A. 低亮度圖片增強演算法：基於去霧演算法的低亮度圖像增強演算法
本文介紹一篇基於去霧演算法的低亮度圖片增強演算法（FAST EFFICIENT ALGORITHM FOR ENHANCEMENT OF LOW LIGHTING VIDEO）。
該論文的作者觀察到反轉的低亮度圖片（inverted image）具有與有霧圖片類似的性質，比如：
以上兩條性質是有霧圖片特有的性質。
因此，我們可以運用成熟的去霧演算法來進行低亮念州度圖片的增強。
具體地做法如下：
其中， 是大氣的亮度， 是相機獲取到的圖像亮度， 是原始圖像或場景的亮度。
基於[1] , 我們可以得到：
其中 是大氣的散射系數， 是像素 的景深。
其中 在演算法中設置為0.8， 是中心位於 的一個小區域，在演算法中設置為9。
為了獲取大氣的亮度，作者選取了圖像中RGB通道中最小值里最大的100個像素，然後選取這些像素中RGB值相加最大的像素值仔蠢蔽最為 的估計值。
這里需要注意，我們需要增強的區域是位於前景的物體，例如房子、車子等物體，同時需要避免過度增強背景區域，像天空等。
所以，這里我們需要根據圖片內容的不同，自適應地調節 ，從而重點增強檔仿前景的內容。因此，這里引入了一個中間變數：
然後，需要恢復的圖片 可由下式計算得到：
[]論文還介紹了如何加速視頻的方法，由於不是該博客的研究重點，故而忽略，有興趣的朋友可以查看原文。
B. 模糊圖像復原方法
圖像復原-模糊圖像處理解決方案
機器視覺智能檢測 2017-06-16
造成圖像模糊的原因有很多，且不同原因導致的模糊圖像需要不同的方法來進行處理。從技術方面來講，模糊圖像處理方法主要分為三大類，分別是圖像增強、圖像復原和超解析度重構。本文將從這三方面切入剖析。
智能化設備管理技術是利用系統管理平台軟體的設備管理服務，對所有的監控設備包括攝像機、雲台、編碼器和系統伺服器進行不間斷的實時監測，當發現故障時能及時通過各種方式告警，提示維護人員及時處置。一個系統可以按照網路拓撲結構部署多台設備管理伺服器，分區域對設備進行實時的巡檢，這樣可以大大提高系統的維護效率，盡可能做到在設備發生故障時，在不超過10分鍾的時間內被監測到並告警。
建設目標
本方案擬應用先進的機器學習和計算機視覺技術，模擬人類的視覺系統，針對某市公共安全圖像資源前端攝像頭出現的雪花、滾屏、模糊、偏色、畫面凍結、增益失衡和雲台失控等常見攝像頭故障以及惡意遮擋和破壞監控設備的不法行為做出准確判斷，並自動記錄所有的檢測結果，生成報表。以便用戶輕松維護市公共安全圖像資源系統。
技術路線
將視頻故障分成視頻信號缺失、視頻清晰度異常、視頻亮度異常、視頻雜訊、視頻雪花、視頻偏色、畫面凍結、PTZ運動失控八種類型。其中視頻信號缺失、隨著「平安城市」的廣泛建設，各大城市已經建有大量的視頻監控系統，雖然監控系統己經廣泛地存在於銀行、商場、車站和交通路口等公共場所，但是在公安工作中，由於設備或者其他條件的限制，案情發生後的圖像回放都存在圖像不清晰，數據不完整的問題，無法為案件的及時偵破提供有效線索。經常出現嫌疑人面部特徵不清晰、難以辨認、嫌疑車輛車牌模糊無法辨認等問題，這給公安部門破案、法院的取證都帶來了極大的麻煩。隨著平安城市的推廣、各地各類監控系統建設的進一步推進，此類問題將會越來越凸顯。
模糊圖像產生的原因
造成圖像模糊的原因很多，聚焦不準、光學系統的像差、成像過程中的相對運動、大氣湍流效應、低光照、環境隨機雜訊等都會導致圖像模糊。另外圖像的編解碼、傳輸過程都可能導致圖像的進一步模糊。總體來說，造成圖像模糊的主要原因如下：
· 鏡頭聚焦不當、攝像機故障等;
· 傳輸太遠、視頻線老化、環境電磁干擾等;
· 攝像機護罩視窗或鏡頭受臟污、受遮擋等;
· 大霧、沙塵、雨雪等惡劣環境影響;
