下载文档原格式
改进的暗通道先验快速图像去雾算法张江鑫;周佳波;孟利民【摘要】针对暗通道去雾算法复杂度过高的问题,提出一种基于暗通道的快速去雾算法.首先对图像分块处理,提高求取暗通道值的速度;接着采用线性插值算法平滑处理,消除块状效应;然后根据暗通道先验求得透射率;最终利用大气散射模型得到清晰无雾图像.实验结果证明,在保证良好去雾效果的前提下,相比原暗通道算法,所提算法复杂度被有效降低,去雾所需时间也降为原来的1/10左右,达到准实时.%Due to high complexity of dark channel prior defogging algorithm,a fast defogging algorithm based on dark channel prior was proposed.Firstly,the computing of the dark channel map was accelerated by blocking the image.Secondly,the block effect was eliminated by using the linear interpolation algorithm to smoothing.Then,the transmission map was acquired by dark channel prior.Finally,a clear and haze-free image would be gotten from the atmospheric scattering model.The experimental results show that the defogging effect of the proposed algorithm can be as good as the original defogging algorithm but the complexity can be reduced effectively.The proposed algorithm needs time about one-tenth of the original algorithm and reaches the requirement of near real-time.【期刊名称】《计算机应用》【年(卷),期】2017(037)008【总页数】5页(P2324-2328)【关键词】去雾算法;暗通道;导向滤波;分块;线性插值【作者】张江鑫;周佳波;孟利民【作者单位】浙江工业大学信息工程学院,杭州310023;浙江工业大学信息工程学院,杭州310023;浙江工业大学信息工程学院,杭州310023【正文语种】中文【中图分类】TP391.413雾霾天气下，浑浊的大气会吸收景物图像的光线，并造成光线散射，从而降低计算机采集的图像质量。
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。
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。
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。
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。
---------------------------------------------------------------最新资料推荐------------------------------------------------------ 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：A 0 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1 / 9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。
郭璠等人 [3] 提出融合策略无需依靠大气散射模型或场景结构信息,只需通过原始衰退图像来获取其输入图与权重图，其中 2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强,而 3 幅权重图则突显了图像雾气较浓区域的细节信息。
融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像 [4] 。
---------------------------------------------------------------最新资料推荐------------------------------------------------------ 此外,还从人类视觉感知的角度提出了一个新的去雾效果评价指标,从而为图像去雾与去雾效果评价问题提供了新的解决思路[5-6] 。
尽管上述这些图像去雾机制能够取得较好的视觉效果；但是这些算法不稳定，当在大雾天气很严重时，这些算法就难以使用，图像去雾质量较差。
为了解决上述问题，本文提出了一个基于 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，推算出本文的去雾模型。
最后引入 OpenCV 来增强系统运行效率。
并测试了本文算法的图像去雾性能。
1 暗通道先验与雾图形成模型本文首先对暗通道先验与雾图形成模型进行研究，然后基于改进的暗通道理论进行图像去雾。
)) ( min ( min ) () , , ( ) (y J x Darkcb g r c x y = （1）式中cJ 表示彩色图像的每个通道，Ω(x)表示以像素 X 为中心的一个窗口，Dark(x)表示暗通道图像中对应原图 X 处点的灰度值。
式（1）的意义：首先求出每个像素 RGB 分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半3 / 9径由窗口大小决定，一般有 WindowSize = 2 * Radius + 1。
