三种雾霾图像去雾技术分析

在现实生活中，我国许多城市在秋冬季节都饱受雾霾天气的困扰。雾霾天气的频繁出现，对车辆安全驾 *通讯作者。

近年来，雾霾天气越来越严重，这对于安全驾驶和交通监管都带来了困扰[1]。雾霾天气，光线发生散射， 驾驶员的视线变短，从而导致驾驶员对于车辆间距和时速预估不准确，从而容易造成安全事故[2]。

雾霾天气所带来的影响，不仅会对人造成困扰，并且对迅速发展的机器视觉带来麻烦。对于大多数计算机视觉算法，一般会假定图像是由原始光线汇聚而成，所以偏光、低对比度的图像会使处理结果不理想。

随着无人驾驶技术、智能交通的发展，对图像去雾有了更大的需求[3]。整体而言，现有的去雾算法在特定的环境背景下能较好地改善图像的视觉效果，基本实现去雾[4]，但各去雾算法难以同时满足图像处理的有效性和实时性的要求，并且较少地应用于实际生活。本文采取三种主流的去雾技术，对实际交通路况图片进行处理，同时考量不同去雾技术的有效性和实时性，有利于促进图像去雾技术在实时交通监控和行车记录方面的应用，因此具有重要的实际意义。

2. 三种常见的图像处理方法 由于去雾需求在各个领域的需求不断提高， 产生了越来越多的去雾技术， 基于课外创新实验的要求， 本文针对公路交通现状主要采用三种主流的去雾方法：1) 全局直方图均衡化；2) Retinex 图像增强算法；3) 暗原色先验去雾算法。

2.1. 全局直方图均衡化 全局直方图均衡化是一种十分常用的去雾技术，广泛应用于光学补偿、图像去雾等多个领域[5]。这种算法的核心是将彩色图片分解为红、绿、蓝三种颜色的灰度级图片，通过直方图均衡化分别处理三种颜色的灰度级图片，重新将三个图片叠加即为去雾后的图像，经过处理后，使图像中灰度原本集中的区域变得均匀，从而增大反差，改变图像对比度，使细节更加清晰[6]。

灰度直方图均衡化实现步骤[7]： 1) 统计原始图像各灰度级的像素数目ni，0 ≤ i < L，L 是图像中所有的灰度数(通常为256)； 2) 图像中灰度为i 的像素的出现概率是：px(i) = p(x = i) = ni/n，n 是图像中所有的像素数，px(i)实际上是像素值为i 的图像的直方图，归一化到[0, 1]； 3) px 的累积分布函数，是图像的累计归一化直方图：