基于暗通道先验的图像去雾方法研究

暗通道先验算法范文首先，暗通道先验算法的原理是基于自然图像中存在着一种被称为“暗通道”的现象。

暗通道是指在图像中的细节区域中，至少有一个像素的强度值为零，并且这种现象在任何自然图像中都会存在。

通过分析暗通道可以得到有关图像中雾气浓度和透射率的信息，进而进行图像去雾操作。

然后，我们来看一下暗通道先验算法的应用场景。

这种算法主要用于改善由雾霾、烟雾等因素导致图像质量下降的情况。

例如，在户外摄影中，由于空气中存在大量的悬浮颗粒物，拍摄的照片往往表现出模糊、暗淡的效果，这时就可以应用暗通道先验算法来去除雾气，使得照片更加清晰明亮。

接下来，我们将介绍对暗通道先验算法的一些改进方向。

一方面，可以结合其他图像处理技术来进一步提高图像去雾的效果。

例如，可以利用直方图均衡化来增强图像的对比度，或者通过边缘增强算法来提升图像的细节信息。

另一方面，可以引入深度学习的方法来优化暗通道先验算法。

例如，可以使用卷积神经网络来学习图像中的暗通道分布，从而更准确地估计图像的透射率，提高图像去雾的效果。

除了改进算法本身，还有一些与暗通道先验算法相关的研究方向。

首先，可以研究多图像去雾的算法。

传统的暗通道先验算法是基于单幅图像进行处理的，而在实际应用中，常常会有多幅图像同时提供信息。

因此，通过综合多个图像的信息，可以进一步提高图像去雾的效果。

另外，可以研究在特定场景下的去雾算法。

不同的场景可能存在不同的光照分布，因此，可以根据场景的特点来设计针对性的去雾算法，提高图像的视觉效果。

综上所述，暗通道先验算法是一种有效的图像去雾算法，在计算机视觉和图像处理领域得到了广泛的应用。

通过分析图像中的暗通道分布，可以获取有关雾气浓度和透射率的信息，从而实现图像去雾的操作。

未来的研究方向包括算法的优化以及与其他图像处理技术的结合，以及针对不同场景的去雾算法的设计。

基于暗原色先验图像去雾算法的研究与改进作者：王亮万舟来源：《软件》2017年第09期摘要：暗原色先验算法在单幅图像去雾方面有较好的效果，但该算法对处理器要求较高，且耗时长，很难应用于对实时性要求较高的图像去雾。

针对这一问题，提出了一种基于暗通道先验的改进算法：首先用高斯滤波替代软抠图方法消除块状效应、平滑透射率，根据给定的雾浓度系数粗略恢复无雾图像；然后增大雾的浓度系数，结合峰值信噪比和暗原色先验算法对图像进行去雾处理，最终恢复无雾图像。

与典型的去雾算法相比，改进后的算法运算量显著减少，保证去雾效果的同时计算速度明显提高。

关键词：暗原色先验；图像去雾；高斯滤波；峰值信噪比0 引言目前，无人机广泛用于航拍、交通监测、空中侦察和测绘等方面。

其轻便、机动灵活、隐蔽性强的特点，使其具有很高的应用价值，越来越受到人们的重视。

然而无人机雾天执行任务时，由于大气中气溶胶对光线的吸收和散射作用，造成无人机拍摄图像质量下降。

图像的退化和模糊使得图像中基本信息特征失真受损，导致目标识别不清。

因此，对无人机图像进行去雾技术研究意义重大。

雾天下由于从目标物体反射的光线与大气粒子的相互作用，发生折射、散射、吸收融合等光学现象，造成能量大幅衰减，感光装置接收到的光线强度发生变化，从而引起图像灰度值分布过于集中、像素间的对比度降低等。

目前无人机去雾算法主要分为两类：基于图像处理的图像增强，通过对雾化图像锐化处理提高对比度，凸显图像中的细节信息，但会造成一定的细节丢失，并不能真正地实现去雾。

该类方法主要包括gamma校正、直方图均衡、小波变换、对比度拉伸等；第二，基于物理模型的图像复原，通过对整个过程清晰的了解构建物理模型，反演退化过程，获得清晰无雾的图像。

