, thereby simplifies the atmospheric scattering model. It uses depth of field information estimation of atmospheric scattering model to get the depth relationships of scene edge. Through nearly horizontal death ratio improving transmission chart, it uses bilateral filtering for image edge processing. Starting from three color channels reduces the effect of wavelength on estimating depth of field. Experimental results show that this algorithm can effectively recover scene edge contrast details, and effectively improves image clarity, resulting in a great improvement in image visibility.%在雾、霾天气条件下，由于大气粒子的散射作用导致采集的图像质量严重下降，给计算机视觉系统成像带来极大不便。

基于暗通道的单幅图像快速去雾算法

电
子
测
量
技
术
第４Ｏ卷第１Ｏ期
２０１７年１Ｏ月
ＥＬＥＣＴＲ０ＮＩＣＭＥＡＳＵＲＥＭＥＮＴＴＥＣＨＮＯＬＯＧＹ
基于暗通道的单幅图像快速去雾算法
张驰宇贾银亮梁康武
（南京航空航天大学自动化学院南京２１１１０６）
０引
言
定深度信息，这在实际工程中不一定满足。
另一类是基于单幅图像的去雾方法，这一方面在近年
在雾、霾等气候条件下，空气中会存在大量悬浮颗粒，
这些悬浮颗粒会影响光线在空气中的传播，造成光线的散
ＺｈａｎｇＣｈｉｙｕＪｉａＹｉｎｌｉａｎｇＬｉａｎｇＫａｎｇｗｕ
（ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ２１１１０６，Ｃｈｉｎａ）
的图像色度较暗的问题，使用一种自适应直方图均衡方法。实验结果表明，相对于已有算法，该算法有效提高了图像
去雾的效果，而且加快了处理速度。
一～ｍ～一旭一～～一一～一～誉一～一～．一～

基于暗原色先验的单幅图像快速去雾算法

ＷＡＮＧＹａｔｉｎｇ一，ＦＥＮＧＺｉｌｉａｎｇ，
（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＳｅｉｈｕａｎＵｎｉｖｅｒｓｉｔｙ，ＣｈｅｎｇｄｕＳｅｉｈｕａｎ６１００６５，Ｃｈｉｎａ；２．ＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｆｏＦｕｎｄａｍｅｎｔａｌＳｃｉｅｃｅｎＯｎＳｙｎｔｈｅｔｉｃＶｉｓｏｉｎ，ＣｈｅｎｇｄｕＳｉｃｈｕａｎ６１００６５，Ｃｈｉａ）ｎ
基于暗原色先验的单幅图像快速去雾算法
王雅婷，冯子亮
（１．四川大学计算机学院，成都６１００６５；２．视觉合成图形图像技术国家重点学科实验室，成都６１００６５）
（通信作者电子邮箱ｆｅ “ 铲ｉｌｉａＩｌｇ＠ｓｅｎ．ｅｄｕ．ｃｎ）
ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓ
ＩＳＳＮ１０ｏ１．９０８１
２０１６．．１２．．１０
计算机应用，２０１６，３６（１２）：３４０６— ３４１０
摘
要：针对雾天环境下图像清晰度降低以及色调偏移问题，提出一种基于暗原色先验的单幅图像快速去雾算

基于边缘保持滤波的单幅图像快速去雾

基于边缘保持滤波的单幅图像快速去雾摘要：为了解决基于暗通道先验的图像去雾算法运行效率低下的问题以及天空等明亮灰白区域去雾后的色彩失真问题，提出一种基于边缘保持滤波的单幅图像快速去雾算法。

首先根据暗通道先验规律，得到粗略的透射率图和大气光估计值；然后用边缘保持滤波算法对粗略透射率滤波得到细节平滑、轮廓清晰的精细透射率图；再用阈值法对灰白明亮区域的透射率修正，之后用边缘保持滤波算法对修正后的透射率进行平滑，得到最终的透射率图。

根据估计的大气光和透射率，利用大气散射模型即可恢复出无雾图像。

经测试，该算法不仅具有很高的运行效率，而且对各种类型的薄雾图像都有较好的去雾效果。

客观评测也表明，该算法在对比度增强程度、色调还原程度、结构信息复原程度方面的综合指标都优于其他算法。

另外，所提算法还能够实现图像处理器像素级的并行运算，对于分辨率为1280像素×1024像素的彩色图像，用型号为NVIDIA GeForce 9800 GT的GPU处理，速度可达10帧/s。

关键词：去雾算法；暗通道先验；边缘保持滤波中图分类号：TP751.2文献标志码：A文章编号：0253-987X03-0143-08图3为修正前后的透射率图，相应恢复出的去雾图像如图4所示。

