一、图像去雾技术
室外场景的图像通常会被大气中的混浊介质（例如，颗粒，水滴）降级。 由于大气吸收和散射，会产生霾，雾和烟这种现象。此外，入射光与空气[6]混合（环境光被大气颗粒反射到视线中）。降级的图像会失去对比度和色彩保真度。在消费者/计算机摄影和计算机视觉应用中非常需要图像去雾。去除雾度可以显着增加场景的可见度并校正由空气引起的色移。
图像去雾技术有许多种，主要分为两大类：基于图像增强的去雾算法 （直方图均衡化（HE），自适应直方图均衡化（AHE），限制对比度自适应直方图均衡化（CLAHE） 等）以及基于图像复原的去雾算法（暗通道去雾算法（Single image haze removal using dark channel prior, Guided image filtering） 、Fattal的单幅图像去雾算法（Single image dehazing）、Tan的单一图像去雾算法（Visibility in bad weather from a single image）等）
基于图像增强的方法[12,13]通过以不同偏振度拍摄的两个或更多个图像去除雾度效应。在不同的天气条件下从同一场景的多个图像获得更多约束。 基于图像复原的方法[5,9]需要来自用户输入或来自已知3D模型的粗略深度信息。最近，单图像雾霾去除[2,14]取得了重大进展。这些方法的成功在于使用更强的先验或假设。Tan [14]观察到，与输入雾度图像相比，无雾度图像必须具有更高的对比度，并且通过最大化恢复图像的局部对比度来消除雾度。
二、暗通道去雾算法
暗通道先验基于无雾室外图像的统计。通过无雾图像的统计，发现在无雾图像中，每一个局部区域都很有可能会有阴影，或者是纯颜色的东西，又或者是黑色的东西。因此，每一个局部区域都很有可能有至少一个颜色通道会有很低的值。把这个统计规律叫做Dark Channel Prior。直观来说，Dark Channel Prior认为每一个局部区域都总有一些很暗的东西。以下是暗通道去雾算法大致步骤：
1、求出暗通道
Jc表示彩色图像的每个通道
Omega;(x)表示以像素X为中心的一个窗口
意义:首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波
2、计算折射率
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
