下载文档原格式
恶劣天气条件下的图像复原算法研究恶劣天气条件下的图像复原算法研究摘要：随着科技的快速发展，数字图像处理在各个领域中起到了至关重要的作用。
然而，恶劣的天气条件对图像捕捉和处理造成了一定的挑战。
该研究旨在探讨恶劣天气条件下的图像复原算法，通过分析恶劣天气条件对图像质量的影响，提出了一种基于深度学习的图像复原算法，以提高图像质量和对比度。
实验结果表明，该算法在恶劣天气条件下能够有效地提升图像的可视化质量和抗干扰能力。
关键词：恶劣天气条件；图像复原；深度学习；图像质量 1. 引言随着图像处理技术的不断进步和应用领域的不断扩展，图像质量的改善成为一个重要的研究方向。
然而，在恶劣的天气条件下，如雨天、雪天等，图像的质量和对比度往往会受到很大影响，使得图像难以清晰地表达所包含信息。
因此，研究恶劣天气条件下的图像复原算法对于提高图像质量和可视化效果具有重要意义。
2. 恶劣天气条件对图像质量的影响恶劣天气条件下，如雨水或雪花等物体的存在会导致图像模糊、噪声增加等问题，从而降低图像的质量和对比度。
此外，大风天气下的摄影或者拍摄运动物体时，也容易产生运动模糊的现象。
所有这些因素共同影响了图像的可视化质量和观看体验。
3. 图像复原算法的研究现状目前，已有许多图像复原算法被研究和应用。
这些算法主要包括传统的图像复原算法和基于深度学习的图像复原算法。
传统的图像复原算法主要采用滤波、去噪等方法来恢复图像的细节和清晰度。
然而，在恶劣天气条件下，这些方法往往效果不佳。
基于深度学习的图像复原方法则通过深度神经网络的训练和学习，可以更好地恢复图像的细节和对比度。
4. 基于深度学习的图像复原算法设计本研究设计了一种基于深度学习的图像复原算法，以提高图像质量和对比度。
该算法主要包括以下步骤：（1）数据预处理：对输入的图像进行去噪和增强处理，以提高图像质量和减少噪声。
（2）网络模型设计：设计一个深度神经网络模型，用于学习和提取图像的细节和特征。
RBF神经网络在雾天图像复原中的应用孙文华;查小红【摘要】针对雾天图像的特点及传统算法复原效果的不佳,提出了一种基于RBF神经网络的雾天图像复原算法.实验结果表明,该算法能够有效地提高图像清晰度和对比度,复原后的图像视觉效果碍到了明显改善.【期刊名称】《河北科技师范学院学报》【年(卷),期】2015(029)002【总页数】5页(P61-65)【关键词】雾天图像;图像复原;神经网络;RBF【作者】孙文华;查小红【作者单位】南昌工程学院网络信息中心,江西南昌,330099;南昌工程学院网络信息中心,江西南昌,330099【正文语种】中文【中图分类】TP391近年来，随着神经网络理论研究的发展，各种神经网络模型在图像处理领域也得到了广泛应用，其中利用神经网络进行图像复原是最活跃的方向之一。
神经网络算法与传统的算法相比具有很大的优越性[1]，集中体现在以下几个方面：(1)具有较强的容错性、鲁棒性和联想记忆功能，即使在系统内部某些处理单元损坏的情况下仍能进行最优化求解。
(2)具有较强的泛化功能，既能够处理不完全的数据，又能够处理带有噪声的数据。
(3)具有自学习、自组织和自适应功能，至于输入数据和输出数据的内在联系通过训练学习就可以找出来。
(4)具有非线性映射功能，由于图像处理的很多问题都是非线性问题，神经网络为处理这类问题提供了有用的工具。
(5)具有高度并行处理能力，处理的速度远远快于传统的处理算法，这一特性使它可以用于实时处理。
雾天图像通常来说包括2大类：一类是通常所说的下雾的天气拍摄的图像，另一类是雾霾天气拍摄的图像。
特别是第2类，随着经济的快速发展，环境污染也越来越严重，雾霾天气也变得越来越普遍。
但不管哪一类的雾天图像，其特点都是由于能见度不高，造成拍摄的图像也变得模糊不清，严重影响视觉效果。
随着科技的飞速发展，交通、航空、航海等领域的户外视频应用系统也越来越多，故进行雾天模糊图像复原的研究变得非常有必要。
恶劣天气条件下的图像复原算法研究恶劣天气条件下的图像复原算法研究随着科技的快速发展，数码摄影成为了现代人们记录与表达生活的重要方式之一。
然而，不可避免地，我们会在恶劣天气条件下遇到拍摄照片的困难，例如雨天、雾霾等。
这些恶劣天气条件会对拍摄出的图像质量产生负面影响，造成图像的模糊、噪点增多等问题，严重影响了图像的观赏与应用价值。
因此，如何恢复被恶劣天气条件下破坏的图像成为了研究的热点之一。
在恶劣天气条件下的图像复原算法研究中，最主要的挑战是恢复图像的细节和纹理。
传统的复原算法往往会模糊细节信息，导致图像变得不真实。
因此，研究者们提出了一系列新的复原算法，旨在通过有效的图像处理和计算方法，改善图像的质量。
一种常见的图像复原算法是基于图像去雾。
