基于内河单幅图像的去雾算法研究
图像去雾算法研究综述
图像去雾算法研究综述一、本文概述随着计算机视觉技术的快速发展，图像去雾技术已成为近年来的研究热点之一。
图像去雾旨在从有雾的图像中恢复出清晰、无雾的图像，从而提高图像的质量和视觉效果，为后续的图像处理和分析提供更为准确和可靠的信息。
本文旨在对图像去雾算法进行全面的研究综述，探讨各种去雾算法的原理、优缺点及适用场景，以期为后续的研究提供参考和借鉴。
本文将对图像去雾技术的研究背景和意义进行介绍，阐述图像去雾在各个领域中的应用价值。
接着，本文将从去雾算法的基本原理出发，详细介绍各种去雾算法的实现过程，包括基于物理模型的去雾算法、基于深度学习的去雾算法等。
在此基础上，本文将对各种去雾算法的性能进行评估，包括去雾效果、计算复杂度、实时性等方面的比较和分析。
本文还将对去雾算法的未来发展趋势进行展望，探讨去雾算法在新技术、新场景下的应用前景。
本文期望通过全面、系统的综述，为图像去雾技术的研究提供有益的参考和启示，推动图像去雾技术的进一步发展。
二、图像去雾技术基础理论图像去雾技术，作为计算机视觉和图像处理领域的一个重要研究方向，其基础理论涉及大气散射模型、图像增强与复原、深度学习等多个方面。
深入了解这些基础理论，对于设计和实现有效的去雾算法至关重要。
大气散射模型：大气散射模型是图像去雾算法的理论基础，其中最具代表性的是McCartney模型。
该模型描述了光线在大气中的传播和散射过程，将观察到的图像分解为直接衰减部分和大气光散射部分。
通过估算这两个部分，可以恢复出清晰的无雾图像。
图像增强与复原：图像增强和复原技术在去雾过程中发挥着重要作用。
图像增强技术，如对比度增强、色彩增强等，可以提高图像的视觉效果，使去雾后的图像更加清晰自然。
而图像复原技术则通过去除图像中的噪声和失真，恢复图像的原始信息，进一步提高去雾效果。
深度学习：近年来，深度学习在图像去雾领域取得了显著进展。
通过构建深度神经网络模型，可以学习到去雾过程的复杂映射关系，从而实现更加精确和高效的去雾。
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。
图像去雾技术研究进展
图像去雾技术研究进展图像去雾技术研究进展一、引言雾霾天气给城市生活带来了很大的困扰，不仅降低了人们的生活质量，也给城市管理者带来了很大的挑战。
在此背景下，图像去雾技术的研究迅速发展，在改善图像质量的同时，也为我们认识雾霾天气提供了一种新的途径。
本文将详细介绍图像去雾技术的研究进展，包括基础算法、改进算法以及应用领域。
二、基础算法图像去雾的基础算法主要有两种，分别是单幅图像去雾算法和多幅图像去雾算法。
1. 单幅图像去雾算法单幅图像去雾算法是最早提出的一种算法，它通过从单幅图像中估计雾的传输矩阵来恢复清晰的图像。
最常见的算法是使用暗通道先验原理进行估计。
该算法假设在绝大多数的非雾像素区域中，至少存在一个颜色通道的像素值接近于0，通过计算每个像素点在颜色通道中的最小值，可以估计出雾的浓度和传输矩阵，从而实现图像去雾的效果。
2. 多幅图像去雾算法多幅图像去雾算法是在单幅算法的基础上发展起来的。
由于单幅图像去雾算法需要对雾的传输矩阵进行估计，这个过程中很难准确地估计雾的浓度和传输矩阵。
为了解决这个问题，研究者们提出了多幅图像去雾算法。
这种算法通过利用多幅具有不同对比度的图像，来进行雾的浓度和传输矩阵的估计，从而提高了去雾效果。
三、改进算法虽然基础算法在一定程度上可以去除雾霾的影响，但是仍然存在一些问题，如去雾结果中可能会出现颜色失真、细节丢失等情况。
为了进一步改善去雾效果，研究者们提出了一系列的改进算法。
1. 多尺度算法多尺度算法是一种常用的改进算法，它通过将图像分解为多个尺度的子图像，然后对每个子图像进行去雾处理，再将处理结果进行融合。
这种算法可以充分利用图像的局部特征，并且能够提高去雾结果的质量。
2. 深度学习算法深度学习算法是目前研究较为活跃的一种改进算法。
它通过构建深度神经网络模型，利用大量的真实雾霾图像训练模型，从而实现对雾霾图像的去雾。
深度学习算法不仅可以提高去除雾霾的效果，还可以减少人工干预，提高算法的自动化程度。
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。
内河CCTV监控图像和视频去雾方法研究
内河CCTV监控图像和视频去雾方法研究内河航道上安装的CCTV(Closed Circuit Television闭路电视)监控系统，是目前内河海事监管的一种重要手段。