· 由視頻壓縮演算法和傳輸帶寬原因導致的模糊;
· 攝像機解析度低，欠采樣成像;
· 光學鏡頭的極限解析度和攝像機不匹配導致的模糊;
· 運動目標處於高速運動狀態導致的運動模糊等;
……
模糊圖像常用解決方案
對於模糊圖像處理技術，國內大學和科研機構在多年以前就在研究這些理論和應用，相關文獻也發布了不少，已經取得了一些很好的應用。美國 Cognitech軟體是相當成熟的一套模糊圖像恢復應用軟體，在美國FBI及其他執法機構中已有多年實際應用，其恢復出的圖像可以直接當作法庭證據使用，可見模糊圖像處理技術已經取得了相當的實際應用。
前面提到，造成圖像模糊的原因有很多，要取得比較好的處理效果，不同原因導致的模糊往往需要不同的處理方法。從技術方面來講，模糊圖像處理方法主要分為三大類，分別是圖像增強、圖像復原和超解析度重構。
圖像增強
很多傳統圖像演算法都可以減輕圖像的模糊程度，比如圖像濾波、幾何變換、對比度拉伸、直方圖均衡、空間域銳化、亮度均勻化、形態學、顏色處理等。就單個來講，這些演算法都比較成熟，相對簡單。但是對於一個具體的模糊圖像，往往需要上面的一種或者多種演算法組合，配合不同的參數才能達到理想的效果。這些演算法和參數的組合進一步發展成為具體的增強演算法，比如「圖像去霧」演算法、「圖像去噪」演算法、「圖像銳化」演算法、「圖像暗細節增強」演算法等等。這些演算法都不同程度提高了圖像清晰度，很大程度改善了圖像質量。
綜合使用形態學、圖像濾波和顏色處理等演算法可以實現圖像去霧的演算法，圖1是一個去霧演算法的實際使用效果，類似的圖像增強演算法還有很多，不再一一列舉。圖像復原
圖像復原與圖像增強技術一樣，也是一種改善圖像質量的技術。圖像復原是根據圖像退化的先驗知識建立一個退化模型，然後以此模型為基礎，採用各種逆退化處理方法逐步進行恢復，從而達到改善圖像質量的目的。
圖像復原和圖像增強是有區別的，兩者的目的都是為了改善圖像的質量。但圖像增強不考慮圖像是如何退化的，只有通過試探各種技術來增強圖像的視覺效果，而圖像復原就完全不同，需要知道圖像退化過程的先驗知識，據此找出一種相應的逆過程方法，從而得到復原的清晰圖像。圖像復原主要取決於對圖像退化過程的先驗知識所掌握的精確程度。
對由於離焦、運動、大氣湍流等原因引起的圖像模糊，圖像復原的方法效果較好，常用的演算法包括維納濾波演算法、小波演算法、基於訓練的方法等。圖3是使用維納濾波解決運動模糊圖像的例子，取得了很好的復原效果。在知道退化模型的情況下，相對圖像增強來說，圖像復原可以取得更好的效果。圖像超解析度重構
現有的監控系統主要目標為宏觀場景的監視，一個攝像機，覆蓋一個很大的范圍，導致畫面中目標太小，人眼很難直接辨認。這類由於欠采樣導致的模糊占很大比例，對於由欠采樣導致的模糊需要使用超解析度重構的方法。
超解析度復原是通過信號處理的方法，在提高圖像的解析度的同時改善採集圖像質量。其核心思想是通過對成像系統截止頻率之外的信號高頻成分估計來提高圖像的解析度。超解析度復原技術最初只對單幅圖像進行處理，這種方法由於可利用的信息只有單幅圖像，圖像復原效果有著固有的局限。序列圖像的超解析度復原技術旨在採用信號處理方法通過對序列低解析度退化圖像的處理來獲得一幅或者多幅高解析度復原圖像。由於序列圖像復原可利用幀間的額外信息，比單幅復原效果更好，是當前的研究熱點。
序列圖像的超解析度復原主要分為頻域法和空域法兩大類，頻域方法的優點是：理論簡單，運算復雜度低，缺點是：只局限於全局平移運動和線性空間不變降質模型，包含空域先驗知識的能力有限。空域方法所採用的觀測模型涉及全局和局部運動、空間可變模糊點擴散函數、非理想亞采樣等，而且具有很強的包含空域先驗約束的能力。常用的空域法有非均勻插值法、迭代反投影方法（IBP）、凸集投影法（POCS）、最大後驗估計法（MAP）、最大似然估計法 （ML）、濾波器法等，其中，MAP和POCS二方法研究較多，發展空間很大。對於具體的演算法，不是本文的重點，這里不做詳細介紹。圖五是一個使用多幀低解析度圖像超解析度重構的例子。
