本文主要是介绍Fast Visibility Restoration from a Single Color or Gray Level Image（Tarel），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1、去雾的基本原理
由于大气中悬浮颗粒的存在，场景光线到达传感器之前总是有一部分被散射折射掉，从而导致获取的图像质量退化，使得场景中目标的能见度变弱。去雾能提高对比度。基本原理是：尘雾图像可看做两部分构成：一是场景辐射，二是尘雾。只要正确估计出尘雾浓度图，然后从原图像中减去它，就可以得到无雾图。基本方法是基于中值滤波估计尘雾浓度（大气光幕，大气耗散函数），利用大气散射模型恢复无雾图。
2、大气散射模型
I(x)=J(x)t(x)+A[1-t(x)]
目的是从有雾图像I(x)中恢复出清晰图像J(x)。
①A为大气光强；
②t（x）为介质传播函数，与景深有关，无法直接数据计算，要估算；
③第一项为衰减模型，表示衰减后的辐射强度，随场景景深的增大而指数衰减；④第二项为大气耗散模型，表示环境参与成像的附加部分，造成了图像对比度下降和场景模糊。
J(x)、t(x)、A都未知，必须先估算A，t(x)。由暗原色先验理论估计大气光强A，由中值滤波估计尘雾浓度V，根据V（x）= A[1-t(x)]，由V和A得到t。知道了t、A以及有雾图I，就可以根据大气散射模型恢复出J。
3. 暗原色先验理论估计大气光强A
①暗原色先验规律：对于晴天图像，在被分为多个局部区域后，每个局部区域至少在一个颜色通道上有亮度值很小的像素点。对一副图像求得其暗原色图像。
②估计原理：有雾图像的暗原色图像在雾气越浓的地方具有越高的像素亮度值，从视觉上看，暗原色图像的亮度对应于对雾气浓度的估计。
③ 暗原色图像的求法：图片分为多个区域，在RGB三个通道里分别求区域的最小值，再在这三个值中求最小值（局部最小值滤波）。
④在暗原色图像中，将各像素点亮度值递减排列，确定数值大小前0.1%的像素在暗原色图像中的位置，这些位置对应于原有雾图像，在有雾图像中的最大值即为大气光强A。
4.中值滤波做尘雾浓度V估计
M(x, y) = min(I(x, y))
M是图像I中每一个像素在RGB中的最小值，M是一个灰度级图像，如果输入I是灰度图，则M=I.
尘雾浓度 V满足：
①0 ≤ V (x, y)，物理意义是所有的像素点肯定都会受到大气光的影响。
②V (x, y) ≤ M(x, y)，物理意义是有雾图像中的每个像素点的亮度值包含两部分，除了大气光之外还有景物本身反射的光，所以V(x,y)肯定小于或者等于像素值在所有通道中的最小值。
估计V的具体步骤：
①采用中值滤波对M(x,y)进行平滑，平滑的同时能保留图像中的边界部分。
A(x, y) = median_sv (M(x, y))
这里sv是滤波的窗口大小，取值为图像中白色目标的最大尺寸。
②滤波之后的图像中仍然会存在一些纹理，而这些纹理可能没雾，不需要做去雾处理，所以用A减去M的局部标准差，这样确定留下来的都是属于雾的成分。
B(x, y) = A(x, y) − median_sv (|M (x, y) − A(x, y) |)
对|M (x, y) − A(x, y) |进行中值滤波来估计M的局部标准差。
③B(x,y)遵守两个约束条件得：
V (x, y) = max(min(pB(x, y),M(x, y)), 0)
p控制去雾能能力，一般的取值是在0.9~0.95之间。现实中，空气中总会不可避免地包含一些杂质分子．如果彻底地移除雾的存在，图像会看起来不真实，并且深度感会丢失。所以引进常数p，有针对性地保留一部分覆盖遥远景物的雾。
5. 去雾图像的恢复
J=(I-V)/(1-V/A)
6. 去雾后图像亮度调整
去雾后图像偏暗，可以用标准差截断法进行亮度调整。
the code
这篇关于Fast Visibility Restoration from a Single Color or Gray Level Image（Tarel）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
