下载文档原格式
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。
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
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。
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。
