雾天条件下的单图像去雾算法及其应用研究

工程科学与技术，国际期刊20（2017）1075完整文章通过单个图像去马里兰州Imtiyaz AnwarMr.，Arun Khosla博士B R Ambedkar国家技术学院，电子通信工程系，Jalandhar 144011，印度阿提奇莱因福奥文章历史记录：2016年6月9日收到2016年10月29日修订2016年11月17日接受2017年3月28日在线发布保留字：空气光对比度增益色彩指数高动态范围加权最小二乘透射图暗通道先验A B S T R A C T在雾天条件下，所拍摄的图像的对比度和色彩会降低，这种降低通常归因于衰减和空气光。为了在混浊天气下通过视觉增强来减少道路交通事故的数量，有效的除雾技术起着至关重要的作用，因为雾会大大降低能见度，从而影响计算机视觉算法，如监视，跟踪和雾视觉增强系统（FVES）。本文提出了一种新颖有效的单图像去雾算法，该算法该算法引入了暗通道先验（DCP），然后采用加权最小二乘（WLS）和高动态范围（HDR）的去雾方案。定性和定量分析适用于从所提出的方法获得的去雾图像的评估，并与不同的除雾算法进行比较，以建立其优越性。该算法的最大优势是它能够保持清晰的细节，同时保持颜色质量。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍由于恶劣的天气，如雾、霾、烟雾、云和雨，捕获的户外场景的图像质量通常会下降。恶劣的天气会降低场景的可见度和对比度。与其他混浊天气条件相比，雾对能见度的影响很大。对于道路交通，雾可以分为低雾（能见度范围，300-恶劣天气导致的能见度下降是世界各地道路致命伤害的最大原因之一。美国国家公路交通安全管理局（NHTSA）的统计数据显示，2012年和2013年，美国发生的致命车祸分别占事故总数的25%和28%。世界卫生组织（WHO）也宣布，每25年就有一人死于道路伤害.大气中的颗粒物，主要是水滴引起的，吸收和散射。在存在散射的情况下，存在两个基本现象衰减和空气光，并且从场景朝向相机或观察者的所得光由于通过水滴的散射而衰减，并且因此降低室外场景的图像质量。由于散射而使对比度减小称为衰减。白度*通讯作者。电 子 邮 件 地 址 ： imtiyaz. gmail.com （ M.I.Anwar ） ， khoslaak@nitj.ac.in（A.Khosla）。由Karabuk大学负责进行同行审查场景中朝向观察者或相机的效果称为空气光。这两种现象共同产生退化的图像。 结果表明，衰减和空气光是相机和场景之间的距离的函数。因此，需要深度图估计来恢复真实场景。近几十年来，随着图像处理和计算机视觉各个领域的发展，即使在恶劣天气下也可以进行可视化，但图像质量的下降会导致许多计算机视觉应用的性能下降，如目标检测和跟踪、视频监控、FVES和目标识别等，因此通过除雾来提高能见度是一项不可避免的任务。这些应用旨在通过使用除雾的视觉增强来清晰地识别车辆、交通标志和信号。随着技术的进步，已经提出了许多单图像去雾方法[2，3，4，5，8，17]。Fattal[2]提出了一种基于独立分量分析（ICA）的透射图估计方法，该方法基于颜色信息进行恢复，由于浓雾是无色的，因此不能应用于灰度图像和浓雾。 塔雷尔和奥蒂尔[3] 提出了一种基于线性运算的快速可见性恢复方法，但需要调整的参数较多。这种快速算法为实时实现铺平了道路。He等人[4] 提出了一种非常简单但有效的单图像去雾方法，使用DCP和软抠图细化。DCP是一种户外无雾图像的统计量，这些图像包含在至少一个通道中强度非常低利用这个先验http://dx.doi.org/10.1016/j.jestch.2016.11.0152215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch1076M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）1075ð Þð Þ ð Þ¼.Σð ÞÞ¼tðzÞ技术，直接估计的空气光地图是可能的，并恢复一个高质量的无雾图像 ， 但 失 败 时 ， 场 景 对 象 的 亮 度 非 常 接 近 大 气 光 。 Tripathi 和Mukhopadhyay[5]提出了一种新的高效除雾算法，该算法使用各向异性扩散，并额外使用直方图均衡和拉伸分别作为预处理和后处理步骤。