模糊圖像處理技術的關鍵和不足
雖然很多模糊圖像的處理方法在實際應用中取得了很好的效果，但是當前仍然有一些因素制約著模糊圖像處理的進一步發展，主要如下。
演算法的高度針對性
絕大部分的模糊圖像處理演算法只適用於特定圖像，而演算法本身無法智能決定某個演算法模塊的開啟還是關閉。舉例來說，對於有霧的圖像，「去霧演算法」可以取得很好的處理效果，但是作用於正常圖像，反而導致圖像效果下降，「去霧演算法」模塊的打開或者關閉需要人工介入。
演算法參數復雜性
模糊圖像處理裡面所有的演算法都會包含大量的參數，這些參數的選擇需要和實際的圖像表現相結合，直接決定最終的處理效果。就目前的演算法，還沒有辦法智能地選擇哪些是最優的參數。
演算法流程的經驗性
由於實際圖像非常復雜，需要處理多種情況，這就需要一個演算法處理流程，對於一個具體的模糊視頻，採用什麼樣的處理流程很難做到自動選擇，需要人工選擇一個合適的方法，只能靠人的經驗。
結語
由於環境、線路、鏡頭、攝像機等影響，監控系統建成並運營一段時間後，都會出現一部分的視頻模糊不清的問題。
總體來說，雖然模糊圖像處理演算法已經取得了非常廣泛的應用，但是圖像演算法畢竟有局限性，不能將所有問題都寄希望於圖像演算法，對於不同種類的模糊問題，要區別對待。對於由鏡頭離焦、灰塵遮擋、線路老化、攝像機故障等造成的模糊或者圖像質量下降，在視頻診斷系統的幫助下，一定要及時維修，從源頭上解決問題。對於低光照等優先選擇日夜兩用型高感光度攝像機，對於雨霧、運動和欠采樣等造成的圖像質量下降，可以藉助於「視頻增強伺服器」包含的各種模糊圖像處理演算法來提升圖像質量。喜歡此內容的人還喜歡
17個教師常用網站推薦給你，再也不用到處找資源了
17個教師常用網站推薦給你，再也不用到處找資源了 ...
高校教師服務工作室
不喜歡
不看的原因
確定
內容質量低 不看此公眾號
什麼是水磨石？被設計師玩出新高度
什麼是水磨石？被設計師玩出新高度 ...
聯盟設計庫
不喜歡
不看的原因
確定
內容質量低 不看此公眾號
C. 水下圖像復原論文總結整理
論文簡介： 利用圖像傳輸理論測量海水的點擴散函數和調制傳遞函數並且使用維納濾波器復原模糊的圖像。退化方程H(u,v)在水槽中測量得到。在實驗中利用狹縫圖像和光源，第一步:一維光照射到水中從而得到不同距離下的狹縫圖像數據，這樣一維的海水點擴散函數就可以通過去卷積得到。又因為點擴散函數的對稱性二維的函數模型也可以通過數學方法得到。利用相似的方法調制傳遞函數也可以得到。這樣傳輸方程便可以得到:
圖像可以由下式獲得:
論文簡介： 論文中提出自然光照下的水下圖像退化效果與光偏振相關,而場景有效箱射則與光偏振無關。在相機鏡頭端安裝可調偏振器,使用不同偏振角度對同一場景成兩幅圖像,所得到的圖像中的背景光會有明顯不同。通過對成像物理模型的分析,利用這兩幅圖像和估計出的偏振度,就能恢復出有效場景輻射。他還提出了一個計算機視覺方法水下視頻中的退化效應。分析清晰度退化的物理原因發現主要與光的部分偏振有關。然後提出一個逆成像方法來復原能見度。該方法基於幾張通過不同偏振方向的偏振片採集圖像。
論文簡介： 論文提出了一種自適應濾波的水下圖像復原方法。通過最優化圖像局部對比度質量判決函數,可以估計出濾波器中所使用的參數值。