在雾霾天气下拍摄的图像往往有低对比度、色彩失真等问题，使得图像的细节无法清晰显示。
去雾算法通过估计图像中的雾气分布并进行消除，从而提升图像的质量。
这类算法通常通过对图像的亮度、对比度进行增强，以提高图像的可视性。
其中，基于暗通道先验的去雾算法在去除雾气和恢复图像细节方面具有很好的效果。
该算法通过在图像的局部区域中寻找具有低亮度值的像素点来估计雾气的分布，然后通过去除估计的雾气分布来恢复图像的细节。
另一种常用的图像复原算法是基于图像超分辨率重建。
在恶劣天气条件下拍摄的图像往往具有模糊、失真等问题，导致图像细节无法清晰展现。
超分辨率重建算法通过对低分辨率图像进行增强，以提升图像的细节和清晰度。
常见的超分辨率重建算法包括插值法、边缘保持法等。
这些算法通过分析图像中的局部特征，并预测缺失的细节信息，从而恢复图像的细节与纹理。
此外，还有一些基于深度学习的图像复原算法在近年来得到了较多关注。
这类算法通过训练神经网络来学习从损坏图像到复原图像的映射关系，从而提高复原图像的质量。
这些神经网络能够自动学习图像中的特征，并生成类似于原始图像的复原图像。
总之，在恶劣天气条件下的图像复原算法研究中，研究者们通过不断探索和实验，发展了一系列有效的算法来恢复被恶劣天气条件破坏的图像。
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。
雾天低质量可见光侦察图像复原算法侯智斌;陈向春;宗军君【摘要】The visible images in the target area which are obtained by scout equipment under log conditions can not satisfy the commanders for the battlefield target recognition because of the poor contrast of the images. Firstly, a degraded model for the long distance images in foggy days is established based on the atmospheric scattering theory. Secondly, the optical depth for the visibility change is calculated according to the visibility, wavelength, depth of field and so on. Finally, some degraded visible scout images are restored in order to validate the effectiveness and practicality of this method.%雾天条件下,利用侦察设备获取的目标区可见光图像对比度低,不能满足指挥员对战场目标的识别判断.文章基于大气散射理论建立了适于远距离雾天图像退化模型,根据雾天能见度、波长和景深等计算所需空间变化光学深度,并通过实例验证了该方法能有效复原低质量可见光侦察图像,具有很强的实用性.【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2012(035)007【总页数】4页(P922-925)【关键词】低质量可见光侦察图像;退化模型;图像复原;光学深度【作者】侯智斌;陈向春;宗军君【作者单位】陆军军官学院基础部,安徽合肥230031;陆军军官学院基础部,安徽合肥230031;陆军军官学院基础部,安徽合肥230031【正文语种】中文【中图分类】TP391.41利用侦察设备对敌方目标进行照相侦察和监视，是现代战争中获取敌方情报的主要方式之一。
第43卷第7期2017年7月中国测试CHINA MEASUREMENT & TESTVol.43 No.7July, 2017doi院10.n857/j.issn.1674-5124.2017.07.023基于大气散射模型的单幅雾天图像复原方法刘佳嘉\唐悟甲2袁刘建华1(1.中国民航飞行学院航空工程学院，四川广汉618307;2.中国电子科技集团公司第二十九研究所，四川成都610036)摘要:现有大气散射模型方法对于利用长期固定成像器的地方可以较好实现场景建模并复原雾天图像，但在缺乏 其他天气状况下，景物图像作为参考的单幅雾天图像不能很好地复原。
针对这一问题，该文提出一种新的基于大气散 射模型的单幅雾天图像复原方法。
该复原方法先通过边缘检测算法查找景物轮廓来划分不同区域，然后标定不同连 通区域来划分景物层次，再计算图像灰度值变化曲线的斜率并分割天空区域，最后对新的环境光强度设定，对不同区 域的景物采用不同的参数进行复原。