在有雾天气环境下，CCTV监控系统拍摄到的图像和视频，存在对比度不强、模糊、颜色不真实的问题，监控过程中很难准确辨别目标对象，更不容易清晰了解场景状况，影响了监控系统作为“眼”的功能的发挥。
目前虽然有许多学者对图像的去雾开展深入研究，由于去雾算法所占用的计算时间长，很难适合应用于视频去雾。
本文针对内河CCTV监控图像和视频，重点分析了内河有雾图像退化的原因和机理，深入研究了内河退化图像去雾的关键技术，分析和研究了目前的内河图像去雾方法后，提出了一种内河CCTV监控图像快速去雾方法，并应用于CCTV监控视频去雾，获得较好效果。
本文的主要工作有以下4个方面：1.通过分析内河雾天退化图像的特征，研究雾对内河图像的影响机理，建立了一个适合内河雾天退化图像的复原模型。
在这个模型的基础上，开展内河雾天退化图像的复原研究。
2.提出了K均值聚类的天空亮度值估算方法。
此方法使用K均值聚类在天空与非天空区域进行分割，并自动判断出天空的聚类中心，把天空的亮度均值与雾最浓中心的亮度值加权求和，来作为最终天空亮度的估算值，通过实验证明本文提出的天空亮度值的估算方法有效。
3.重点研究和分析了基于Retinex、暗原色先验和深度信息的内河图像去雾方法，将这些方法应用于内河图像去雾时存在受限、光晕现象和复杂度高的缺陷。
本文提出了一种基于HSI颜色空间和滤波技术相结合的快速去雾方法。
一方面利用雾不影响内河图像色调分量的基础上，对内河图像的亮度分量和饱和度分量分别进行复原处理，使去雾后的内河图像保留了更多的原始信息；另一方面，用高斯导向滤波算法对大气光图进行优化，大大降低了算法的复杂度，提高了计算速度。
实验结果表明，基于HSI颜色空间和滤波相结合的快速去雾方法，能够明显提高内河雾天退化图像的对比度，恢复后的内河图像具有更好的视觉效果，提高了闭路电视监控系统的可见度。
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 ＭＡ Ｔ Ｌ ＡＢ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 ， ２ ０ １ ４ ． ［ 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 ， ２ ０ １ ４ ． 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 ・ Ｉ ｍａ ｇ ｅ＆Ｍｕ ｌ ｔ ｉ ｍｅ ｄ ｉ ａ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
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
单幅图像快速去雾算法
单幅图像快速去雾算法张弟;吴萍【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.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)010【总页数】6页(P213-217,249)【关键词】去雾;均值滤波;透射率【作者】张弟;吴萍【作者单位】华东师范大学计算机科学与软件工程学院,上海 200062;华东师范大学计算机科学与软件工程学院,上海 200062【正文语种】中文【中图分类】TP391.411 引言在视频监控、遥感、目标跟踪和自动驾驶等领域，都涉及到图像处理步骤。
这些户外图像处理系统的性能在极端天气下会受很大的影响。
在雾、霾天气下，物体表面的反射光会受到大气中微小粒子的吸收和散射，从而导致获得的图像细节模糊，色彩偏移，可视性弱，对后续的图像处理结果会有很大的影响。
因此，对图像去雾算法的研究就变得尤为重要。
而很多实际应用系统对实时性要求很高，所以快速去雾算法的研究极其重要。
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。
单幅图像的去雾新算法
单幅图像的去雾新算法
黄黎红
【期刊名称】《光子学报》
【年(卷),期】2011(40)9
【摘要】提出了一种基于单幅图像的去雾新算法.首先把图像归一化后从RGB彩色空间转换到HSI彩色空间,对色调分量运用四叉树分割法进行分割图像;分割后图像的每一局部小方块可以认为具有相同的场景深度,从而可以对每一局部小方块估计出空气光.然后再对亮度分量运用雾天图像光学模型,从雾的物理特性上去除雾对图像的影响.最后再对图像的饱和度分量进行校正,得到复原后的图像.该算法的主要优点是速度快,且不仅可以应用于彩色图像,也可以适用于灰度图像.通过该算法与其它几种算法的实验结果进行分析和比较,表明该算法能有效恢复出清晰图像.