该类方法主要包括基于偏微分方程、基于深度关系、基于先验信息等。

如基于暗通道先验的图像去雾算法，虽然能获得较好的清晰度和对比度，但该基于先验信息的方法依然存在计算复杂，明亮区域透射率估算不准确，色彩过于饱和等问题。

图像去雾----暗通道暗通道去雾算法原理及实现1. 算法原理。

基本原理来源于何凯明⼤神的CVPR09的论⽂暗通道。

所谓暗通道是⼀个基本假设，这个假设认为，在绝⼤多数的⾮天空的局部区域中，某⼀些像素总会有⾄少⼀个颜⾊通道具有很低的值。

这个其实很容易理解，实际⽣活中造成这个假设的原因有很多，⽐如汽车，建筑物或者城市中的阴影，或者说⾊彩鲜艳的物体或表⾯(⽐如绿⾊的树叶，各种鲜艳的花，或者蓝⾊绿⾊的睡眠)，颜⾊较暗的物体或者表⾯，这些景物的暗通道总是变现为⽐较暗的状态。

所以暗通道是什么呢？其实⽐较简单，作者认为暗通道是：暗通道先验理论指出：暗通道实际上是在rgb三个通道中取最⼩值组成灰度图，然后再进⾏⼀个最⼩值滤波得到的。

我们来看⼀下有雾图像和⽆雾图像暗通道的区别：可以发现，有雾的时候会呈现⼀定的灰⾊，⽽⽆雾的时候咋会呈现⼤量的⿊⾊（像素为接近0），作者统计了5000多副图像的特征，基本都符合这样⼀条先验定理。

雾图形成模型计算机视觉中，下⾯这个雾图形成模型是被⼴泛使⽤的：其中I(x)是现有的图像（待去雾），J(x)是要恢复的原⽆雾图像，A是全球⼤⽓光成分，t(x)是透射率，现在的条件就是已知I(x)，来求J(x),显然不加任何限制的话是有⽆穷多个解的。

但是现实⽣活中，即使是晴天⽩云，空⽓中也会存在⼀些颗粒，看远⽅的物体还是能够感觉到雾的影响，另外，雾的存在可以让⼈们感觉到景深的存在，所以我们保留⼀部分的雾，上式修正为：其中w是[0-1]之间的⼀个值，⼀般取0.95差不多。

上⾯的推导都是假设全球⼤⽓光是已知的，实际中，我们可以借助暗通道图来从有雾图像中来获取该值：1. 从暗通道图中按照亮度⼤⼩取前0.1%的像素。

2. 在这些位置中，在原始图像中寻找对应具有最⾼亮度点的值，作为A值。

到这⾥，我们就可以进⾏⽆雾图像的恢复了：当投射图t很⼩时，会导致J的值偏⼤，会导致图⽚某些地⽅过爆，所以⼀般可以设置⼀个阈值来限制，我们设置⼀个阈值：⼀般设置较⼩，0.1即可。

采用快速导向滤波的暗通道先验去雾算法的研究与实现本文首先阐述了暗通道先验去雾的理论基础及其适用范围，其次对于基于暗通道优先理论的雾天图像清晰化处理的基础算法及可能进行优化的步骤进行了分析，最后在此基础之上采用了导向滤波与最新的快速导向滤波算法代替软抠图实现了算法的进一步优化。

在上述理论研究基础之上，本文使用Matlab对多种雾天图像清晰化处理算法进行了逐一实现，并设计了综合比较系统，实现了直方图均衡化去雾算法、自适应直方图去雾算法以及SSR、MSR去雾算法等与暗通道优先算法在效果与效率上的对比分析。

本系统不仅能够对这各种算法的最终结果和中间产物进行输出保存，还能够对各种算法进行算法效率和算法结果进行直观数字的对比。

在描述恶劣天气条件对图像造成的影响时，McCarneg 散射理论得到的米氏散射物理模型是最为常用的，该物理模型表达式为：(1.1)其中β是大气散射系数，d是场景深度。