无论雾的密度如何，参数和常数都保持不变。提出了一种基于多尺度融合的方法用于去雾[6，7]。它是由白平衡和对比度增强使用两个原始退化图像。Fattal[8]再次提出了一种新的使用局部色线模型的彩色图像去雾方法，该模型表现出小图像块的像素的1D分布。这些颜色线用于估计场景的透射图。 他使用可变伽马校正因子来仅在低噪声水平下以高精度恢复彩色图像，但是图像中的天空区域像其他方法一样限制了色线去雾算法的性能。M. Negru等人[17]提出了一种用于驾驶员辅助的日间雾中的指数对比度恢复方法，考虑到雾密度随距离的变化。在本文中，提出了一种新的去雾技术，该技术在不使用直方图均衡化等任何预处理技术的情况下产生更增强的边缘保留图像[5]。该算法在初始阶段使用DCP原理，然后使用加权最小二乘法（WLS）进行高动态范围（HDR）色调映射，分别用于对比度调整和图像内的精细细节HDR图像表示为场景捕获的原始光值，而WLS是一种边缘保留过滤器，其计算细节层并将其与强大的精细细节重组。之前使用接近各向异性扩散的WLS滤波器来减少振铃效应[9]，同时在存在噪声的情况下对图像进行去模糊。该算法既适用于彩色图像，也适用于单色通道灰度雾天图像，且已知变量比未知变量少，是一个不适定问题。然而，基本的物理观察可以被认为是线索，而用户的干预是不需要的算法。本文分为五个部分。在本文的下一部分（第二部分）中，我们详细解释了所提出的除雾算法，该算法包括空气光图估计，Air-ligh ti;ji1.1-e-bdi;j3其中，I衰减Ii;j是在恶劣天气下，大部分是朦胧和有雾的，在像素Ii;j处的衰减图像强度，并且I0衰减Ii;j是去风化图像的图像强度。b是基于光波长函数的消光系数或大气散射系数，它与雾浓度有关，反映了空气中气溶胶的光学吸收，决定了大气能见度。 di;j是场景点到a相机和I1是全球大气常数或天空强度。更简单的雾模型可以表示为[4，16]：IzI0ztzA1-tz4其中，Iz是观察到的有雾图像，I0z是场景辐射率或反射率（如所期望的无雾图像），A是全局大气光或天空光，并且tz表示透射参数，即直接朝向观察者而不在介质中散射的光的部分。无雾图像恢复如下：I 0zIz-AA 5该模型也适用于彩色图像，将其应用于每个RGB分量。在得到对比度差的恢复图像之后，需要具有精细细节的对比度增强，并且这可以通过将去雾图像转换为HDR并应用WLS滤波器来实现本文首次采用了一种结合HDR和WLS的后处理技术来去除图像中的雾气，在保持图像色彩质量的同时获得清晰锐利的图像。2.1. 大气和空气光在对图像进行归一化之后，假设大气光的颜色非常接近天空的颜色并且总是正的量，则将接近1的0.1%最亮像素中具有最高强度的像素视为天空光。由于暗通道被提及为跨RGB通道的最小强度，因为至少一个颜色通道具有接近零的非常低的值。传输映射估计和细化过程。节中第三，讨论了使用HDR和WLS方案作为后处理步骤的保留精细细节的对比度操作。暗通道最小c2RGB最小Ici;j>0 6i;j进一步在第四节中，模拟和定量分析的结果，使用性能指标进行了讨论，并与最先进的。本文的其余部分的结论，并显示未来的范围。2. 去雾算法所提出的除雾方法的流程以方框图的形式示于图1中。1.一、它包括大气光和空气光的初始估计，使用改进的地图进行传输估计以及随后的后处理的恢复Koschmieder[10]提出了基于大气散射模型的图像去雾算法的概念。根据Koschmieder其中Ic是RGB图像的颜色通道，ce {r，g，b}用于找到颜色通道中的最小值，第二个Dark Channel Prior的关键观测是基于无雾的户外场景。无雾图像的暗通道具有接近于零的非常低的强度值，并且看起来非常暗。这可以用来除雾。暗通道也可以用于估计更可靠的空气光值，并作为输入雾图像的最亮像素的最小值[4]。这种最小化的像素提取是一种比简单的最亮像素方法更鲁棒的空气光估计技术。2.2. 传输估计透射率估计对于测量雾厚是重要的Iði;jÞ¼I 衰减红外线灯ði;jÞð1Þ奈斯透射图，t（z）是到达观察者不分散。对于t（z）的估计在上面的等式中，两个右侧项，衰减和空气光是从相机到场景的距离的函数，表示为：减毒I型;减毒I型;减毒I型;减毒I型;减毒I型（6）的暗通道先验中的大气光的亮度与恒定的局部补丁一起使用，但它不一定总是恒定的。局部补丁的大小取决于具体应用。