采用一张手动拍射图像和一张网络图像作为实例分别进行实验，结果表明:该方 法能够很好地复原缺乏参考图像的单幅雾天图像。
关键词:大气散射模型;图像去雾;天空分割;场景划分文献标志码:A 文章编号：1674-5124(2017)07-0117-07Restoration for single fog image based on atmospheric scattering modelLIU Jiajia1，T A N G Wujia2，LIU Jianhua1(1. Aviation Engineering Institute,Civil Aviation Flight University of China,Guanghan 618307,China;2. No.29 Research Institute of CETC,Chengdu 610036,China)A bstract:The current atmospheric scattering model method can be used to effectively realize scenemodelling and restore fog image where the long -term fixed imager i s used，but i t i s failed in restoring single fog image without reference of scene images under other weather conditions. Aiming at this problem，a new method of single fog image restoration based on atmospheric scattering model i s presented in the article. The restoration method f i r stly can find the contours of the scenery to divide different regions in edge detection algorithm w a y，then divide the scene hierarchy by calibrating different regions together and calculate the slope of the image gray value change curve and divide the sky area，finally reset the new environment light intensity and restore sceneries in different regions by applying different parameters. A manually shot image and a network image are used as an example to test the method. The test results show that the method can effectively reconstruct the single fog image without reference images.Keywords:atmospheric scattering model; removing fog in image; sky segmentation; scene partitioning收稿日期：2017-01-11曰收到修改稿日期：2017-02-24作者筒介:刘佳嘉(1986-)，女，四川新津县人，讲师，硕士，研究方向为航空电子、图像处理,118中国测试2017年7月〇引言大气散射系数茁渊姿)和光波长度有关，满足公式:现阶段图像去雾方法大致分为非建模和建模 2类。
雾天条件下图像的恢复研究的开题报告文献综述：雾天天气对图像的影响十分显著，会使图像变得模糊、失真、色彩偏差严重，给人类的视觉观感以及计算机视觉算法的准确性带来了很大的影响。
因此，对于雾天条件下图像的恢复的研究一直是计算机视觉、图像处理领域的热点问题之一。
近年来，国内外学者对于雾天条件下图像恢复的算法进行了广泛的研究。
研究结果可以分为两种主要的方向：一种是基于图像退化模型的图像去雾算法，另一种则是基于深度学习的图像去雾算法。
1. 基于图像退化模型的图像去雾算法通过建立雾天天气的图像退化模型，来恢复图像的清晰度。
其中，常见的模型为简单的线性模型，即将雾天图像分解为雾图像和场景图像两个部分，从而将去雾过程简化为去除雾图像的过程。