可以看出，经过透射率修正的算法对天空等明亮区域的处理效果要好很多，颜色没有失真，但是修正后的透射率图中出现了较明显的块效应，在灰白区域面积比较大时尤为明显，这主要是因为利用阈值的方法对透射率进行修正时，对灰白区域的透射率放大了k倍，使得原本平滑的透射率变得不平滑。

1.4边缘保持滤波平滑修正后的透射率为了消除修正透射率图中的块效应，本文仍然采用边缘保持滤波对其平滑。

图5、图6给出了用边缘保持滤波对修正后的透射率进行平滑前后的对比图，以及相应复原的对比图像。

可以看出，平滑后的透射率图，整体过渡平滑、浑然一体，与实际情景更为接近，复原图的颜色也更明亮。

在估计出大气光、场景透射率之后，即可根据式所示的大气散射模型复原无雾图像。

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)。

t x 1 G M ave x
(13)
Ao
ሩ G Ⲵਆ٬䘋㹼࠶᷀ྲл, ᖃ G ਆ٬䖳ሿᰦ, 䘿ሴ⦷
ਆ٬䖳བྷ, ᴰਾᚒ༽ࠪⲴമ‫⮉↻ۿ‬䴮≄䖳ཊ, മ‫ۿ‬ᮤ
փ‫ ;ⲭٿ‬ᖃ G ਆ٬䖳བྷᰦ, 䘿ሴ⦷ਆ٬䖳ሿ, ᴰ㓸ᚒ༽
ࠪⲴമ‫ۿ‬ᮤփ䖳Ѫ᳇␑. ѪҶ䱢→৫䴮ਾമ‫⧠ࠪۿ‬ᮤ
փ⭫䶒䗷Ҿ‫ٿ‬᳇ᡆ䗷Ҿ‫ٿ‬ӞⲴᛵߥ, 䘉䟼䇮㖞
䎺བྷ. ᖃ t(x) Ѫ0ᰦ, 㺘皮Ჟ⢙৽ሴ‫ݹ‬㺠߿Ѫ0, ↔ᰦ
H (x) A , ᖃ t(x) Ѫ1ᰦ, 㺘皮Ჟ⢙৽ሴ‫ݹ‬ᆼ‫⋑ޘ‬ᴹ
㺠߿, ↔ᰦ H (x) F (x) . 䘿ሴ⦷ t(x) ާᴹ઼Ჟ⢙␡
ᓖ⴨լⲴ䎻࣯, ণ൘␡ᓖ㕃ਈ༴ᒣ━, ൘␡ᓖн䘎㔝
༴䲿ѻ䐣ਈ.
ᵜ᮷䙊䗷ԕлᯩᔿ䘁լՠ䇑䘿ሴ⦷ t(x) .
ᖸཊᯠⲴᘛ䙏৫䴮㇇⌅ⓀҾሩ᮷[7]઼᮷[8]ѝ㇇ ⌅Ⲵ᭩䘋. ᮷[9]‫ࠪ≲ݸ‬䜘࠶‫ۿ‬㍐⛩Ⲵ䘿ሴ⦷٬, ❦ਾ ࡙⭘ཊ‫ݳ‬㓯ᙗഎᖂ≲ࠪᮤᑵമ‫Ⲵۿ‬䘿ሴ⦷, ԕ࣐ᘛ㇇ ⌅䙏ᓖ. ն䘉⿽ᯩ⌅≲ࠪⲴ䘿ሴ⦷䖳Ѫᒣ━, ਚ䘲⭘ ҾᲟ␡ਈॆᒣ㕃Ⲵ⢩ᇊᓄ⭘൪ਸ, ༴⨶Ჟ⢙␡ᓖ੸⧠ ࢗ⛸䐣ਈⲴമ‫ࡉۿ‬᭸᷌䖳ᐞ. ᮷[10]࡙⭘ᘛ䙏ৼ䗩└ ⌒ሩ䘿ሴ⦷䘋㹼㓶ॆ, ԓᴯ᮷[7]ѝⲴ䖟ᣐ↕僔. ᮷[11] ሩമ‫ۿ‬䘋㹼ⲭᒣ㺑ਾ, ≲ਆ仌㢢䙊䚃ᴰሿ٬֌Ѫ⧟ຳ ‫Ⲵݹ‬㋇ՠ䇑, ❦ਾ䘋㹼䗩⭼‫؍‬ᤱ└⌒ᶕ㓶ॆ⧟ຳ‫ݹ‬.
ᖸཊᆖ㘵ሩ䴮ཙമ‫␵ۿ‬Რॆ㇇⌅䘋㹼Ҷ⹄ウ. ྲ, Narasimhan൘[1]ѝᨀࠪа⿽สҾ⢙⨶⁑රⲴ৫䴮㇇ ⌅, 䈕㇇⌅Ӿ਼а൪Ჟ൘н਼ཙ≄ᶑԦлⲴཊᑵമ‫ۿ‬ ѝ㧧ਆᲟ⢙Ⲵ㔃ᶴؑ᚟; ൘᮷[2]ѝ, ShwartzㅹӪ࡙⭘ ཊᑵ‫ٿ‬ᥟമ‫ۿ‬ᶕ䘋㹼⧟ຳ‫Ⲵݹ‬ՠ䇑; ᮷[3]㔉ࠪа⿽ สҾ⭘ᡧӔӂⲴ㇇⌅; ᮷[4]࡙⭘ᐢ⸕ⲴᲟ⢙␡ᓖ⁑ ර䘋㹼৫䴮. ቭ㇑䘉Ӌ㇇⌅䜭㧧ᗇҶᖸྭⲴ৫䴮᭸᷌, նᱟ䜭䴰㾱䗃‫ޕ‬অᑵമ‫ۿ‬ԕཆⲴؑ᚟, ֯ᗇᇎ䱵ᓄ⭘ ਇ䲀.