【总页数】4页(P1419-1422)
【关键词】单幅图像去雾;物理模型;图像复原;四叉树分割
【作者】黄黎红
【作者单位】莆田学院电子信息工程系
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.单幅图像自动去雾新算法 [J], 郭璠n;蔡自兴;谢斌;唐琎
2.基于图像融合的快速单幅图像去雾算法 [J], 周杰;杨燕;张宝山;陈高科
3.一种新的单幅图像快速去雾算法 [J], 娄小龙;毕笃彦;李权合;南栋
4.基于像素级图像融合的单幅图像去雾算法 [J], 刘言言;沈东升;林梦雷
5.基于暗通道先验的单幅图像去雾新算法 [J], 何涛;赵停;徐鹤
因版权原因，仅展示原文概要，查看原文内容请购买。
单幅图像去雾方法研究
关键 词 雾霾 ； 大 气退化 ； 图像 去雾 ； 图像恢 复 ； 图像 增 强 ； 人 眼视 觉
ＤｏＩ １ ０ ． ３ ９ ６ ９ ／ Ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ９ — ３ ５ １ ６ ． ２ Ｏ １ ３ ． ０ ６ ． ０ １ ２
中 图分 类 号
ＴＰ ３ ９ １ ． ４ １
Ｂ Ｉ Ｄｕ — ｙ ａ ｎ ， ＧＥ Ｙｕ ａ ｎ ， ＬＩ Ｑｕ ａ ｎ — ｈ ｅ ， ＲＥＮ Ｚ ｈ ｉ — ｈ ｅ 。 ， ＮＡＮ Ｄｏ ｎ ｇ ， ＣＨＥＮ Ｊ ｉ ａ ｎ — ｐ ｅ ｎ ｇ
（１ ． Ａｅ ｒ ｏｎ ａ ｕｔ ｉ ｃ ｓ ａ ｎｄ Ａｓ ｔ ｒ ｏ ｎａ ｕ ｔ ｉ ｃ ｓ Ｅｎ ｇｉ ｎｅ ｅ ｒ ｉ ｎｇ Ｃｏ ｌ ｌ ｅ ｇｅ，Ａｉ ｒ Ｆｏｒ ｃ ｒ ｓ ｉ ｔ ｙ，Ｘｉ ａ ｎ ７ １ ０ ０３ ８， Ｃｈ ｉ ｎａ；２．Ｎｏ ｒ ｔ ｈｗｅ ｓ ｔ Ｉ ｎ ｓ ｔ ｉ ｔ ｕｔ ｅ ｆ ｏ ｒ Ｎｏ ｎｆ ｅ ｒ ｒ ｏ ｕｓ Ｍｅ ｔ ａ ｌ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ，Ｘｉ ａ ｎ ７ １ ０ ０１ ６，Ｃｈ ｉ ｎａ； ３．Ｈｅ ａ ｄｑ ｕ ａ ｒ ｔ ｅ ｒ ｓ ｏ ｆ
摘 要 介 绍 了单 幅 图像 去雾 方法 的研 究现状 、 分析 了基于 增强 方法和 基于 复复 方 法 的一些 经典 图像 去雾 算法 ， 指 出 了各 种 算法 的优缺 点。 综合评价 得 出基于 复原 的 图像 去雾 方 法优 于基 于 增
强 的 图像 去雾 方法 。针 对 现有 的基 于 图像复 原去 雾方 法提 出 了仍 需要深 入研 究 的 问题 ， 并从 建
文 献 标 志 码 Ａ
文 章 编 号 １ ０ ０ ９ — ３ ５ １ ６ （ ２ ０ １ ３ ） ０ ６ — ０ ０ ４ ６ — ０ ８
基于单幅图像的去雾算法研究
ＫＥＹ ＷＯＲＤＳ：Ｉｍａｇｅ ｄｅｈａｚｉｎｇ，Ｉｍａｇｅ
Ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ，ＭＡＴＬＡＢ
ｄｅｆｏｇｇｉｎｇ，Ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｈｏｔｏｇｒａｐｈｙ，
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表
ａｓ
ｄｕｓｔ，ｍｉｓｔ，ａｎｄ ｆｕｍｅｓ ｗｈｉｃｈ ｗｉｌｌ
ｃａｕｓｅ
ｓｕｒｆａｃｅ ｃｏｌｏｒｓ
ａｎｄ ｃｏｎｔｒａｓｔｓ ｂｅｃｏｍｅ ｒｅｄｕｃｅｄ．Ｉｔ ｍａｋｅｓ ａｎｄ ｄａｉｌｙ ｌｉｆｅ．Ｍａｎｙ
ｆｉｅｌｄｓ
ቤተ መጻሕፍቲ ባይዱ
ｍａｎｙ ｔｒｏｕｂｌｅｓ ｔｏ Ｐｅｏｐｌｅ’Ｓ ｄｅｆｏｇ ａｌｇｏｒｉｔｈ，ｓｕｃｈ
ａｌｅ
Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｈｏｔｏｇｒａｐｈｙ ａｎｄ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｕｓｅｄ ｔｏ ｒｅｓｔｏｒｅ．ｔｈｅ ｃｌｅａｒｎｅｓｓ ｏｆ ｉｍａｇｅｓ ｒｅｓｅａｒｃｈ
ｔａｋｅｎ ｉｎ
ｆｏｇ
ｓｃｅｎｅｓ
ａｕｔｍａｔｉｃａｌｌｙ．Ｔｈｅ
ｍａｉｎ
ｃｏｎｔｅｎｔｓ
ｉｎｃｌｕｄｅ ｔｈｅ ｆｏｌｌｏｗｉｎｇ： ｔｈｅ
（１）Ｗｅ ｒｅｓｅａｒｃｈ ａｎｄ ｄｅｓｃｒｉｂｅ
ｔｅｃｈｎｏｌｏｇｉｅｓ
ｕｓｅｄ ｔｏ ｒｅｓｔｏｒｅ ｔｈｅ ｃｌｅａｒｎｅｓｓ ｏｆｔｈｅ ｆｏｇ
ｓｃｅｎｅ
ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｉｓ ｐａｐｅｒ，ｗｈｉｃｈ ｉｎｃｌｕｄｅｓ ｄｉｇｉｔａｌ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ
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。
单幅图像自动去雾算法
由式 （ １ ） 、 （ ２ ） 可得 ， ， （ ， ， ， ） ： （ ， ｙ ） （ １ 一
Ｊ，
率． 该算法只需求取大气耗散 函数一个变量， 且算法
的时 间复 杂度 为一线 性 函数 ． 实 验结 果显示 ， 本 算法 能够 简单快 速 处理 各 种单 幅雾 天 图像 ， 去雾 处 理 后 的 图像更 加清 晰 ． ） ＋ （ ， ｙ ）（ ３ ）
要： 为 了改善 雾天环境 下退化 图像 的视 觉效果 ， 提 出一种基 于物理模型的快速 图像去雾 算法 ． 算 法从 大 气
散射模 型 出发 ， 从有 雾图像 中利 用腐蚀和膨胀粗略估计 出大 气耗散 函数 ， 再利用指导图像 滤波方法细化估计大
气耗散 函数 ， 进而恢复 场景反 照率 ． 实验 结果表 明， 算法可 以获得更精确 的大气耗散 函数 ， 复原图像 的边缘 轮廓 及 景物特征 都比较清楚 ， 可有效抑制 晕环效应 ， 且 算法速度也 有显著提 高， 可用于实时雾天图像处理 ．
（ ， Ｙ ） ＝ （ １ 一ｅ 一 ｈ ’ ） （ ２ ）
像， 避 开求 取变 量 时 所 需 的大 量 计 算 ， 采 用 简 单 的 方法 进行 去雾 处理 ． 首 先 从 有 雾 图像 中利 用膨 胀 和 腐 蚀 推算 出大 气耗 散 函数 ， 再 利 用 指 导 图像 滤 波 细 化大气 耗散 函数 ， 进 而 利 用 简 化 模 型 解 出 场景 反 照
・
２ ６ ８・
成都大学学报（ 自然科 学版 ）
ｌ （ ｘ ， Ｙ ） ＝Ｒ（ ｘ ， ｙ ） ｅ 一 （ ＇ ｙ ’ ＋ （ １ 一ｅ － ｌ ａ （ ｘ ， ， ’ ） （ １ ）
式 中， Ｒ （ ， ｙ ） 是晴天 时被 观测 点 亮 度 ， ， （ ｘ ， Ｙ ） 是 雾 天 时 被观 测点 亮度 ， 是天空亮度， ｄ （ ， Ｙ ） 是 场 景 点深 度 ， 简 称景 深 ， ｋ ∈（ ０ ， １ ） 是 大气 散 射 系数 ． 在 该 模型中 ， 假 设 散 射 系数 ｋ对 所 有 波 长 都 是 相 同 的 ．
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。
基于深度学习的图像去雾算法研究与应用
基于深度学习的图像去雾算法研究与应用图像去雾是一项旨在消除图像中由于光在大气中的散射和吸收产生的雾霾效应的技术。
这项技术在很多领域都有着广泛的应用，例如自动驾驶、航空航天、医学图像处理等领域。
在传统的图像去雾方法中，需要通过手动选择雾密度参数和模型来估计雾的程度，然后对图像进行去雾处理。
这些传统的方法往往不能很好地适应不同场景下的不同雾霾情况，且处理效果也不够理想。
