【《基于Retinex去雾算法的图像去雾方法分析》9900字（论文）】

基于Retinex去雾算法的图像去雾方法分析1绪论．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．11.1研究背景及意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．11.2国内外图像去雾技术发展现状及其趋势．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．11.3章节安排．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．21.4小结．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．22图像去雾基础理论．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．32.1雾霾的形成机理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．32.2图像去雾算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．32.2.1图像增强技术．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．42.2.2图像复原技术．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．42.3去雾效果评价方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．52.4小结．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．53图像去雾方法实现与设计．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．63.1直方图均衡化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．63.2Retinex算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．63.3暗原色先验．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．84基于MATLAB的图像去雾系统实现．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．104.1MATLAB简介．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．104.2系统设计．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．104.3.实验结果及分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．114.4实验结果评价．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．135总结与展望．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．15参考文献．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．16附录1基于Retinex的图像去雾代码．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．18附录2暗原色先验的去雾代码．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．20附录3基于直方图均衡化的图像去雾代码．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．21绪论随着信息时代的不断发展和智能时代的到来，人们也对信息的需求量越来越大。图像具有表示信息更容易被人们接受与理解的优势并且已经成为人们了解外部世界的主要信息来源[1]。因此,对有雾图像进行去雾处理,使图像清晰化,有着非常重要的意义[2]。在本章的论文设计中，主要阐述了图像去雾的研究背景及其意义，其次介绍了国内外去雾技术现状以及发展趋势，最后介绍了论文的章节安排。1.1研究背景及意义在社会在不断的发展的今天，户外视觉系统广泛应用于视频监控、遥感监测、智能交通等领域，在人们的生产生活和军事领域中发挥着越来越重要的作用。然而，然而随着工业化的进程，大气污染日益严峻。汽车尾气的大量排放和工业污染的加重等原因使得人们的活动空间常常笼罩在雾霾之中。有些地区PM2.5浓度指数不断增大，而且这种天气的发生范围和持续时间有一种愈演愈烈之势。雾霾天气的出现不仅危害居民的身心健康，而且对社会生产、生活各个领域造成严重影响。在雾霾天气下，空气中存在着大量的悬浮颗粒物，会对光线产生散射，导致物体反射出的光线发生衰减，采集的图像往往退化严重，主要表现为清晰度下降，色彩失真等[3]，使得图像中蕴含的许多细节特征被衰减，极大地影响了各种视觉系统效用的充分发挥[4]，如在卫星遥感监测、智能交通等各方面都会丢失很多细节信息。由此可见，如何针对恶劣天气条件下的图像或者视频增强数据的有效性和可用性，简洁有效的提高户外视觉系统的可靠性，而且对于促进图像信息挖掘理论的发展显得十分重要。本设计基于matlab，集成了直方图均衡化，Retinex，暗原色先验三种算法对带雾图像进行增强。1.2国内外图像去雾技术发展现状及其趋势与国内相比,国外的研究工作开展的较早。图像除云雾的技术研究实验工作最早主要是美国两位学者针对一个地球上水资源管理卫星上的图像云雾高度退化后的问题而开展的。1992年,加拿大研究机构对云雾和在雨水等天气下的云层图像分析进行图层去除的研究。接着,英国曼彻斯特大学针对恶劣大雾天气下的全景航拍和高降质彩色图像图片进行去除雾处理。美国国家航空航天局的Langleg研究中心对在夜晚以及在浓烟、雾霾等条件下可以获取的图像基于Retinex的方法进行图像增强,取得了较显著的科学研究成果。国内对于单幅图像的烟雾研究中,微软亚洲研究院与香港中文大学的多媒体实验室合作并且研究成果较为显著，主要研究基于数据假设的单幅烟雾图像的去灰除雾处理方法,但离实际应用扔存在较大差距,同时其他科学研究所和高校的去雾相关图像研究处理工作尚还处于进一步研究发展中[4]。近几年来,国内外众多研究机构人员对图像的去雾霾技术的研究已经初步取得了若干新的成果,有关此方向的论文不断增加,其有效性也在实际应用中得到一定的验证。从目前国内外的研究成果来看，不管是基于图像增强的方法、基于图像融合的技术方法还是基于图像复原的技术方法都具有各自的优缺点。对于基于图像增强的技术方法,它通常是从主观上的视觉角度出发的用来有效地提高其在图像上的对比度,但是在复杂色彩退化校正上模拟人眼视觉的图像增强的这种方法时可能会直接造成一些不可准确预测的图像失真,且其在增强复杂色彩退化后的图像时视觉效果不佳。基于图像融合的方法是不需要物理模型的情况下，将多个信源相关信息融合成高质量图像的过程，融合策略是最大限度地从每个通道提取信息。基于图像复原的方法是先通过研究雾天成像的物理机制，构建出雾霾退化的物理模型，然后补偿退化过程造成的失真的过程，缺点是具有较大的时间开销。综合而言，每一种去雾方法都有它各自的特点，在恢复图像的真实场景方面，基于图像复原的去雾方法表现的更好一些。1.3本文的章节安排本文主要对以下几个方面进行研究和分析：第一章绪论部分首先论述了图像去雾的研究背景及其意义，以及国内外去雾技术的研究状况。第二章详细的论述了图像去雾霭的理论基础，包括雾霾图像的形成过程以及图像去雾的大致分类，包括图像的增强和图像复原。第三章是三种图像去雾的原理及实现第四章系统设计，分别从结构设计和模块设计方面对去雾系统做了说明，最后也对不同算法进行了分析比较。第五章对本文进行了简要的总结与展望。1.4小结本设计基于当今雾霾天气现状和去雾算法发展情况，采用matlab分别从图像增强和图像复原两个方面给出不同的去雾方法对图像进行去雾处理同时，对不同方法做了较为详细的说明，并对各种去雾算法的实验结果对比，采用主观和客观评价相结合的方式对图像去雾的质量进行评估。