2 ᵢᮽⲺ㇍⌋
2.1 䴴ཟഴ‫܅‬䘶ौ⢟⨼⁗ශ
൘䇑㇇ᵪ㿶㿹亶ฏ, 䙊ᑨ⭘л䘠⢙⨶⁑රᶕ᧿䘠
䴮䵮ㅹᚦ࣓ཙ≄ᶑԦሩമ‫ۿ‬䙐ᡀⲴᖡ૽. 䈕⁑රवᤜ
㺠߿⁑ර઼⧟ຳ‫⁑ݹ‬රє䜘࠶, ⁑ර㺘䗮ᔿѪ
H x F x erd x A 1 erd x
(1)
ަѝ, x Ѫമ‫ۿۿ‬㍐Ⲵオ䰤඀ḷ; H ᱟ㿲ሏࡠⲴᴹ䴮
M x min H`
> @ A Ao Ao Ao T
(8)
ࡉᔿ(6)᭩߉Ѫ Ao (1 t(x)) d M (x) , ণ
t x t1 M x
(9)
Ao
⭡ᔿ(4)⸕, t(x) 䲿⵰Ჟ⢙␡ᓖ d Ⲵ໎བྷ㘼߿ሿ.
t(x) ٬䎺ሿ㺘皮‫ۿ‬㍐ (x) ༴Ჟ⢙৽ሴ‫ݹ‬㺠߿Ⲵ〻ᓖ
ሩᔿ(9)ਣ‫ח‬䘋㹼൷٬└⌒
averagesa
§¨1 ©
M x
Ao
· ¸ ¹
1 averagesa M x
Ao
¦ M y
1
y: x
Ao sa2
(10)
ަѝ, sa 㺘皮൷٬└⌒デਓⲴቪረ, :(x) Ѫ‫ۿ‬㍐ (x) Ⲵ sa u sa 䛫ฏ. ൷٬└⌒ਾⲴ㔃᷌㜭৽ᓄ t(x) Ⲵབྷ 㠤䎻࣯, նоⵏᇎⲴ t(x) ⴨ᐞаᇊⲴ㔍ሩ٬, ഐ↔ሩ
Abstract: Images of outdoor scenes show poor visibility in presence of haze. This results in poor performance of many outdoor images progressing systems. In this paper, we present a fast haze removal method using a single color or gray level image. Based on the analyses of physical-based model, we estimate airlight and atmospheric light utilizing the simple average filter. Our method is very simple and efficient and achieves real-time computation. Experiments demonstrate that our results achieve as good visibility as a few state-of-art algorithms’.