而基于深度学习的图像去雾方法则通过对大量的图像进行学习和调整雾的参数以及模型来提高去雾的效果，成为当前最为有效的图像去雾技术之一。
基于深度学习的图像去雾算法可以分为单幅图像去雾和深度图像去雾两种。
单幅图像去雾是将具有雾霾效应的图像直接输入到神经网络中进行学习，然后输出去雾后的图像。
而深度图像去雾则是利用激光雷达或者双目相机等设备获取场景中的深度信息，通过融合深度信息和图像信息来进行去雾处理。
其中，基于深度学习的单幅图像去雾在实际应用中更加普遍，下面重点对其进行介绍。
基于深度学习的单幅图像去雾算法主要包括基于传统神经网络架构和基于生成对抗网络（GAN）的方法两种。
基于传统神经网络架构的方法，通常是将具有雾霾效应的图像输入到两个神经网络中，一个是估计雾的密度和深度的网络，另一个是用于去雾的网络。
这种方法常用的神经网络模型有ResNet、U-Net、MobileNet等。
以U-Net为例，其网络架构包括一个下采样模块和一个上采样模块。
下采样模块利用卷积和池化等操作对原始图像进行分解，提取低级特征。
上采样模块则使用反卷积和可跳跃连接（skip connections）等操作，将低级特征与高级特征进行组合，生成最终的去雾图像。
这种方法的优点是简单易懂，且不需要预训练的模型参数。
基于生成对抗网络（GAN）的方法利用两个深度卷积网络，一个是生成器网络，一个是判别器网络，共同完成去雾处理。
生成器网络将具有雾霾效应的图像作为输入，通过学习雾的参数和去除雾的信息，从而生成清晰的图像。
单幅图像的快速去雾算法
·Ｌ 第２ ２卷 第１ １ 期 ２ ０ １ １年１ １ 月 Ｊ ｏ ｌ ． ２ ２Ｎ ｏ ． １ １ Ｎ ｏ ｖ ． ２ ０ １ １ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｏ ｔ ｏ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ａ ｓ ｅ ｒ Ｖ ｐ
度（ 对彩色图像） 进行校正。本文算法简单， 运算速度快， 对６ ０ ０ ， ［ ， ］ 彩色图像的处理时间仅为 比文献 减少很 × ４ ０ ０ ２－３ｓ １３ 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 ０ ６ （ ｅ ｘ － 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 １ ５ ～ ［ ］ １ 等的几个小方块后进行处理。其中 Ｆ 提出基于独立分量 ａ ｔ ｔ ａ ｌ ， ， 分析的方法 （ 基于图像 Ｉ ｎ ｄ ｅ ｅ ｎ ｄ ｅ ｎ ｔ Ｃ ｏ ｍ ｏ ｎ ｅ ｎ ｔ Ａ ｎ ａ ｌ ｓ ｉ ｓ Ｉ Ｃ Ａ） ｐ ｐ ｙ
单幅图像的快速去雾算法
黄黎红＊
单幅图像去雾方法研究
第１４卷第６期空 军 工 程 大 学 学 报（自然科学版）Ｖｏｌ．１４Ｎｏ．６２０１３年１２月ＪＯＵＲＮＡＬ ＯＦ ＡＩＲ ＦＯＲＣＥ ＥＮＧＩＮＥＥＲＩＮＧ ＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬ ＳＣＩＥＮＣＥ ＥＤＩＴＩＯＮ）Ｄｅｃ．２０１３单幅图像去雾方法研究毕笃彦１， 葛 渊２， 李权合１， 任志河３， 南 栋１， 陈剑鹏１（１．空军工程大学航空航天工程学院，陕西西安，７１００３８；２．西北有色金属研究院，金属材料多孔材料国家重点实验室，陕西西安，７１００１６；３．空军后勤部司令部，北京，１００７２０）摘要 介绍了单幅图像去雾方法的研究现状、分析了基于增强方法和基于复复方法的一些经典图像去雾算法，指出了各种算法的优缺点。
综合评价得出基于复原的图像去雾方法优于基于增强的图像去雾方法。