論文提出一種基於簡化的Jaffe-McGlamery水下成像模型的自調諧圖像復原濾波器。濾波器的最優參數值是針對每幅圖像通過優化一個基於全局對比度的質量准則自動估算的。(對一幅圖像濾波器能根據全局對比度自動估計最優參數值),簡化的模型理想地適合後向散射較少的漫射光成像.1.首先簡化Jaffe-McGlamery水下成像模型：假設光照均勻(淺水區陽光直射)，並且忽略後向散射部分.然後基於簡化後的成像模型設計一個簡單的反濾波器2.將濾波器設計成自適應濾波器。
論文簡介： 論文對於調制傳遞函數給出了詳細准確的系統函數信息,水下圖像可以用它或點擴散函數進行復原.作者進行實驗測量了水質參數得出了這些函數，並用得出的函數進行了圖像復原。同時他還建立了一個框架來最大限度復原水下圖像，在這個框架下傳統的圖像復原方法得到了拓展，水下光學參數被包含了進去，尤其時域的點擴散函數和頻域的調制傳遞函數。設計了一個根據環境光學特性進行調整的客觀圖像質量度量標准來測量復原的有效性。
論文簡介： 調制傳遞函數給出了詳細准確的系統函數信息,水下圖像可以用它或點擴散函數進行復原.作者進行實驗測量了水質參數得出了這些函數，並用得出的函數進行了圖像復原。(這一部分在王子韜的論文中有比較詳細介紹)
論文簡介： 在散射媒介中的正則化圖像復原。論文在基於物理原因的復原方法難以去除雜訊以及透射率低的基礎上，提出一種自適應的過濾方法，即能明顯的改善可見性，又能抑制雜訊放大。本質上，恢復方法的正規化，是適合變化媒介的透射率，因此這個正則化不會模糊近距離的目標。
論文簡介： 論文提出一種基於對邊緣進行GSA（灰度規范角度）加權的測量圖像清晰度的方法。圖像首先被小波變換分解，去除部分隨機雜訊，增加真實邊緣檢測的可能性。每個邊緣銳度由回歸分析方法基於灰度的一個角的正切來確定邊緣像素的灰度值之間的斜率和位置。整個圖像的清晰度是平均每個測量的GSA的比例加權的第一級分解細節的量，作為圖像的總功率，最後通過圖像雜訊方差自適應的邊緣寬度。
論文簡介： 論文提出了基於主動偏振的人工光照下水下圖像處理技術。在寬場人工光照下的水下成像中,在光源端或相機端安裝可調偏振器。通過調整光源或相機端的偏振器,同時拍攝兩幅或多幅同一場景的圖像,從兩幅圖像中可估計出背景光的偏振度。結合水下成像物理模型,就可以進行圖像復原和場景3D信息估計。該方法操作簡單,設備筒易,適用於水下畫定目標的成像。
大范圍人工照明條件下研究成像過程,基於該成像模型,提出一種恢復object signal的方法,同時能獲得粗糙的3D scene structure.相機配備檢偏振器,瞬間獲取同一場景的兩幀圖片with different states of the analyzer or light-source polarizer,然後用演算法處理獲取的圖片.它統一並推廣了以前提出的基於偏振的方法.後向散射可以用偏振技術降低,作者在此基礎上又用圖像後處理去除剩餘的後向散射,同時粗糙估測出3D場景結構.創新：之前的方法有的認為目標物反射光的偏振度可以忽略(即認為只有後向散射是偏振的)；另外還有的認為後向散射的偏振度可以忽略(即認為只有目標物反射光是偏振的)。本文作者認為兩者都是部分偏振光。
論文簡介： 論文在沒有應用任何標准模式、圖像先驗、多視點或主動照明的條件下同時估算了水面形狀和恢復水下二維場景。重點是應用水面波動方程建立緊湊的空間扭曲模型，基於這個模型，提出一個新的跟蹤技術，該技術主要是解決對象模型的缺失以及水的波動存在的復雜的外觀變化。在模擬的和真實的場景中，文本和紋理信息得到了有效的復原。
論文簡介： 論文提出暗通道先驗演算法復原有霧圖像。暗通道先驗是一系列戶外無霧圖像的數理統計，基於觀察戶外無霧圖像的大部分補丁補丁中包含至少一個顏色通道中低強度的像素點。在有霧圖像中應用這些先驗，我們可以直接的估算霧的厚度，復原成高質量的無霧圖像，同時還能獲得高質量的深度圖。