(x，y)是图像像素的空间坐标;I是雾化图像的颜色值，J是场景无雾情况下的颜色值，A 是大气光颜色值，而t则是场景色彩在各个区域通过程度的描述。

去雾方法的本质就是从I获取J，A和t。

称为场景直接衰减值，表示景场景直接衰减值描述描述场景颜色值，以及它在介质中的衰减程度;被称为空气光。

在光路上由于大气粒子的散射作用，杂散光会融入到成像光路中，与目标物体的反射光一起参与成像，即图像复原中的“噪声”。

空气光描述由于光线散射导致场景颜色值偏移的大气光。

我们可以用传输透射率t(x，y)来表示指数衰减项，则可以得到：I(x，y)=J(x，y)t(x，y)+A(1-t(x，y)) (1.2)对于上式，如果已知透射率t(x，y)，大气光A和有雾图像I，方可求得无雾图像J：(1.3)在大多数的不包含天空的局部区域中至少有一个颜色通道中存在亮度很小甚至接近于零的像素。

也就是说，在这样的一个区域中的最小亮度接近零。

为了更好地描述这个概念，对于任意图像J，其暗通道由下式给出：(1.4)根据式J(x)是要恢复的无雾的图像，A是全球大气光数值， t(x)为透射率。

暗通道去雾算法原理暗通道去雾算法是一种常用的图像去雾方法，它基于暗通道先验原理，在图像中预先找到暗通道并利用其估计场景深度和大气光，从而去除图像中的雾霾。

该算法具有计算速度快、效果稳定等优点，在计算机视觉、图像处理等领域具有广泛的应用。

下面我们将详细介绍暗通道去雾算法的原理。

一、判定暗通道对于一张含有雾的图片I，其在某个像素位置的亮度值可以表示为I(x)，其中x为该像素的坐标位置。

根据图像去雾的基本原则，假设原始场景的亮度值为J(x)，则I(x)可以被表示为：I(x)=J(x)t(x)+A(1-t(x))其中t(x)表示该像素处的透射率，A表示场景的大气光，1-t(x)表示该像素的反射率。

对于一张图像，其暗通道一般可以通过以下公式计算：Dc(x)=min(min(Jr,Jg),Jb)其中Dc表示暗通道，Jr,Jg,Jb分别表示图片每个像素点处的红、绿、蓝通道的值。

该公式的物理意义是，在具有较强雾霾的区域，颜色值越小的像素点更容易透过雾霾，因此在暗通道中颜色值最小的像素点更可能是无雾情况下的颜色。

二、估计大气光在使用暗通道先验原理求图像场景深度之前，需要先估计图片中的大气光。

根据上述公式，Dc的最小值与大气光A具有关联，可以通过以下公式计算：A=argmax(I(x))其中argmax表示取所有像素点中亮度值最大的像素点的位置，该位置即为大气光所在位置。

由于大气光通常在图片中位置比较靠近，因此可以针对一个较小的图片区域进行计算，以提高速度和准确性。

需要注意的是，由于图像中可能存在比大气光更亮的物体，如光源等，因此在计算大气光时需要对这些物体作出排除。

三、估计场景深度场景深度是指光线在经过物体时所穿过的距离，能够用于估计透射率。

根据暗通道先验原理，可以使用暗通道估计场景深度。

具体而言，可以通过以下公式计算场景深度：t(x)=1-ωmin(D(x)/A)其中ω表示全局透射率的权重，通常设置在0.95左右。

尺度自适应暗通道先验去雾方法近年来，图像去雾成为计算机视觉领域的热门研究课题之一。

与传统预先指定去雾参数相比，先前提出的基于参数学习的图像去雾方法可以更好地拟合去雾结果和可视感受。

然而，由于光照不均匀性和传感器信噪比的影响，即使采用经验先验学习参数，全局去雾结果仍会受到一定程度的影响。

为了解决这一问题，在本文中，我们提出了一种尺度自适应暗通道先验去雾（SCAP-Dehazing）方法，它可以学习多尺度暗通道先验以便更好地拟合去雾结果和可视感受。

首先，我们提出了一种尺度自适应暗通道先验（SCAP），它可以通过分析多个尺度的像素模糊度来学习暗通道先验模型。

具体来说，该模型使用低通滤波器来捕获像素模糊度，然后利用线性拟合来拟合暗通道先验。

本文还提出了一种多尺度暗通道先验去雾（SCAP-Dehazing）方法，它可以利用从尺度自适应暗通道先验（SCAP）模型中学习到的暗通道参数来实现有效的图像去雾。