2图像去雾基础理论在更好地实现恶劣天气下所形成的云雾图像的去雾化处理之前,本文首先就雾霾和雾霾的形成过程做了简单的阐述。其次,对不同的图像去雾技术,主要可细分为图像增强技术和图像复原技术做了详细的分析和说明。2.1雾霭的形成机理雾霾是由空气中的灰尘和烟雾等小的漂浮颗粒产生的常见大气现象。这些漂浮的颗粒极大地吸收和散射光，导致图像质量下降。霭其实跟雾区别不大，它的一种解释是轻雾，多呈现灰白色，与雾的颜色十分接近。在冬季雾霾重的天气下,会直接引起室外环境能见度明显降低,严重影响人们的视线和各种视觉系统的有效发挥。高速公路也可能会因此存在极大的安全隐患,公路上的图像网络监控处理系统可能发挥作用受限,航空运输系统方面也可能会因此出现延迟。另外,长期处于一个雾霭雾霾等恶劣的天气的环境中,人体甚至还有可能会长期吸入不少天然的各种有害物质,对人们的身体健康甚至整个社会也会随之产生极大的不良影响,甚至对对人体造成肺病或者流感等其他各种疾病。2.2图像去雾算法图像去雾作为图像处理的一个重要分支得到越来越多人的关注。现在的去雾算法主要有两大类：一是基于图像增强的去雾算法，以直方图均衡化方法[5,6]，Retinex算法为代表[7,8]；二是基于图像复原的去雾算法，以2009年何凯明的暗通道先验去雾算法为代表[9]，以后有许多文献在该算法的基础上进行了积极探索与完善[10,11]。下图介绍了图像去雾算法的分类.图2.1图像去雾算法分类2.2.1图像增强技术图像增强处理技术是它是数字图像处理应用技术中最基本的技术内容之一,其主要研究目的也就是通过运用一系列科学技术手段用以改善数字图像的视觉效果，按照特定的需要增强图像中的某些信息，如边缘的锐化，对比度增强。同时削弱或去除某些不需要的信息，消除噪声，使得到的图像比原图像对于特定的应用更适合。图像增强可分为两类：空间域和频率域。2.2.2图像复原技术图像复原问题是一个求逆问题,需要仔细考察一个图像退化原因,然而逆向的问题经常可能存在非唯一性的解,甚至为无解。基于模型的去雾方法就是从图像复原的角度出发的考查图像的退化复原,对大气散射作用进行建立近似的数学模型分析，实现场景的复原。在该方法中，退化图像为物理模型的基础。之前就有许多的研究学者利用图2.2所示的一般模型进行图像复原。图中，f（x）为输入图像，H为退化函数，n(x)为噪声，g(x)为输出的退化图像，进过复原滤波器，f^(x)为恢复图像，表示为:G(x)=f(x)*h(x)+n(x)(2-1)式中，*表示卷积。下图为图像复原的流程图：图2.2图像复原流程图在上述降质模型确立后，图像复原的任务就是在已知退化图像g(x)、点扩散函数h(x)和噪声n(x)的情况下，求出原始图像。图像的降质过程是一个正问题，而图像的复原过程是一个较为复杂的反问题。图像复原主要存在以下几点困难：缺乏整体性考虑。难以表达退化函数。不具备针对性。综上可知，需要深入分析导致雾天拍摄图片发生退化的原因，尤其是从雾天成因入手，建立专门针对雾天降质图像的退化模型，以便获取最优的去雾复原效果。2.3去雾效果评价方法（1）主观评价：主观评价方法就是根据需要或目的,事先确定好评价尺度,让观察者对处理后的结果质量按视觉效果做出评定,通过主观感觉来比较处理结果的优势,从而判断方法的优劣。这种方法虽然简单且能够反映图像的直观质量,但最大的缺点是缺乏稳定性,评价结果与当时的实验条件、观察者知识背景、心情等因素有关。由相关去雾研究的文献可知,这种方法需要提供不同的图像放大部分细节进行比较。（1）主观评价：客观评价要根据客观标准给出数据来评价，目前按照对参考信息的需求程度可分为全参考lr-frence)、半参考(duedreferecrc)和无参考(no-reference)三大类，其中前两者需要借助参考图像。而针对图像去雾效果评价这一具体应用，与有雾图像场景完全相同的晴天参考图像通常很难获得，没有一个理想的图像来作为评价参考，因此常常用无参考评价的方法来对去雾效果进行评估。目前用于去雾图像的评价方法根据专用性又可以分为非专用和专用两类。前者属于图像质量评价的通用方法，也适用于评价去雾效果;后者是专门用于雾霾图像评价的方法，能够跟雾霾自身特性相结合。一些通用的客观评价指标有均方差（MSE）\峰值信噪比、信息熵（IE）等。