论文单幅图像雾移除方法比较研究-李鑫伟

1、 学号： 0702214006 单幅图像雾移除方法比较研究单幅图像雾移除方法比较研究 学院名称： 物理与信息工程学院 专业名称： 电子信息工程 年级班别： 2007 级电子 1 班 姓 名： 李鑫伟 指导教师： 伍博 2007 年 5 月 河南师范大学 本科毕业论文 单幅图像雾移除方法比较研究 摘 要 单幅图像去雾技术是图像处理和计算机视觉领域共同关心的重要问题。实 现去雾的方法多种多样，不同方法有着自己独特的特点。本论文针对基于先验 信息的三种单幅图像去雾方法进行了较为详细的阐述，这三种方法是Fattal基 于光的传播和场景目标表面反射率部分是局部不相关的这一假设提出的方法， Tan基于两个

2、限制条件晴天下拍摄的图像（或增强后的图像）要比劣质天气下拍 摄的图像的对比度强烈和空气光的参数主要取决于观察者到物体的距离，而且 参数变化趋于平滑提出的方法，和He基于暗通道先验法则提出的方法。在此基 础上从理论基础，实现方法，局限性，效果等一些细节分析比较了Fattal，Tan 和He三种方法的特点，从而更加深刻的认识了单幅图像去雾的三种重要思想方 法。 关键词： 图像；去雾；Fattal 方法；Tan 方法；He 方法；比较 Comparative study of single image haze removal Abstract Single image haze removal t

3、echnology is an important issue of common concern in the field of image processing and computer vision. Methods for dehazing varies drastically and each has its own characters. In this paper, we discuss and compare three important dehazing methods based on prior information. These include Fattals me

4、thod based on locally unrelated relationship between surface shading and transmission function, Hes method based on dark channel prior and Tans method based on two restraints, which shows below: first, images with enhanced visibility(or clear-day images) have more contrast than images plagued by bad

5、 weather; second, airlight whose variation mainly depends on the distance of objects to the viewer, tends to be smooth. In the next step we compare each character in details, such as theory, accumulation, limitation and outcome, which leads us to a profound understanding of these methods used in sin

6、gle image haze removal. Key words: image; haze removal; Fattals method; Tans method; Hes method; comparison 目 录 摘 要 .I ABSTRACT.II 1 概论.1 1.1 课题研究背景及意义.1 1.2 课题的研究现状.1 2 单幅图像去雾方法研究.3 2.1 FATTAL图像去雾方法研究 .3 2.2 TAN图像去雾方法研究.4 2.3 HE图像去雾方法研究.6 3 方法总结比较.9 3.1 理论基础.9 3.2 实现方法.10 3.3 局限性.10 3.4 成果对比.11 4 结

7、束语.13 参考文献.14 附 录.15 致 谢.20 1 概论 1.1 课题研究背景及意义 近年来，随着计算机软硬件技术的不断发展，对有雾天气图像的景物影像进行去雾 处理已经成为可能，这反过来又对去雾图像的清晰度和真实感提出了新的要求。在雾天 情况下，由于场景的能见度降低，图像中目标对比度和颜色等特征被衰减，致使室外视 频系统无法正常工作，因此需要在视频图像中消除雾气对场景图像的影响。事实上，图 像去雾一直是计算机视觉领域研究的重要内容，其主要应用是视频监控、地形勘测和自 动驾驶等领域，因此，自动性和实时性就成为了这些研究关注的重点。本文分析比较了 基于先验信息的三种单幅图像去雾方法，对这些

8、方法的优化和拓展起到了一定的推动作 用。 1.2 课题的研究现状 为了改善退化图像的质量，可以采用模拟和数字两种图像处理技术进行处理1，模拟 图像处理利用光学处理和电子处理，特点是速度快实时性好，但是精度较差，灵活性差， 很难有判别能力和非线性处理能力。而数字图像处理采用计算机或实时硬件处理，处理 精度高，可以进行复杂的非线性处理，有灵活的变通能力。采用数字图像处理技术对退 化图像进行处理的方法有很多种，一般分为两类： 第一类是从图像呈现的低亮度和低对比度的特征考虑，采用增强的方法处理2，即 图像增强。图像增强处理则不考虑退化原因，按照特定需要突出图像中的某些信息，同 时削弱或去除某些不需要的

9、信息。其主要目的是使处理后的图像对某种特定的应用来说， 比未处理的图像更适用，也就是使处理结果更适合人类的视觉特性或机器的识别系统。 从图像质量评价观点看，图像增强的目的是为了提高图像可辨识度，而图像质量的视觉 评价是一种高度主观的过程。应该明确的是增强处理并不能增强原始图像的信息，其结 果只能增强对某种信息的辨别能力，而这种处理有可能损失一些其他信息。 第二类是基于物理模型的天气退化图像复原3方法，从物理成因的角度对大气散射4作 用进行建模分析，实现场景复原，即图像复原。图像复原处理是考查图像退化原因，通 过建立物理模型，重建和恢复退化前的图像，各种退化图像的复原都可归结为一种过程， 就是把