因此，在输入退化图像上的局部窗口中使用min算子，M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）10751077P.t zmin伊什扎tz92000年2月一0JWKJ！11ð Þ¼þð Þð12Þ输入模糊图像输出图像后处理Fig. 1. 所提出的除雾算法的框图。大气光分别在所有三个颜色通道中。因此，雾模型（4）变为：min.我不想让你失望。I0z1-tz7图4中所示的雾模型也用于He等人[4]。精确的精确透射图t（z）被估计为：ðLþkUÞt¼^tð11ÞRGBRGBRGBRGB一RGB2其中L是用于抠图的拉普拉斯矩阵，k是正则化对于大气光，A为正值，对于无雾图像的暗通道，I0（z）几乎等于零，则min.I0zyields08参数，该参数是被设置为0.0001的小值，使得t被hatt软约束，其中hatt是来自（10）的初始估计传输图，并且U是大小与L的大小相同的单位矩阵每个L矩阵的元素i; j定义为[11]：快2个RGBA！现在使用（7）和（8），可以获得透射率t（z）为：.Σð Þ¼ 1ð Þð Þ<<0;哪里;一--Lð i;jÞ¼X0@dij-10@1μmIi-lμ meUJWKJ-1ij-lk关于我们0;完全模糊或不透明图像1;完全无雾图像其中k是3×3协方差矩阵，dij是克罗内克增量，lk是窗口wk中颜色Ii和Ij的3×1平均向量，jwkj是其中像素的数量，U是3x3单位矩阵，e是reg。使用（9）可以得到没有天空区域的图像的透射图，但它并不总是适合于具有天空区域的图像。天空区域如从车辆前视的道路图像。这取决于所包含的天空区域的部分。为了感知场景深度，必须保留少量的雾，雾可以根据雾图像的熵而变化。如果熵较小，则该量更接近于1，并且对于较高熵的模糊图像，其被设置为更接近于0。因此，Eq。（9）修改为：最小 值1-xIz;0x110其中x是该图像内基于雾强度的信息因子。在本文中，我们将此值设置为0.9以获得准确的透射图与天空区域，它变得更明亮，更平滑，但大多数以前的文献已将其固定在0.95[4]的文件。在等式中使用x= 0.95，（10）在所有深度保持少量的雾效果。x的值有时需要对于图像中的大量天空区域，可以减小天空区域的亮度，否则天空区域可能产生更多的伪影。随x变化的模拟结果如图2所示。所获得的透射图包含由于每个贴片中的传输的可变性而产生的一些伪像。因此，细化是克服块伪影的必要任务。Laplacian估计[11]用于传输估计之后的细化，以获得更准确的传输图。2.3. 获取精确的传输图为了最小化传输估计中产生的伪影，使用抠像拉普拉斯矩阵（L）[11]的图像填充是本文中使用的方法之一，因为类似的等式小值的局部化参数，设定为10~（-6），假设局部光滑性，这也考虑到约简特征空间的邻域中的特征变化。2.4. 复原图最后的场景是恢复与一个小的修改方程。（五）、由于t（z）的值非常小（接近于零），这使得恢复图非常容易受到噪声的影响，因此需要进行这种修改。因此，设置下限值t0 = 0.1允许更好的对比度增益并避免了太小的t（z）值成品场景反射率是恢复为：我z伊兹密尔-A一名13最大^t;t0g在使用（13）的粗略恢复的地图或图像中仍然缺少对比度增益和精细细节，并且需要改进。因此，后处理扮演着重要的角色。3. 后处理本节涉及进一步的细化，包括局部对比增强和增加恢复图像上的精细细节，以清晰地观察图像中的对象为此，使用基于WLS滤波器的另一种边缘保持算子。相机图像大多是具有较小范围的非线性值的低动态范围图像因此，这里将低动态范围（LDR）图像转换为HDR，以在实现WLS滤波器和计算层的细节之前在整个色调范围内获得惊人的细节，存储与精确的传输图传输估计大气&空光估计恢复HDR色调映射WLS滤波器.1k ji; j2 wkK不. X轴1078M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）1075. ΣX1¼M. @x。. @y。Xy(a)（b）（c）(d)（e）（f）图二.随x值变化的模拟结果（a）原始雾(f)在x= 0.2时显示出没有明显的可见性改善。测量的光量。HDR转换捕获可能在传统LDR图像中丢失的高光和阴影。要在计算机上查看HDR图像，需要使用色调映射将其转换为动态范围。色调映射将HDR图像转换为RGB格式。通过这种方法，可以实现进一步的细化以消除块伪影，并且可以揭示精细的细节。基于边缘保持WLS的平滑滤波器可以表示为以下函数[12]的最小值：保持平滑的ces。