2.4小结图像恢复的技术主要目的就是针对在进行成像处理时所经历的"退化"问题提出的,而成像处理时所经历的"退化"现象是为了成像处理系统受到各种因素的作用和影响,例如进行成像时系统的散焦,成像的存在等。设备和其他物体经过相对于设备的角度位移或者固有图像缺陷交换等都会直接造成物体的图像处理质量下降而无法完全满足理想的图像需求。图像恢复与图像增强不仅在技术上具有很高的相似度,并且还同样能够大幅提升恢复后图像整体处理的质量。然而,与其他图像恢复相比,图像增强恢复技术更加着重于图像对比度的大幅拉伸。其主要工作目的也就是根据不同观看者的不同喜好进行处理具体图像,并通过提供一个观看者认为愿意被其接受的具体图像。图像模糊恢复功能使用去模糊恢复功能可以去除当前图像的模糊组成部分并恢复当前图像的真实性。所以它使用的主要技术方法也就是通过使用这些退化后原图像的一些具有所谓的科学先验性和知识手段来进行修复或更新重建这些退化后的图像。从恢复图像过程的角度分析来看,可以将其视为防止图像退化的一次逆恢复过程。对于退化图像恢复,必须首先正确性地估计整个图像退化过程,然后在此基础上重新建立近似的退化图像数学计算模型,然后对模型结构进行适当性的修改以便于补偿图像退化恢复过程中可能发生的图像变形,以便于确保再次恢复后图像获得的退化图像精度接近原始退化图像,实现了恢复图像的精度优化。但是在图像逐渐退化和模糊的过程中,噪声和其他干扰同时仍然存在,给图像的模糊恢复过程带来了很多的不确定性。3图像去雾方法实现与设计3.1直方图均衡化的图像去雾直方图均衡化方法的思想源于对雾天图像的分析。雾天图像由于蒙上了一层雾气，其灰度值向一个范围内集中，对比度下降。采用直方图均衡化的方法可以使灰度值在整个灰度范围内均匀分布，获得更大的图像动态范围，从而达到增强雾天图像整体对比度的效果。以下展示了直方图均衡化的效果：（2）（3）（4）图3.1直方图均衡化图3.11为原图像；图2为图1的直方图；3为直方图均衡化结果；图3为图4的直方图直方图均衡化所采用的方法是利用累积分布函数作为图像灰度值的变化曲线。根据计算区域的不同，基于直方图均衡化的算法分为全局直方图均衡化和局部直方图均衡化。通过均匀地校正直方图，可以增加图像的灰度间距，从而使图像更清晰。通常把为得到均匀直方图的图像增强技术叫做直方图均衡化处理或直方图线性化处理。全局直方图均衡化的优势是计算量小、效率高，特别适合于增强整体偏暗或偏亮的图像，但是针对整幅图像进行灰度统计操作的全局方法很难使每个局部区域都得到复原的最优值，不能适应输入图像的局部亮度特性，且处理后图像的灰度层次感降低。局部直方图均衡化的基本思想是将直方图均衡化运算分散到图像的局部区域，通过局部运算的叠加自适应地增强图像局部信息达到所需要的增强效果，适用于景深多变，对比度低的雾天图像处理。MATLAB中可以通过histeq函数实现直方图均衡化，函数调用方法为： （3-1） 该函数对灰度图像I进行变换，返回有N级灰度的图像J。3.2Retinex算法Retinex方法来源于Retinex理论，即视网膜大脑皮层理论，它是Landh和McCann从人眼对颜色的感知特性出发建立起来的，其实质就是从图像中抛开照射光的影响来获取物体的反射性质，是一种描述颜色不变性的理论。Retinex理论认为，在视觉信息的传导过程中，人类的视觉系统对信息进行了某种处理，去除了光源强度和照射不均匀等一系列不确定的因素，而只保留了反映物体本质特征的信息，如反射系数等。Retinex

理论在结合了物体本身不具有颜色而是通过环境光和物体相互作用表现出了不同的颜色的描述后变得更加接近现实[12]。一幅图像S(x,y)可分解成：反射物体图像R(x,y)和环境照射量（入射光）图像L(x,y)，其原理示意图如图8.3-1所示。图3.2

Retinex理论示意图

用公式可以表示为：

S(x,y)=R(x,y)L(x,y)