論文簡介： 論文比較研究了盲反卷積演算法中的：R-L演算法（Richardson-Lucy）、最小二乘法以及乘法迭代法。並且應用了水下圖像去噪和威爾斯小角度近似理論推導出點分布函數。通過執行威爾斯的小角度散射理論和模糊度量方法對三種盲反卷積演算法進行比較，確定總迭代次數和最佳圖像復原結果。通過比較得出：最小二乘演算法的復原率最高，但是乘法迭代的速度最好。
論文簡介： 論文提出點擴算函數（PSF）和調制解調函數（MFT）的方法用於水下圖像復原，應用基於威爾斯小角度近似理論來進行圖像增強。在本文中作者分析了水下圖像退化的原因，在強化超快激光成像系統中採用了距離選通脈沖的方法，降低了反向散射中的加性雜訊。本文對圖像的基本雜訊模式進行了分析，並使用算術平均濾波首先對圖像進行去噪，然後，使用執行迭代盲反褶積方法的去噪圖像的初始點擴散函數的理想值，來獲得更好的恢復結果。本文通過比較得出，盲反褶積演算法中，正確使用點擴散函數和調制解調函數對於水下圖像復原的重要性。
論文簡介： 本文提出一種圖像復原的新方法，該方法不需要專門的硬體、水下條件或現在知識結構只是一個與小波變換的融合框架支持相鄰幀之間的時間相乾性進行一個有效的邊緣保留雜訊的方法。該圖像增強的特點是降低雜訊水平、更好的暴露黑暗區域、改善全局對比、增強細節和邊緣顯著性。此演算法不使用補充信息，只處理未去噪的輸入退化圖像，三個輸入主要來源於計算輸入圖像的白平衡和min-max增強版本。結論證明，融合和小波變換方法的復原結果優於直接對水下退化圖像進行去霧得到的結果。
論文簡介： 本文是一篇綜述性質的論文。介紹了：1、水下光學成像系統 2、圖像復原的方法（對各種圖像復原方法的總結） 3、圖像增強和顏色校正的方法總結 4、光學問題總結。
論文簡介： 論文針對普通水下圖像處理的方法不適用於水下非均勻光場中的問題，提出一種基於專業區域的水下非均勻光場圖像復原方法，在該演算法中，考慮去除雜訊和顏色補償，相對於普通的水下圖像復原和增強演算法，該方法獲得的復原復原的清晰度和色彩保真度通過視覺評估，質量評估的分數也很高。
論文簡介： 論文基於水下圖像的衰減與光的波長的關系，提出一種R通道復原方法，復原與短波長的顏色，作為水下圖像的預期，可以對低對比度進行復原。這個R通道復原的方法可以看做大氣中有霧圖像的暗通道先驗方法的變體。實驗表明，該方法在人工照明領域應用良好，顏色校正和可見性得到提高。
論文簡介： 作者對各種水下圖像增強和復原的演算法做了調查和綜述，然後對自己的提高水下質量的方法做了介紹。作者依次用到了過濾技術中的同態濾波、小波去噪、雙邊過濾和對比度均衡。相比於其他方法，該方法有效的提高了水下目標物的可見性。
論文簡介： 論文應用湍流退化模型以質量標准為導向復原因水下湍流退化的圖像。參考大氣湍流圖像復原的演算法，省略了鹽分的影響，只考慮水中波動引起的湍流對水下成像的影響，應用一種自適應的平均各向異性的度量標准進行水下圖像復原。經過驗證，使用STOIQ的方法優於雙頻譜的復原方法。
論文簡介： 本文提出了一種新的方法來提高對比度和降低圖像雜訊，該方法將修改後的圖像直方圖合並入RGB和HSV顏色模型。在RGB通道中，佔主導地位的直方圖中的藍色通道以95%的最大限度延伸向低水平通道，RGB通道中的低水平通道即紅色通道以5%的最低限度向上層延伸且RGB顏色模型中的所有處理都滿足瑞利分布。將RGB顏色模型轉化為HSV顏色模型，S和V的參數以最大限度和最小限度的1%進行修改。這種方法降低了輸出圖像的欠擬合和過擬合，提高了水下圖像的對比度。
論文簡介： 論文根據簡化的J-M模型提出一種水下圖像復原的有效演算法。在論文中定義了R通道，推導估算得到背景光和變換。場景可見度被深度補償，背景與目標物之間的顏色得到恢復。通過分析PSF的物理特性，提出一種簡單、有效的低通濾波器來去模糊。論文框架如下：1.重新定義暗通道先驗，來估算背景光和變化，在RGB的每個通道中通過標准化變換來復原扭曲顏色。2.根據PSF的性能，選擇沒有被散射的光，用低通濾波器進行處理來提高圖片的對比度和可見度。