边缘保持平滑滤波器的目的是使图像u非常接近r，同时尽可能平滑。这两个同时发生的行动在性质上是矛盾的。3.1. 细节层和HDR色调映射的计算输出的去雾图像仍然具有低水平的细节，看起来很暗。因此，必须计算细节层，Lði;j Þ¼Xp.up-rp好吧wx;ph@u2@xpþwy;pðhÞ.@u2！！@ypð14Þ增强对比度，其中已经采用了多尺度边缘保持分解[12]详图层定义为：其中下标p表示像素的空间位置输入图像r是粗略恢复的透射率，通过使用暗通道方法的局部补丁来估计，并且u是新的精细透射率，di ui-1- ui18输出图像。R-p的目标是最小化其中i 1; 2. . m和u.. . u，表示逐渐变粗的ver-在U和R之间。第二项试图通过最小化u的偏导数来实现平滑。平滑度要求通过平滑度权重wx;p和wy;p在空间变化的方法中调用。恒定值k用于控制平滑率，因为其增加的值导致逐渐平滑的图像u。对于平滑度权重，wx;ph和wy;ph定义为：图像R的各层，其中D0作为基本层，M作为细节层。通过对基本层和细节层求和，可以容易地恢复粗略恢复的图像r。Kr d 0d ið19Þ1/1. .@L. 一p！-1克. .@L. 一p！-1克ð15Þ这里，图像（对数亮度通道）被分解为一个基本层和三个细节层，每个层乘以其中L=i;j= i是输入图像r的对数亮度通道，指数a确定r的灵敏度，而小常数，k（这里设为10-4），防止在以下区域被零除R.在本文中，a的值被设置为1.2以用于灵敏度。（14）的最小化是通过解决一个线性系统的解决方案：ðI þkLr Þu ¼rð16Þ因此，从r获得新的输出图像u为：u IkL r-1r17其中，使用矩阵表示法，这里Dx和Dy一些权重以重建新的对数亮度图像，然后转换回RGB图像。由于图像辐射是不明亮，看起来更暗，因此，为了控制世博会，确定我们使用伽玛校正（c）（1： 5）以更强注重细节。伽马校正系数太高或太低而不能在显示单元上提供最佳的视觉质量。在不同x值下的模拟结果如图2所示。实验表明，对于图像中的大量天空区域，有时需要减小x，否则，天空区域可能产生更多伪像。在x= 0.9时，图像的颜色质量中的过饱和也可以被最小化。当x= 0.5时，除雾效果不明显，是离散微分算子，Ax和Ay是对角矩阵x = 0.2，如图所示。 二、2wx;ph;wy;p hM.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）10751079XX1ð ÞðÞ¼mði; jÞXXðÞ¼¼Þ¼ð2我MN4. 仿真结果与性能分析通过对多种雾天图像的处理，对所提出的算法进行了CG¼CI;def-CI;雾度20度并且图像的平均对比度在数学上表示为：N-1M-12017年1月21日联系我们定量评价定量测量基于性能参数。在这篇文章中，对比度增益（CG）[5，13]，色彩指数（CI）[14，15]和颜色信息熵（CIE）[7]被用作客观评估除雾算法效率的性能指标。所提出的算法的逐步结果在图3中示出，其中最终获得的图像（图3）在图3中示出。 3（f））是无雾图像，而没有后-其中C i; j是位置i; j）处的像素的对比度，并且被定义为：22岁其中m i; j和s i; j分别表现为图像I i; j的L2范数的均值和方差，如下所示：处理结果图像（图3（d））看起来很沉闷。结果p p中间步骤显示了对最终mi;j1XXIik;jl23恢复形象。每个中间步骤都有其自身的重要性，有助于提高可见性。相应的透射图和细化透射图是依赖于和2p2p1pk¼-pl¼-p从图像捕获设备的对象距离反式-p p的精制任务图保证了恢复图像的质量。图3（f）与图1中的未细化的恢复图像相比，s i;j12p2p2p2pjIik;jl-mi; jj24k¼-p l¼-p图3（e）.透射图中的块伪影（图3（b））通过使用Lapla捕获尖锐边缘处的不连续性来细化。cian矩阵和正则化参数k和e（参见等式2）。（11）和（12）），并显示在图。 3（c）. 这种细化有助于恢复高质量的图像与尖锐的边缘4.1. 对比度增益（CG）对比度增益被定义为去雾输出和输入雾图像之间的平均对比度差。CG的值越高，算法的性能越好，因为已知无雾图像比受雾影响的图像具有更大的对比度。如果尺寸为M×N的去雾输出和有雾输入图像的平均对比度由C1;def表示，并且CI;fog，则CG被定义为：为了模拟的目的，本文采用p2（5 × 5窗口）来计算CG。