图像去雾算法总结

在雾天环境下，空气中的悬浮颗粒与光线之间发生相互作用，使得采集到的图像具有明显的退化现象，包括色彩饱和度低、边缘模糊等问题。含雾图像也会影响后续的图像分析和理解等任务。为了降低雾给室外成像系统带来的影响，图像去雾在计算机视觉等领域得到了广泛的重视。根据处理方式的不同，图像去雾可以大致分为图像增强和图像复原两大类方法。

其中，图像增强是通过调节灰度等级改善对比度，以达到去雾效果。显然，它并没有考虑到含雾图像降质的本质，去雾的效果并不理想。图像复原的方法利用大气散射模型实现去雾，利用了造成含雾图像退化的物理原因，相对效果较好。

目前，基于图像复原的图像去雾可细分为三类：基于约束的方法、基于先验知识的方法和基于深度学习的方法。
常见的大气散射模型是由 McCartney首次提出的。它的数学表达式为

其中，J（x）和 I(x)分别代表像素点 x 在无雾图像和有雾图像对应的像素值， A 表示大气光值， t(x)为像素点 x 处的透射率值。基于先验知识的图像去雾方法利用大气散射模型中的一些参数特性作为假设，求解其他参数。

Tan 等依据雾图像的对比度低于清晰图像且局部区域透射率是恒定的，构造马尔可夫随机模型，估计边缘强度的代价函数并优化后得到衰减模型的大气光强度衰减项，实现图像去雾。该方法提升了去雾图像的对比度和局部细节。

对于户外目标区域图像，He 等发现了暗通道先验(dark channel prior, DCP)，即清晰图像的 RGB 通道内至少存在一个亮度很低的像素，选取暗通道中某个范围内亮度值的像素，以输入图像暗通道最亮的像素作为大气光值。