对于雾图像的去除又可分为以下几种方式：（1）固有图像分解法固有图像分解（intrinsic image decomposition）可以将雾图像分解为固有图像和雾图像两部分，进而提取雾图像的深度信息，并基于深度信息来进行图像去雾处理。
（2）暗通道先验法暗通道先验法（dark channel prior）是一种基于物理学原理的去雾算法，该算法基于“任何天空区域上的像素在某种颜色通道上至少有一个值非常小”，从而提出了类似“暗通道”的概念，并以此来推理出雾世界中的深度信息。
（3）多尺度分解法多尺度分解法是将图像进行多尺度分解，并使用多尺度信息来辅助图像去雾处理。
该方法被广泛应用于加速去雾算法的运算速度，同时在增加去雾的效果上也有很好的表现。
2. 基于深度学习的图像去雾算法深度学习在图像去雾中发挥了非常重要的作用。
可以通过构建深度学习模型来进行雾天图像的恢复。
其中，更为流行的是针对图像去雾的卷积神经网络（CNN），其可以直接学习图像的高层次特征，并在反卷积的过程中恢复出原始图像。
研究内容：本论文主要是针对雾天条件下图像的恢复研究，并基于此设计出一组基于深度学习的图像去雾算法。
具体的研究内容如下：1. 对雾天天气下的图像恢复技术深入研究，包括基于图像退化模型的图像去雾算法以及基于深度学习的图像去雾算法。
一种雾天彩色图像复原快速方法研究王蓉;李伟;杨晓刚【摘要】暗通道优先法则在处理自然雾天图像方面取得了非常好的效果,但是该方法需要消耗大量的存储和计算时间.提出了一种改进的雾天彩色图像增强快速方法.首先,根据雾天图像模型和先验知识,计算雾天图像的暗通道先验值；并估算初始透射率图像和大气光.然后利用数学形态学方法对初始透射率图像进行处理得到优化的透射率图；并根据这个优化透射率图、大气光和原始雾天图像计算去雾图像.最后利用gama校正获得最终的彩色增强图像.仿真实验结果表明本文提出的方法能较好地对雾天彩色图像进行去雾处理,且计算速度较快.相比于基于暗原色先验的单一图像去雾方法,图像尺寸越大,该方法的计算效率越高,计算时间优势越明显.【期刊名称】《科学技术与工程》【年(卷),期】2013(013)028【总页数】5页(P8320-8324)【关键词】图像处理;图像复原;图像增强;雾天图像【作者】王蓉;李伟;杨晓刚【作者单位】中国人民公安大学警务信息工程学院,北京100038;中国人民公安大学警务信息工程学院,北京100038;中国人民公安大学警务信息工程学院,北京100038【正文语种】中文【中图分类】TP391.41随着信息技术的快速发展，数字图像已经在军事、工业、农业、公共安全等领域得到了广泛地应用。
图像质量的好坏受天气条件的影响较大，例如，在雾天，空气中常常弥漫着雾霭等浑浊介质，这些介质的直径大于看见光的波长，散射光的强度分布不对称而且复杂，这种条件下获得的图像模糊不清，并随着拍摄目标到摄像机距离的增加，图像的对比度和清晰度都迅速降低，而且丢失了很多颜色信息，不能真切地反映景物的原貌，影响后续的数字图像分析与识别。
因此，能否通过图像增强与复原的方式还原景物的真实面貌，在数字图像处理与识别领域中是一项十分有意义的工作。
雾气浓度取决于场景的深度和雾自身的浓度，在没有其它先验信息的情况下，从雾天图像中估计出不同位置的雾的浓度将是一件十分困难的事情，而且图像中某些像素的颜色也要受到大气光照的影响，这些因素综合起来，都增大了雾天图像复原的难度。
拍视频遇到雾霾阴天怎么办⼀招教你雾霾变晴天剪辑视频常⽤技巧在外⾯拍摄视频时，如果碰到了严重的雾霾天⽓，拍出的视频难免会达不到理想的标准针对以上问题，给⼤家⼀个解决此问题的⽅法，让你拍摄的画⾯，由雾霾变晴天打开pr新建序列，导⼊视频将素材拖⼊时间线打开左下⾓的效果，选择视频效果选择模糊与锐化，选中钝化蒙版，拖到素材上点击素材，打开效果控件，找到钝化蒙版根据实际情况，调节钝化蒙版中的半径如果调解半径以后，还是出现雾霾情况我们可以是适当增加⼀下数量如果以上操作效果，都不理想的话选择钝化蒙版中的钢笔⼯具，画遮罩把画⾯分成两个部分进⾏调节⾸先调节第⼀部分，调节半径，然后调节数量这⼀部分就调节完成了然后再给视频添加钝化蒙版将剩余的部分画遮罩，操作步骤如上调节完成以后，调整⼀下蒙版⽻化，使过渡更⾃然做完这⼀步，我们可以点击颜⾊在Lumetri Color进⾏矫正具体参数，根据画⾯进⾏微调就可以了然后我们导⼊天空素材将素材拖⼊到时间线上，放到下⽅点击效果，视频效果选择键控，选中亮度键拖到上⽅素材点击素材，打开效果控件，找到亮度键选择钢笔⼯具，给素材的天空部分添加蒙版根据实际情况微调蒙版范围然后在亮度键下⽅调整阀值和屏蔽度的数值就会发现，雾蒙蒙的天已经被换掉了可能融合度不是很好我们可以调整上⽅素材的蒙版⽻化值或者调整天空素材的位置然后将上⽅的素材复制⼀层，将复制的素材放到最下⽅轨道选中最下⽅素材，在效果控件中，找到亮度键，选中后删除选中天空素材，在效果控件中，将不透明度数值修改为50然后预览视频就可以了以上就是本期课程了你学会了吗？。
