价值的一项关键技术。本文通过以雾图像的物理模型为基础建立与图像增晰技术的关系对去雾技术做多元化的分析，综合近年来提出的图像去雾方法的基础原理，说明一些典型的去雾方法是如何呈现视觉上的去雾效果的。

  近来，PM2.5这一气象领域专业词汇成为社会关注的话题,空气中的液滴和固体小颗粒不仅危害人体健康，同时由于大量悬浮粒子的散射作用，大气能见度下降，户外图像颜色和对比度退化，影响图像中信息提取，也致使户外清晰度降低导致交通事故频发，因此，图像去雾技术成为图像处理与计算机视觉领域研究的重要课题，也是人们迫切解决的问题之一。

  近年来，随技术的持续不断的发展，对有雾天气时的景物影像进行去雾处理慢慢的变成了可能，对去雾图像的清晰度以及真实感也有了长足的进步。图像去雾技术是图像处理与计算机视觉领域研究的重要内容，其主要应用领域为视频监控、地形勘测、无人驾驶和目标跟踪。在应用过程中，去雾后图像的真实性、处理的实时性成为去雾技术探讨研究和关注的重点。

  采用数字图像处理技术对图像做处理的方法有很多种,归结起来，仍然是传统的两类：一类图像增强，另一类是图像复原。图像增强方法是从图像呈现的低亮度和低对比度的特征考虑，按照特定需要突出图像中的某些信息，削弱或去除某些不需要的信息来完成的;图像复原是从基于物理模型的天气退化图像复原方法，从物理成因的角度对大气散射作用进行建模分析，实现场景复原。在复原过程中，一般先利用各种先验知识估计模型中的参数，最后求解方程从而计算出清晰的图像。两种方法相较，基于复原去雾算法从原理上实现去雾，对雾的估计更准确，能够真实地还原雾前的清晰图像，针对性强，得到的去雾效果自然，正常情况下不会有信息的损失。

  典型的雾天图像增强方法有灰度直方图变换方法、频率域分析方法和基于色感一致性的Retinex算法等。

  灰度直方图变换方法是把有雾图像的直方图变换为均匀分布的形式，从而增加像素灰度值的动态范围达到增强雾天图像整体对比度的效果。

  频率域中小波分析算法是采用基于小波分析的多尺度图像增强算法，其主要思想是由于雾的能量大多分布在在图像的低频部分，对高频部分影响较小，所以在此基础上对图像的高频和低频分别进行增强或削弱以达到图像清晰的目的。值得一提的是，目前有一种在小波变换基础上发展起来的新的多尺度分析方法-曲波分析算法，特别适合于各向异性奇异性特征的信号处理，很好地弥补小波变换在图像的曲线边缘增强方面的局限性，能利用曲波变换的优势，采用基于曲波的消失点检测对雾天图像进行自动去雾处理。

  色感一致性或称为色彩恒常理论是基于人类视觉特点提出一种理论，认为人的视觉系统能够忽略环境中光照的变化而获得稳定的颜色感知。Retinex算法是建立在色彩恒常理论基础上一种图像增强方法，该算法通过视觉系统颜色不变性的特点，加强因为雾的干扰而被弱化的光照，进而达到对图像增强的目的。

  早期的复原算法是利用场景深度求解大气散射方程从而获得清晰图像，随后便出现了利用不一样天气条件下同一场景的多幅图像合成场景深度模型的方法，均取得了较好的效果，但受客观条件的限制，估测的场景深度往往不够准确，同时由于缺乏足够先验条件加以约束，轻易造成复原的结果与实际不符。

  后来，人们从光的极化角度对雾做多元化的分析，利用同一场景下的多幅图像把被雾散射的光线分离为水平极化光和垂直极化光，设计相应的滤波器消除雾对光线的影响，达到去雾的目的，这种方法去雾效果明显，图像失真小，但是计算量过大，难以应用于实际。此外，偏微分方程在雾天图像复原领域中也有广泛的应用，主要方法是在大气散射模型的基础上，建立雾化图像对应的梯度场，然后根据图像景深与梯度的关系构造偏微分方程并求解获得清晰的图像，该方法可以在一定程度上完成单幅图像的盲去雾，但是构造和求解偏微分方程的过程繁琐，同样难以实现。

  近年来，众多研究者致力于如何针对单幅降质图像按照图中雾气浓度的变化达到彻底去雾的效果：通过统计发现，无雾图像相对于有雾图像必定具有较高的对比度，从而我们大家可以利用最大化复原图像的局部对比度来达到去雾的目的，该方法能极大的增强图像的对比度，但是容易导致图像的颜色失真，并且在场景深度不连续的地方会产生光圈效应，实验结果如图1。