മ‫Ⲵۿ‬৫䴮㇇⌅. Fattal൘[6]ѝสҾᲟ⢙㺘䶒䱤ᖡо ӻ䍘䘿ሴ⦷ާᴹተ䜘㔏䇑н⴨‫ޣ‬ᙗ䘉а‫ٷ‬䇮, ᨀࠪа ⿽ਚ㜭༴⨶ᖙ㢢മ‫Ⲵۿ‬㇇⌅. He[7]࡙⭘᳇৏㢢‫ݸ‬傼 ᶕ≲ਆ䘿ሴ⦷, ❦ਾ࡙⭘䖟ᣐ㇇⌅䘋㹼‫↓؞‬, ᴰ㓸ᚒ ༽ࠪᰐ䴮മ‫ۿ‬. к䘠㇇⌅䜭ਆᗇҶᶱྭⲴ৫䴮᭸᷌, ަѝHeⲴ㇇⌅৫䴮᭸᷌ቔѪᱮ㪇. ն䘉Ӌ㇇⌅Ⲵ৫ 䴮䙏ᓖ䜭нཏ⨶ᜣ, ྲ, ᮷[5]༴⨶བྷሿѪ600h400Ⲵ മ‫ۿ‬䴰㾱བྷ㓖5ࡠ7࠶䫏(double processors of Pentium 4 and 1 GB memory), [6]༴⨶аᑵ512h512Ⲵമ‫ۿ‬ᰦ ⭘ᰦ㓖35。(C++, a 1.6 GHz Intel Pentium dual core processor), [7]Ⲵ㇇⌅༴⨶аᑵ600h400‫ۿ‬㍐Ⲵമ‫ۿ‬ 䴰㾱 བྷ 㓖 10 ࡠ 20 。 (a 3.0 GHz Intel Pentium 4 Processor). Tarel[8]䙊䗷ሩ⧟ຳ‫ݹ‬ਆ٬㤳തⲴ࠶᷀, ᨀ ࠪҶа⿽ᘛ䙏৫䴮㇇⌅, 䈕㇇⌅ሩമ‫ۿ‬䘋㹼ⲭᒣ㺑ਾ, ࡙⭘ཊ⅑ѝ٬└⌒ՠ䇑⧟ຳ‫ݹ‬. ն䈕㇇⌅Ⲵ䘀㇇䙏ᓖ ҏᴹᖵ䘋а↕ᨀ儈.
൘สҾঅᑵമ‫Ⲵۿ‬৫䴮㇇⌅ѝ, Tan[5]ԕ໎ᕪമ ‫ۿ‬ሩ∄ᓖѪⴞⲴ, ᨀࠪҶа⿽਼ᰦ䘲⭘Ҿ⚠ᓖ઼ᖙ㢢
↔亩ᐕ֌ᗇࡠഭᇦ973亩ⴞ(亩ⴞ㕆ਧ: 2010CB731800, 2009CB320602) ઼ഭᇦ㠚❦、ᆖส䠁(亩ⴞᢩ߶ਧ: 61210012, 61021063, 61290324)䍴ࣙ.
ะӄঋᑻഴ‫Ⲻ܅‬ᘡ䙕ৱ䴴㇍⌋
ࡎٟ, 䱾㤸䬬, ઞђ঄
␵ॾབྷᆖؑ᚟ᆖ䲒㠚ࣘॆ㌫, ेӜ 100084 E-mail: zdh@
᪎ 㾷: 䴮䵮ㅹཙ≄Պሬ㠤ᇔཆമ‫ۿ‬ਟ㿶ᙗ䱽վ, 䘋а↕ሬ㠤ᇔཆമ‫ۿ‬༴⨶㌫㔏ᙗ㜭л䱽. ᵜ᮷㔉ࠪа⿽สҾঅ ᑵᖙ㢢ᡆ⚠ᓖമ‫Ⲵۿ‬ᘛ䙏৫䴮㇇⌅. สҾ⢙⨶⁑ර࠶᷀, ӵ࡙⭘൷٬└⌒ሩ⧟ຳ‫ޘ઼ݹ‬ተབྷ≄‫ݹ‬䘋㹼ՠ䇑. ᵜ᮷ ㇇⌅ㆰঅᴹ᭸, 㜭ཏ⭘Ҿᇎᰦ䇑㇇. ᇎ傼㺘᰾, оަԆ㇇⌅⴨∄䖳, 㔃᷌ާᴹᖸྭⲴਟ㿶ᙗ.
ީ䭤䈃: ৫䴮, ᇎᰦ, ⢙⨶⁑ර, ਟ㿶ᙗ
Fast Haze Removal from a Single Image
Qian Liu, Maoyin Chen, Donghua Zhou
Department of Automation, Tsinghua University, Beijing 100084, P. R. China E-mail: zdh@