基于物理模型的雾天图像复原新方法
陈功;王唐;周荷琴
【期刊名称】《中国图象图形学报》
【年(卷),期】2008(013)005
【摘要】由于雾天场景的能见度很低,因此为了保证视频监控系统的正常工作,需要对视频图像进行去雾处理.根据光学原理,雾天条件下场景的能见度下降是与场景深度呈指数关系的,鉴于现有的基于物理模型方法的去雾效果不够理想,因此提出了一种新的基于物理模型的图像复原方法,该方法首先对雾天场景的光学成像建模;然后借助于一张晴天和一张雾天场景的参考图像,计算出场景各点的深度比关系,最后利用深度关系复原雾天图像或雾天视频.实验结果证明,该方法是有效的和实用的.【总页数】6页(P888-893)
【作者】陈功;王唐;周荷琴
【作者单位】中国科学技术大学自动化系,合肥,230027;中国科学技术大学自动化系,合肥,230027;中国科学技术大学自动化系,合肥,230027
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于大气散射模型的单幅雾天图像复原方法 [J], 刘佳嘉;唐悟甲;刘建华
2.基于高精度大气耗散函数的快速雾天图像复原 [J], 曾佳;汪荣贵;王晶;董俊鹏
3.基于双模型分层递阶的雾天图像复原算法 [J], 王红;郝晓丽
4.基于天空区域分割和多尺度融合的单幅雾天图像复原算法 [J], 潘健鸿; 高银
5.基于显著性权重的多曝光融合的单幅雾天图像复原算法 [J], 李红云;施云;高银因版权原因，仅展示原文概要，查看原文内容请购买。
基于大气散射模型的实时视频去雾方法研究摘要：近年来，我国空气质量大幅下降，导致雾霾天气日渐频繁。
在雾霾天气情况下，大气中存在着很多混浊介质（如，颗粒、水滴等），户外场景的视频图像出现了退化和降质，表现为清晰度和对比度低、色彩失真、细节特征模糊不清等特点。
视频图像的降质退化使得户外视觉系统不能正常发挥效用，降低了工作效率及其可靠性。
例如，在雾霾天气情况下，能见度降低，航拍视频中目标不可见，且色彩及对比度等特征严重衰减，无法满足航拍工作系统的灾害监测预警等后续要求。
因而，在计算机视觉这一领域内，有雾视频的清晰化是一个重要的问题。
本文对雾天视频图像的退化和降质进行了详细的分析，阐述了雾天视频图像降质的原因，研究了国内外研究人员在视频图像去雾方面的成果，分析了各研究人员去雾方法的理论基础和核心技术，在此基础上，详细研究了基于大气散射模型的暗通道先验去雾方法，并且进行改进和完善，作出创新。
本文建立基于大气散射原理的视频图像去雾模型，以暗通道先验去雾方法为基础，用导向滤波进行改进，采用VS2013和Opencv编写去雾算法程序，实现单幅图像去雾，然后进行CUDA加速，使对常用的1920×1080大小的视频图像进行去雾处理的运算速率达到每秒15帧以上，实现实时视频去雾。
最后，将本文的去雾算法与其他算法进行比较，对比不同去雾方法得到的恢复图的效果，以及不同方法的利弊，完善细节，将该算法应用于实际待去雾的视频中。
关键词：图像降质；图像去雾；暗通道先验；大气散射模型第1章绪论1.1 课题研究背景和意义一般情况下，获得清晰的视频图像是户外视觉系统正常工作和发挥效用的前提，因此，它对于天气情况非常敏感。
然而，近年来，我国空气质量大幅下降，多地频繁出现雾霾天气。
雾天条件下，户外场景的视频图像受到严重影响，这是由于大气中存在着许多混浊介质，包括颗粒、水滴等，这些介质会吸收和散射部分可见光，使成像设备接收到的光的强度产生衰减，这导致获取的视频图像产生退化和降质。
—182—雾天条件下的视频图像复原方法及其应用葛君伟，谢祥华，方义秋(重庆邮电大学GIS 研究所，重庆 400065)摘 要：针对雾天户外视频图像的退化现象，提出一种基于大气模型的完全自适应视频图像复原方法。
该方法根据单帧图像的灰度分布特性，求出天空区域灰度的最佳近似正态分布，再由这个近似正态分布得到天空区域的灰度均值，同时根据灰度直方图分割出各个景物的深度区域并求出归一化辐射率的值，利用同深度区域内像素点的对比度实现退化图像的复原。
实验表明，该方法对雾天退化图像的清晰化效果较好。