针对现有的基于图像复原去雾方法提出了仍需要深入研究的问题，并从建立全面物理模型、探索模型求解的先验知识、设计基于人眼视觉机制的模型求解方法和图像去雾质量评价等几个方面分析如何突破图像去雾的关键技术。
最后，对现有技术的发展趋势进行了分析，指出了去雾技术的研究方向。
关键词 雾霾；大气退化；图像去雾；图像恢复；图像增强；人眼视觉ＤＯＩ １０．３９６９／ｊ．ｉｓｓｎ．１００９－３５１６．２０１３．０６．０１２中图分类号 ＴＰ３９１．４１ 文献标志码 Ａ 文章编号 １００９－３５１６（２０１３）０６－００４６－０８Ａ Ｒｅｓｅａｒｃｈ ｏｎ Ｄｅｆｏｇｇｉｎｇ Ｍｅｔｈｏｄｓ ｗｉｔｈ Ｓｉｎｇｌｅ ＩｍａｇｅＢＩ Ｄｕ－ｙａｎ１，ＧＥ Ｙｕａｎ２，ＬＩ Ｑｕａｎ－ｈｅ１，ＲＥＮ Ｚｈｉ－ｈｅ３，ＮＡＮ Ｄｏｎｇ１，ＣＨＥＮ Ｊｉａｎ－ｐｅｎｇ１（１．Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｌｌｅｇｅ，Ａｉｒ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ′ａｎ ７１００３８，Ｃｈｉｎａ；２．Ｎｏｒｔｈｗｅｓｔ Ｉｎｓｔｉｔｕｔｅ ｆｏｒ Ｎｏｎｆｅｒｒｏｕｓ Ｍｅｔａｌ Ｒｅｓｅａｒｃｈ，Ｘｉ′ａｎ ７１００１６，Ｃｈｉｎａ；３．Ｈｅａｄｑｕａｒｔｅｒｓ ｏｆＰＬＡ Ａｉｒ ｆｏｒｃｅ Ｌｏｇｉｓｔｉｃｓ Ｄｅｐａｒｔｍｅｎｔ，Ｂｅｉｊｉｎｇ １００７２０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔ ｓｉｔｕａｔｉｏｎ ｏｆ ｓｉｎｇｌｅ ｉｍａｇｅ ｄｅｆｏｇｇｉｎｇ ｍｅｔｈｏｄ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ，ｓｏｍｅ ｃｌａｓｓｉｃ ａｌｇｏｒｉｔｈｍｓ ｂａｓｅｄｏｎ ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ ａｎｄ ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ ａｒｅ ａｎａｌｙｚｅｄ ｉｎ ｄｅｔａｉｌ，ａｎｄ ａｄｖａｎｔａｇｅｓ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ ａｒｅｌｉｓｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｅｖａｌｕａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ ｍｅｔｈｏｄ ｉｓ ｓｕｐｅｒｉｏｒ ｔｏｔｈｅ ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ ｍｅｔｈｏｄ ｉｎ ｔｈｅ ａｓｐｅｃｔ ｏｆ ｄｅｆｏｇｇｉｎｇ．Ａｉｍｅｄ ａｔ ｔｈｅ ｅｘｉｓｔｉｎｇ ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ ｄｅｆｏｇ－ｇｉｎｇ ｍｅｔｈｏｄ，ｔｈｏｒｏｕｇｈ ｉｎｖｅｓｔｉｇａｔｉｏｎ ａｎｄ ｓｔｕｄｙ ａｒｅ ｎｅｅｄｅｄ，ａｎｄ ｓｏｍｅ ｐｒｏｂｌｅｍｓ ａｂｏｕｔ ｈｏｗ ｔｏ ｂｒｅａｋｔｈｒｏｕｇｈ ｋｅｙ ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ ｄｅｆｏｇｇｉｎｇ ａｒｅ ａｎａｌｙｚｅｄ ｆｒｏｍ ｔｈｅ ｅｓｔａｂｌｉｓｈｍｅｎｔ ｏｆ ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｐｈｙｓｉｃａｌｍｏｄｅｌ，ｔｈｅ ｅｘｐｌｏｒａｔｉｏｎ ｏｆ ａ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ ｏｆ ｔｈｅ ｍｏｄｅｌ ｓｏｌｕｔｉｏｎ，ｔｈｅ ｄｅｓｉｇｎ ｏｆ ｍｏｄｅｌ ｓｏｌｕｔｉｏｎ ｍｅｔｈｏｄｓｂａｓｅｄ ｏｎ ｈｕｍａｎ ｖｉｓｕａｌ ｍｅｃｈａｎｉｓｍ，ａｎｄ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｉｍａｇｅ ｄｅｆｏｇｇｉｎｇ ｑｕａｌｉｔｙ ａｎｄ ｓｏｍｅ ｏｔｈｅｒ ａｓｐｅｃｔｓ，ｅｔｃ．．