其中，R(x,y)表示反射分量，代表物体表面的反射特性；L(x,y)表示照度分量，取决于环境光照特性；S(x,y)是被接受的图像。L(x,y)决定图像的动态范围，R(x,y)决定图像的内在性质。基于Retinex理论，如果可以找到把F(x,y)中估计出L(x,y)的方法，把反射分量从光照总量中分离出来，就能够降低入射分量对图像的影响，从而达到增强图像的目的。Retinex方法具有锐化、颜色恒常性、动态范围压缩大、色彩保真度高等特点。Retinex方法不仅可以图像的对比度和明亮度，而且可以缩小过于大的灰度动态范围，可以增强相对暗的区域的图像细节，对于彩色图像的增强和去雾处理有很大的优势。多年来，Retinex算法从单尺度SSR改进成多尺度MSR算法。多尺度算法在单尺度的基础上不但可以保持图像的保真度和动态范围压缩，而且还可以实现色彩增强局部，全局动态范围压缩。3.3暗原色先验去雾暗通道先验方法由何恺明等人提出。黑暗原色先验依赖于室外没有云雾的图像资料库中的统计定律。它基于我们通过观测获得的一个关键性事实,大多数室外无雾图像都是在每一个局部地带的区域中至少能够达到一个颜色通道强度极低的像素值。在那些受到空气云雾辐射干扰的大气影响的光图像中，这些深色原色的强度值将变得更高，并确定透射率的大小，从而可以很好地估计透射率。深色原色点主要存在于对象的局部阴影，自然景观的投影等中。关于造成深色原色的原因，何玉明对此进行了解释：红色，蓝色和绿色是三种主要的光学色。即使是绿树，红色和蓝色的亮度也会很低，因此会有深色的原色。1.暗原色先验模型（1）估测透射率分透射率反映了空气中光透射的重要特征。假设一个影像的大气是均匀的,则对于整个影像在某一特定时刻,总散射系数β是一个固定的值,因此影像上各个节点之间的散射退化程度也可能是不相同的,这主要依赖于传播的距离,亦即景深。基于对暗原色进行先验知识和对雾影像图进行模拟,能够直接估算其在成像过程中的雾密度,从而准确地估计得出透射比

t

。首先,假设我们对大气中的光分量A是已知的,并且对局部地带区域Ω中，透射率保持不变，则有：(2-13)（2-14）公式（2-14）中，c为图像R、G、B三通道之中一个颜色通道，Ω表示以像素x为中心的块，在这里其大小为15*15.又已知无雾图像的暗原色值很小，接近零，锲A≠0，则可知透射率的表达式为：（2-15）这样就可以粗略的估计透射率图。（2）复原物体光线通过投影分布，我们可以还原图像。当t（x）接近于0时，直接衰减量J（x）t（x）也将接近于0，并且通过直接恢复获得的原始图像也趋于包含噪声。因此，我们为投影因子t（x）设置了下限t0。最终的恢复J（x）由以下表达式实现：（2-16）(3)估测大气光通常情况下，大气光用图像中最明亮的颜色来作为估计的，因为大量的灰霾经常会导致一个发亮的颜色。但是，在这种算法下，本来就比较明亮的物体会被选中，比如说白色建筑物，白色车子等，因而便会导致一个本来不应该作为大气光参照值的结果被用作大气光的估计。为了更加可靠的对大气光进行估计，通常利用那些灰蒙蒙的区域中像素或者深色原色来估计大气光值A。2.算法概述具体实现步骤如下：1)将输入的带雾图像分成15*15的块，将得到局部和全部的暗原色图；2)利用软件细化透射率图；3)利用暗原色先验估计大气成分；4)恢复无雾图像。这种算法的一般原理图如下：图3.3暗原色先验原理图

4基于MATLAB的图像去雾系统实现4.1MATLAB简介MATLAB是美国矩阵算法实验室(matrixlaboratory)的一个缩写,它不仅是一种广泛地被运用在矩阵算法设计开发,数据分析可视化,数据分析及其他相关数值分析计算的高级应用科学,该技术也是计算机和可编程应用语言和交互式应用环境。矩阵计算是matlab的灵魂,矩阵在matlab中无处不在。具有以下的特点：(1)结构简单,使用方便灵活,库的函数极其丰富,运算标记符丰富。(2)既具有一些结构化的循环控制函数语句,例如:for循环,while循环,又同时具备了面向对象编程的特性。(3)图形功能强大。(4)对程序的限制不严格,程序的设计和自由性大。(5)缺点是它和其他高级程序相比,程序的执行速度较慢。4.2系统设计本图像去雾系统集成了直方图均衡化、Retinex、暗通道优先三种去雾算法，不仅能够获取每种算法的处理结果，还能够对三种算法进行评价系数比较，该系统可根据需要进行迭代更新，增加新的去雾算法。系统的结构设计如下图：图4.1系统结构图4.3实验结果及分析系统界面主要通过GUI进行实现，由Axes控件和Button控件构成。通过对各个模块进行算法设计与代码实现，得到系统的主界面如下图：图4.2系统主界面图在代码中"zengqiang.fig"为去雾系统主菜单的界面配置文件,"zengqiang.m"为主菜单的运行程序;"min-quwu.m"为暗通道优先算法的运行程序;retinex.m"为retinex算法的模式下在后台运行程序;"psnr.m"为三种算法信噪比计算的程序;"duibidu.m"为三种优先算法的对比度计算处理程序..