本文提出的方法可以更好地拟合去雾结果和可视感受，因为它考虑了不同空间尺度上发生的光照不均匀性和噪声影响。

此外，为了进一步改善去雾效果，我们在本文中提出了一种新颖的暗通道优化（DCO）算法，该算法使用光照保护效应（IPE）来控制暗通道的值和失真的位置。

为了验证本文提出的方法的有效性，我们还从去雾结果、可视感受和暗通道优化等多个方面进行了实验验证。

实验结果表明，比起现有的去雾方法，本文提出的SCAP-Dehazing方法可以在去雾结果和可视感受方面获得更好的拟合。

此外，通过运用暗通道优化算法，也可以有效改善去雾结果。

本文提出了一种尺度自适应暗通道先验去雾方法，它可以学习多尺度暗通道先验以便更好地拟合去雾结果和可视感受。

为了提高去雾质量，我们还提出了一种新颖的暗通道优化（DCO）算法，该算法可以有效地改善去雾结果。

实验结果表明，本文提出的SCAP-Dehazing 方法可以根据尺度自适应暗通道先验学习拟合去雾结果和可视感受，改善传统去雾方法。

暗通道去雾算法是目前应用最广泛的图像去雾算法之一，其基本思想是利用暗通道先验知识，将图像中的暗部像素视为先验图像，通过对图像进行梯度计算和阈值分割，去除图像中的雾气影响。

下面是基于MATLAB 的暗通道去雾算法实现步骤：1. 输入图像预处理首先，需要对输入的图像进行预处理，包括去除图像中的噪声和调整图像的亮度、对比度等。

img = imread('image.jpg'); 读取图像img_gray = rgb2gray(img); 转换为灰度图像img_denoised = img_gray - filter2(bilateralFilter(img_gray), 1, 10, 100); 去除噪声img_adjusted = imadjust(img_denoised, 0.5, 1.5, 0, 1); 调整亮度和对比度2. 计算梯度接下来，需要计算图像的梯度，以确定图像中的暗部像素。

[gx, gy] = gradient(img_adjusted); 计算梯度3. 计算梯度的幅值和方向然后，需要计算梯度的幅值和方向。

[mag, ang] = gradient(img_adjusted); 计算梯度的幅值和方向4. 计算暗通道先验接下来，需要计算暗通道先验图像。

mask_threshold = 0.01; 设定阈值mask_min = 0; 设定最小值mask_max = 1; 设定最大值mask = mag .* (mask_threshold + mask_min) .* (mask_threshold + mask_max); 计算暗通道先验5. 阈值分割和去雾最后，需要进行阈值分割和去雾。

[y, x] = find(mask > 0); 找到暗通道先验大于零的位置img_dehaze = img_adjusted(y, x); 提取暗通道先验大于零的部分img_dehaze = imadjust(img_dehaze, 0, 255, 0, 255); 调整颜色img_dehaze = imshow(img_dehaze, []); 显示去雾后的图像imwrite(img_dehaze, 'dehaze.jpg'); 保存去雾后的图像以上就是基于MATLAB 的暗通道去雾算法实现步骤。

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。

基于暗通道先验的快速图像去雾算法肖钟捷;余文森;程仁贵;刘长勇【摘要】探讨了暗通道先验去雾算法的原理，针对暗通道先验去雾算法时间复杂度太大的缺点，提出用快速有效的巴特沃兹低通滤波器代替复杂的软抠图方法实现对透射率的平滑与细化；针对暗原色图像在景深交界处存在白边现象采用求区域最大值法加以修正；并给出了自适应的求解全局大气光算法。