4.2. 颜色指数（CI）CI已经用于图像增强技术的评估[14]，15]。在本文中，它是第一次用来评估无雾图像恢复后的颜色质量，其中包括图像增强间接。色彩指数使用一个简单的对手颜色空间：rgmx; ymx; ymx-gmx; ymx25mx和ybbx;y1Rbx;ybbxGbx;ybx-Bbx;ybx26a.原始雾图像佳能7 'b。对应的透射图C。精化图D. 恢复图像E。非细化恢复后处理图像F.最终细化、恢复后处理图像图三. 逐步的结果所提出的算法。2在MATLAB平台上。所提出的算法进行了比较，与其他以前的国家的最先进的方法，使用定性和定量，1080M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）1075XRGYBrgbyprprprprprprpr图像（这里是去雾的）的色彩指数（CI）由下式给出：图4和5分别具有浓雾（CI¼rrgyb0：3lrgyb其中：r2 2RGYB和lrgby<$plrgby<$plrgby<$plrgby<$pl rgb y <$plrgby<$plrgby<$pð27Þð28Þð29Þ与其他方法相比，该算法显示了无雾场景物体的清晰细节，具有可接受的视觉质量，没有天空区域或天空区域较少的图像具有强烈的雾，如图中所提出的方法的结果图像。图5中的天空区域附近包含少量的不自然颜色，这也存在于Fattal的[8]中，但是在所提出的方法中，暗树区域（以小的药盒示出）变得更清晰。非天然当其应用于FVES时，可以忽略天空附近区域的颜色其中r是标准偏差，而l是图像中包括的像素的平均值CI值的增加引起更大的与有雾图像相比，无雾图像中的可见度更大。从颜色质量的角度来看，该算法具有较好的去雾效果.4.3. 颜色信息熵熵是随机性的统计度量，可用于表征输入图像的纹理。它可以从所有灰度级的图像的直方图中确定;然而，图像可以是二维的或多维的。CIE表示彩色图像中的信息量。当图像不均匀时，CIE达到其最大值，但对于图像中含有雾或雾的区域，CIE最小。CIE在数学上定义为：L-1CIE ¼-Pk log2-Pklog30-k¼0其中L是灰度级的数量，Pk是与灰度级k或直方图计数相关联的概率。与无雾图像相比，有雾或模糊图像包含很少的纹理信息，因此恢复图像的CIE值相对较大。因此，CIE显示了任何除雾算法的有效性。所提出的算法与其他现有技术的定性性能比较显示在以及另一种类似的应用，其中除雾比由于天空区域而出现的少量不自然颜色的存在具有更大的对许多不同类型的含雾场景进行模拟，并对七种不同图像（“ny17”、“y 01”、"y16“、”canon 7“、”城市景观“、”K-080 - 000005“（合成图像[17]）和”道路“）的CG、CI和CIE进行比较定量分析 表1和表2中的最后两个图表示被视为街景的道路图像。将该算法与除Negru等外的其他已知技术进行了比较，定性（见图1）45）和定量如表1和2所示。最近的一个[17] 将他们提出的方法与主要在合成图像上的不同参数集和雾密度变化进行比较，因此它不与所提出的技术进行比较。所提出的算法产生更高的CG和CI值，作为COM-AMERICA的其他国家的最先进的方法，为所有类型的图像。较高的CG值显示出更好的对比度，这表明有雾图像和无雾图像之间的对比度较高的CI值算法从左到右排列（表1），根据其性能的平均增长以及从早期到最近一年的研究。 彩色条形图（Fig. 6）还表明，所提出的除雾方法产生更高的CG和更高的CI。保证了所提出的单图像去雾算法的有效性。CIE也如表2所示进行评估，a. 原始雾图像佳能7 'b。Fattal（2008）c.He等人（2011年）d.Tarel等人（2009年）e.Fattal（2014）f. 提出见图4。 与现有算法的定性性能比较。M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）10751081a.原始雾图像'ny17'b。Fattal（2008）c.He等人（2011年）D. Tarel等人（2009年）e. Tripathi Mukhopadhyay（2012）f.Fattal（2014）G.传输图（建议）h。改进的地图（拟议）i.产出（拟议）图五. 与现有算法的定性性能比较。表1比较CG和CI产生的建议和以前的竞争算法在不同的图像。