在主菜单界面首先可选择你要进行处理的图像，之后可分别选择进入暗通道优先算法模式、直方图均衡化算法模式、Retinex算法模模式对图像进行去雾处理，处理之后可以通过性能比较模块直观看到去雾的效果，以信噪比和对比度两个参数来客观评价；同时也设计了窗口清理功能，也可以对处理后的图像进行保存；最后设计了退出系统功能，按钮设计成橙色，比较显眼，防止误操作。用直方图均衡化处理的效果如下图所示：图4.2直方图均衡化去雾效果图可以看到直方图均衡化处理之后，图像对比度变大，清晰度变大，能够有效的增强图像，从而实现去雾的作用。利用Retinex算法对图像进行去雾处理结果如下：图4.3Retinex去雾效果图可以看到利用Retinex方法对图像处理后，图像的亮度增强，图像细节更加明显。但是对某一种色调的处理效果不佳，导致图像的对比度减小，，整体偏亮。通过暗通道处理的结果如下图所示：图4.4暗原色去雾效果图可以看出，暗通道方法处理后的图像色彩明显增强，图像失真程度最小，效果明显。4.4实验结果评价（1）Psnr:峰值信噪比，反映的是图像的整个失真程度，它是一种目前广泛应用的衡量图像质量的客观标准。

其数学公式如下图所示：Psnr的计量单位为dB，psnr值越大，就代表失真越少，反之值越小，就代表失真越多。（2）对比度：用来描述一个物体在某种情况下能够被正确分辨的亮度或颜色的差异变化。对于一张图像，它的色彩对比度越高，就说明这张图像中所遗漏的层次和信息就越多，不利于图像中各个细节的展示；反之，如果图像的对比度越低，图像的层次越不明显，影响了图像的整体呈现，带来一种模糊感。所以，对比度应该适中。测试时选择了三张不同的图像‘1.jpg’，‘2.jpg’，‘3.jpg’，如下图第一列所示，分别用直方图均衡化，Retinex算法，暗通道先验算法进行去雾处理后，计算信噪比psnr、对比度，结果如下：直方图均衡化Retinex算法暗通道先验表4.1性能对比可以看出，每一种算法对于不同的图像的去雾效果都有差异：直方图均衡化对彩色图像的处理效果较差，对比度较高；暗通道先验的峰值信噪比较高，图像看起来自然，失真小。所以每一种算法都有它的优缺点，我们可以对比选择适合的算法获取最好的效果。系统基本上可以实现对雾天图像的增强和去雾，达到了设计的目的。不同的处理方法的侧重点不一样，导致结果有所差异，主要评价有时会存在一定的片面性。因此，本文也采用了峰值信噪比，对比度等客观标准进一步衡量处理效果。5总结与展望通过上述实验可知，系统能够有效地对所选的图片进行处理，通过直方图均衡化、Retinex、暗原色先验法和分别对图像进行有效地进行增强处理。直方图均衡化可以使图像的很多细节变得清晰，简单可行，局部细节增强，但是对于彩色图像的处理效果较差，会出现噪声。Retinex方法对于彩色图像的去雾处理有很大的优越性，但是该方法不具备边界保持能力，会出现光晕现象。暗通道先验通过收集大量无雾时清晰图像，可利用暗原色统计规律识别雾天浓度，对局部估计雾天浓度，并对颜色修复。去雾后图像自然，颜色失真小，清晰度高。但是算法效率低，实现投射图精细化太过耗时。本系统集成了三种不同的算法，在处理时我们可以根据图像情况和自身需求选择合适的去雾算法，另外，系统具有较强的可扩展性，有需要的话可以添加更多的算法。另外，由于时间和能力有限，对于本设计也存在一些不足之处：GUI界面设计不够美化和丰富。实验测试时选取的测试用例太少，没有进行黑白图像，彩色图像，室内图像，室外图像等分类测试在图像评价时，只给出了信噪比和对比度评价标准。针对以上问题我将会进一步完善，对界面进行美化和丰富，也希望此系统能够实现视频去雾功能。参考文献[1]王雪梅.单幅图像去雾算法的研究[D].南京邮电大学，2019.[2]束慧玲.自然图像去雾算法及清晰化客观评价研究:[硕士学位论文].江西:江理工大学,2020[3]王道累，张天宇.图像去雾算法的综述及分析[J].图学学报，2020.[4]王文成.基于物理模型的单幅图像去雾方法.北京:科学出版社,2019,[5]孙伟.雾天图像的去雾增强算法研究[D].安庆：安庆师范大学，2019.