基于雾浓度的去雾方法

图像去雾是计算机视觉的重要研究方向，去雾的同时保证图像亮度合适，色彩不失真，不造成信息丢失是图像去雾需解决的问题，为此提出了一种基于雾浓度的去雾方法。首先，根据雾浓度的差异将有雾图像划分为浓雾、雾和薄雾区域。其次，对于不同雾浓度区域，利用暗原色先验知识估计局部大气光值。然后，利用局部大气光值进一步估计透射率。最后，根据雾图降质模型，利用局部大气光值和透射率恢复出无雾图像。实验结果表明，本方法简单易行，能够得到更优的视觉效果以及客观数据。

在雾、霾等恶劣天气条件下，由于空气中浑浊介质对大气光的吸收、反射等作用，获取到的图像出现雾化现象，对视觉应用系统产生严重影响。针对图像去雾问题，许多研究者提出了多种解决方法。

目前，图像去雾方法主要分为基于图像增强和基于物理恢复两类。基于图像增强方法没有考虑雾图降质的根本原因，只增强图像对比度。这类方法可以利用已经成熟的图像处理算法，如直方图均衡化、Retinex 和小波变换等方法。张久鹏等[1]对反转后的图像进行改进后的限制对比度自适应直方图均衡化， 增强亮度，然后进行翻转得到无雾图像。张赛楠等人[2]首先利用梯度算子增强雾天降质图像的各个颜色分量的边缘信息， 然后， 在单尺度Retinex 的基础上提出了一种符合人眼视觉特性的中心自适应调节的拟合函数，增强图像各个颜色分量。Wang 等人[3]利用小波变换方法分解图像，然后分别对高频和低频信息进行处理，得到重建后的无雾图像。基于增强方法提高了图像对比度，然而，得到的图像会出现信息丢失、过饱和现象。基于物理模型方法通过研究大气悬浮颗粒对光的散射作用，建立大气散射模型，根据物理模型，反演复原出降质前图像。基于物理模型去雾方法分为两类，一类是基于多幅图像去雾，一类是基于单幅图像去雾。由于物理模型含有大气光和透射率两个物理量，求解问题实际上是欠定问题。

因此，一些研究者利用多幅图像获得深度信息，根据深度信息进而恢复出无雾图像。文献[4] [5] [6]通过获取不同天气条件下同一场景的多幅图像，得到更多约束信息，最终恢复场景图像。文献[7] [8] [9]利用不同偏振角度的两幅或多幅图像获得深度信息，进而去除雾霾效应。这些方法能够去除雾霾，但是很难实时获取到多幅图像。

近年来，单幅图像去雾引起研究者关注，并且取得了很大进展。基于单幅图像去雾主要依赖于假设或先验知识。Fattal [10]通过假定透射率和表面投影在局部不相关来估计透射率，并使用大气散射模型进行反演，复原无雾图像。这种方法能恢复较好的视觉效果，然而方法是基于彩色图像统计特性，因而该方法无法应用于灰度图像，而且这个统计特性在浓雾区域会失效。Meng 等人[11]通过结合基于加权的上下文正则化，将透射函数的边界约束建模成一个最优化问题，估计场景透射率。此方法需要手动选取大气光位置，应用受到限制。He 等[12]提出暗原色先验，利用此先验知识求解大气光和透射率，进一步利