基于暗通道先验的图像去雾算法改进研究
基于暗通道原理的图像去雾算法改进
电子技术与软件工程Electronic Technology&Software Engineering计算机与多媒体技术Computer And Multimedia Technology基于暗通道原理的图像去雾算法改进倪金卉(吉林建筑科技学院吉林省长春市130114)摘要：本文基于暗通原理改进的去雾算法针对透射率细化过程比较耗时的问题，通过结合Retinex算法进行改进；针对暗通道去雾类似区域出现颜色失真、色偏效应，采用分割出天空区域在求取大气参数A,提高求取大气参数A的精度，并结合阈值法对透射率加个增幅项；针对暗通道去雾处理后的图像有偏暗的现象，采用自适应对数映射算法进行色调调整.该改进算法能较好的还原出无雾图像，并具有很好的保留边缘细节信息等特性.关键词：图像去雾；暗通道去雾；透射率；还原图像雾是十分普遍的大气现象，釆集图像时目标图像和雾被一起釆集，这种图像比无雾图像看起来朦胧模糊且伴有颜色偏灰白、对比度下降现象。
何恺名博士通过大量户外自然图像釆集实验得出，在户外自然无雾图像中，除去天空区域外，绝大多数的图像数据块中都有一些在某个色彩通道上亮度值很小的像素，并提出了暗通道先验原理模型，通过暗通道先验假设直接恢复岀无雾的图像。
但在实际应用中，利用软抠图算法来细化粗糙的透射率，会导致算法的复杂度很高。
经过大量实验对比分析，本文题提出一种基于暗通道先验原理的改进算法。
户外釆集的图像，天空区域一般在图像的中上部，利用这种特点对是否存在天空进行判断和分割。
从而避免高亮物体对大气参数求取过程的影响并提高了求取大气参数的精度。
结合Retinex算法、利用快速双边滤波器对透射率滤波从而消除Halo现象和色彩失真。
针对像素点的值接近大气光值时，对透射率加上增幅项来消除出现的色斑色块效应。
1暗通道先验原理去霧算法1.1大气散射模型在近些年计算机视觉领域，有一种得到广泛应用的雾天图像成像物理模型为：I(x)=/(/(x)+/1(1-r(x))(1)其中，I(x)为获取的有雾降质图像：J(x)为无雾的场景真实图像：A为大气参数；t(x)为透射率。
基于暗通道先验的图像去雾算法改进研究
基于暗通道先验的图像去雾算法改进研究摘要：暗通道先验去雾算法求得的的透射率比较精细，去雾效果优于大多数去雾算法。
然而在暗通道求取过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，使得去雾后的图像在边缘部分产生“光晕”现象。
为了减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。
实验表明，改进后的算法去雾效果更佳、去雾速度更快，具有更强的鲁棒性。
关键词：暗通道先验去雾；腐蚀；引导滤波DOIDOI：10.11907/rjdk.161089中图分类号：TP312文献标识码：A 文章编号：1672-7800（2016）005-0030-040 引言雾霾天气不仅影响人们的出行，也给视频监控、自动驾驶等涉及室外图像应用的领域带来了很大挑战，并引起了相关研究人员的重视，如今已出现了不少研究成果。
图像去雾的研究方法可分为两大类，基于图像增强的方法和基于物理模型的方法。
早期图像去雾研究主要利用图像处理的知识来去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法，这种方法根据每个像素的邻域对像素进行处理，可以突出图像的特征，但运算量较大，算法复杂度较高。
Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比度相对较高，色彩失真较小。
基于图像增强的去雾方法可以利用成熟的图像处理算法来增强图像的对比度，突出图像中的特征信息，但这种方法会造成图像部分信息损失，导致图像失真。
图像去雾的另一类是基于物理模型的方法，该方法研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复原图像，恢复的图像效果更真实，图像信息能得到较好保存。
Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模型，后来基于物理模型的方法几乎均建立在此模型之上。
基于暗通道先验的海边雾天图像去雾算法研究
目录第一章绪论 (1)1.1图像去雾研究背景 (1)1.2图像去雾的研究目的和意义 (2)1.3图像去雾方法的研究现状 (2)1.3.1基于图像增强的去雾方法 (3)1.3.2基于图像复原的去雾方法 (3)1.4论文的结构安排及创新点 (4)第二章基于暗通道先验模型的去雾算法 (7)2.1雾的形成及雾天对图像的降质原因 (7)2.1.1雾的形成 (7)2.1.2雾对图像的降质影响 (8)2.1.3海边雾天图像特点 (8)2.2大气散射模型 (9)2.2.1直接衰减模型 (10)2.2.2大气衰减模型 (12)2.2.3大气散射模型 (14)2.3暗通道先验理论 (15)2.3.1暗通道先验规律 (15)2.3.2暗通道先验模型 (18)2.3.3透射率优化 (20)2.3.4大气光值估计 (22)2.3.5图像复原 (22)2.3.6基于暗通道先验模型去雾算法优缺点分析 (23)第三章K-means聚类算法分割雾天图像 (27)3.1聚类综述 (27)3.1.1聚类分析的概念及数据结构 (27)3.1.2聚类分析相似性度量和准则函数 (28)3.2K-means聚类算法 (30)3.2.1K-means聚类算法基本思想 (30)3.2.2K-means聚类算法流程 (30)3.2.3K-means聚类算法优缺点分析及改进 (31)3.3改进的K-means聚类算法分割天空区域 (32)3.3.1图像分割定义及分类 (32)3.3.2利用改进的K-means聚类算法分割天空区域 (33)3.3.3估计大气光强度 (34)第四章海边雾天图像去雾算法的实现 (37)4.1引导滤波优化透射率 (37)4.2色调重映射 (39)4.3实验结果与分析 (40)4.3.1中值滤波 (40)4.3.2双边滤波 (41)4.3.3实验结果分析与评价 (42)第五章总结与展望 (47)5.1全文总结 (47)5.2展望 (47)参考文献 (49)攻读学位期间的研究成果 (53)致谢 (55)学位论文独创性声明 (57)学位论文知识产权权属声明 (57)第一章绪论1第一章绪论1.1图像去雾研究背景视觉是人类重要的感知手段之一，而图像作为视觉的基础，是自然界的场景中所包含的景物的客观反映，是人类从自然界中获得信息的主要来源。
基于暗通道先验的图像去雾算法改进
基于暗通道先验的图像去雾算法改进王凯;王延杰;樊博【摘要】To develop an algorithm for haze removal based on the physics model,this paper proposes an improved and fast method for single image haze removal using dark channel prior.First,we intro-duce the degraded model for describing the formation of a haze image and several algorithms based on this model.Second,we introduce the method of He’s single image haze removal using dark channel prior.The image quality of He’s method is satisfactory,but it is a time consuming method because of refining the transmission map with guide filter.We propose an optimized method based on estimating transmission by scene depth directly and the runtime of the new algorithm decreases a lot.Finally,we realize the algorithm in MATLAB and compare the runtime with the original algorithm.Results dem-onstrates that the new method provides a reliable transmission estimation and a better image quality with around 40% computation time of He’s method,and the results of haze images with sky are less halos.The optimized method execute fast and the results demonstrate the new method abilities to re-move the haze layer as well as provide a high quality transmission estimation as a byproduct of haze removal which can be used for other applications.%为了实现基于物理模型的图像复原去雾算法，文中提出了一种改进的基于暗通道先验的图像去雾算法。
关于暗通道先验图像去雾算法的改进.doc
关于暗通道先验图像去雾算法的改进
在社会经济高速发展的今天，人们生活水平得到不断的提高，对安全方面有了更高的需求，于是安全防护变得越来越重要，而监控是安防工作最强有力的措施，得到广泛应用。