图像方法Fattal[2]He et al.[4]Tarel et al.[3]Tripathi和[5]第五次世界大战[8]第八话CGCICGCICGCICGCICGCICGCI'ny17'0.10214.1600.09315.8350.11613.3980.16514.8890.080822.2010.17023.153'y01'0.06113.4760.08614.5140.08413.5320.11113.1820.038921.4440.12422.913‘0.0399.8330.06817.4970.09113.6260.14613.3470.021517.4900.09318.778'canon7'0.01016.9820.01912.8730.02113.870––0.021731.0130.14634.019“城市景观”––0.03527.060.02723.335––0.068022.830.08734.30‘K-080––0.01612.880.03315.17––––0.01820.22“路”––0.01914.0230.03311.87––0.08319.180.08719.4表2比较建议和以前的竞争算法在不同图像上的CIE评估。图像方法输入Fattal[2]He et al.[4]Tarel等人[3]Tripathi和Mukhopadhyay[5]Fattal[8]颜色信息熵‘7.61297.68587.88537.55237.68497.64187.6319'y01'7.55637.75217.43847.68897.67987.58837.4963'y16'7.62917.70487.76257.81957.63977.59227.5379'canon7'6.43157.44515.13336.3013–6.33557.4926“城市景观”6.3646–7.20685.0273–7.42867.5609粤ICP备05000005号-14.4887–4.38804.3648––6.3872“路”7.3410–7.57165.8018–7.50157.62251082M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）1075图六、使用现有的和提出的除雾算法比较七个不同的雾图像的CG（左）和CI（右）表3不同x值下的定量评价定量指标输入模糊图像“x”处的输出‘He等人[4]，（x= 0.95）拟议（x= 0.95）拟议（x= 0.9）拟议（x= 0.5）拟议（x= 0.2）颜色信息熵7.347.577.587.626.856.20颜色指数（CI）6.9814.0221.4319.46.954.43对比度增益（CG）–0.0190.0840.0870.0520.014对比分析了单幅图像的去雾算法以及所提出的方法。CIE是一个积极的数量和它的值为'佳能7'，'城市景观'，'K-080-000005'和'道路'是在所提出的方法比所有其他现有的算法更大。对于图像在所提出的方法中，对于剩余的两个图像（“y01”和“y16”）的CIE的减少大多数现有的方法都有同样的问题与天空区域的大气光是非常接近天空的颜色，并错误地认为它是一个雾层。所提出的方法的所有模拟都是在固定x（x= 0.9）下进行的。x值的变化也会影响定量指标。CIE、CI和CG如表3所示，除了视觉效果（见图2）。对于x = 0.9的“道路”图像，所提出的方法的CIE和CG 所提出的方法在x= 0.9图像色彩质量的过饱和。可以注意到，x的值是基于应用的，并且对于这里报告的雾视觉增强系统，x= 0.9时已经实现了最佳性能。在本文中，后处理不仅仅是简单的直方图拉伸[5]仅增加图像中的对比度而不保留更多细节，但使用WLS滤波器的先前转换的HDR图像用于增强捕获图像中的细节。如Tripathi和Mukhopad-hyay[5]中所介绍的，在所提出的技术中甚至不需要预处理来进行对比度拉伸。所提出的方案在没有任何预处理步骤的情况下保持了颜色质量，但是由于转换为HDR，在少数图像中观察到了一点过饱和。在少数图像中的这种过饱和量可以被忽略，除雾量。所提出的算法的另一个缺点是，它是最好的只适用于那些包含小的天空区域的图像。所提出的方法还使用了一个拉普拉斯算子与固定的核系数的边缘检测和估计，而无需任何类型的用户干预。5. 