  由于物体表面的反射率是固定不变的，与其表面的光照强度无关，因此也可通过景物对光线的反射估算光线的透射程度达到去雾的目的，但是该算法要求图像局部存在不同的色彩，因此当雾的浓度很大、图像接近白色时，就无法估计得到相应参数，导致去雾失败。而且这种方法只对彩色图像有效，并且计算量较大，实验结果如图2。

  基于暗通道先验的单幅图像去雾算法是在2009年被提出的一种简单有效的图像复原方法，该方法建立在一种自然界中都会存在的暗通道先验的基础上，由于晴天拍摄的户外图像中总存在一些“暗点”，这些“暗点”至少有一个颜色通道的值很低，所以当图像受到雾的干扰时，这些原本很低的值由于受到大气散射光的影响而大幅升高，利用这些点就可以估算出拍摄场景中雾的浓度，并复原出清晰的无雾图像。但这种方法只能粗略估算出图像大气光的分布，需要结合软抠图或双边滤波算法对透射率来优化，该方法去雾效果如图3。

  在完善透射率的过程中，用软抠图的方法，旨在在暗原色图像远近景交界边缘处，采用最大值滤波对被低估的暗像素值做修复。但计算过程中软抠图计算开销大，时间复杂度高，求解线性系统过程中速度慢，计算效率成为限制该方法实用化的最大障碍。

  如若选取保持图像边缘的指导滤波器，通过图像指导滤波来近似模拟这一侵蚀过程，不但可以取得相似结果，同时也减少了运行时间。与经典的双边滤波相比，指导滤波是一种显式滤波，不仅仅具备线性的时间复杂度，对图像边缘的保持效果更出色，还能轻松实现图像边缘的平滑、细节增强以及图像融合去噪等功能。

  为了验证改进后的算法的有效性，使用图像滤波对同一幅有雾图像进行了去雾实验。通过观察图4不难发现，在视觉效果上，运用软抠图与运用引导图像滤波对初始透射图的优化结果虽然并无明显差异，但采取软抠图的方法计算量大约占到这个整个计算量的90%，而引导图像滤波算法计算复杂度低，运算效率得到了大幅度提升，同时节约大量的内存空间，统计结果如表1。

  笔者所在企业联合南京邮电大学研发雾霾视频増晰处理技术，针对由于雾霾等天气条件下视频图像受到的不良影响做处理，还原成较为清晰的图像，便于人眼识别，该处理方法采用了独特的基于暗通道先验理论的图像复原算法，利用雾化模型和先验暗通道可以直接估算雾的厚度，并恢复出高质量的去雾图像。

  随着工业的发展以及其对气候的影响，雾霾越来越成为一种常见的天气现象，这对户外应用的监控系统的画面品质造成非常大的影响。而去雾技术能够从多个角度提升视频监控的质量，能够适用于各种有雾天气条件的透雾处理;能显著提升图像的对比度、使图像变通透、清晰;能够明显地增强图像的细节信息，使原来被隐藏的图像细节被充分展示;能够提升图像的饱和度，使图像色彩鲜艳活泼、生动，透雾处理后的图像保持准确的色调、自然的外观，因而获得了良好的图像质量与视觉感受。

  因此，从应用场景来看，去雾技术可用于多种户外场合，如可应用于安防监控领域，能够大幅度的提升现有监控系统在雾天等恶劣天气下的性能;可应用于公路交通监控领域，能够尽可能的防止户外监控摄像头看不清监控对象、造成在关键时刻失效的后果;还可应用于遥感图像处理以及军事科技等领域。

  基于图像处理的图像增强方法具有对比度提高显著、图像细节突出、视觉效果明显的特点，该方法已经在实践中获得了广泛的应用。而基于物理模型的图像复原方法针对性强，得到的复原结果自然，相信该技术必将获得更大的发展，尤其是以基于暗原色先验的雾天图像复原的方法。使用引导滤波的方法取代软抠图，突破了此方法的最大瓶颈——即计算开销大、时间复杂度高的问题。

  图像去雾技术的未来研究方向将集中在提高其实时性，并实现硬件化。同时，寻求更加完备的物理模型来描绘复杂的大气状况，并探索研究基于这些模型的去雾算法在未来一段时间内都将是一个具有挑战性的课题。