下载文档原格式
透雾算法原理
透雾算法是一种用于对重雾天气下的图像进行增强的图像处理方法。
其原理基于雾天影响图像的散射和吸收特性。
在传统的图像处理方法中，雾可以造成图像中的对比度下降、色彩偏差、细节模糊等影响。
而透雾算法可以通过消除图像中的雾气，使得图片变得更加鲜明、清晰，同时也提高了图像的质量。
具体而言，透雾算法会利用图像中深度信息，将场景分成两个部分：雾层和雾下区域。
其中雾层又可以被看作是由雾粒子组成的、透明度较高的层。
针对这两个部分，透雾算法分别采用了不同的处理方法。
对于雾层部分，算法会先估计出其透明度。
这个透明度可以通过使用暗通道先验等技术来估计。
估计透明度的目的是为了得到透明度透明度的值，进而推断出雾层中的浓度，从而反过来帮助我们恢复图像。
在得到透明度信息之后，算法就可通过透明度值来消除雾气，从而实现图像的增强。
消除雾气的方法通常是利用对数减法操作将图像亮度增强，同时降低雾气的影响。
对于雾下区域，由于没有雾气的影响，可以直接通过常规的图像处理方法来进行增强，例如直方图均衡化和灰度拉伸等。
总之，透雾算法是一种非常有效的方法，可以使得图像的质量得到显著提高。
透过原理可以看出，该算法实质上是在图像分解和调整的基础上进行的。
通过分离雾层和雾下区域，然后针对不同的部分采用不同的处理方法，可以消除图像中的雾气，使得图片变得更加美丽。
因此，透雾算法广泛应用于航空遥感、交通监控等领域，有着重要的实际应用价值。
一种基于小波融合的雾天视频监控图像增强算法张恒;谷丰;张欣【期刊名称】《现代计算机（专业版）》【年(卷),期】2014(000)007【摘要】针对雾天视频监控系统采集的图像对比度降低、图像模糊的问题，提出一种小波融合算法。
该算法在已有的图像增强方法的基础上，应用小波变换、直方图均衡化和非线性增强算子来综合处理雾天降质图像。
实验结果表明，该算法对比于传统的方法不但可以明显的提高图像对比度，而且增强图像的边缘细节和纹理特性，取得较好的效果。
%In view of problems of low in contrast gradient and fuzzy in imaging quality when video monitoring system acquiring image in fog, propos-es an algorithm based on wavelet fusion. Uses wavelet transform, histogram equalization and non-linear operator to process synthetically fog-degraded image based on the existent image enhancement method. The experiments show that the algorithm compared with conven-tional methods can not only obviously improve image contrast and enhance the image edge details and texture property, and achieve good results.【总页数】4页(P37-40)【作者】张恒;谷丰;张欣【作者单位】株洲南车时代电气股份有限公司，株洲 412001;株洲南车时代电气股份有限公司，株洲 412001;株洲南车时代电气股份有限公司，株洲 412001【正文语种】中文【相关文献】1.一种基于Retinex算法的雾天图像增强算法 [J], 陈静2.一种基于单尺度Retinex的雾天降质图像增强新算法 [J], 黄黎红3.融合直方图均衡化与同态滤波的雾天图像增强算法研究 [J], 赵春丽; 董静薇; 徐博; 马晓峰4.一种基于Retinex算法的雾天图像增强算法 [J], 陈静5.基于小波变换和改进的Retniex雾天图像增强 [J], 张振华;陆金桂因版权原因，仅展示原文概要，查看原文内容请购买。