关键词：雾天；大气模型；正态分布；归一化辐射率；深度区域Video Image Restoration Method in Foggy Weatherand Its ApplicationGE Jun-wei, XIE Xiang-hua, FANG Yi-qiu(GIS Research Centre, Chongqing University of Posts & Telecommunications, Chongqing 400065)【Abstract 】According to degraded phenomena of outdoor video images taken in foggy weather, this paper proposes an entirely self-adapting method of video image restoration on the basis of atmospheric model. Under the gray distributing characteristic of an image, the optimal normal distribution of the gray for sky region can be gained. The gray mean of the sky distribution can be obtained by the optimal normal distribution. At the same time, the iso-depth region can also be segmented according to the gray histogram and the value of normalized radiance can be solved. It uses contrast of pixels in iso-depth region to realize restoration of degraded images. Experiments show the method can effectively improve degraded images in foggy weather.【Key words 】foggy weather; atmospheric model; normal distribution; normalized radiance; depth region计 算 机 工 程 Computer Engineering 第36卷 第14期Vol.36 No.14 2010年7月July 2010·图形图像处理· 文章编号：1000—3428(2010)14—0182—03文献标识码：A中图分类号：TP391.411 概述大多数的室外视频工作系统，如视频监控、地形勘测、自动驾驶等，都需要清晰准确地提取图像特征，但在雾天情况下，由于场景的能见度低，图像中目标对比度和颜色等特征被衰减，系统无法正常工作，因此需要在视频图像中消除雾天对场景图像的影响。
雾天图像复原也称为去雾，如今已有多种去雾算法，具体的可以分为非模型的方法和基于物理模型的方法2类。
早期的去雾算法是用简单的图像处理方法改变对比度，如直方图均衡化和对比度拉升等，由于能见度具有指数衰减特性，因此这些方法并不能取得很好的效果。
典型的非模型方法还包括基于小波和基于大气调制传递方程的方法。
文 献[1]就是使用基于小波的方法对多幅雾天图像进行融合来获得一张较好的图像，但这种方法只能相对地提高图像质量，并不能实现真正意义上的去雾。
文献[2]借助于大气调制传递方程进行雾天衰减图像的处理，但是需要事先知道雾天浓度和场景深度，在实际应用中难以实现。
相比之下，基于物理模型的方法却能够取得较理想的去雾效果。
目前，雾天条件下的退化图像复原多采用大气物理模型方法。
在使用该方法进行图像清晰化处理时，由于缺少参数，很难从一幅在恶劣天气情况下拍摄的单帧图像中恢复晴朗天气下对应场景图像的对比度和色度。
如文献[3]利用2幅不同雾天情况下的退化图像求取天气信息和场景信息；文献[4]则需要2种不同天气状况下对同一场景的图像来估计深度信息。
显然它们对视频图像采集的要求过于苛刻。
为了有效解决上述不足，本文提出了一种基于大气模型的完全自适应的景物影像复原方法。
2 大气模型的建立文献[5]对恶劣天气下图像的成像机制进行了深入的研究并发现，在雾天状况下，景物成像机制主要有2种：(1)景物光通过大气传送到摄像机过程中的光线衰减机制；(2)大气中的粒子对环境光的散射，它也会对成像产生影响，称为Airlight 机制。