Ｆｉｎａｌｌｙ，ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ ｏｆ ｔｈｅ ｅｘｉｓｔｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｉｓ ａｎａｌｙｚｅｄ，ａｎｄ ｔｈｅ ｏｒｉｅｎｔａｔｉｏｎ ｏｆ ｓｔｕｄｙｉｎｇｄｅｆｏｇｇｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｉｓ ｇｉｖｅｎ．Ｋｅｙ ｗｏｒｄｓ：ｆｏｇ ａｎｄ ｈａｚｅ；ａｔｍｏｓｐｈｅｒｉｃ ｄｅｇｒａｄａｔｉｏｎ；ｉｍａｇｅ ｄｅｆｏｇｇｉｎｇ；ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ；ｉｍａｇｅ ｅｎｈａｎｃｅ－ｍｅｎｔ；ｈｕｍａｎ ｖｉｓｉｏｎ 收稿日期：２０１３－１１－２７ 基金项目：国家自然科学基金资助项目（６１３７２１６７；６１３７９１０４；６１２０３２６８；６１２０２３３９） 作者简介：毕笃彦（１９６２－），男，陕西扶风人，教授，博士生导师，主要从事图像处理、模式识别研究．Ｅ－ｍａｉｌ：ｂｉｄｕｙａｎ＠１２６．ｃｏｍ 近年来，随着雾霾天气的增多，可见光系统的成像质量越来越多的受到人们关注。
- 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)。
０ 引 言
Ｃ Ｃ Ｔ Ｖ 在 内河 航 道 的海 事 监 管 和 防 止 内 河 水 域污染 等 方 面发 挥 重 要作 用 。然 而 ， 当 内河有 雾天数 达全 年 ６ Ｏ ｌ ， 雾航 时 Ｃ Ｃ Ｔ Ｖ 系统 无法 获 得清 晰视频 。 此 开展 内河 图像 去 雾算法 的研 究 是非常 重要 的 。 雾 图复 原方 法 是基 于 大气 散 射 规 律 建 立 雾 图退 化模 型 ， 通 过 求 得 图像 的景 深 和天 空 亮 度 值来求 取复 原后 的无雾 图像 。如 Ｈｅ等［ 提 出的 基于 暗原色先 验 的 去雾 方 法 ， 虽 然 对一 般 户 外 图 像去雾 效果 较好 ， 由于该 方 法存在一 定 的局 限性 ，
１ 雾 天 图像 的 大气 散 射模 型
网像 质量 下降 的主要 原 因是大气 粒子 的散 射
作用， 可 用人射 光 衰 减模 型和 大 气 光线 成 像 模 型
＊国家 自然 科 学 基 金项 目（ 批准 号： ５ １ ２ ７ ９ １ ５ ２ ） 资助 第一 作 者 简 介 ： 刘 清 （ １ ９ ６ ６ ） ， 博 十， 博ｌ ｌ Ｉ 生 导 师． 研 究方向 ： 交 通 检 测 与控 制 ， 智能控制技术 。 智 能视频分析． Ｅ ｍａ ｉ ｌ ： ｑ ｌ ｉ ｕ ２ ０ ０ ０ ＠
多数户 外 图像 ， 通 过 寻 找 峰值 点 位 置 能分 割天 空 区域 ， 由于 内河 图像 的直 方 冈可能 出现 多峰值 点 ， 显然 采用 全 局 直 方 图 法 给 天 空 区 域 分 割 造 成 闲 难 。黄 明 晶等人 ｌ 提 ｍ利用 Ｋ 均值 聚类 方 法分 割天 空区域 ， 能较 好 的获 取 内河 雾 天 图像 的景 深 值 ，然而 ， 雾 浓 度较 大 时 ，会 影 响 天 空 区域 的分 割， 而且其 计算量 较 大 ，导致实 时性较 差 。