然而在雨、雾等恶劣的天气条件下，尤其现今环境问题日益严峻，雾霾天气越来越频繁的出现，监控系统的可靠性受到巨大的挑战。
我们获得的图像会很容易会发生特征信息衰减甚至毁坏等情况，导致图像无法准确提供我们所需要的信息，成为安全防护工作中巨大的隐患，因此进行图像去雾技术的相关研究工作具有非常重大的意义。
本文详细的介绍了暗通道先验去雾算法，以及大气散射模型，透射率优化等相关知识。
并且针对暗通道先验方法对于灰白色景物、明亮的天空等一些特殊区域并不适用的缺点进行改进。
这些区域的共同特点是三个颜色通道的值都比较高，会使暗通道的值偏大影响去雾效果，于是我们采用一些有效方法将三个颜色通道的值分别降低使它们接近于零，经过这样的处理后获得三幅暗通道都非常小的图像，然后对它们进行去雾复原，最后加权求得所需要的清晰图像。
实验结果表明，该方法对带灰白色景物或天空等背景的图像去雾效果优于已有方法，并能有效的减少当下流行的暗通道先验方法在此种情况下进行去雾所出现的噪声，使视觉效果得到提升。
结合直方图均衡化和暗通道先验的单幅图像去雾算法研究
结合直方图均衡化和暗通道先验的单幅图像去雾算法研究结合直方图均衡化和暗通道先验的单幅图像去雾算法研究摘要：近年来，图像去雾技术在计算机视觉领域受到了广泛关注。
针对单幅图像去雾问题，本文提出了一种结合直方图均衡化和暗通道先验的图像去雾算法。
该算法通过对图像进行直方图均衡化处理，提高图像的对比度和亮度。
同时，利用暗通道先验原理，对图像中的雾霾信息进行估计和剔除。
实验证明，本文提出的算法不仅能够有效去除图像中的雾霾，还能够保持图像的细节和色彩信息。
1. 研究背景随着计算机视觉和图像处理技术的不断发展，图像去雾技术成为了重要的研究方向。
在很多应用领域，如无人驾驶、监控系统等，清晰的图像对于实时处理和决策都至关重要。
传统的图像去雾算法主要利用了深度信息或者图像亮度信息来进行去雾处理，但是这些算法在实际应用中存在一些问题，如对雾霾密度和光照条件的依赖性较强等。
2. 直方图均衡化的原理直方图均衡化是一种常见的图像增强方法，主要通过调整图像的亮度分布，提高图像的对比度和视觉效果。
对于去雾问题，直方图均衡化可以帮助提高图像的亮度，减少雾霾对于图像的干扰。
因此，在本文的算法中将直方图均衡化应用到图像去雾过程中。
3. 暗通道先验的原理暗通道先验是一种通过图像中的暗通道信息来估计雾霾密度的方法。
通过观察图像中暗区域的像素值，可以得到一个关于雾霾程度的估计。
暗通道先验的原理是，自然界中，大部分的室外场景都存在较暗的像素，即使在有雾的情况下，这些暗像素也具有较小的值。
因此，通过计算图像中每个像素点在RGB三个通道的最小值，可以得到一个描述雾霾密度的暗通道图像。
在本文的算法中，利用暗通道先验原理估计图像中的雾霾信息。
4. 结合直方图均衡化和暗通道先验的图像去雾算法本文的算法主要包含图像预处理和去雾处理两个步骤。
首先，对输入图像进行直方图均衡化处理，提高图像的亮度和对比度。
然后，利用暗通道先验原理估计图像中的雾霾信息。
具体步骤如下：步骤1: 对输入图像进行直方图均衡化处理。
基于暗通道先验的单幅图像去雾改进算法
基于暗通道先验的单幅图像去雾改进算法基于暗通道先验的单幅图像去雾改进算法摘要：近年来，随着计算机视觉和图像处理领域的快速发展，图像去雾成为了研究的热点之一。
在单幅图像去雾中，暗通道先验算法是一种非常有效的算法。
本文提出了一种基于暗通道先验的单幅图像去雾改进算法，通过对暗通道进行优化得到更好的去雾效果。
实验结果证明，该算法在去雾效果和图像细节保持方面都达到了较好的效果。
关键词：暗通道先验算法；单幅图像去雾；图像细节保持 1. 引言在许多户外场景中，雾霾天气会导致图像质量下降，进而影响计算机视觉和图像处理的性能。
因此，图像去雾技术的研究对于提高图像质量和准确性具有重要意义。
在过去的几年中，许多基于单幅图像的去雾算法被提出，其中暗通道先验算法是一种广泛应用的方法。
2. 暗通道先验算法暗通道先验算法是一种利用图像中存在的暗通道来估计场景中全球大气光照的方法。
暗通道可以理解为图像中最暗的区域，它存在于几乎所有户外图像中。
该算法基于以下观察结果：在大气无光散射模型中，透射率和全球大气光照成反比关系。
因此，通过估计图像中最暗区域的暗通道来获得全球大气光照估计，并进一步计算出场景的透射率。
最后，通过修复的透射率和原始图像重建无雾图像。
然而，传统的暗通道先验算法在一些情况下存在一定的局限性。
首先，传统算法往往难以处理场景中存在强光源的情况。
这是因为在强光照射下，暗通道不再是局部最暗的区域，导致估计的透射率不准确。
其次，传统算法对于具有复杂纹理和细节的图像在去雾后可能存在伪影和失真问题。
3. 改进算法为了克服传统暗通道先验算法的局限性，本文提出了一种基于暗通道先验的单幅图像去雾改进算法。
改进算法分为以下几个步骤：3.1 强光源处理对于存在强光源的图像，传统算法往往难以准确估计透射率。
因此，我们在预处理阶段采用了一种强光源检测和过滤的方法。
首先，通过检测图像中较亮的区域来判断是否存在强光源。
然后，对于存在强光源的图像，我们利用图像分块和平滑操作来减弱其影响，使传统暗通道算法能够更好地适应这样的场景。
基于暗通道先验的图像清晰化去雾算法研究
基于暗通道先验的图像清晰化去雾算法研究基于暗通道先验的图像清晰化去雾算法研究摘要：随着计算机视觉领域的发展，图像去雾技术在许多应用中得到了广泛的应用，例如无人机拍摄、视频监控等。
而暗通道先验是一种经典的图像去雾方法，它基于图像中存在的低亮度区域。
本文针对基于暗通道先验的图像清晰化去雾算法进行了深入研究，通过实验验证了该方法的有效性。
1. 引言图像去雾是一种重要的图像增强技术，在许多应用中发挥着关键作用。
然而，由于大气散射的影响，图像可能会出现模糊、低对比度的现象。
因此，图像去雾算法的研究成为了计算机视觉领域的热点问题之一。
2. 暗通道先验原理暗通道先验是一种基于全局的图像先验知识。
它认为，在大部分的自然图像中，至少有一个通道的像素值在某些区域非常接近于零。
这一观察启发了基于暗通道先验的图像去雾算法。
3. 基于暗通道先验的图像去雾算法基于暗通道先验的图像去雾算法主要包括以下几个步骤：（1）估计全球大气光照：通过计算每个像素点在RGB三个通道上的最大值来估计全球大气光照。
（2）计算暗通道：对输入图像进行滤波操作，得到每个像素点的暗通道。
（3）估计透射率：通过计算每个像素点的暗通道除以全球大气光照，得到透射率。
（4）恢复原始图像：根据透射率和全球大气光照，对输入图像进行去雾处理，恢复清晰的图像。
4. 实验结果与分析本文通过实验对比了基于暗通道先验的图像去雾算法和其他经典的图像去雾算法。
实验结果表明，基于暗通道先验的图像去雾算法在提高图像清晰度和对比度方面具有较好的效果。
5. 算法优化尽管基于暗通道先验的图像去雾算法具有较好的效果，但仍然存在一些问题。
例如，对于包含高光和投影阴影的图像，该算法可能会导致一些伪影。
因此，对算法进行进一步的优化是有必要的。
6. 结论本文针对基于暗通道先验的图像清晰化去雾算法进行了深入研究。
通过实验验证了该方法的有效性。
然而，该算法仍然存在一些不足之处，需要进一步改进。
未来，我们可以通过结合其他图像处理技术来改进和优化该算法，提高图像去雾效果。
基于暗通道先验的单幅图像去雾算法改进
粒子对光线的传播影响，从根本上解释了有雾图像
的。到目前为止，对于去雾算法的研究主要包括以
的成像过程及原理，然后通过数学建模实现大气散
下两类方法，第一类是基于图像增强的去雾方法，
该类方法主要是通过对有雾图像中的灰度、对比度ห้องสมุดไป่ตู้
∗
射物理模型。目前的方法主要有：Tan［5］提出有雾
图像的对比度要比无雾图像要低并且大气散射物
道先验的单幅图像去雾改进算法。首先通过两种不同的暗通道图像获取不同的透射率粗估计，联合这两种透射率粗估计，
利用引导滤波器对其进行初步优化，针对天空范围内透射率估计偏低，对天空范围内的透射率进行补偿，再次使用引导滤波
器优化透射率，利用四叉树多层次搜索获取大气光的准确值。最后通过大气物理模型，获得去雾图像。结果表明论文算法
Vol. 47 No. 11
2890
总第 361 期
计算机与数字工程
Computer & Digital Engineering
第 47
2019 年第
11 卷
期
基于暗通道先验的单幅图像去雾算法改进
缑新科
孙维江
（兰州理工大学电气工程与信息工程学院
摘
要
∗
兰州
730050）
针对基于暗通道先验去雾算法存在的时间复杂度高，复原图像的天空范围内颜色失真等问题，提出基于暗通
的运算时间相对于软抠图方法缩减 90%以上，并且可以有效地处理包含天空区域的有雾图像。
关键词
天空区域；两种暗通道；引导滤波；透射率补偿；四叉树多层次搜索
中图分类号
TP301.6
DOI：10. 3969/j. issn. 1672-9722. 2019. 11. 049
基于暗通道先验的图像去雾优化算法
基于暗通道先验的图像去雾优化算法王昕;孙莹莹;孟健【摘要】暗通道先验算法虽然在单幅图像去雾方面取得了一定的效果,但是该算法运行时间较长,另外对环境光的计算不太准确,不适用于天空区域,会导致复原图像色彩失真、亮度偏暗.针对这些缺陷,本文提出一种改进的White PatchRetinex算法,对原有图像去雾算法进行优化.首先,通过改进的White Patch Retinex算法计算出环境光.其次通过暗通道先验算法获得透射率.最后根据得到的环境光和透射率,求解大气散射模型,从而得到去雾后的图像.实验结果表明,该算法不仅运行时间较短,对分辨率为600×800的图像处理时间平均为5 s左右,且能解决天空区域失真问题,去雾后的图像具有较高的亮度和对比度.【期刊名称】《液晶与显示》【年(卷),期】2016(031)005【总页数】5页(P506-510)【关键词】去雾;暗通道先验;改进的White Patch Retinex算法;引导滤波【作者】王昕;孙莹莹;孟健【作者单位】长春工业大学计算机科学与工程学院,吉林长春130012;长春工业大学计算机科学与工程学院,吉林长春130012;长春工业大学计算机科学与工程学院,吉林长春130012【正文语种】中文【中图分类】TP317.4在有雾天气条件下，大气中会漂浮着颗粒和小水滴，这些浑浊介质会对光进行吸收和散射，从而导致光学传感器捕获到的户外图像出现模糊不清，对比度下降，颜色偏灰白等退化现象，使图像失去研究及应用价值。