論文簡介： 論文中對當代水下圖像處理的復原與增強做了綜述，作者闡明了兩種方法的模型的假設和分類，同時分析了優缺點以及適用的場景。
參考：
https://github.com/zhenglab/UnderwaterImageRestoration/tree/master/underwater%20image%20enhancement
D. 圖像去霧（一）—— 基於暗通道先驗理論的圖像去霧
姓名：張昊楠
學號：21021210691
學院：電子工程學院
【嵌牛導讀】簡要介紹暗通道先驗理論基礎
【嵌牛鼻子】圖像處理 圖像去霧
【嵌牛正文】：
暗通道先驗理論是何凱明基於對大量戶外無霧圖像的觀察笑梁敬所得到的統計規律：在大多數不包含天空區域的圖像中，存在一些像素點，這些像素點中至少有一個通道的值有非常低的值。如果將無霧圖像用J表示，那麼圖像的暗通道可以表示為：
式中Ω（x）表示以像素點x為中心的方形窗口。暗通道圖像即為對原圖作最小值濾波。
根據暗通道先驗理論，在沒有霧的戶外圖像中，除天空區域外，其暗通道趨向於零，即：
造成暗通道圖像亮度低的原因一般包括圖像中的陰影區域，顏色鮮艷的物體以及本身就比較暗的物體。
一般來說，一張含霧霾的圖片往往比沒有霧霾的圖片更亮。在霧霾越厚的地方，其暗通道像素值越高。根據暗通道先驗理論，我們可以認為，含霧圖片中暗通道的亮度大致接近霧霾的厚度。
圖1是一幅無霧圖和它的暗通道圖像，圖2是一幅有霧圖和它的暗通道圖像。通過對比可以發現，圖1的暗通道圖幾乎全部是黑色，圖2的有霧圖像白色區域明顯較多，且原圖中霧越濃，暗通道圖像對應的區域越亮。霧天圖像的暗通道圖像亮度值可以很好地反映霧的濃度。根據這一點，我們可以通過暗通道圖像來估計霧的濃度。
下面介紹如何利用暗通道先驗理論對圖像進行去霧：
渣鏈 在一些關於圖像去霧的方法中，一般將圖像中像素的最大值作為大氣光的估計值。但在實際的圖片中，最亮的像素點可能是白色的背景牆或者白色的汽車。所以利用原圖最亮的像素點作為大氣光的強度有時會產生較大誤差。
如第1節介紹的那樣，霧霾圖像暗通道亮度近似等同於霧霾厚度，所以可以利用圖像的暗通道的亮度來更准確估計整體大氣光。整體大氣光的估計方法如下：
首先取暗通道圖像中千分之一個最亮的像素點；然後找到這些像素點對應在原彩色圖像中的位置；最後，在原彩色圖像中的這些位置裡面找到亮度最大的點，作為大氣光強的估計值。實際操作中，這種方法比「最亮像素法」更具有更高的穩定性。
對大氣散射模型變形，有
假設在區域 中，透射率t(x)是一個常數，記為 。對上式兩端作兩次最小值濾波，第一次對等式兩端R,G,B三個通道取最小值，第二次濾波對以目標像素點為中心的方形區域內取最小值作為該像素點的值，公式表示如下所示：
根據暗通道先驗理論：
將2-3式代入2-2式，可以求得透射率
實際生活中，即使是在晴朗的天氣下也會不可避免地在空氣中存在一些雜質分子。而且，霧的存在可以幫助我們更好獲取景深信息，這種現象就是我們所說的空間透視。如果將霧完全除掉的話，景深信息也會丟失，這樣一來，復原出的圖像會顯得不自然。所以在實際操作時，我們會選擇保留一部分覆蓋遠景的霧。為此，引入參數，對2-4式作出調整，得到修正後透射率的表達式：
w越大，表示去霧效果越好。當w=0時，透射率恆為1，復原結果圖即為原圖；當w=1時，表示霧霾全部去除。這里，為保留一定的景深信息，令w=0.95。
根據上述方法，我們已經求出了大氣光強和透射率信息，對大氣散射模型作恆等變形，利用（2-6）式在圖像的R,G,B三個通道分別進行計算即可得到復原後的無霧圖像。