结论单帧图像去雾是发展鲁棒性和通用性计算机视觉系统的基础和重要任务之一，可用于目标跟踪、交通标志识别和FVES。本文提出了一种新颖有效的单幅图像去雾算法，该算法同时适用于灰度图像和彩色图像。该方法在使用WLS滤波器保留细节之前使用图像的HDR转换，并显示令人愉快的输出图像。对雾天条件下的不同场景进行了实验，并对Gamma校正因子和其他系数的取值进行了适当的选择，使该方法更加有效。 的效率用固定和可变x的主观和客观评价来验证所提出的方法。仿真结果和分析表明，输出的无雾图像包含更清晰的边缘细节和更好的对比度。它还保留了RGB图像和其他图像转换模型（YUV，HSV，CMYK等）的颜色质量。似乎产生了类似的结果。雾去除算法很容易实现一个单一的图像，而不是一个视频，然而，它可以使用运动估计扩展确认致命事故统计数据由国家公路交通安全管理局（NHTSA）提供。作者感谢美国国家公路交通安全管理局国家统计分析数据报告信息部的Lyn Cianflocco提供了2009-2013年五年间基于不同天气条件的致命机动车交通事故数据。作者还要感谢审稿人和编辑的宝贵意见。引用[1] Y.Y. Schechner等人，使用偏振、计算机视觉和模式识别对图像进行即时去雾。IEEE计算机协会会议，1（2001），pp。1-325[2] R. Fattal，单图像去雾，ACM Trans.Graph. 27（3）（2008）72.0.180.160.140.120.10.080.060.040.02003 The Dog（2008）403530252015105003 The Dog（2008）Tarel等人（2009年）Tripathi和Tarel等人（二零Tripathi和Mukhopadhyay（201Fattal（2014）（201Fattal（2014）提出提出图片图片对比度增益（CG）颜色指数M.I. Anwar，A.Khosla/Engineering Science and Technology，an International Journal 20（2017）10751083[3] J.P. Tarel，N.Hautiere，从单色或灰度图像快速恢复可见性第2201[4] K. He等人，单图像雾去除暗通道前，IEEE Trans.模式肛门。马赫内特尔 33（12）（2011）2341。[5] A.K. Tripathi，S. Mukhopadhyay，使用各向异性扩散的单个图像雾去除，IETImage Proc.6（7）（2012）966-975。[6] C. Ancuti，Ancuti，多尺度融合的单图像去雾，IEEE Trans. 图像处理。22（8）（2013）3271-3282。[7] Y. Wang，C.范，单图像去雾的多尺度深度融合，IEEE Trans.图像处理。23（11）（2014）4826-4837。[8] R. Fattal，Dehazing using color-lines，ACM Trans.Graph. 34（1）（2014）13.[9] R. Lagendijk等人，正则化迭代图像恢复与振铃减少，IEEE trans.acoust。语音信号处理。36（12）（1988）1874- 1888。[10] W.K. Middleton，Vision through the Atmosphere（1957）.[11] A. Levin等人，一个封闭的形式解决方案，自然图像抠图，IEEE Trans.模式肛门。马赫内特尔30（2）（2008）228-242。[12] Z. Farbman等人，多尺度色调和细节处理的边缘保持分解。27（3）（2008）[13] 朗格Economopoulos等人，图像对比度增强使用分区迭代函数系统，图像可见。Comput. 28（1）（2010）45-54。[14] D. Hasler，S.E.苏斯特伦克，《自然图像色彩的测量》，电子成像国际光学与光子学学会，2003年。pp. 87比95[15] J. Xu等人，图像增强使用两个伽玛重新缩放曲线和多尺度高斯矩阵，在：智能和先进系统国际会议，（2007）页。709-713[16]Lee等人，基于暗通道先验的图像去雾算法综述，EURASIP J。 图像视频处理。 1（2016）1-23.[17] M. Negru等人，指数对比度恢复在雾条件下的驾驶辅助，IEEE trans. ITS 16（4）（2015）。