利用Matlab进行图像去雾与增强的技巧引言：随着数字图像处理技术的快速发展，人们对于图像的质量要求也越来越高。
然而，在拍摄或者采集图像时，由于天气、光照等各种原因，图像中常常存在雾霾现象，导致图像质量下降。
因此，图像去雾与增强成为了图像处理领域的重要研究方向。
本文将介绍利用Matlab进行图像去雾与增强的技巧。
一、图像去雾技术1. 传统去雾技术传统的图像去雾技术主要基于图像中的像素信息和颜色分布，通过调整图像的对比度、亮度以及增强局部细节来降低雾霾的影响。
其中，最常用的方法是通过估计全局大气光来进行去雾处理。
具体步骤如下：- 首先，通过计算图像中每个像素的亮度值，选择其中的亮度最大值作为全局大气光的估计值。
- 然后，根据全局大气光的估计值和经验参数，对图像进行调整，降低雾霾的影响。
- 最后，通过调整图像的对比度和亮度，增强图像的细节信息。
2. 基于深度学习的图像去雾技术近年来，随着深度学习的快速发展，基于深度学习的图像去雾技术取得了显著的进展。
与传统方法相比，基于深度学习的方法能够更准确地估计图像中的雾霾密度，并恢复出更清晰的图像。
具体步骤如下：- 首先，构建一个深度卷积神经网络模型，用于学习图像的雾霾特征。
- 然后，通过输入原始图像和雾密度的估计值，使用深度学习模型对图像进行去雾处理。
- 最后，根据去雾处理后的图像，调整图像的对比度和亮度，进一步增强图像的细节和质量。
二、图像增强技术1. 对比度增强对比度是指图像中不同区域之间的亮度差异程度。
对于低对比度的图像，可以使用以下技术来进行增强：- 线性变换：通过调整图像的灰度级分布，使得图像的对比度增加。
- 直方图均衡化：通过对图像的灰度级分布进行变换，使得图像的亮度均匀分布，增强图像的对比度。
- 自适应直方图均衡化：结合图像的局部信息，对图像的灰度级分布进行自适应调整，更好地增强图像的细节。
2. 锐化增强图像的锐化增强是通过增强图像的边缘和细节，使得图像更加清晰和鲜明。
关于雾天图像的增强和复原现状：国内外已有很多研究人员将大气对成像的影响进行了分析和评估。
散射理论在分析大气的影响中发挥了巨大的作用，由于单射模型不能准确表现实际复杂介质的影响，多射模型得到了广泛的关注。
在光和大气介质交互问题的研究中，或多或少地借鉴了物理学科的知识，其中输运理论很常见，并被广泛应用于恶劣天气条件对图像退化的建模。
在研究尘雾等恶劣天气条件对成像影响模型的基础上，对退化图像进行复原处理取得了较大的进展。
当场景深度已知和大气条件的精确信息己知时，消除一幅图像的天气条件的影响已被证明是可行的；在计算机视觉方面，算法已经发展到不用已知大气及场景深度信息，通过处理至少两张在恶劣天气条件下拍摄的图像可以自动地计算出场景的结构和恢复场景的色度及对比度。
目前，对雾图进行清晰化处理的方法大体上有两类:基于模型的和非模型的算法。
其中，基于模型的算法通过了解图像退化的内在原因而进行逆运算来改善图像的对比度;非模型的算法并不要求知道图像退化原因的信息。
用非模型的方法处理图像我们称之为图像增强；用基于模型的方法处理图像我们称之为图像恢复，这类算法更加可靠，因为它们利用了图像退化的物理机理，其目的在于提高退化图像的保真度。
近年来，上述两个方面的研究都取得了较大的进展，特别是基于物理模型的复原问题，吸引了越来越多研究者的注意，以下分别就其研究现状做简要的介绍。
●图像增强处理的研究现状图像增强是图像处理的基本手段，是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息的处理方法。
图像对比度增强是图像处理领域中的一个传统的话题，同时又一直是较为活跃的研究领域，不断有新方法与新手段引入使该领域保持旺盛的生命力，并不断有新成果面世。
●图像恢复处理的研究现状近年来，不少学者在大气散射物理模型的基础上，对恶劣大气条件下的成像机理进行了深入的分析，并提出了一些新的雾天图像增强方法。