实验结果表明，改进的暗通道去雾算法在获得满意的图像去雾效果的同时能大大提高图像去雾算法的速度，能满足工程上的实时应用要求。

%The principle of dark channel prior to fog algorithm was discussed in the paper,and the soft matting smooth and refined transmittance was achieved using a quick and efficient Butterworth low-pass filter instead of the complex method according to the shortcoming of time complexity of the algorithm. For the white edge image existing at the junction of the phenomenon in depth of dark colors,the method of seeking the maximum area was used,and an adaptive algorithm for solving global atmospheric light was also given in the paper. Experimental results showed that the improved algorithm in the dark passage to fog the image not only obtained satisfactory results but also greatly increased the speed of the image to fog algorithms to achieve the real-time applications requirements of engineering.【期刊名称】《吉林师范大学学报（自然科学版）》【年(卷),期】2014(000)003【总页数】5页(P106-110)【关键词】去雾;暗通道先验;暗原色图像;大气光;透射率【作者】肖钟捷;余文森;程仁贵;刘长勇【作者单位】武夷学院数学与计算机学院，福建武夷山 354300; 北京航空航天大学宇航学院，北京 100191;武夷学院数学与计算机学院，福建武夷山 354300;武夷学院数学与计算机学院，福建武夷山 354300;武夷学院数学与计算机学院，福建武夷山 354300【正文语种】中文【中图分类】TP751在户外的目标识别与跟踪、智能导航、公路监控、卫星遥感等视觉系统中，雾霭天气往往会造成图像模糊、对比度降低等缺点．近年来，以得到清晰图像为目的研究课题越来越受到各国研究人员的重视，成为图像处理领域的一个研究热点．有关图像的清晰化方法中去雾的研究一般可分两大类：一类是基于图像增强的方法，如直方图均衡化、同态滤波算法、基于大气调制传递函数以及Retinex算法[1]等．虽然每种方法针对不同的场合和对象能取得不错的去雾效果，并不断有新方法和手段被提出，但图像增强角度实际上只是改善图像的视觉效果，并没有实质上改变；另一类是基于物理模型的图像复原，其基于图像退化原因和大气散射规律建立退化模型，利用退化的先验知识实现去雾．最近这方面的研究取得了很大的进展，Tan[2]提出通过利用最大化局部对比度来恢复图像的色彩对比，以达到图像去雾的目的，其结果在视觉上是很吸引人的，但时间复杂度太大，且该方法并不符合真实的物理模型，结果易失真；Fattal[3]通过假定透射率和表面投影在局部是不相关的，估算景物的反射率，推断景物光在空气中传播时的透射率．Fattal的做法比较准确，并且能产生很好的去雾结果．然而在雾浓度较大的时候便显得无能为力，尤其是当他的假想一旦失效的时候．何凯明等人[4]提出“基于暗通道优先的单幅图像去雾”新方法，该论文被评为CVPR’2009唯一最佳论文，被视为华人在计算机视觉与模式识别领域发表的最高级别论文，该方法被证明是目前最通用、最有效的图像去雾方法．但该方法在透射率优化时采用了软抠图(soft matting)算法[5]，需要计算拉普拉斯矩阵并求解线性方程组，导致该算法在时间复杂度和空间复杂度上都很高．随后，He等人又提出了导向滤波[6]算法，并建议可以用导向滤波来代替soft matting算法实现对透射图的优化，以提高“暗通道优先去雾”算法的处理速度．本文算法的改进在于提出采用更快速的巴特沃兹低通滤波代替导向滤波或软抠图算法实现对透射图的平滑与细化操作；并针对暗原色图像去雾在景深变化边界处存在的白边现象应用边缘区域求最大值法进行修正；并给出了详细的求解大气光值自适应算法，提高了全局大气光值的鲁棒性和准确性．