去 雾 处 理 。最 后 从 图 像 的 可 见 边 数 目 比 、 平 均 梯
合， 同时选取 指数 函数 直接构 造距离 模 型 ， 进 而估 计 出每一点 的深度 信 息 ， 以及 郭珈 等 人 后 期 提 的基于 等景深 点 的 图像 景 深 值计 算 方 法 ， 虽 然
度 比和 图像 熵值 三方 面 的质量评 价方 法对 去雾 后
不能很 好处 理有 大 片 天空 区域 、 颜 色 缺 少 变 化 及 缺 少 阴 影 或 暗 物 质 的 图像 ， 显然对 于天空 区域 大 、
面， 也有 不 少学 者对 此 展 开研 究 ， 如 祝 培 等 人【 “ Ｊ
通过 全局直 方 图分 割 天 空 区域 的方法 ， 虽 然 对 于
８ ４
交 通 信 息 与 安全
２ Ｏ １ ４年 ｌ 期
第 ３ ２卷
总 ｌ ８ ｌ期
基于 内河单幅 图像的去雾算法研究 ＊
刘 清 熊燕帆 黄 明晶 郭建 明
（ 武汉理 ］ ＿ 大学 ｆ １ 动 化 学 院 武汉 ４ ３ ０ ０ ７ ０ ）
摘 要 罔像 景深 和天 空 亮 度 值 的求 取 是 图像 复 原 方 法 去雾 的 核 心 问 题 ， 但 目前 的 去 雾 算 法 都 是 基 于一 定 的假 设 条件 来 求 取 这 ２个 值 的 ， 对 于色 彩 单 调 、 天 空 区域 较 大 的 内河 图像 去 雾 效 果 不 理 想．通 过 对 内 河航 道 视 频 像 的研 究 ， 提 出将 直方 图 多峰 均值 法 和 位 平 面 分 解 法 相 结 合 的 式 来 求 得 天 空
ห้องสมุดไป่ตู้
颜色单 一 的 内 河 图 像 去 雾 效 果 不 理 想 。郭 珈 等
人 剐 提 出 的基 于 改 进 的 交 互 式 景 深 模 型 的 景 深 估 计方法 ， 通 过 将 景 深 因 子 和 最 大 距 离 的 选 取 相 结
景 深计算 公式 ， 并 基 于大 气 散 射模 型对 图像 进行
由文 献 ［ １ ２ ］ 可知 ， 错 误 的估 计 天空 亮 度值 将
直接导 致去 雾后 的 图像 不 太 真 实 ， 仿 佛被 １个 不
现实 的光 源所 照射 。笔者 根据 内河 图像 天空 区域
大、 颜 色单 一 的特 点 ， 提 出用 直方 图多 峰均值 法 和 位平 面分解 法结 合 的方式 获取天 空亮 度值并 提取 天 空 区域 ， 通过 分 区 域法 推 导 内河 图像 任 意 点 的
亮 度值 并 分 割 天空 区域 ； 采 用分 区域 的景 深 计 算 方 法 求 得 图像 任 意 一 点 的 景 深 值 ．然 后 基 于 大 气 散
射模型 ， 完 成 内河 雾 天 单 幅 图 像 的 去 雾 处 理 ．为 ｌ ｒ 客观评价去雾后图像的质量 ， 从罔像 的可见边数 目 比、 平 均 梯 度 比和 图 像 熵 值 ｉ方 面 进 行 了 去 雾 效果 的 比较 ．实 验 证 明 ， 该 算 法 对 内河 航 道 图像 有 良好
的去雾效果。
关 键 词 内 河 ； 直 方 图多 峰 均 值 ； 景深 ； 去雾 ； 质 量 评 价
中图 分 类 号 ： Ｆ Ｐ３ ９ １ ． ４ 文献标志码 ： Ａ ｄ ｏ ｉ ： ｌ ０ ． ３ ９ ６ ３ ／ ｊ ． ｉ ｓ ｓ ｎ ｌ ６ ７ ４ — ４ ８ ６ １ ． ２ Ｏｌ ４ ． ０ １ ． ０ １ ８
图像 效 果 进 行 了 比较 分 析 。
能较好 估算 冈像 的 景 深值 ， 但 由于 需要 相 机 视 角 和俯 角等信 息 ， 对 拍摄 现场参 数要求 较 多 ， 在 实际
应用 中存在 一定局 限性 。在 天空亮 度值 的获 取方
收 稿 日期 ： ２ ０ １ ３ ０ ７ — ２ Ｉ ｊ 修 回 日期 ： ２ ０ １ ３ ｔ １ １ １ １