ª1º
A
1 2
§ ©¨
max
©§¨
max
c^r ,g ,b`
Hc x
¹·¸ max
M ave x
· ¹¸
««1»» «¬1»¼
(19)
䘉⿽ՠ䇑ᯩᔿᰒ䚯‫ݽ‬Ҷⴤ᧕䘹ਆ䗃‫ޕ‬മ‫ۿ‬ѝᴰ Ӟ⛩Ⲵ⚠ᓖ٬֌Ѫབྷ≄‫ݹ‬٬Ⲵнਸ⨶, ৸ެ亮Ҷ㇇⌅ Ⲵᘛ䙏ᙗ.
attenuation), 㺘皮Ჟ⢙㺘䶒Ⲵ৽ሴ‫ݹ‬൘ӻ䍘ѝՐ᫝ᰦ
ഐᮓሴㅹ֌⭘㘼㺠߿; A(1 erd (x) ) 㻛〠Ѫ⧟ຳ‫ݹ‬
(Airlight)ᡆབྷ≄‫ݹ‬ᒅ(Atmospheric veil), ᆳሬ㠤മ‫ۿ‬
㢢ᖙ઼ӞᓖⲴ‫〫ٿ‬.
ሩҾᔿ(1), ⭘ L(x) ԓᴯ A(1 erd (x) ) , ণ
G U mav
(14)
2013 25th Chinese Control and Decision Conference (CCDC)
3781
ަѝ, U Ѫਟ䈳㢲Ⲵ৲ᮠф 0 d U d 1 mav mav ᱟ M (x) ѝᡰᴹ‫ݳ‬㍐Ⲵ൷٬. ⌘᜿, 䴰㾱㓖ᶏ mav Ⲵ٬ ൘[0 1] ѻ䰤, 㤕䗃‫ޕ‬മ‫Ⲵۿ‬㤳തѪ[0 1] , ࡉ mav ⴤ ᧕ਆ M (x) ѝᡰᴹ‫ݳ‬㍐Ⲵ൷٬; 㤕䗃‫ޕ‬മ‫Ⲵۿ‬㤳തѪ
⭘ӻ䍘䘿ሴ⦷(Medium transmission) t(x) ᶕᴯ ᦒᤷᮠ㺠߿亩 erd (x) , ণ
t x erd x
(4)
ࡉᔿ(1)ㆰॆѪ
H (x) F (x)t x A 1 t x
(5)
⭡ᔿ(5), ᗇࠪ
A 1 t x d H x
(6)
ሩᔿ(6)є‫≲ח‬ਆйњ仌㢢䙊䚃Ⲵᴰሿ٬, ᒦ䇠
[0 255] , ࡉ䴰㾱൘≲ਆ M (x) ѝᡰᴹ‫ݳ‬㍐Ⲵ൷٬ਾ
⴨ᓄ㕙ሿ255‫ ؽ‬.⭡Ҿ mav
ᓖ࠶ᐳᛵߥᴹ‫Ⲵޣ‬٬, ֯ᗇ
ᱟањ઼৏മ‫Ⲵۿ‬ᮤփ⚠
G ާᴹ㠚ࣘ䈳㢲৫䴮ਾമ
‫ۿ‬ᮤփӞᓖⲴ֌⭘. ৏മ‫ۿ‬䎺᳇, mav ٬䎺վ, 䘿ሴ⦷
⴨ᓄ໎བྷ, 䘉֯ᗇ৫䴮ਾⲴമ‫ۿ‬ӞᓖнՊ䗷Ҿ᳇␑,
ᵜ᮷ᰘ൘‫؍‬䇱аᇊ৫䴮᭸᷌Ⲵส⹰к, ቭਟ㜭䱽 վ৫䴮㇇⌅Ⲵ༽ᵲᓖˈ֯㇇⌅㜭ཏ┑䏣ᇎᰦᓄ⭘㌫㔏 Ⲵ㾱≲. ᵜ᮷ሶ䙊䗷ሩ䴮ཙമ‫ۿ‬䘰ॆ⢙⨶⁑රⲴ࠶᷀, 䙀↕࠶᷀ࠪ䘿ሴ⦷Ⲵՠ䇑ᯩ⌅, ӵ࡙⭘а⅑ㆰঅⲴ൷ ٬└⌒, 㔉ࠪ⧟ຳ‫ޘ઼ݹ‬ተབྷ≄‫Ⲵݹ‬ՠ䇑ᯩᔿ. фᵜ ㇇⌅㜭ཏ㠚ࣘ䈳㢲৫䴮ਾമ‫Ⲵۿ‬Ӟᓖ, 䱢→৫䴮ਾമ ‫⧠ࠪۿ‬䗷ᓖ‫ٿ‬᳇ᡆ‫ٿ‬ӞⲴᛵߥ.
䈕൷٬└⌒Ⲵ㔃᷌ᕕ㺕ањ‫〫ٿ‬٬, ᒦ䇠
M ave x averagesa M x
(11)
Ҿᱟˈᗇࠪ䘿ሴ⦷Ⲵ㋇ՠ䇑٬