实验结果表明，本文改进算法在得到满足视觉要求的去雾图像效果的同时，大大提高了暗原色去雾算法的速度，能满足工程上的实时应用要求．在计算机视觉及图像处理领域中，根据McCarneg散射理论得到的米氏散射物理模型是最常被用来描述雾霭等恶劣天气条件对图像造成的影响，该物理模型表达式为：式(1)中，(x,y)为图像像素的空间坐标；I是观察到的有雾图像；J是待恢复的无雾图像；β表示大气散射系数；d为场景深度；A是全局大气光，通常情况下假设为全局常量．J(x,y)e-βd(x,y)则是到达观测者的目标辐射信息直接衰减，表示景物表面的反射光在介质中传播时因散射等作用而衰减;A(1-e-βd(x,y))表示在光路上由于大气粒子的散射作用，杂散光会融入到成像光路中，与目标物体的反射光一起参与成像，即图像复原中的“噪声”．对于式(1)，我们可以用传输透射率t(x,y)来表示指数衰减项e-βd(x,y);则式(1)的大气散射模型可简化为式(2)：在式(2)中，如果已知透射率t(x,y)，大气光A和有雾图像I，方可求得无雾图像J，如式(3)所示．显然这是一个病态方程的求解问题．He[4]经过对5000幅正常彩色无雾图像的统计发现：如果取彩色图像中每个像素点RGB三通道中的最小值作为该点像素值，则86%的像素值处在[0,16]区域，即该区域值接近于零，该最小值通道被称为暗通道(dark channel)．进一步推出，若取像素点(x，y)领域内局部小方块Ω(x，y)中所有像素点的R,G,B三个通道中的最小值作为该像素点值，则可知该值通常非常小，趋近于零，由各像素点领域内暗通道值构成的图像称为暗原色图像(Jdark)．由此可得如下式(4)所示的暗原色图像定义：根据暗通道先验知识，对式(2)按指定窗口方块Ω(x)，两边取最小运算，并同除以A，可得如下式(5):在式(5)中，由(4)式可知接近零，且全局常量A≠0，则由式(5)可变换求得透射率t(x)的表达式如下式(6)所示：在式(6)中(x,y))为含雾图像的暗原色图．式(6)中加入一个常数ω(0<ω≤1)，这样可得到自适应的透射率t的求取公式如下式(7)所示：式(6)和式(7)中求得的透射率t(x,y)是在假设局部小区域Ω(x,y)内具有相同透射率基础上求取的，所以会有小块状光晕，即所谓的“halo”效应．为此，He[4]提出利用soft matting算法[5]来细化和平滑透射率图，实验证明效果很好(如图1中透射率图(b)所示)，但速度极慢，不适用于工程上的应用．利用求得的透射率t(x,y)和大气光A，以及有雾图像I(x,y)，即可通过式(3)求得无雾图像J(x,y)(如下式(8)所示)．暗通道优先去雾算法存在时间复杂度大，图像不同景深交界处会存在白边现象，求取大气光值不够准确等不足，本文所提快速去雾算法针对以上不足方面进行了改进．(1)求取大气光值A通过式(8)求取去雾图像时必须已经求得大气光值A，一般大气光值是全局常量．与文献[2-3]或一般暗通道去雾算法文献中求取A(指定一个值在220至250之间接近255的一个常量)不同的是，本文根据He[4]的想法：首先选取暗原色图像中亮度最大的0.1%个像素，并搜索其在I中对应的最大亮度值作为大气光A的估计值．具体求A算法描述如下：①求暗原色图Dcp;②设置一规格与Dcp相同的0矩阵Dcp0，求Dcp中前(M*N)/1000个最大元素，及其所在位置；③利用得到的Dcp0(其在(M*N)/1000个最大值位置为1，其它位置为0)，得到的I0中保存的是前0.1%个相应位置的最大值，而其它位置值为零；在I0中可以求得最大亮度A([Ar Ag Ab])作为图像I的大气光值．以上该自适应算法求取的大气光值相比于前面提到的两种方法具有更强的鲁棒性．(2)透射率t(x,y)的平滑与细化在He[4]的暗通道优先去雾算法中，在透射率图t的计算过程中，如果未进行优化，不同景深交界处会存在白边(雾未除尽)现象，同时，由于总是假设所有局部小区域Ω(x,y)内具有相同透射率，所以透射率图时会出现即所谓的“halo”光晕效应．He引入了软抠图算法(Soft matting)对透射率t进行平滑与细化，但Soft matting算法却耗费了大量的运算时间．为此，He等在文献[6]中提出了利用导向滤波替代软抠图的方法，文献[7，9]提出利用双边滤波替代软抠图．经验证这些方法都能实现对透射率t更快速的平滑与细化，并取得满意的去雾效果，虽然去雾效果不如软抠图算法那么完美，但速度更快．本改进算法提出采用更快速的巴特沃兹低通滤波器代替导向滤波或软抠图算法实现对透射图的平滑操作．