透射率t(x)是一個介於0和1之間的碰慎值，當t(x)的某個值為0時，根據上述公式，所得到的圖像對應點的像素值則趨向於無窮大，這是我們不希望看到的。所以，為了避免這種情況的發生，我們引入限制透射率閾值的參數 ，以此來控制透射率的下限，則修正後的表達式為：
復原效果圖：
從圖中可以看出，雖然利用上述方法實現了去霧的效果，但效果並不理想。在天安門與天空連接的邊緣部分，會有明顯的帶狀區域產生，這種現象我們稱之為光暈效應。經過對比發現，濾波窗口的半徑越大，光暈效應越明顯。這是因為，我們最初的假設是透射率 在以某一像素點為中心的 為半徑的區域內是常數，這種假設在圖像的平滑區域是成立的，但在景深突變的邊緣處，這種假設並不成立。在邊緣部分的透射率信息和實際有一定的誤差，我們稱這個透射率是粗糙的。因此，為取得更加理想的去霧效果，需要進一步對計算出的透射率 進行細化處理。
在後續的文章中，我們將會介紹一些方法對透射率進行細化，用以抑制光暈效果的產生。
K. He, J. Sun and X. Tang, "Guided Image Filtering,"in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no.6, pp. 1397-1409, June 2013, doi: 10.1109/TPAMI.2012.213.
E. 粒子濾波是否能實現圖像去霧
在霧、霾之類的惡劣天氣下，採集的圖像質量會由於大氣散射而嚴重降低, 使圖像顏色偏灰白色, 對比度降低, 物體特徵難以辨認。所以 需要圖像去霧技術來增強或修復, 以改善視覺效果。目前圖像去霧方法主要可以分為兩大類:
（1）基於圖像處理的增強方法。這種方法通過對霧天圖像進行增強, 改善圖像質量。其優點是可以利用已有的成熟圖像處理演算法進行針對性運用, 增強圖像的對比度, 突出圖像中景物的特徵和有價值的信息；缺點是可能會造成圖像部分信息的損失, 使圖像失真。
（2）基於物理模型的復原方法。這種方法通過研究大氣懸浮顆粒對光的散射作用, 建立大氣散射模型，了解圖像退化的物理機理, 並復原出未降質前的圖像。
F. 圖像去雨去霧綜述
這是何凱明在博士期間發表的一篇經典的圖像去霧演算法的文章。這篇文章中他通過觀察提出了一種暗通道演算法（Dark Channel Prior），簡單來說就在一張正常圖像中，除了天空區域，在圖像的每個小塊（patch）中一定有一些像素點至少有一個通道的值是非常小的，基於這個先驗談答條件，何凱明團隊使用了一種簡單有效的辦法來進行圖像去霧。
下面的公式為經典的去霧模型，其中 指獲取得到的圖片亮度， 是去霧後恢復的圖像，宏侍升 指透射率， 是指大氣的光成分（即霧成分）。這個公式還是很容易直觀的理解，因為透射率可以在一定程度上代表損失率。 為大氣散射系數， 為景深。
由於在統計意義上，一個patch中總有幾個像素的至少一個通道是很暗的，此時的 趨近於0，於是在一個patch中有如下公式成立：
這樣我們就可以算出t的近似值了。同時，當patch為天空時，大氣光 和真實圖像光 十分相近，於是t的近似值趨向於0。
獲得了反射率t以後，下一步便是對圖像進行soft matting獲得輪廓特徵，這樣可以將透射率t精細化。
這樣我們就獲得了精細化後的透射率t值。對於有霧區域，我們可以根據下面的公式進行去霧，其中我們對t設定了一個最低的閾值。
最終的蔽老公式如下：
在這篇文章中，作者提出了用神經網路方法對反射率t進行訓練並預測，網路結構如下：
首先用CNN接maxout抽取圖像特徵，再接幾個平行的multi-scale mapping，然後進行池化，經過BReLU激活函數得到最終的反射率t
BReLU如圖b所示，因為rgb具有上界和下界，如果不進行截斷可能會越界。