10、退化过程模型化，并且采用相反的过程进行处理，以便恢复出原图像。具体框架 如下图1所示。本文介绍的方法属于图像复原的方法范畴。 图1 图像去雾理论框架 2 单幅图像去雾方法研究 2.12.1 FattalFattal图像去雾方法研究图像去雾方法研究 Fattal所用到的物理模型如下: ( )( ) ( )(1( )(1)I xJ x t xAt x I I是指观测到的图像的强度，J J是景物光线的强度，A A是全球大气光成分，t用来描述 光线通过媒介透射到照相机过程中没有被散射的部分，去雾的目标就是从I中复原 J J,A A,t。 方程右边的第一项 J J(x)t(x)为直接衰减项，它描述的是景

11、物光线在透射媒介中经衰 减后的部分。t为透射率，在这里同样假设透射率只是景深d的函数，如下式（2） 。A A则是 大气光成分，会导致景物颜色的偏移。 ( ) ( )(2) d x t xe 其中大气的散射系数，该式表明景物光线是随着景物深度d按指数衰减的。 Fattal方法的中心思想5在于假设光的传播和场景目标表面反射率部分是局部不相 关的，当然这种不相关有些限制条件，如信噪比等。然后利用高斯马尔科夫随机场6估 计出场景的辐照度，并由此推导出投射图。对于对于大气光的估测，仍利用这两者的不 相关（或最小相关性）来估测A。 Fattal在分析中引进的重要参数物体表面反射因素R R和反射光l，即令：

12、J=RJ=Rl,则： ( )( ) ( )(1( )(3)I xl x t x RAt x 然后将矢量R R在平行于A的方向和垂直于A的方向R进行矢量分解，并引入，其中有: ( ),/( *)(4)I xARA *(5)lRl 并将I在A和R方向上投射，分别得： ( ) ( )(1( )*(6) A It x l xt xA ( ) ( )(7) R It x l x 由此我们可以推得： ( )1 ( )/(8) AR t xIIxA 为求得t(x)我们要知道R和。 至此我们就了解到了Fattal方法的核心环节。通过C(l,t)=0 可以得到： (, )/(, )(9) AR CIhCIh 其

13、中 ( )()/(10) AR h xAII 然后目标就非常明确了，通过确定A和R来求解，并逐步求得t和J，最终实现去雾。这 两个参数的估计用到的理论基础还是l与t的不相关性，具体算法详见Fattal文章。 2.2 Tan 图像去雾方法研究 Robby T. Tan 提出的方法是针对于单幅图像的雾移除方法7，他基于雾天景物拍照 的光学模型，通过数学建模分析，结合提出的两个限制条件，在马尔科夫随机场中建立 代价函数，对空气光 A 进行估测，计算直接衰减因数，从而达到去雾效果。本章节从理 论基础，参数估计，方法实现等方面对 Tan 方法做一大致介绍。 图 2 Tan 方法基于的光学模型 上图 2

14、所示为 Tan 方法的光学模型，用数学语言表示如下： ( )( ) ( )( )(1)(11) d xd x I xLx eLe 其中 I I 为拍摄得到的图像信息，L L是大气光，在这里我们的基本假设是大气光为全局常 量，它与图像中物体的位置无关。 为图像中物体的反射率。 为大气衰减因子，在这 里我们的又一个基本假设是 对任何光波都一样，而且与空间位置无关。d 是拍照时物 体到观测者之间的距离。从物理意义上讲，当 d 趋近于零时我们观测到的是 L L，即物 体反射光；当 d 趋近于无穷远时我们观测到的是 L L，即只有大气光。其中 L L， 和和 I I 是三维矢量（rgb） ，其他为标量。

15、因为 L L的不均匀性，还会导致景物严策的偏移。 Tan 方法的目的很明确，求出在白光（rgb 光色均匀）下物体的反射光，景物颜色 的偏移，即(Lr + Lg + Lb)。为分析方便，Tan 引入了三个概念，即图像色度，光 色度和物体色度，定义式分别如下： (12) c c rgb I III (13) c c rgb I III (14) cc c rcggbb I III 同时定义： ( )( )( )( )(15) rrggbb D xIxIxIx ( ) ( )()(1)(16) d x rgb A xIIIe 利用上式进行变形： ( ) ( )( )( )( )(17) d x I