景物光经大气衰减后到达摄像机的光强度为1e d E I βρ−∞= (1)大气中的粒子将环境光散射到摄像机的光强度为2)e E I −∞=(1− (2)在上述2种成像机制的共同作用下，摄像机接收到的光强度为e ) e d E =I I β−ρ−∞∞+(1− (3) 其中，d 是景点深度；β是大气的散射系数；βd 称为景点的光学深度；I ∞是空间光强度；ρ是与景点反射系数、归一化空间照度谱和摄像机谱响应三者有关的函数，它与天气条基金项目：重庆市教委基金资助项目(KJ090519)作者简介：葛君伟(1961－)，男，教授、博士，主研方向：模式识别，图像处理，软件工程；谢祥华，硕士；方义秋，副教授 收稿日期：2010-01-09 E-mail ：mynamexxh@—183—件β和I ∞无关，又称为景点的归一化辐照率。
为了获得较精确的空间光强度I ∞，本文采用分割天空区域的方法获得空间灰度均值。
3 天空区域的确定由于雾对光线有较强的散射作用，可知图像的天空区域灰度值较高，因此在图像的灰度级直方图中，最高峰值的区域为天空区域，且其灰度值的分布满足正态分布[6]，如图1所示。
(a)原图像(b)灰度直方图图1 雾天城市图像及其灰度直方图3.1 最佳近似正态分布的搜索算法为了顺序标识出灰度直方图的每个谷底和最大峰值点，本文采用从左向右扫描图像的灰度直方图，如图1(b)所示。
灰度直方图的最高峰值点记为max max (,)h p ，该点的横坐标max h (即灰度级数)为初始正态分布的灰度均值µ(即max h µ=)，则根据任意给定的标准差σ即可得到如下正态分布：222()max eh y p σµ−−= (4)式(4)是一个一维高斯函数，其中，max p 为辐值；µ为均值；σ为标准差。
正态分布与灰度分布的偏差为2550(,)()h t y h p h σ==−∑ (5)其中，h 为灰度级；(,)y h σ为高斯函数在第h 个灰度级上的取值；()p h 为第h 个灰度级的灰度频数。
通过搜索，找到满足下面性能指标的方差ˆσ即为最佳近似正态分布的方差：{255ˆ()min (,)()h J y h p h σσ==−∑ (6) 搜索步骤如下：(1)任意给定一个偏小的方差0σ，代入式(4)即得到初始的正态分布y ，同时计算式(5)得值为0t 。
(2)令0σσδ=+，代入式(4)计算新的正态分布y ，同时计算式(5)得值1t 。
(3)判断是否10t t <，如果是，令10t t =，转步 骤(1)；否则所得到的以µ为均值，σ为标准差的正态分布即为最佳近似正态分布。
3.2 天空阈值的确定由正态分布的性质知，天空区域内灰度的变化较小，将天空阈值进行分割，当2h µσµσ−2+≤≤时，因其概率分布占总分布的95%左右，所以区间12[,]h h 为天空区域的灰度分布范围，其中，12h µσ=−;22h µσ=+。
对于彩色图像，取12[,]h h 为天空区域的灰度分布范围，其中，{}1R 1G1B1max ,,=h h h h ;{}2R2G2B2max ,,=h h h h 。
4 相同深度区域的确定由于雾天条件下图像内的每个景物可认为具有相同的景点深度[5]，为了快速而又比较准确地获得相同景点的深度区域，本文采用灰度直方图选择阈值的方法分割图像。
如图1(b)所示，图中共有10个峰值和9个谷值，阈值T 1~T 9为峰谷处的灰度值，最高峰值点T 10=h max ，区间[0,T 1], [T 1,T 2],…, [T 8,T 9], [T 9,255]为不同景物的灰度分布范围。
因图1(b)为图像阈值分割的一般范例，具有普遍性，故其特征也可应用于其他雾天条件下的图像。
5 降质图像的物理复原经大量试验证明，雾除了有一定的白噪声外，还会使图像的对比度下降[7]。
下面讨论雾天图像的清晰化方法。
若在相同深度区域内大气的散射系数β为定值，在相同深度区域内任取2个像素点i p 、j p ，则它们各自的像素亮 度为()()()()(1)ee (1)ee i i j j I I E I I E ρρ−−∞∞−−∞∞⎧=+−⎪⎨=+−⎪⎩(7) 用式(7)可计算出像素点i p 和j p 之间的对比度，即为()()()()()()()()2(1)e i j i j i j i j E EE Eρρρρ−−−=+++− (8) 式(8)表明图像的对比度与景点的光学深度大致成指数反比关系。
因此，从理论上来说看，用通常的对比度拉伸方法不能完全复原图像，而把雾当作噪声处理也不太合理。
从式(7)中删除e − 后可得()()()11i i j I E I E ρρ∞∞−−=−− (9)若相邻的若干像素具有相同的景点深度区域，则有()()()()1()(1)i i j j jjI E I E ρρ∞∞−−=−−∑∑ (10) 由式(11)得任意景点的归一化辐射率为()()()()11()i i j j j j jI E I E ρρ∞∞−⎛⎞=−−∑∑⎜⎟−∑⎝⎠ (11) 因上文已经分割出景物的场景深度区域和得到空间光强度I ∞的值，迭代上述过程(计算方法见文献[5])，则可计算 出()i ρ的值。