巴特沃兹滤波器具有通带内最大平坦的振幅特性，对整幅图像进行邻域内加权平均的过程，巴特沃兹滤波器的传递函数如式(9)所示：具体的改进算法步骤如下：①如前所述，求取含雾图像的暗原色图：②对Idark(x,y)边界处暗原色进行修正：③根据式(7)可得透射率t(x,y)为：④利用巴特沃兹滤波器H(U，v)对透射率图t(x,y)进行平滑过滤得到tR(x,y)⑤根据式(8)恢复得到无雾图像：如图1中透射率图(d)所示，相比于前述几种方法，巴特沃兹滤波后的t会更模糊和更亮一些，但去雾效果仍能很好满足要求,且如下表1所示，去雾速度明显更快．本算法实验的软、硬件环境为：AcerInter(R)Core(TM)************* GHz,RAM4.0 G;在Windows 8 系统下运行64位MatLab2010a对有雾图像进行去雾测试．如表1所示，分别采用文献[4]，文献[6]和本文改进算法对各个含雾图像进行了去雾测试，对图2中的去雾效果图(a)～(c)和图3去雾后图像的细节局部放大对比图进行比较可发现：在去雾效果上，以上3种方法分别从高至低排列，本文所提方法仍能达到很好的视觉去雾效果；但在算法的时间复杂度上，如表1所求，利用He在文献[4]中的方法对一幅彩色图像去雾需要几十秒，甚至几分钟；文献[6]方法需要几秒至十几秒；而本文改进算法只要零点几秒至几秒，显然在保证视觉去雾效果的同时，本文改进算法相比原来的暗通道先验去雾算法(文献[4]和文献[6])在时效上分别提高近10倍和5倍以上，大大提升了暗通道优先去雾算法的速度性能．提出可以用巴特沃兹滤波代替导向滤波和软抠图算法以提高暗通道优先去雾算法的执行速度，文中通过实验比较基于暗通道优先的3种图像去雾方法，发现基于软抠图算法对透射率进行优化可以得到最优的透射率和最佳的图像去雾效果，但时间复杂度太大，而基于导向滤波和巴特沃兹滤波的算法在得到满足视觉要求的去雾效果的同时，可以大大提高去雾算法的速度．利用本文所提方法所得到的透射率图不如软抠图或导向滤波精细，但速度快．当然，去雾算法的实际运算速度还可以考虑通过Gpu编程、硬件实现及其它优化编程技术来进一步提高．【相关文献】[1] 汪荣贵,傅剑峰,杨志学,等.基于暗原色先验模型的Retinex算法[J].电子学报,2013,41(6):1188～1192.[2]R.Tan.Visibility in bad weather from a single image[C].Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,(CVPR’08).Washington USA:IEEE Computer Society,2008:1～8．[3]R.Fattal．Single image dehazing[J].Acm Trans-ations on Graphics,2008,27(3):1～9.[4]K.He,J.Sun,X.O.Tang.Single image haze removal using dark channel prior[C].Proceeding of IEEE Conference on Computer Vision and Pattern Recognition ( CVPR’ 09)．Washington，USA:IEEE Computer Society，2009:1956～1963．[5]A.Levin,D.Lischinski,Y.Weiss.A closed form solution to natural imagematting[J].CVPR,2006,(1):61～68.[6]K.He,J.Sun,X.Tang.Guided Image Filtering[C].Proc Of ECCV,2010:1～14.[7]孙抗,汪渤.基于双边滤波的实时图像去雾技术研究[J].北京理工大学学报,2011,31(7):810～813.[8]H.Xu,J.Guo,Q.Liu,et al.Fast Image Dehazing Using Improved Dark Channel Prior[J].IEEE rmation Science and Technology,2012:663～667.[9]郭磊,杨升.普适计算环境下基于信任的动态模糊访问控制模型研究[J].吉林师范大学学报(自然科学版),2014,35(1):74～77.[10]林丽惠,陈明.基于内容的图像检索在电子商务中的应用[J].吉林师范大学学报(自然科学版),2012,33(3):86～89.[11]李利荣,汪蒙.一种高效的图像增强去雾算法[J].湖北工业大学学报.2013,28(5):72～75.。