暗通道先验的理论指出：0 ) ( x Dark （2）实际生活中造成暗原色中低通道值主要有三个因素：a)汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；b)色彩鲜艳的物体或表面，在 RGB 的三个通道中有些通道的值很低（比如绿色的草地／树／植物，红色或黄色的花朵／叶子，或者蓝色的水面）；c)颜色较暗的物体或者表面，例如灰暗色的树干和石头。
总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。
)) ( 1 ( ) ( ) ( ) ( x t A x t x J x I + = （3）其中，I(X)就是我们现在已经有的图像（待去雾的图像），J(x)是我们要恢复的无雾的图像，A 是全球大气光成分， t(x)为透射率。
现在的已知条件就是 I(X)，要求目标值 J(x),显然，这是个有无数解的方程，因此，就需要一些先验了。
将式（3）演变为：) ( 1 ) () ( ) (x t x tAx JAx Icccc + = （4）如上所述，上标 C 表示 R/G/B 三个通道的意思。
首先假设在每一个窗口内透射率 t(x)为常数，并且 A 值已经给定，然后对式（4）两边求两次最小值运算，得到下式：c cc cy ( x ) c y ( x ) cI ( x) J ( x)min (min ) t( x) min---------------------------------------------------------------最新资料推荐------------------------------------------------------ (min ) 1 t( x)A A = + （5）上式中，J 是待求的无雾的图像，根据前述的暗原色先验理论有：0 )) ( min ( min ) () , , ( ) (= = y J x Darkcb g r c x y （6）因此，可推导出：0 )) (min ( min) (= ccc x yAx J （7）把式（7）带入式（5）中，得到：)) (min ( min 1 ) () (ccc x yAx Jx t = （8） t(x)这就是透射率的预估值。
在现实生活中，即使是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，因此，有必要在去雾的时候保留一定程度的雾，这可以通过在式（8）中引入一个在[0,1] 之间的因子，则式（8）修正为： )) (min ( min 1 ) () (ccc x yAx Jx t = (9) 2 本文算法改进与实现本文中所有的测试结果依赖于：=0.95。
上述推论中都是假设全球达气光 A 值是已知的；但在实际中，可以借助于暗通道图，从有雾图像中获取该值。
具体步骤如下：1）从暗通道图中按照亮度的大小取前 0.1%的像素。
2）在这些位置中，在原始有雾图像 I 中寻找对应的具有最高亮度的点的值，作为 A 值。
5 / 9继而可以进行无雾图像的恢复了。
由式（1）可知：J = ( I - A)/t + A 现在 I,A,t 都已经求得了，因此，完全可以进行 J 的计算。
因此，最终的恢复公式如下：Ax tA x Ix J +=) () () ( （10）算法改进 1、普通算法中的 A 最终是取原始像素中的某一个点的像素，本文实际上是取符合条件的所有点的平均值作为 A 的值，这样做是因为，如果是取一个点，则各通道的 A 值很有可能全部很接近 255，这样的话会造成处理后的图像偏色和出现大量色斑。
实际普通算法对图像的处理效果一般都不好，会出现明显的过渡区域。
对此，本文增加一个参数：最大全球大气光值。
当计算的值大于该值时，则就取该值。
本文将 A 的最大值设为 200。
2、直接去雾后的图像会比原始的暗，因此在处理完后需要进行一定的曝光增强，但普通算法往往没有考虑增强，因此，本文算法在去雾处理后，再用增加色阶方法 [7-8] 对其增。
3、普通算法的速度往往不够快，有着太多的浮点计算，虽然可以试着对代码进行深层次的优化，包括 SSE 处理、并行运行等，但由于算法本身的顺序执行，无法全程并行，使其时耗大，对于一幅---------------------------------------------------------------最新资料推荐------------------------------------------------------ 1024*768 的彩图进行去雾需要 90ms。
已有研究表明 [9-10] ，既然暗通道去雾的透射率图比其他的算法都来的精细，如果适当的降低一点点其精度，其去雾的效果理论上应该不会有太大的区别。
故本文在求取透射率时，并不是对原图进行求取，而是先对原图进行下采样，比如缩小为原图的 1/4，计算出小图的透射率，然后在通过插值的方式的获取原图大概的透射率。
经本文实验表明，这种方式大大的提高了执行速度，而且效果和原始的方案基本一致，对于 1024*768 的图像大约只需要（I3CPU）30ms 了，如果进一步取 1/9 的缩放，则只需要大约 20ms，完全可以满足工业实时性要求高的场合。
3 实验与讨论为了验证本文算法的可行性与优越性，本文并将当前的图像去雾性能较好的算法：文献[6]视为对照组，记为 B 算法。
取=0.95，A=200，对照组算法=0.85，A=180。
以雾天原图为测试对象，如图 1、4、7 所示。
再利用本文算法与对照组算法对其进行去雾，结果见图 2、3、5、6、8、9所示.从图中可知，本文算法具有更佳的去雾性能，复原图像清晰，去雾效果明显。
传统去雾算法效果不佳，如图 3、6、9 所示。
这表明本文去雾算法优于传统 B 算法。
7 / 9原因是普通算法中的 A 最终是取原始像素中的某一个点的像素，使得各通道的 A 值很有可能全部很接近 255，导致处理后的图像偏色和出现大量色斑，出现明显的过渡区域；而本文算法增加一个参数：最大全球大气光值，取符合条件的所有点的平均值作为 A 的值；且利用增加色阶方法 [7] 对直接去雾后的图像进行了曝光增强，而普通算法往往没有考虑增强。
从而使得本文算法具有更好的去雾质量。