与传统图像增强相比，这些方法是建立在雾天成像的物理过程之上的，因此更具有针对性，处理效果也较为理想。
第二章基础理论本章主要介绍在本文工作中所涉及到的一些基础理论和方法。
首先介绍与雾天成像密切相关的大气散射模型，然后介绍数字图像对比度增强中的一些基本方法，接着对彩色图像处理中用到几种彩色模型进行介绍，最后对小波变换、脊波变换以及曲波变换进行简述。
２．１大气散射物理模型物理媒质对光的散射作用＿‘直都是大气光学和天文学研究的热点１２７１。
总的来说，散射的物理本质是非常复杂的，散射现象与媒质组成（包括微粒的类型、方向性、大小、分布等）以及入射光的状态（包括入射光的波长．偏振状态、入射方向等）有着密切的关系。
大气对光线的散射主要是大气中的微粒引起的，Ｍｉｅ散射理论１２引对大气散射现象作了详细的解释。
但为了简化物理模型，并保证后续图像处理的有效性，这里只对入射光的衰减（Ａｔｔｅｎｕａｔｉｏｎ）和环境光（Ａｉｒｌｉｇｈｔ）的掺入两种物理现象进行分析…“。
需要指出的是，上述的简化模型是在以下假设条件下作出的：（１）图像景物距离在数公里范围内：（２）天气状态不随空间改变，即微粒的类型和密度分布具有空间不变性。
也就是说，该模型近似认为大气是均匀的。
凹２—１大气散射模型示意幽２．１，１入射光的衰减现象从图（２－１）可以看出，由于大气微粒的散射作用，从景物点所反射的光（入射光）的部分光通量被微粒吸收和反射，使到达观察者的入射光被衰减。
ＨＳＩ模型是Ｍｕｎｓｅｕ提出的彩色模型，这种模型对人来说是自然、直观的，同时也有利于图像处理。
其中，Ｉ表示强度或亮度，Ｈ和Ｓ分别表示色调和饱和度（这两个参数包含了重要的彩色信息）。
图２－６的色环描述了这三个参数。
色调由角度表示，彩色的色调反映了彩色最接近什么样Ｈ１３彩色系统的光谱波长。
不失一般性，可假定０。
的斛２－６彩色为红色，１２０。
为绿色，２４０。
为蓝色。
测度从０变化到２４０度覆盖ｊ７所有可见光谱的彩色。
在２４０。
到３００。
之间是人眼可见的非光谱色（紫色）。
饱和度参数是色环的原点（圆一ｔｌ、）到彩色点的半径长度。
图像快速去雾与清晰度恢复技术研究一、本文概述随着计算机视觉和图像处理技术的飞速发展，图像去雾与清晰度恢复技术已成为当前研究的热点之一。
在实际应用中，由于大气散射、光照条件不佳、摄像头设备质量等因素，拍摄的图像常常出现雾霾、模糊等问题，严重影响了图像的视觉效果和后续处理的准确性。
因此，研究图像快速去雾与清晰度恢复技术，对于提高图像质量、增强图像信息的可读性具有重要意义。
本文旨在探讨图像快速去雾与清晰度恢复技术的研究现状和发展趋势，分析现有算法的优点和不足，并在此基础上提出一种新型的图像去雾与清晰度恢复方法。
该方法结合了深度学习、物理模型和多尺度分析等技术，通过构建高效的去雾网络模型，实现对雾霾图像的快速去雾和清晰度提升。
本文还将对所提方法进行实验验证，并与其他经典算法进行比较分析，以验证其有效性和优越性。
通过本文的研究，不仅可以为图像去雾与清晰度恢复领域提供新的理论和技术支持，还可以为相关领域的实际应用提供有益的参考和借鉴。
本文的研究成果也将为计算机视觉、图像处理、模式识别等领域的发展提供新的思路和方向。
二、图像去雾技术原理及方法图像去雾技术的目标是消除或减弱图像中的雾气效果，恢复图像的清晰度和细节。
这项技术主要基于大气散射模型和图像增强理论。
大气散射模型描述了光线在大气中的传播和散射过程，为去雾算法提供了理论基础。
而图像增强技术则用于提升图像的视觉效果，使其更接近无雾状态。
目前，图像去雾的方法大致可分为两类：基于物理模型的方法和基于深度学习的方法。
基于物理模型的方法：这类方法主要依据大气散射模型，通过估计场景深度和大气光等参数，恢复图像的清晰度和颜色。
代表性的算法有暗通道先验去雾、颜色衰减先验去雾等。
这些方法通常需要在图像中选取合适的区域进行参数估计，因此对图像内容有一定的依赖性。
基于深度学习的方法：近年来，随着深度学习技术的快速发展，其在图像去雾领域也取得了显著成果。