因此通过一些图像处理算法，对有雾图像进行去雾，恢复其清晰度、保真度和对比度，具有重要的实际意义。
目前去雾方法主要分两类：非物理模型法和物理模型法[1-3]。
非物理模型法属于图像增强范围，典型方法有直方图均衡化[4]、同态滤波[5]、Retinex算法[6-7]等。
这类方法以对比度增强为目标，只能相对地提高图像质量，并不能实现真正意义上的去雾。
基于暗通道先验原理的偏振图像去雾增强算法研究
第50卷第4期#2020年4月#激光与红外LASER&INFRAREDVod50,No.4Apid2020文章编号：1001-5078(2020)04-0493-08-图像与信号处理-基于暗通道先验原理的偏振图像去雾增强算法研究游江，刘鹏祖,容晓龙，李斌,徐韬祜（中国华阴兵器试验中心，陕西华阴714200）摘要:在装备试验与测试中，常规光学成像系统极易受气象环境（如雾霾、沙尘等）影响，导致探测距离、成像效果、测量精度等受到大幅限制，从而严重影响目标成像效果及关键参数获取。
如何增强雾霾条件下光学探测识别能力及成像质量，成为了当前急需解决的关键问题。
本文利用偏振成像优势，结合暗通道先验原理，提出了基于暗通道先验原理的偏振图像去雾增强算法。
该算法首先利用采集到的偏振图像提取偏振特征，计算偏振度和偏振角；同时，采用基于区域增长算法自动提取出天空区域，对天空区域进行大气光参数估计，获取大气光偏振度及偏振角相关参数估计；然后，结合暗通道先验原理，获取无穷远处大气光强，进而计算各像素点的大气光强；最后，建立在大气物理退化模型基础上，实现图像去雾增强。
实例分析与验证中，通过主观评价与客观评价两种方法，对比本文提出的方法和常见其他方法，实际结果表明，本文算法去雾增强能力较强，能有效提升光学系统的探测识别能力及成像质量,对雾霾条件下武器装备关键参数获取具有重要意义。
关键词：暗通道先验原理;偏振图像；去雾增强算法；大气散射模型;探测识别中图分类号:TP391文献标识码:A DOI：10.3969/j.dsn.1001-5078.2020.04.019Dehazing and enhancement research of polarized image based ondark channel priori principleYOU Jiang,LIU Peny-zu,RONG Xiao-long,LI Bin,XU Tao-hu(Huayin Weapon Test Center of China,Huayin714200,China)Abstract:In equipment test,convenPonai opPcai imaging system is very vulnerable to meteorological environment(such ashaze,sand and dust),which eesuatsin thedetection distance,imaginge o ectand measueementaccueacsbe-inggeeatasaimited, thusseeiousasa o ectingtheimaginge o ectoothetaegetand theacquisition ookespaeametees.Howtoenhancetheopticaadetection and eecognition abiaitsand imagingquaaitsundeehazeconditionshasbecomeakes problem to be solved uryently.In this paper,based on the advantage of polarization imaging and dark channel prioripeincipae, apoaaeization imagede-ooggingenhancementaagoeithmispeoposed.Fiest,thepoaaeization chaeacteeisticsaeeeiteacted oeom theco a e cted poaaeization images,and thepoaaeization degeeeand poaaeization angaeaeecaacuaated.Atthesametime,theskseegion isautomatica a seiteacted based on theeegion geowth aagoeithm,and theatmospheeicaightpaeameteesaeeestimated ooetheskseegion,then theatmospheeicaightpoaaeization degeeeand poaaeization angaepaeameteesaeeestimated.Then,theatmospheeicaightintensitsatinoinitedistancesisobtained bscombiningthedaekchanneapeioeipeincipae,and then theatmospheeicaightintensitsatinoinitedistancesTheatmospheeicaightintensitsoo each piieaiscaacuaated.Fina a s,based on theatmospheeicphssicaadegeadation modea,imagedehazingand enhancement are realized.In case analysis and verification,through subjective evaluation and objective evaluation,the methodpeopos d in thispap eiscompaed with oth ecommon m thods.Th actuaaesuatsshowthat,th aagoeithmhassteongabiaitsoooogemoeaaand nhanc m nt,and itcan o ctie asimpeoe th d tction and ecognition abiaitsand imaging quality of the ophcai system.It is of great significance for acquiring key parameters of weapon equipment underhazeconditions.Keywords:dark channel priori principle；polarization image；fog removal enhancement；atmospheric scattering model；detection and eecognition基金项目：军内重点科研基金项目资助。
图像去雾方法和评价及其应用研究
图像去雾方法和评价及其应用研究图像去雾方法和评价及其应用研究一、引言随着计算机图像处理技术的快速发展，图像去雾成为近年来受到广泛关注的研究领域之一。
图像去雾是指从被雾气污染的图像中恢复出雾霾造成的视觉信息损失，使被雾化的图像更加清晰和真实。
图像去雾方法和评价及其应用的研究对于许多应用场景都具有重要的实际意义，比如航空航天、交通监控、计算机视觉等。
二、图像去雾方法1. 基于暗通道先验的方法基于暗通道先验的方法是图像去雾研究中最经典的方法之一。
该方法利用了自然场景中的暗通道现象，通过对低灰度像素点进行统计分析，来估计雾的浓度和光照信息。
然后，通过对雾图像进行去雾处理，可以有效恢复图像中的细节和清晰度。
2. 基于天空线估计的方法基于天空线估计的方法是一种常用的图像去雾方法。
该方法通过检测雾化图像中的天空线，在天空区域进行光照估计，然后利用估计得到的光照信息对整个图像进行去雾处理。
该方法适用于室外场景，能够有效地提高图像的清晰度和对比度。
3. 基于传递函数的方法基于传递函数的方法是一种利用雾化图像和原始图像之间的传递函数关系进行去雾处理的方法。
该方法通过建立雾化图像和原始图像之间的映射关系，可以对雾化图像进行反卷积和去雾处理，从而恢复出原始图像的细节和清晰度。
三、图像去雾评价图像去雾评价是对去雾算法进行有效性和性能评估的重要手段。
常用的图像去雾评价指标有峰值信噪比（PSNR）、结构相似性指标（SSIM）、雾化像素数百分比等。
1. 峰值信噪比（PSNR）峰值信噪比是一种常用的图像质量评价指标，用于评估恢复图像和原始图像之间的失真程度。
峰值信噪比数值越高，表示去雾算法的效果越好。
2. 结构相似性指标（SSIM）结构相似性指标是一种评估图像相似度的指标，用于度量恢复图像和原始图像之间的结构相似性。
SSIM的数值范围为0到1，数值越接近1，表示去雾算法的效果越好。
3. 雾化像素数百分比雾化像素数百分比是衡量恢复效果的另一种重要指标。
基于改进暗通道先验的图像去雾算法研究
OpenCV 耦合改进暗通道先验的图像去雾算法研究王帮元（安徽经济管理学院 信息工程系，安徽 合肥，230051）摘要：在雾境下,由于大气粒子的散射作用导致图失真严重,直接影响后期图像数据的分析，因此对雾天图像进行去雾处理,以提高图像的清晰度，是非常有必要的。
而当前的图像去雾算法不稳定，当大雾天气很严重时，去雾质量较差。
对此，本文提出了基于OpenCV 耦合改进暗通道先验的图像去雾算法与实现机制。