G. MATLAB代碼 求分析 何的去霧演算法裡面的暗通道演算法 每一句都是什麼意思啊又分別對應論文里的什麼原理
function dark = darkChannel(imRGB)
r=imRGB(:,:,1);
g=imRGB(:,:,2);
b=imRGB(:,:,3); 分別提取三色的灰度圖
[m n] = size(r); 提取單色圖矩陣的寬度和長度
a = zeros(m,n); 創建m*n的零矩陣a
for i = 1: m
for j = 1: n
a(i,j) = min(r(i,j), g(i,j));
a(i,j)= min(a(i,j), b(i,j)); 依次比較三色分量的最小值提取為暗通道圖
end
end
d = ones(15,15); 創建15*15的單位矩陣
fun = @(block_struct)min(min(block_struct.data))*d;
dark = blockproc(a, [15 15], fun); 將圖片分成15*15的小塊並將每一塊變成其中的最小值
dark = dark(1:m, 1:n);
我也是新手啊兄弟只能幫你到這兒了
H. 邊緣檢測，圖像模糊，灰度化和圖像去霧的基本思路是什麼呢 說出是需要改變哪些色彩空間的值。。。
我挨個說一下吧，也算給自己復習一下。
一 邊緣檢測
方法很多很多啊。
1 常用的是用各種邊緣檢測運算元對圖像進行卷積運算，計算出來圖像每個部分的梯度值，由於邊緣有突變的像素值，所以梯度大的地方很可能是邊緣。常見的有 sobel運算元等。
2 形態學運算，主要是針對二值化之後的圖比較高效，直接先膨脹再腐蝕，然後相減圖像就是邊緣。
3 canny演算法，這個用的很多，我也很喜歡，主要是用到強邊緣和弱邊緣進行區分。
4 通過識別feature進行識別，在邊緣不明顯的時候比較有效。
二 圖像模糊
這里你要知道一個概念，什麼是模糊呢？
咱們近視眼就是一個模糊，這個模糊就是眼睛的成像不能精確的成像在視網膜上吧？
你可以想像一下，其實這就是一個尺度變換的問題，你看一張報紙很清楚，但是從五十米外看你這張報紙（我們假設能看得到），就非常模糊，不能辨認吧？
我這里就引出這個模糊的概念：叫做高斯濾波，高斯濾波其實就是一個尺度變換。
我再打個比方吧，比如一個圍棋棋盤，黑線是黑線，棋盤是棋盤，即使黑線很細，你也能分清楚是吧？
但是如果你摘下眼鏡看呢？黑線變粗了是吧？黑線變暗了是吧？
其實真正原因是棋盤的信息進入了原本黑線的地方，而黑線也進入了棋盤的地方。
這就是濾波的魅力，可以使像素各個梯度變小，讓圖像的像素點之間的聯系沒有那麼強烈。。
既然引出高斯濾波，那就有其他的各種濾波，比如拉普拉斯濾波，中值濾波，均值濾波。
實際操作中應用的也都是運算元求卷積的方法。
三 灰度化
你看電視的時候應該知道，電視上的一個彩色點，其實是GRB顏色模式，就是綠紅藍三色。
對應這個RGB顏色模式，你可以通過對這三個顏色通道的值進行處理，比如我就定義 V=(R+G+B)/3。那麼這個V就包含了三種顏色的信息了吧？
但是一般的我們不直接用三個平均，而是由各個相應的系數相乘得到。
這是RGB顏色模式，但是如果你用到HSV顏色模式，問題就簡單多了。
什麼是HSV模式呢？你遙控器上可能有 色度 飽和度 亮度按鈕吧？
這個就是HSV模式，其中這個V 就是 亮度 value，這個就直接是灰度信息了。
四 圖像去霧
我對這個去霧的理解是，圖像增強。
也可以叫做是圖像銳化，這個過程正好和圖像模糊相對應。
模糊是讓梯度值變小，銳化就是讓梯度變大。
對應的方法也是響應的運算元進行濾波了。
而需要注意的是，銳化用的是高通濾波，模糊是低通濾波。
因為邊緣信息一般都是頻率高的信號。
視頻分析系統團隊
風之風信子