基于深度学习的去雾方法通常通过构建深度神经网络模型，学习从有雾图像到无雾图像的映射关系。
一种实时去雾图像增强算法的DSP实现【摘要】受雾霾、光照差等环境影响，造成实际成像存在朦胧不清晰等问题。
雾霾天气导致能见度降低，给人们的日常生活和出行带来很大影响。
为了更好地恢复雾霾图像的场景信息，对雾霾图像进行处理复原来提高原图像像质是十分必要的，针对此问题，文章设计一款基于DSP的实时去雾增强系统。
该系统集合了DSP大型数据处理能力的优点，很好地将改进型“暗通道”原理算法移植其中。
有效满足了实时去雾增强功能要求。
实验结果和传统去雾算法对比，实验证明，该系统工作稳定有效，能有效解决实际工程中雾霾、光照不足给成像造成的影响。
【关键词】图像去雾;图像增强;DSP1.引言图像信息作为人类感知世界最直观的信息之一，为我们认识世界提供了极大的帮助。
来随着微电子技术的不断发展，图像信息从无到有，从模拟到数字，从黑白到彩色，近代以来随着微电子技术的不断发展，图像信息经过了从无到有，从模拟到数字，从黑白到彩色从可见光到多光谱等的不断演进，图像质量（分辨率、清晰度等）也有了极大提高。
同时人类对图像质量要求也在不断提高，其中可见光图像由于跟人眼成像最为相近其观感对人的影响更大，因而对其质量要求更高。
但受可见光传输及成像机理所限，所成图像往往会受天气如雾霾、光线不足等从成像过程暂时尚无法克服问题的困扰，需要对其进行事后处理。
同时，在图像跟踪等应用领域，对图像进行处理所带来的时间延迟对伺服系统又是一种致命的缺点。
基于以上问题，本文设计了一种基于TI TMS320C6437的实时图像去雾增强系统，并将其应用于工程实际。
实验表明本系统能对图像实现明显的改善，且对正常图像无不良影响。
2.去雾基本理论把一张彩色雾霾天气退化图像，分解成R，G，B三个部分。
分别对应大气波长的高，中，低三个频率段。
把图像分别变换成R，G，B颜色的三张图像，针对这三张图像进行图像处理，改善其每个像素的亮度关系，然后对图像像素转化恒浮点数运算。
像素间亮度变换：计算图像中每个像素点的亮度关系，主要由公式推导得出，具体方法我们假设在图像其中一部分举例，从图像的某一点A到某一点B，有一条可寻路径，该路径上有n个像素点，它们像素大小分别为（），那么从点A 到点B像素的亮暗关系相乘得到公式：（1）上式中，T为门限函数，根据实验表明，眼睛对明暗程度的感觉成指数分布，上式取对数可以获取主观感受。
一种高效的图像增强去雾算法李利荣;汪蒙【摘要】由于大气的散射作用,雾天情况下图像景物会出现不清晰,对比度低的特点.对雾天情况下的图片景物影像进行去雾处理,提出一种基于直方图均衡的图像增强去雾方法,针对重叠直方图均衡计算量大和非重叠直方图均衡的方块效应明显的问题,采用部分重叠直方图均衡化算法,结合线性滤波等方法,实现对图像的雾霾有效去除,并且相比之下大大减少计算量.【期刊名称】《湖北工业大学学报》【年(卷),期】2013(028)005【总页数】4页(P72-75)【关键词】去雾;图像增强;部分重叠直方图均衡;块状效应;平滑滤波【作者】李利荣;汪蒙【作者单位】湖北工业大学电气与电子工程学院,湖北武汉430068;湖北工业大学电气与电子工程学院,湖北武汉430068【正文语种】中文【中图分类】TP391.413雾对视觉系统的影像表现在使成像设备的输出图像对比度下降，分辨率低，这给依据图像内容的工作如目标跟踪、监控、监测等带来很大的不便．雾天图像清晰化处理有着重要的现实意义．图像去雾技术的主要任务是去除天气因素对图像质量的影响，从而增强图像的清晰度和视见度．目前对于雾天图像进行清晰化处理的方法主要分为两类：雾天图像增强(非模型的算法)和雾天图像复原(基于模型的算法)．图像去雾技术是一个跨学科的前沿性课题，具有广阔的发展前景和应用前景，它已经成为计算机视觉和图像处理领域研究的热点问题之一，吸引了国内外许多研究人员的兴趣．本文着眼于依据图像增强的有关理论，提出一种计算简单但效果明显的实用雾天图像清晰化方法．