首先分析暗通道先验理论与雾图形成模型；然后对先验理论进行改进，推算出本文的去雾公式。
最后引入OpenCV 实现机制，增强系统运行效率。
最后测试了本文机制性能，结果表明：与普通的图像去雾算法相比，在大雾天气很严重时，本文机制具有更好的去雾效果，准确还原了图像的清晰度，失真度较小。
关键词：图像去雾；暗通道先验；雾图形成模型；OpenCV ；中图分类号：TP391 文献标识码：A0 引言随着通信、电子技术、图像处理算法的蓬勃发展，视频监控、视频目标识别已运用在各个领域，并且已取得很大的发展，推动了科技和社会的前进[1]。
然而，在实际生活中，由于雾天原因，导致安全监控目标的清晰度收到破坏，严重影响了目标识别精度。
因此，图像去雾功能非常重要。
图像去雾技术成为很多大型设备或者系统正常运作的先决条件。
为了取得良好的图像去雾效果，诸多学者进行了研究，并提出了许多不同的图像去雾算法。
王一帆等人[2]提出，首先在计算暗通道函数时,定义了一类暗区域对图像边缘的低强度像素点进行描述,该区域像素点的暗原色中值取其三原色通道的最小值,以代替原来的中值滤波运算值.此滤波方法不仅能有效去除Halo 效应,而且避免了黑斑效应;然后基于大气散射物理模型定义一种伪去雾图,将其与原去雾图进行像素级融合对原图进行色度校正,实现了柔性去雾,改善了现有方法易出现过去雾的缺陷，实验结果表明该算法去雾后图像具有较好清晰度及色彩恢复度,去雾鲁棒性强.在大雾和图像色彩失真严重的情况下,仍可有效恢复图像。
基于暗通道先验与神经网络的图像去雾研究
基于暗通道先验与神经网络的图像去雾研究基于暗通道先验与神经网络的图像去雾研究引言：雾是一种自然现象，在摄影、视频以及计算机视觉领域中，能够对图像产生很大的干扰。
图像去雾技术的研究一直是学术界和工业界的热点问题之一。
过去的研究主要集中在通过对雾图进行物理模型建模并进行数值求解，然而，随着计算机视觉和深度学习的不断发展，越来越多的研究者开始探索基于暗通道先验和神经网络的图像去雾方法。
本文综述了基于暗通道先验与神经网络的图像去雾研究的最新进展，并对其优势、挑战以及未来发展方向进行了探讨。
一、基于暗通道先验的图像去雾方法暗通道先验方法是一种基于图像中低亮度区域的先验知识，通过分析暗通道先验来估计雾图的大气光和雾浓度，并从原始图像中恢复出无雾图像。
传统的基于暗通道先验的图像去雾方法主要通过雾图像中的暗通道来估计雾浓度，进而获得大气光的估计值。
然后，通过求解无雾图像中的透射率来去除雾气。
然而，由于雾图像中的暗通道可能被噪声污染，导致去雾结果不够理想。
二、基于神经网络的图像去雾方法近年来，随着深度学习的发展，基于神经网络的图像去雾方法成为研究的热点。
神经网络具有学习能力和非线性高级特性，能够对复杂的图像去雾任务进行建模和精确求解。
基于神经网络的图像去雾方法主要分为两个阶段：训练阶段和测试阶段。
在训练阶段，首先收集一组有雾和无雾的图像对，并通过神经网络学习雾图像到无雾图像的映射。
在测试阶段，将训练好的神经网络应用于新的雾图像，通过网络输出无雾图像。
三、基于暗通道先验与神经网络的图像去雾方法为了克服传统基于暗通道先验方法的缺点，一些研究人员开始探索将暗通道先验和神经网络相结合的图像去雾方法。
这种方法通过将暗通道先验中的雾浓度估计作为输入，结合预训练的神经网络来进行图像去雾。
这种方法可以借助神经网络强大的非线性建模能力，更好地应对复杂的雾图像去雾任务。
四、优势与挑战基于暗通道先验与神经网络的图像去雾方法具有以下优势：一是能够处理复杂的雾图像，获得更好的去雾效果；二是具有较强的灵活性，可以根据实际需求设计不同架构的神经网络；三是能够快速地进行图像去雾，适用于实时应用。
基于暗通道先验的图像快速去雾及增强算法研究
基于暗通道先验的图像快速去雾及增强算法研究基于暗通道先验的图像快速去雾及增强算法研究摘要：图像雾霾是影响图像质量的重要因素之一，因此去除图像中的雾霾成为图像处理领域重要的研究内容之一。
本文研究了一种基于暗通道先验的图像快速去雾及增强算法。
该算法利用了图像中存在的暗通道先验，对图像进行快速且有效的去雾处理，并同时改善图像的视觉质量。
通过实验对比及结果分析，表明本算法能够更好地去除图像中的雾霾，同时保持图像的真实性和细节信息。
1. 引言图像去雾是指通过对图像中的雾霾进行处理，使图像恢复清晰和细节丰富的过程。
在实际生活中，由于天气、环境污染等原因，图像中常常存在各种各样的雾霾，影响了图像的视觉质量和信息传递效果。
因此，研究图像去雾算法具有重要的实际意义。
2. 相关工作在过去的几十年中，学者们提出了许多图像去雾算法。
最早的一些算法主要基于物理模型，如大气散射模型。
然而，这些算法在实际应用中往往存在计算量大、时间复杂度高等问题。
近年来，基于暗通道先验的去雾算法逐渐引起了研究者的关注。
暗通道先验在大多数自然场景图像中都成立，即在图像中存在一些像素点，在任何一条从亮像素点到黑像素点的路径上，至少有一个像素点的RGB分量值非常小。
基于暗通道先验的去雾算法较之传统算法在算法复杂度和处理速度方面都具有优势。
3. 方法介绍本文提出的图像去雾算法主要基于暗通道先验和图像增强技术。
算法的具体步骤如下：(1) 暗通道估计：根据暗通道先验，估计图像中的暗通道，得到图像的全局最小值。
(2) 大气光估计：根据估计的暗通道，计算图像的大气光。
(3) 透射率估计：根据估计的暗通道和大气光，计算图像的透射率。
(4) 图像恢复：根据估计的透射率和大气光，对图像进行去雾恢复。
(5) 图像增强：对去雾后的图像进行增强处理，以提高图像的视觉质量。
4. 实验结果与分析为了验证本文算法的有效性，我们使用了多组室外和室内雾霾图像进行了实验。
实验结果表明，本文算法能够快速有效地去除图像中的雾霾，并且在保持图像真实性的同时，能够准确地保留图像的细节信息。
基于暗通道先验去雾算法的研究与改进
悬 浮 在 空 气 中 的粒 子 会 对 场 景 的反 射 光 和 大 气 光 的 散 射 模 型描 述 了雾 化 图像 的退 化 过 程 ，并 被 广 泛 应 用 于 图像 去
产生很大 的影 响，使得 拍摄所 得到 的 图像 质量 降低 、美感 雾领域 ，根据 大气光在雾天退化过程 中传输 的物理特性可
的直 接衰 减 用 Ｊ ｔ 表 示 ，反应 出 了经 过 传 输 介 质 后 目标 的电磁波信息到达传感器的能量 ；Ａ表示 大气光 ，大气光经 过 衰 减后 到 达传 ห้องสมุดไป่ตู้ 器 的能 量 用 Ａ（１一ｔ ）表 示 。假 设 大 气
于大 气调 制传 递方 程 的方 法 。另 一 类 为 图像 修 复 ，如 深 度 层是均匀 的，电磁波在大气中为各向同性传播 ，透射率 ｔ表
信息 的雾 天图像 复原 、基 于先验 的雾 天图像 复原 、基 于偏 微 分 示 为 ：ｔ㈤ ＝ｅ ，其 中 ，卢是大 气 散射 系 数 ，ｄ㈤是场 景 深度 。
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｉｍａｇｅ ｄｅｈａｚｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｄａｒｋ ｃｈａｎｎｅｌ ｐｒｉｏｒ ｉｓ ｂｅｃｏｍｉｎｇ ｍ ｏｒｅ ｍａｔｕｒｅ，ｂｕｔ ｉｔｓ ｓｈｏｒｔｃｏｍｉｎｇｓ ａｒｅ ｖｅｒｙ ｏｂｖｉｏｕｓ．Ｆｏｒ ｅｘａｍｐｌｅ， ｐｒｏｃｅｓｓｉｎｇ ｓｐｅｅｄ ｓｌｏｗ ｉｓ ｔｏｏ，ｔｈｅ ａｒｅａ ｏｆ ｓｋｙ ｅｘｐｏｓｕｒｅｅｓ ｉｓ ｔｏｏ ｍｕｃｈ，ｔｈｅ ｃｏｌｏｕｒ ｏｆ ｐｒｏｃｅｓｓｅｄ ｐｉｃｔｕｒｅ ｉｓ ｔｏｏ ｄａｒｋ． Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ｔｈｒｅｅ ｍｅｔｈ— ｏｄｓ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｓｐｅｅｄ ａｎｄ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｉｍａｇｅ ｄｅｈａｚｉｎｇ．Ｔｈｅ ｔｈｒｅｅ ｍｅｔｈｏｄｓ ａｒｅ ａｓ ｆｏｌｌｏｗｉｎｇ：ｏｐｔｉｍｉｚｅｉｎｇ ｔｈｅ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｔｒａｎｓ· ｍ ｉｓｓｉｏｎ ｄｉａｇｒａｍ ，ｃｏｒｒｅｃｔｉｎｇ ｔｈｅ ｉｎａｃｃｕｒａｔｅ ｔｒａｎｓｍｉｓｓｉｏｎ ｄｉａｇ ｒ ａｍ ｏｆ ｂｒｉｇｈｔ ａｒｅａ，ａｄｏｐｔｉｎｇ ｔｈｅ ａｌｇｏｒ ｉｔｈｍ ｏｆ ａｕｔｏｍａｔｉｃ ｃｏｌｏｒ ａｇｅｎｔ ｆｏｒ ｒｅｓｔｏｒ ｉｎｇ ｃｏｌｏｕｒ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｓｅｖｅｒａｌ ｃｌａｓｓｉｃａｌ ａｌｇｏｒ ｉｔｈｍｓ，ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａ ｌ ｒｅｓｕｌｔｓ ｖｅｒ ｉｆｙ ｔｈｅ ｃｏｌｏｕｒ ｃａ ｌｉｂｒａｔｉｏｎ ａｎｄ ｔｈｅ ｅｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ． Ｋｅｙ ｗｏｒｄｓ：ｈａｚｅ ｒｅｍｏｖａｌ；ｄａｒｋ ｃｈａｎｎｅｌ ｐｒｉｏｒ；ｃｏｌｏｕｒ ｃａｌｉｂｒａｔｉｏｎ；ｐｒｏｃｅｓｓｉｎｇ ｓｐｅｅｄ
基于暗通道先验和Retinex理论的图像去雾研究
基于暗通道先验和Retinex理论的图像去雾研究基于暗通道先验和Retinex理论的图像去雾研究摘要：本文主要介绍了基于暗通道先验和Retinex理论的图像去雾研究。
首先，介绍了图像去雾的研究背景和意义。
然后，详细介绍了暗通道先验和Retinex理论的原理和应用。
接着，探讨了基于暗通道先验和Retinex理论的图像去雾方法的优缺点。
最后，展望了该研究的发展方向和未来的研究重点。
