- 上一篇：基于图像的边缘检测算法研究
- 下一篇：基于数字证书的身份认证与授权系统构建
Hautière设计了一个针对车辆视觉系统的去雾算法，先估计出大气光条件，然后依据由先验定律确定的场景结构，利用大气光条件来增强对比度，复原图像。
Deep Photo系统使用现有的数字地形和城市模型，通过反复匹配场景的3D模型和获取的户外场景，确定深度信息，达到去雾的目的。
1.2.2 单幅图像去雾算法
上述算法利用了多幅图像或者附加其他已知条件，去雾相对容易。但是很多去雾情形既没有其他天气条件下的多幅图像，也未给定其他条件，这时仅能通过处理单幅降质图像达到去雾目的，此即单幅图像去雾。单幅图像去雾问题最接近实际情况，同时也是最难的去雾问题。
文献[17-19]利用降质图像自身的数据，构造满足场景深度或散射系数假设的约束条件，估计散射模型参数的近似值。多数情况下，通过建立满足假设的数学模型（约束方程和目标函数），采用最优化方法，求解参数近似值，这种去雾思路复原出的图像较理想。
Tan[17]假设局部区域的大气光恒定，基于马尔科夫随机场模型，建立边缘强度的代价函数，使用图像分割理论估计最优光照。该算法最大化了局部对比度，同时限制图像的光强，使其小于整体的大气光强，尽管图像能见度显著提高，但是颜色过饱和，且在突变的景深边缘处存在严重的Halo效应。
Fattal[19]使用了图形模型，假定图像阴影和场景透射率局部不相关，利用独立成分分析来估计散射系数，有效解决了大气光色彩的模糊问题，本质上属于非线性问题的反向求解过程。算法性能主要取决于输入数据的统计表现，当独立成分变化不大或颜色信息不足时，处理效果不理想。
He[18]基于暗通道的统计观测，提出图像中存在一个局部区域，它的R、G、B分量中至少存在一个分量场景散射率趋于0，然后使用最小值滤波算法粗略估计出大气粒子的传播函数，为了优化最终的深度图，他们运用了一种计算量庞大的抠图方法将散射率图外推到模糊区域，从而细化传播函数。
1.3 本文的去雾算法及论文章节安排
本文算法也是一种单幅图像去雾算法。和Tan、Tarel和 Hautiere[17-19]的思路类似，通过增强对比度，优化图像的能见度。区别在于，本算法采用了基于拉普拉斯金字塔的图像融合算法进行去雾。图像融合的具体内容为：首先运用三个测度筛选出图像包含的主要信息，再使用高斯金字塔和拉普拉斯金字塔对筛选出的信息进行融合，得到复原图像。算法的具体过程为：
对原始雾天图像分别作白平衡处理和对比度增强处理，得出两幅图像。第一幅图像消除了大气光造成的偏色，确保输出图像真实、自然。第二幅图像可以获得较好的全局能见度，但主要改善了有雾区域的能见度。同时，如图2.4和图2.7所示，这两步处理得到的两幅图像，视觉效果仍然不甚理想。
因此，本算法选取亮度、色饱和度和显著度三个测度分别对两幅图像进行处理，筛选出含有雾天图像主要特性的信息，将计算出的三个权重相乘得到结果权重，为了确保复原图像的强度和输入图像的强度文持在同一级别，算法对结果权重进行了标准化处理。
最后，本算法基于一个经典的多尺度金字塔——拉普拉斯金子塔，融合得到的信息，从而避免引入较强的Halo失真，尤其是三个测度权重强传递作用的区域。
和现有的单幅图像去雾算法相比，本算法有几大优点：首先，大多数方法都是将雾天图像划分为几块，以块为单位进行图像去雾，而本算法将其加以细化，以每个像素点为单位进行处理，从而尽可能的减少失真。而且由于假定每个分块的大气光值恒定，导致分块处理算法有诸多局限性，难以得到广泛应用。此外，分块处理算法的假设条件难以满足，常需要进行附加处理。最后，由于无需估计光线传播的深度图，本算法复杂度更低，运行速度更快，实时应用更好。算法总框图如下：