1 背景图像增强根据视觉感受来改善图像效果，是个主观的图像质量改善过程．图像增强包括直方图处理、空间滤波等．1.1 直方图均衡直方图均衡是图像处理领域中利用图像的直方图对对比度进行调整的方法．其基本思想是把原始图的直方图变换为均匀分布的形式，从而增加像素灰度值的动态分布范围，实现增强图像整体对比度的效果．它高效且易于实现，广泛应用于图像增强处理中．直方图均衡可分为全局化直方图均衡和局部化直方图均衡．全局化直方图是将整个输入图像的直方图做均匀分布的转化，这虽然增加整体图像像素灰度值的动态范围，增强图像整体对比度的效果，但是这对于图像中存在深度信息多变的情况，特别是有用信息分布在深度多变的场景中时，很容易使目标淹没在背景中，从而导致视频系统无法满足工作要求．局部直方图均衡的处理对象是图像的局部区域，将图像的所有局部区域依次进行直方图均衡化，增强图像局部信息．局部直方图均衡可分为子块非重叠直方图均衡和子块重叠直方图均衡．非重叠直方图均衡化的基本思想是将原图分成不重叠的子块，然后对每个子块进行直方图均衡化处理，并保留处理后的结果．相邻子块之间不重叠，大大减小了运算量，但会不可避免的出现块状效应．而重叠的直方图均衡可以大大缓解块状效应，但同时计算量也增加了．为了保证图像增强的质量，考虑降低块状效应和减少计算量，我们选择部分重叠直方图均衡化．1.2 块状效应块状效应：图像分块产生时，由于相邻子图块之间的灰度分布不同而产生的处理结果的差异，从而导致子块的边界出现突变的现象，视觉上有明显的块状分界线，如图2b所示．1.3 空间滤波器空间滤波器由一个像素的邻域(典型的是一个较小的矩形)和对该邻域包围的图像像素执行的预定义操作组成．滤波产生一个新像素值，新像素的坐标等于邻域中心的像素坐标，像素的值是滤波操作的结果．如果在图像像素上执行的是线性操作，则该滤波器称为线性滤波器．否则，滤波器就为非线性滤波器．根据需要增强图像的高频和低频特征，空间滤波器还可以分为高通滤波器(即锐化空间滤波器)和低通滤波器(即平滑空间滤波器)．2 有雾图像增强算法正如1.1所述，本文采用的部分重叠局部直方图均衡化方法，在此基础上针对有时出现的块状效应，采用合适的线性滤波去除．2.1 子块部分重叠直方图均衡化算法2.1.1 算法基本思想子块部分重叠直方图均衡化：先定义一个大小合适的移动子图块，以某种确定的步长来移动经直方图均衡化处理过的子块．例如，将移动步长设为子块的一半，如图1中，假设图像平均分成3×3的9个区域，a,b,e,d 4个区域构成一个处理子块1(图1a)，对这个子块进行直方图均衡化，然后向后移动半个子块的大小，在b,c,e,f构成的子块2里再进行直方图均衡化(见图1b)，该行处理完后再转到下一行进行处理，在d,e,g,h构成的子块3里进行直方图均衡化，然后向后移动半个子块的大小，在e,f,h,i构成的子块4中进行直方图均衡化．至此，完成了整个图像的处理．图 1 部分重叠运算示意图下面对这9个小区域组成的部分进行分析．正中间的e区域受邻域8个区域a,b,c,d,f,g,h,i的影响．设每个子块1,2,3,4的直方图均衡化函数分别为T1(rk)、T2(rk) 、T3(rk)、 T4(rk)，由于区域e中的像素在整个过程中被处理了4次，所以区域e的子块部分重叠直方图均衡化函数为.(1)每一个子块的直方图均衡化函数如,(2),(3),(4),(5),(6),(7),(8).(9)n是整个区域的像素数，表示一个区域x里具有灰度值为j的像素数．其中，x为包含a,b,c,d,e,f,g,h,i的区域.故/.(10)因为，，其中是区域e进行子块部分重叠直方图均衡化的概率密度函数．是区域x作传统直方图均衡化的概率密度函数．所以.(11)由此可见，在用子块部分重叠直方图均衡化处理图像时，从效果上来看，相当于用一个模板(见图1(c))作用于这个图像的小区域(不是实际处理的子块)产生当前处理小区域的灰度概率密度函数，然后用这个概率密度函数对这个小区域进行传统意义上的直方图均衡化．