关键词：图像去雾，暗通道先验，Retinex理论，优缺点，发展方向1. 引言随着数字图像处理和计算机视觉的快速发展，图像去雾技术受到了越来越多的关注。
图像去雾旨在恢复经大气散射衰减导致的图像细节损失。
然而，由于大气散射衰减对图像的影响十分复杂，图像去雾一直是一个相对困难的问题。
为了解决这个问题，学者们提出了许多算法和方法。
本文将重点介绍基于暗通道先验和Retinex理论的图像去雾研究。
2. 暗通道先验的原理和应用暗通道先验是一种基于观察到的统计规律的图像先验知识。
该先验基于一个观察结果：大多数自然图像的局部区域，在RGB颜色空间中至少有一个通道的像素值非常低（接近于零）。
基于这一观察，学者们提出了暗通道先验来估计大气散射因子和恢复无雾图像。
在图像去雾中，暗通道先验的应用主要分为两个步骤：估计大气散射因子和恢复无雾图像。
首先，通过计算图像的暗通道（通道最小值图）来估计大气散射因子。
然后，利用估计得到的大气散射因子和原始图像，结合一些优化算法，恢复出无雾图像。
暗通道先验通过对大气散射因子和图像的统计特性进行分析和利用，能够有效地提高图像去雾的效果。
3. Retinex理论的原理和应用Retinex理论是一种基于对人类视觉系统的理解提出的图像增强方法。
该理论认为，人类视觉系统对于光照强度变化的感知是相对稳定的，即观察者对于光照强度变化的感知是相对不变的。
基于这个假设，学者们提出了Retinex理论来对图像进行增强和显示。
在图像去雾中，Retinex理论的应用主要集中在对图像的光照强度进行估计和调整上。
基于改进暗通道先验的图像去雾算法
㊀第52卷第1期郑州大学学报(理学版)Vol.52No.1㊀2020年3月J.Zhengzhou Univ.(Nat.Sci.Ed.)Mar.2020收稿日期:2019-01-12基金项目:河南省交通厅重点项目(220024140173)㊂作者简介:辛娇娇(1995 ),女,山西临汾人,硕士研究生,主要从事图像处理研究,E-mail:915927100@;通信作者:郭元术(1962 ),男,河南信阳人,教授,主要从事通信信号处理研究,E-mail:ysguo@chd,㊂基于改进暗通道先验的图像去雾算法辛娇娇,㊀陈本豪,㊀郭元术,㊀张红丽,㊀高㊀洁(长安大学信息工程学院㊀陕西西安710000)摘要:针对暗通道先验去雾算法在含有浓雾㊁亮白㊁非均匀光照区域造成的图像失真的问题,提出了一种改进的自适应局部阈值分割和自适应参数优化相结合的去雾算法㊂首先根据暗通道先验理论运用局部阈值分割出亮白区域和非亮白区域,然后采用引导滤波将求取的原始透射率进行细化,并通过亮白区域与非亮白区域加权求取更加精准的大气光强,提高了大气光强的鲁棒性,使得该算法适用于暗通道去雾效果不好的浓雾高亮区域和非均匀光照区域㊂最后,通过雾天图像降质模型恢复出无雾图片,将该算法与几种常用的去雾算法进行比较㊂结果表明,该算法在绝大多数情况下恢复的图片清晰自然,解决了图像去雾后视觉效果不好的问题,同时也有效改善了亮白区域色彩失真的现象㊂关键词:局部阈值分割;大气光强;暗亮通道先验;图像去雾中图分类号:TP391㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2020)01-0072-07DOI :10.13705/j.issn.1671-6841.20190130㊀引言计算机视觉系统如今广泛应用于各个领域,如交通监控㊁航天航空㊁医药工程等,这些应用场景都对采集的图像视觉质量要求较高㊂然而近年来,每到冬季我国的大部分地区经常出现大面积雾霾天气,恶劣天气严重影响着人们的日常出行和生产活动㊂尤其在雾霾条件下,自然光因光线在雾霾天气中被散射而使色调发生偏移[1],获取的图像因此丢失了大量细节信息,导致拍摄出的图片出现对比度低㊁细节信息丢失㊁图像失真㊁可利用价值低等问题[2-3],因此消除雾霾天气所导致的图像负面效果从而恢复出相应的无雾图像有着显著的研究意义和应用价值[4-5]㊂目前,主流的去雾方法根据原理的不同可分为两类:一类是基于图像增强的方法,例如直方图均衡化㊁Retinex 算法[6]㊁同态滤波㊁小波变换等,这类方法通过增强图像对比度,改善整体视觉效果,实现图像去雾,但是没有考虑雾天图像降质的本质问题,去雾效果不理想㊂另一类是基于物理模型的图像复原方法,例如Tan [7]根据有雾图像对比度普遍较低的先验条件使用最大化复原图像的局部对比度的方法进行去雾,得到的去雾图像存在过饱和的问题㊂Tarel [8]等假设在某个区域内,大气耗散函数逼近最大值,然后根据中值滤波估计其取值,因为在景深突变区域,中值滤波的去雾能力较弱,可能出现光晕现象㊂Fattal [9]通过独立成分分析的方法估计透射率,该方法对浓雾图像处理效果不好,而且不能处理灰度图像㊂目前,基于图像复原的主流去雾方法是基于He [10]的先验知识理论的去雾算法,根据暗通道先验理论估计出初始透射率,利用引导滤波算法优化初始透射率,从而达到去雾的目的㊂但是当图像中出现大片天空㊁浓雾㊁白色㊁非均匀光照区域时,去雾效果不好,并且大气光强有时估值过高,导致去雾后图像色度偏暗㊂针对这些问题,本文提出了一种基于暗通道先验理论,利用局部阈值分割图像和自适应参数优化相结合的去雾算法,该算法有效解决了浓雾㊁高亮㊁光照不均匀区域的去雾问题㊂同时去雾后的图像具有较好的清晰度以及较高的图像对比度,去雾鲁棒性好㊁精准性强,可有效实现去雾㊂㊀第1期辛娇娇,等:基于改进暗通道先验的图像去雾算法1㊀暗通道先验算法理论1.1㊀基于暗通道的去雾算法文献[10]通过对户外无雾图像进行大量的统计实验后,得到了一个客观的统计规律,即暗通道先验知识㊂该思想内容是:在绝大多数户外无雾图像的任意区域内,总有某些像素在某个颜色通道上有一个很小的值,这个值为0或者接近于0,称之为暗通道先验知识㊂对于暗通道的求解,首先需要将一幅彩色图像在RGB颜色空间中进行分解,并取其最小值,以便求得R㊁G㊁B三个颜色通道中最小分量通道,其公式为J dark(x)=min yɪΩ(x)(min cɪ{r,g,b}J c(y))ң0,(1)式中:c表示R㊁G㊁B三通道的某个通道;Ω(x)表示以像素为中心点的局部区域;J c(y)表示在Ω(x)区域中的某个像素值通道;J dark(x)表示暗通道值,根据前文介绍在无雾图像中暗通道值是一个很小的值,其总是接近于0或者等于0㊂不妨假设大气光强A是已知的,并且认为在局部区域内图像透射率不变,用t~(x)表示,两边取暗通道,即对两边分别取最小值可得min yɪΩ(x)(min c I c(y)Ac )=t~(x)min yɪΩ(x)(min c J c(y)Ac)+1-t~(x)㊂(2)根据暗通道先验知识,J c(y)近似为0,式(2)可变形为t~(x)=1-min yɪΩ(x)(min c I c(y)Ac),(3)其中:t~(x)为初始透射率㊂当有一定景深成像时,雾是不可避免存在的,如果去雾太彻底,反而显得不真实,这种现象被称为 空间透视 ,因此,引入一个去雾保真参数ω=0.95,于是式(3)可以表达为t~(x)=1-ωmin yɪΩ(x)(min c I c(y)Ac),(4)为了更直观地观察到去雾算法,将公式变形为J(x)=I(x)-Amax(t(x),t0)+A,(5)式(5)中,t0是为了避免透射率过小而设置的一个阈值,防止因t(x)太小而导致图像复原出现失真,经验值t0=0.1㊂根据上述暗通道先验知识,对一些有雾图像能取得较好的去雾效果,但是并不能满足所有的情况㊂文献[10]取原图所对应暗通道内前0.1%最大像素点的值作为大气光强,而当一张图像中有大面积浓雾㊁亮白㊁非均匀光照区域时,会导致大气光强估计不准确㊂因为在这些区域,其暗通道值不为0或者不接近于0,很可能这些值都会很大,所以有雾图像中的暗元素是准确获取透射率的关键,然而在处理天空区域时,由于这部分区域几乎不包含暗元素,从而导致该区域的透射率估值小㊂因此有必要针对浓雾㊁亮白㊁天空和因雾霾影响造成的非均匀光照等区域改进算法,使得其大气光强㊁传输透射率鲁棒性更强,适用范围更大,去雾效果更好㊂2㊀本文算法针对上述问题,本文提出了一种基于改进的暗通道先验的自适应局部阈值分割和参数优化的去雾算法㊂该方法通过局部阈值精准分割图像,提高大气光强获取的准确度以及加权求取透射率来达到去雾效果㊂整个算法主要分为以下步骤:利用局部阈值的方法精准分割成二值图像;通过暗亮通道图求取自适应程度更高的大气光强;将大气光强作为阈值,求取加权的透射率,再通过引导滤波算法,得到细化的透射率;最后基于雾天图像降质模型反演出去雾图像㊂2.1㊀局部阈值分割图像阈值分割方法[11]是常用的图像分割[12]方法之一,本文采用局部阈值法,即用与像素位置相关的一组阈37郑州大学学报(理学版)第52卷值对图像各区域分别进行有效分割,将图像划分为若干个小图像,先对分割的小图像进行处理,再将分割后的图像连接起来,就能有效完成整张图像的阈值分割㊂其具体步骤如下㊂1)将图像分为m 块,其中各个子块图像面积可以不相等㊂2)对每个子块图像分别计算其分割阈值㊂3)对每个子块图像分别进行阈值分割,并最终将子块合并到一起,进而完成整幅图像的分割㊂局部阈值的好处在于每个像素位置处的阈值不是固定不变的,而是由其周围邻域像素的分布来决定的,亮度较高的图像区域的二值化阈值通常会较高,亮度较低的图像区域的二值化阈值通常会较低㊂这样对于不同亮度㊁对比度㊁纹理的局部图像区域将会拥有相对应的阈值,最终有效分割出复杂背景图像的非亮白区域与亮白区域㊂2.2㊀改进的加权大气光强本文使用加权平均求取大气光强A 的方法㊂将有雾图像设为I (x ),亮白区域为L (x ),像素总数为M ,亮白区域像素数目为m ,由前文可知雾天图像的暗通道为I dark (x )=min y ɪΩ(x )(min c ɪ{r ,g ,b }I c (y )),(6)则暗通道图中的最大像素值I d _max 可表示为I d _max =max c ɪ{r ,g ,b }(I dark (x ))㊂(7)亮白区域像素通道最大值的中值L media 为L media =media [max(L (x ))],(8)改进的大气光强可表示为A =kL media +(1-k )I d _max ,(9)式中:k =m /M ,表示亮白区域的权值㊂此时求得的大气光强更加精准且鲁棒性更强㊂2.3㊀暗亮通道先验算法在本文前面内容,可以看到暗通道先验不适合大面积浓雾㊁亮白和非均匀光照区域,在这些区域中,暗通道值普遍较高,不满足暗通道先验理论㊂针对这些问题,在文献[12]的基础上提出了暗亮通道先验的算法㊂文献[13]提出了暗通道与亮通道的概念,该文献取通道的最大值,认为这些值接近于1或者等于1,称之为亮通道㊂当一幅图像中包含大面积的浓雾㊁亮白㊁非均匀光照区域时,这些区域符合上述特性,其像素通道值接近于1或者等于1㊂对于上述区域,本文提出了一种亮通道先验理论㊂根据前面内容描述的大气光强的特征,只要暗通道数值大于大气光强的区域,定义为亮通道区域,然后根据暗亮通道先验分别求得初始透射率,将这两个初始透射率进行区间判断,求得各自符合暗亮通道区域的初始透射率,同时对式两边取颜色通道最大值,可得max c (I c (y )A c )=t ~i (x )max c (J c (y )A c )+1-t ~i (x ),(10)式中各参数所表示的内容与前面提到的相同㊂然后对式(10)两边求区域最大值,并且将J light (x )ң1代入,也加入ω来保留少量的雾气来提高视觉上的真实性,可得t ~i (x )=1-ω1-max y ɪΩ(x )(max c I c (y ))1-A ㊂(11)㊀㊀将式(11)与式(4)相结合,并根据前面求得的暗亮通道先验图和大气光强,最终求得的初始透射率t dl (x )为t dl (x )=1-ωmin y ɪΩ(x )(min c I c (y ))A ,I dl (x )<A ,1-ω1-max y ɪΩ(x )(max c I c (y ))1-A ,I dl (x )ȡA ,ìîíïïïïïï(12)式中:I dl (x )为在暗亮通道图中的像素值㊂如果用初始透射率处理有雾图像,反演出来的去雾图像在边缘处会有白色雾状现象产生,并且在中间的平滑区域也会有方块效应的出现㊂所以采用引导滤波[14]算法细化初始透射率,最终恢复出的无雾图像视觉47㊀第1期辛娇娇,等:基于改进暗通道先验的图像去雾算法上更加清晰自然㊂相较于暗通道先验求取的透射率,本文改进的透射率对大片的浓雾㊁亮白㊁非均匀光照区域去雾效果大为改进㊂3㊀实验结果及性能分析实验所用软件为Matlab2016a,操作系统为64位Windows 10,硬件采用的处理器为英特尔第三代酷睿i5-3337U㊁CPU 1.80GHz㊁4.0GB 内存㊂所用引导滤波窗口大小为r =60,滤波参数为esp =10-6㊂本文将用文献[10]的算法㊁文献[9]的算法㊁文献[6]算法与本文算法进行对比实验,选取了两张图片进行去雾效果比对,如图1的(a)㊁(b)所示㊂图1㊀实验图像Figure 1㊀Experimental image3.1㊀主观分析主观分析是以观察者对图像的认知作为评价标准,主要分为两种㊂1)绝对评价:以原始图像作为参考图像,以人的肉眼观察作为评价标准㊂2)相对评价:没有原始图像作为参考图像,以其他相关去雾算法的结果和本文算法进行对比㊂最终的去雾图如图2㊁3所示㊂图2㊀高楼图像的相关去雾算法和本文算法的去雾效果对比Figure 2㊀Comparison of defogging algorithms for high building images通过图2可以看出,文献[10]的算法天空区域呈现蓝色,文献[9]的算法天空区域过亮,且建筑出现蓝色,两者都出现较为明显的失真㊂文献[6]的算法天空区域呈现暗灰色,整体图像偏暗㊂相比较而言,本文算法图片恢复较好,失真度较小,图片清晰明亮,视觉效果最好㊂通过观察图3可以得到,文献[9]算法的图像出现严重的失真,文献[10]算法和文献[6]算法去雾效果较好㊂但是文献[10]算法整体图像偏暗,文献[6]算法在水面部分和左上角建筑呈现黑色,图像出现少量失真㊂相比较而言,本文算法在去雾后最大程度保留了原有色彩,失真程度最低,视觉效果最佳㊂57郑州大学学报(理学版)第52卷图3㊀池塘图像的相关去雾算法和本文算法的去雾效果对比Figure3㊀Comparison of defogging algorithms for pond images and defogging effects of the algorithms3.2㊀客观分析主观分析因为不同的观察者㊁不同的图像类型㊁环境等有较大的感官差异,因此也需要根据客观分析对图像质量作出评价,本文将采用3种评价指标,分别是峰值信噪比㊁结构相似性㊁信息熵㊂1)峰值信噪比反映图像失真程度,其值越大,代表图像失真越小,即图像的质量越好㊂2)结构相似性的取值范围是[0,1],越接近于1,则表明二者结构相似性越高,失真也就越小,图像质量越好㊂3)对图像而言,信息熵越大,表示图像的信息量越大,即图像细节越丰富㊂图2㊁3的客观评价比较结果如表1所示㊂表1㊀图像去雾后客观评比结果Table1㊀Objective evaluation results after image defogging算法峰值信噪比信息熵结构相似性高楼图像原图 7.0388文献[6]算法13.51157.03890.8202文献[10]的算法8.7276 4.15610.4146文献[11]的算法17.33367.53980.8599本文算法22.98777.48690.9478池塘图像原图 6.2171文献[6]算法14.63117.21320.4735文献[10]的算法8.0575 1.72810.0698文献[11]的算法11.5183 6.29170.5616本文算法23.4771 6.94230.9136㊀㊀对比高楼图像去雾评价指标可以看出,本文算法的信息熵略低于文献[11]的算法,但却提供了最高的峰值信噪比和结构相似性㊂说明此图中本文算法失真程度最小,去雾效果最为真实自然,这与主观评价结果一致㊂对比池塘图像去雾评价指标可以看出,虽然本文算法的信息熵略低于文献[6]的算法,但是通过观察文献[6]的去雾图像可以看出,其牺牲了图像的失真度来保持图像的信息量㊂综合来看,本文提供了最高的峰值信噪比和结构相似性,说明此图中本文算法失真程度最小㊂6777㊀第1期辛娇娇,等:基于改进暗通道先验的图像去雾算法4 结论针对已有的去雾算法不能有效解决含有大面积浓雾㊁亮白㊁非均匀光照区域等复杂背景图像,以及大面积的高像素值带来的大气光强估值不准确的问题,本文提出了基于改进暗原色先验的局部阈值分割和自适应参数优化的去雾算法㊂该算法有效解决了原有算法不适用于大面积浓雾㊁亮白㊁非均匀光照区域和去雾后图像偏暗的问题,去雾效果良好㊁图像对比度高㊁色彩明亮㊁边缘信息保持良好且在视觉效果上更加真实自然㊂参考文献:[1]㊀禹晶,徐东彬,廖庆敏.图像去雾技术研究进展[J].中国图象图形学报,2011,16(9):1561-1576.YU J,XU D B,LIAO Q M.Image defogging:a survey[J].Journal of image and graphics,2011,16(9):1561-1576. [2]㊀孙小明,孙俊喜,赵立荣,等.暗原色先验单幅图像去雾改进算法[J].中国图象图形学报,2014,19(3):381-385.SUN X M,SUN J X,ZHAO L R,et al.Improved algorithm for single image haze removing using dark channel prior[J].Jour-nal of image and graphics,2014,19(3):381-385.[3]㊀吴迪,朱青松.图像去雾的最新研究进展[J].自动化学报,2015,41(2):221-239.WU D,ZHU Q S.The latest research progress of image dehazing[J].Acta automatica sinica,2015,41(2):221-239. [4]㊀李加元,胡庆武,艾明耀,等.结合天空识别和暗通道原理的图像去雾[J].中国图象图形学报,2015,20(4):514-519.LI J Y,HU Q W,AI M Y,et al.Image haze removal based on sky region detection and dark channel prior[J].Journal of im-age and graphics,2015,20(4):514-519.[5]㊀曾浩,尚媛园,丁辉,等.基于暗原色先验的图像快速去雾[J].中国图象图形学报,2015,20(7):914-921.ZENG H,SHANG Y Y,DING H,et al.Fast image haze removal base on dark channel prior[J].Journal of image and graph-ics,2015,20(7):914-921.[6]㊀张泽浩,周卫星.基于暗原色先验的图像去雾算法改进研究[J].电子技术,2018,47(10):52-56.ZHANG Z H,ZHOU W X.Research on improvement of image de-foging algorithm based on dark color priors[J].Electronic technology,2018,47(10):52-56.[7]㊀TAN R T.Visibility in bad weather from a single images[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.Anchorage,2008:1-8.