[6]崔莹.基于直方图的图像去雾方法[D].长春：吉林大学，2018.[7]LANDEH,MCCANNJJ.Lightnessandretinextheory[J].JournaloftheOpticalSocietyofAmerica,1971,61(1):1-11.[8]刘洋，张杰，张慧.一种改进的Retinex算法在图像去雾中的研究与应用[J].计算机科学，2018,45(S1):242-243,251.[9]HEKM,SUNJ.Singleimagehazeremovalusingdarkchannelprior[C]//ProceedingsofIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(CVPR).Miami,FL,USA:IEEEcomputersociety,2009.[10]GAOY,LIQM,LIJ.Singleimagedehazingviaadual-fusionmethod[J].JournalofImageandVisionComputing,2020,94(2):1-10.[11]谢立，熊刚，于波，等.基于暗通道先验的大气退化图像去雾新方法[J].控制工程，2020,27(2):207-211.[12]黄辉.基于暗通道先验和Retinex的图像去雾算法:[硕士学位论文].江西:江理工大学,2020附录1基于Retinex的图像去雾代码functionz=Retinex(f)fr=f(:,:,1);fg=f(:,:,2);fb=f(:,:,3);%RGB通道mr=mat2gray(im2double(fr));mg=mat2gray(im2double(fg));mb=mat2gray(im2double(fb));%数据类型归一化[p,q]=size(mr);[s,t]=size(mg);[m,n]=size(mb);mr=ones(p,q).*(1/255)+mr;mg=ones(s,t).*(1/255)+mg;mb=ones(m,n).*(1/255)+mb;alf1=1458;%定义标准差alf=a^2/2a=54n=161;%定义模板大小n1=floor((n+1)/2);%计算中心fori=1:nforj=1:nb(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alf1))/(pi*alf1);%高斯函数endendnr1=imfilter(mr,b,'conv','replicate');ng1=imfilter(mg,b,'conv','replicate');nb1=imfilter(mb,b,'conv','replicate');%卷积滤波ur1=log(nr1);ug1=log(ng1);ub1=log(nb1);tr1=log(mr);tg1=log(mg);tb1=log(mb);yr1=(tr1-ur1)/3;yg1=(tg1-ug1)/3;yb1=(tb1-ub1)/3;alf2=53.38;%定义标准差alf=a^2/2a=10.3325x=31;%定义模板大小x1=floor((n+1)/2);%计算中心fori=1:nforj=1:na(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alf2))/(6*pi*alf2);%高斯函数endendnr2=imfilter(mr,a,'conv','replicate');ng2=imfilter(mg,a,'conv','replicate');nb2=imfilter(mb,a,'conv','replicate');%卷积滤波ur2=log(nr2);ug2=log(ng2);ub2=log(nb2);tr2=log(mr);tg2=log(mg);tb2=log(mb);yr2=(tr2-ur2)/3;yg2=(tg2-ug2)/3;yb2=(tb2-ub2)/3;alf3=13944.5;%定义标准差alf=a^2/2a=167l=501;%定义模板大小l1=floor((n+1)/2);%计算中心fori=1:nforj=1:ne(i,j)=exp(-((i-n1)^2+(j-n1)^2