2.1.2 算法实现及分析先对算法实现说明几点：1)移动步长的设定应与子块的大小成比例，这是为了保证子块移动能产生合理的模板算子．2)移动步长应能整除整幅图像的尺寸大小M,N，否则算法会遗漏部分边界点；3)子块的尺寸大小与块状效应有关：若增大子块，而保持步长与子块的比例不变，则子块的重叠面积将相应减少，这将使块状效应更为严重，这时需要用改进的算法进行局部修正．对图像进行上述的部分重叠直方图均衡化处理，为了便于观察，采用不同子块大小不同步长对同一幅图像进程处理，观察效果．具体效果对比见图2．(a)原图(b)160×160子块，1/16步长处理效果(c)160×160子块，1/8步长处理效果(d) 80×80子块，1/16步长处理效果(e) 80×80子块， 1/8步长处理效果图 2 子块部分重叠均衡化算法处理结果对比图2反映出了不同子块大小和移动步长对图像效果的影响．总体来说，部分直方图均衡化大大提高了图像的对比图，增强了图像细节，去雾效果明显，这对于户外监控等应用视觉系统非常有用．子块部分重叠与块重叠直方图均衡化算法相比，在保证局部对比效果较好的情况下，大大减少了计算量．但此方法采用子块部分重叠还是会因为图像块信息的差异产生少量的块状效应，且子块重叠的多少与块状效应和运算量密切相关：子块的重叠程度越小，平滑效果越差，块状效应越明显，但运算量却会急剧减小；反之亦然．2.2 块状效应的平滑处理由上一章分析及实验知，雾天图像经部分重叠直方图均衡化处理后，在某些子块的边缘仍然会出现不同程度的块状效应．为消除这种块状效应，使处理后的图像更清晰，需做一些平滑滤波处理．普通的线性平滑滤波器的输出是包含在滤波器模板邻域内的像素的简单平均值．图3a显示了一个3×3平滑滤波器．(a)3×3线性平滑滤波器(b)对图2(e)经线性平滑后的效果图 3 线性平滑滤波器原理及其滤波效果从实验效果可以看出，图像经线性平滑滤波器处理后，块状效应基本消失，且计算简单．本章是为了达到去除方块效应而设计的．对于方块不太明显的可以采用小模板的线性平滑.3 总结与展望本文提出一种简单快速的图像增强去雾方法．该方法基于图像的直方图均衡化原理，对于局部直方图均衡化方法扬长避短，采用部分重叠直方图均衡化，并可以根据需要调整步长，从而调整重叠比例来达到最好的去雾增强效果．从理论上分析子块重叠直方图均衡化算法处理图像的效果相对最好，但其运算量大，运算速度慢；子块非重叠直方图均衡化算法运算速度快，运算量较小，但处理后的图像会出现严重的块状效应，效果不清晰；而子块部分重叠直方图均衡化算法结合了前两种算法的优缺点，能获得与子块重叠直方图均衡化相当的对比度增强效果，又具有子块非重叠局部直方图均衡化的低运算量，并且一定程度上消除了块状效应．这在实验中得到了验证．基于本方法对于亮度区域性分布明显的图像仍然有微弱块状效应，我们设计了线性平滑步骤，进一步增强了效果．[ 参考文献 ][1] 张汗灵，MATLAB在图像处理中的应用[M].北京：清华大学出版社，2008.[2] 罗颖,昕雾天低对比度图像增强方法的研究[D].天津：天津大学图书馆，2005.[3] 朱遵尚，图像增强技术研究[D].长沙：国防科学技术大学图书馆，2009:1 101.[4] 禹晶，徐东彬，廖庆敏，图像去雾技术研究进展[J].中国图像图形学报，2011，16(09)：1 561-1 576.[5] 王玉灵，基于双边滤波的图像处理算法研究[D].西安电子科技大学图书馆，2010.[6] 杨万挺，基于局部信息特征的雾天图像增强算法研究[D].合肥工业大学图书馆，2010.[7] 艾明晶，戴隆忠，曹庆华.雾天环境下自适应图像增强去雾方法研究[J].计算机仿真，2009，26(07)： 244-247.[8] 彭玉华.基于离散正交小波变换的图像去噪方法[J].中国图像图形学报,1999,4(08):677-679.[9] Rafael C. Gonzalez, Richard E. Woods, digital image processing[M].3rd Edition[S.l.]Prentice Hall ,2010.