[8]㊀TAREL J P,HAUTIERE N.Fast visibility restoration from a single color or gray level image[C]//IEEE12th InternationalConference on Computer Vision(ICCV).Kyoto,2009:2201-2208.[9]㊀FATTAL R.Single image dehazing[J].ACM transactions on graphics,2008,27(3):72.[10]HE K M,SUN J,TANG X O.Single image haze removal using dark channel prior[C]//2009IEEE Conference on ComputerVision and Pattern Recognition(CVPR),Miami,2009:1956-1963.[11]刘国奇,邓铭,李晨静.融合RGB颜色空间的植物图像分割模型[J].郑州大学学报(理学版),2019,51(1):18-23.LIU G Q,DENG M,LI C J.Plant image segmentation model based on RGB color space[J].Journal of Zhengzhou university (natural science edition),2019,51(1):18-23.[12]刘洪普,杨乐,侯向丹,等.一种改进的模糊C均值图像分割算法[J].郑州大学学报(理学版),2017,49(2):67-72.LIU H P,YANG L,HOU X D,et al.An improved fuzzy C-means algorithm for image segmentation[J].Journal of Zhengzhou university(natural science edition),2017,49(2):67-72.[13]曲晨,毕笃彦,严盛文,等.基于明暗像素先验的随机游走图像去雾[J].系统工程与电子技术,2017,39(10):2368-2375.QU C,BI D Y,YAN S W,et al.Random walk image dehazing through a priori of light and dark pixel[J].Systems engineering and electronics,2017,39(10):2368-2375.[14]陈书贞,任占广,练秋生.基于改进暗通道和导向滤波的单幅图像去雾算法[J].自动化学报,2016,42(3):455-465.CHEN S Z,REN Z G,LIAN Q S.Single image dehazing algorithm based on improved dark channel prior and guided filter[J].Acta automatica sinica,2016,42(3):455-465.87郑州大学学报(理学版)第52卷Image Defogging Algorithm Based on Improved Dark Channel PriorXIN Jiaojiao,CHEN Benhao,GUO Yuanshu,ZHANG Hongli,GAO Jie(School of Information Engineering,Changᶄan University,Xiᶄan710000,China) Abstract:To solve the problem of image distortion caused by dark channel prior defogging algorithm in areas with dense fog,white light and non-uniform illumination,an improved defogging algorithm which combined adaptive local threshold segmentation and adaptive parameter optimization was proposed.First-ly,according to the dark channel priori theory,the local threshold was used to divide the bright white re-gion and the non-bright white region.Then the original transmittance was refined by guiding filter.After that,the more accurate atmospheric light intensity was obtained by weighting the bright white region and the non-bright white region,which improved the robustness of atmospheric light intensity.Therefore,this algorithm was suitable for the dense fog highlight area and non-uniform light area with poor fog removal effect in dark channel.Finally,the fog-free image was restored by the image degradation pa-ring the algorithm with several common defogging algorithms,the experimental results showed that the im-age restored by the algorithm was clear and natural in most cases,which solved the problem of poor visual effect after defogging and effectively improved the color distortion in the bright white area.Key words:local threshold segmentation;atmospheric light intensity;dark and bright channel prior; image defogging(责任编辑:王浩毅)(上接第71页)Text Similarity Computation Based on Deep-learningSHAO Heng,FENG Xingle,BAO Fen(School of Information Engineering,Changᶄan University,Xiᶄan710000,China) Abstract:The improved stacked autoencoder was used to extract low-dimensional sentence features,and the noise reduction technology of automatic encoder was adopted to increase the robustness and expressive power.The extracted features were used to calculate the similarity of sentences between texts and formed a similarity matrix,and the text feature matrix was generated with the corresponding text.After that,the features were trained and extracted through respective deep convolutional networks.The features extracted by the two deep convolutional networks were merged by feature fusion technology and the similarity was calculated by the fully connected multi-layer perception.The results showed that the proposed method ex-pressed the semantic features of the sentence and the contextual features of the text,and improved the ac-curacy of text similarity calculation effectively.Key words:deep-learning;auto-encoder;convolutional neural network;text similarity computing(责任编辑:王浩毅)。
- 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)。
基于暗通道先验的图像去雾算法改进研究作者：郭云云徐伯庆来源：《软件导刊》2017年第09期摘要：目前，基于暗通道先验原理的图像去雾能够取得较好效果，但仍存在图像景物交界处产生光晕、天空及白色物体区域去雾后色彩失真等问题。
鉴于此，提出改进的基于暗通道先验去雾算法：首先，对暗通道图进行非重叠式滤波，消除最小值滤波导致图像交界边缘产生的光晕；然后，对输入雾霾图像进行直方图分析，能够自适应获得分割天空区域的亮度阈值；再对透射率图天空区域进行像素变换，去雾后可消除颜色失真；最后，采用非线性亮度提高的方法提升去雾图像的视觉效果。
结果表明，改进算法去雾后的图像真实、天空自然。
关键词：图像去雾；暗通道原理；像素变换；天空分割DOI：10.11907/rjdk.171527中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2017）009-0046-04Abstract：Now， image haze removal based dark channel prior principle has acquired good effect， but there still are many problems that halo at the junction of scenery and color distortion of the sky and the white area. The improved algorithm： first compensating the dark channel image could eliminate halo at the junction of scenery caused by min filter； secondly， analysis of the haze image through its histogram could obtain brightness threshold to distinguish the sky self-adaptively；then，the pixels of transmission’s sky area are transformed， after haze removing ， color distortion is not there； finally， the nonlinear brightness increase was used to enhance visual effect of the haze removal image. Experiments show that the improved algorithm remove image haze， the image is more real， the sky is more natural.Key Words：image haze removal；dark channel prior； pixels conversion；sky division0 引言随着科技的不断进步，计算机视觉系统在人们的生活中扮演着越发重要的角色，如交通监控、目标追踪、无人机航拍等。
但近年来，由于环境变化，雾霾天气时有发生，视觉系统获得的图像清晰度不高，给社会生活造成极大不便。
因此，图像去雾成为迫切需要研究的问题。
去雾算法大致可分为两类：基于图像成像物理模型的去雾算法和非物理模型的去雾算法。
非物理模型算法主要包括基于颜色恒常性原理的Retinex算法[2]和综合提升图像亮度、对比度的算法[3]。
非物理模型算法只考虑从视觉上增强图像的清晰度和辨识度，物理模型从更加客观可靠的图像成像原理出发，逆推出被雾霾退化的原始图像。
Tan[4]利用无雾图像对比度高于有雾图像，在马尔科夫随机场（MRF）模型的基础上构造边缘代价函数，使去雾图像的局部对比度最大，但复原出来的图像饱和度过高且有光晕效应。
Fattal[5]假设物体表面色度和介质传播局部不相关，使用独立分析的方法估计局部反照率。
由于雾图像的物体表面色度信息量有限，最终该算法复原的图像容易失真。
Tarel[8]假设大气耗散函数在局部区域内可近似估计为最大值，采用中值滤波的变形形式估计大气耗散函数，但去雾后图像易有光晕效应。
He提出暗通道先验规律，先后采用软抠图（Soft Matting）算法[6]和引导滤波[7]细化透射率图，两者都能够取得较好的去雾效果。
然而He算法对不满足暗通道先验规律的天空和白色物体区域，去雾后出现严重失真，并且交界边缘产生光晕现象。
针对上文提到的问题，提出一种改进的基于暗通道先验的去雾算法。
首先对经最小值滤波使交界边缘处暗通道估计不准确之处进行修复，然后对天空等白色区域对应透射率图像作变换，使这些区域满足暗通道先验原理，最后对透射率图细化并增强输出图像亮度对比度。
1 基本介绍1.1 大气散射光照模型在计算机视觉和计算机图像处理中，米氏散射物理模型被用来表示雾天图像的成像原理。
该模型的物理表达式为：I（x）=Aρ（x）e-βd（x）+A（1-e-βd（x））（1）式中：I为输入雾图像，A为大气光值，d为景深，β为大气散射系数，x为输入图像像素点坐标。
将式（1）简化为式（2）：I（x）=J（x）t（x）+A（1-t（x））（2）其中：J即为去雾后的图像，t表示透射率图。
1.2 暗通道先验去雾算法1.2.1 暗通道先验He统计了5 000多幅图片发现，彩色图像非白色区域的每个像素点的RGB三通道中至少有一个通道具有很低的灰度值。
根据这一共性，可将输入图像的暗通道定义为：Jdark（y）=minΩ（x）（minc∈{r，g，b}（Jc（x）））（3） Jc为三通道图像，然后以Ω（x）大小的模板对三通道最小值图像进行滤波，得到暗通道图Jdark，Jdark被认为趋于0。
1.2.2 去雾步骤He算法假设大气光值A是定值，透射率在每个窗口内为常数。
基于这些假设及暗通道先验原理，推得透射率如式（4）：t（x）=1-minx∈Ω（x）（mincIc（x）Ac）（4）为了保持空间透视，引入参数ω，取ω=0.95。
修正后为式（5）：t（x）=1-ωminx∈Ω（x）（mincIc（x）Ac）（5）这即是粗糙的透射率图。
然后对粗糙的透射率进行细化，带入式（2），推得去雾后图像J。
J（x）=I（x）-Amax（t（x），t0）+A（6） t0为防止透射率值偏小而设定的下限值，取0.1。
2 改进算法2.1 暗通道补偿在获得粗糙透射率图的过程中，首先要得到输入图像的暗通道，关键步骤是对三通道最小值图像以Ω（x）大小的卷积模板进行最小值滤波。
He假设一个局部区域内的透射率是恒定不变的，在图像平滑区域内可以这么认为，但在景物交界处，远景的暗通道实际上大于近景的暗通道，因此造成了交界处的光晕效应。
对被估计错误的交界边缘暗通道进行修复，有助于提高透射率图的准确性。
本文在对三通道最小值图像进行最小值滤波时，模板每次移动都以最初三通道最小值图像为基础，这样避免了模板块重叠作用使远近景的暗通道被错误估计。
同时模板不宜太大，否则雾气去除不干净。
输入图像尺寸m×n，卷积模板block=max（7，（m，n）*0.01），以图1为例，观察左上角的树叶。
2.2 天空阈值分割对大量包含天空或者大面积白色区域的图像进行研究发现，其直方图灰度值较高区域都会产生累积峰值，该峰值即是图像天空及白色物体区域的灰度值累积区。
如图2为图1（a）灰度直方图。
天空与景物的交界线是本算法需要分割的区域。
由于景物和天空像素灰度值差别较大，交界线处于景深和像素灰度值突变的边缘地带，因而两者在像素上几乎没有重合。
从灰度直方图上看，两者交界区域会产生一个低谷。
本文采用基于谷底阈值的天空分割法。
Step1：对输入有雾图像进行直方图变换，得到输入图像灰度直方图。
Step2：遍历整个直方图找到所有峰值灰度级a1，a2，a3，…，an。
如果只找到一个峰值，说明图像无天空等明亮区域，直接退出天空阈值分割操作。
Step3：从所有峰值灰度级中找到灰度值最大的峰值灰度级（天空峰值灰度级）。
Step4：对比所有峰值灰度级到天空峰值灰度级的距离，选择距离最小的峰值灰度级，即最近峰值灰度级。
Step5：遍历最近峰值灰度级和天空峰值灰度级之间的灰度级，选择频次对应最少的灰度级作为分隔阈值α。
为检测谷底阈值分割法对天空区域识别的准确性，本文做了大量试验，以图1为输入图，输出天空与景物识别二值图像如图3所示。
2.3 天空去雾无雾图像的天空等明亮区域是不符合暗通道原理的。
图像景物区域像素三通道至少有一个通道值是趋近于0，而天空等白色区域三通道值很大且相近。
利用式（5）求取粗糙透射率图时，需要先获得输入图像的暗通道图。
暗通道图天空区域的灰度值与原图像天空区域的灰度值几乎相等，因此可以使用原图像天空区域分割得到的阈值对暗通道图操作。
本文算法将暗通道图中大于等于阈值的像素，即天空区域改变灰度值为b，b取0～50的定值，这样使天空区域也符合暗通道先验原理。
由于雾图像天空区域像素值和大气光A很接近，根据式（5）求得的透射率值可能趋近于0，导致式（6）得到的无雾图像白场过度，于是设置透射率下限阈值t0。
本文对暗通道图天空区域变换像素，让其符合暗通道原理，避免了透射率值的无限偏低，因此不需要设置透射率下限阈值。
无雾图像的表达式改为：J（x）=I（x）-At（x）+A（7）对于图像上明亮的天空区域，雾气作用在视觉上影响不大。
本文方法其实是对天空去雾的弱化处理[9]，b值越大天空去雾越明显，经试验，选b值为20。
以图1（a）天空局部区域为例，从图4可以看出去雾后天空没有色偏。
2.4 大气光值AHe算法中假设大气光因子A是定值，并且与带雾图像天空亮度值接近。
试验检验发现，当A值过大，天空区域去雾后出现严重色偏；当A值过小，天空区域呈现高亮。
He方法在暗通道图中找到前0.1%的像素，然后取这些像素在原图中对应像素最大值作为A值的方法，无法避免白色物体的影响。
如图5所示，星号点为He算法检测的大气光值。
由于白色物体的亮度值接近250甚至更高，本文采取最简单的屏蔽方法。
设置大气光的上限阈值为240，对检测有天空阈值的图像，在其暗通道图中找到位于天空阈值和上限阈值之间的前0.1%的像素，选择这些像素在原图像的最大值作为估计A值；对无天空阈值的图像采用He方法。
实验结果显示，在本文算法基础上，使用He方法估计的大气光值，天空区域不再出现色偏等不良现象，如图4（c）所示。
2.5 亮度提升采用本文算法，在暗通道先验原理的基础上进行去雾后的图像依然整体偏暗。
为提升图像亮度，在幂次变换的基础上设计一种非线性亮度增强表达式。