[10] Bolet J P,Cowen A R, Launders J.Progress with an “all-wavelet” approach to image enhancement and de-noising of direct digital thorax radiographic images[J]. Image Processing and Its Applications, 1997. [11] Economopoulos T L,Asvestas P A, Matsopoulos GK.Regional Partitioned Iterated Function Systems for digital image enhancement, Image Processing Theory[C]. Tools and Applications (IPTA), 2012 3rd International Conference on, 2012,265,269:15-18.[12] Jong-Sen Lee.Digital Image enhancement and noise filtering by use of local statistics[J]. Pattern Analysis and Machine Intelligence,1980,2(02):165-168.[13] A. I. Anthis and A. P. e of satellite images for fog detection (AVHRR) and forecast of fog dissipation (METEOSAT) over lowland Thessalia, Hellas[J]. Int. J. Remote Sensing, 1999,20(06):1 107-1 124.。
基于Retinex模型的雾天图像清晰化算法黄山风景区全年雨雾天气近200天，常规的视频监控系统在这种天气下，很难发挥作用。
为了解决这个问题，黄山针对雾天图像对比度降低的退化现象，提出了一种快速的对比度增强算法。
通过简单变换后发现，大气散射模型的数学表达式符合Retinex模型，因此采用Retinex算法来提高图像的对比度。
同时提出了一种新的平滑保边滤波，用来快速估计Retinex算法中的照度。
它的每次迭代仅需要三次均值滤波，时间复杂度低。
对于彩色图像，通过非线性指数增强图像的饱和度。
实验结果表明，提出的清晰化算法能有效增强雾天图像的对比度（特别是降质严重的低对比度区域），改善彩色图像的色彩，同时较好的保持图像的边缘。
标签：雾；Retinex；对比度；保边滤波；饱和度1、引言黄山，素以奇伟绝俗、灵秀多姿著称于世。
其全年雨雾天气近200天，弥漫在空中的雾气模糊了人们的视线，使得景物的能见度大幅降低，图像中蕴含的许多特征都被覆盖或模糊。
并且图像退化程度跟图像景物到摄像头的距离相关，距离越远，距离越远，退化越严重。
因此，这种退化在空间上是不均匀的。
图像去雾算法主要经历了3个研究阶段：传统图像增强方法，比如直方图处理[1][2]、小波方法[3]和retinex[4]等。
由于雾天退化图像的空间不均匀，这类方法效果有限。
基于物理模型的多图像（或多数据源）复原方法。
由于退化模型与成像距离密切相关，而基于单幅图像很难获得准确的深度信息。
因此，这类方法通过多图像（或多数据源）得到图像深度信息后利用物理模型达到复原的目的。
Narasimhna 等人提出了多种提取场景深度信息的方法，有些需要用到不同天气状态下相同景物的图像[5]，有些利用偏振光的方法[6]。
基于大气散射模型的方法能够在雾天图像增强上达到较好的效果，但要求多图像（或多数据源），因此在实际应用上具有一定的局限性。
基于物理模型的单幅图像复原方法。
由于考虑了雾天成像的物理模型和仅使用单幅图像，这类方法是近年来研究的热点和难点，取得了很大的进展。