16、xD x exA x 对上式两端同除以 ，白化大气光得： ( ) 1 ( )( ) ( )( ) 1(18) 1 d x I xD xx eA x 且有: ( ) ( ) (19) c d x c c c LA x e L 其中D(x)(x)=(Lr + Lg + Lb),接下来就很明确了： ( ) 1 ( ) ( )( ( )( ) 1 )(20) 1 d x D xxI xA xe 确定I I(x)，A(x)和e-d(x)。由于A(x)和e-d(x)之间的约束关系（式16） ，只需确定空气光 A(x)即可。 I I(x)的估计 I I已知，只需估计光色度即可。由式。可知，其等价于估计L L

17、。在Tan方法中，取 图像中亮度最高的像素部分作为大气光。 空气光A(x)的估计 在估计空气光的时候，Tan用到了两个非常重要的限制条件，即： 晴天下拍摄的图像（或增强后的图像）要比劣质天气下拍摄的图像的对比度强烈；空气 光的参数主要取决于观察者到物体的距离，而且参数变化趋于平滑。 Tan将图像分块，利用这两个条件在MRF(Markov random fields)框架中建立了代价 函数8，并根据吉布斯分布模型利用直方图均衡法估测每一分块图像的值。数学分析 如下： , (|)(|)(,)(21) x xxxxxy xx y N EAppAA A 其中p px是中心在(x为二维坐标)处的一小块图

18、像。Ax即为所求的A(x)，此处认为小块内 A(x)为一常数。等式右端第一项为数据项，定义式如下（22） ，它的引入代表了图像实现 最大对比度；第二项为平滑项，定义式如下（24） ，它的引入代表了图像A(x)值的平滑处 理。为平滑强度，其数值由试验确定。 * ( ) (,)(22) edgesx xx CD pA m , () ( )(23) edgesc x c CDDx 其中Dx*是将所有可能的A值代入式（20）计算D而得。 (,)1(24) xy xy c c AA A A L 由数据项的定义式可知，Tan利用边缘值（差分求和运算）最大化来确保图像对比度 最大化；有平滑项的定义式可知，T

19、an实现了邻近分割图像块的A值平滑。由此我们也可 以看到对于那些跳变处的图像细节，Tan方法是不成立的。 确定了数学计算模型，接下来便是对A值进行估测了。平滑项根据定义式直接可求得， 数据项需要分两步：首先，将所有可能的A值代入（20）式计算Dx*，然后再代入 （23）和（22）式计算数据项。这两项得到后，通过直方图均衡法或置信传播来得到每 块图像最合适(熵最大)的A值。 II和A得到后代入式（19）和（20）便可得直接衰减信息D，完成图像去雾。 Tan在最后还提出了两个优化方案来减少代码运行时间，即减小数据项的维数和提供 初始空气光A的值。 2.3 He 图像去雾方法研究 He提出的基于暗通

20、道优先法则的单幅图像去雾方法9来自对户外无雾图像数据库的 统计规律，它基于经观察得到的这么一个关键事实绝大多数的户外无雾图像的每个 局部区域都存在某些至少一个颜色通道的强度值很低的像素。利用这个先验建立的去雾 模型，我们可直接估算雾的浓度并且复原得到高质量的去除雾干扰的图像。同时，作为 去雾过程中的副产品，我们还可获得该图像高质量的深度图。 He所用到的物理模型与Fattal的模型相同，即式（1） 。 暗原色先验是通过对户外无雾图像的观察得出的：在绝大多数非天空的局部区域里， 某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是 个 很小的数。用公式描述，对于一幅图像J

21、，我们定义 ( ) ( )min , , ( min ( )(25) darkcc yx Jxr g bJy Jc代表J的某一个颜色通道，而(x)是以x为中心的一块方形区域。由观察得出，除 了天空方位，Jdark的强度总是很低并且趋近于0。如果J是户外的无雾图像，则把Jdark 称为J的暗原色,并且把以上观察得出的经验性规律称为暗原色先验。 造成暗原色中低通道值主要有三个因素：a)汽车、建筑物和城市中玻璃窗户的阴影， 或者是树叶、树与岩石等自然景观的投影；b)色彩鲜艳的物体或表面，在RGB的三个通道 中有些通道的值很低（比如绿色的草地树植物，红色或黄色的花朵叶子，或者蓝 色的水面） ；c)颜色

22、较暗的物体或者表面，例如灰暗色的树干和石头。总之，自然景物中 到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。 而大气光是光谱较为均匀的光，通过RBG通道后仍有较高的亮度；对于雾天下的景物 光，由于雾能使光线均匀化，因此受雾影响较深的景点光经通道后仍有亮度，而且雾越 浓，亮度越大。 在理论基础上，He给出了参数估计算法。 首先将一个相片分块，如500*500的像素我们以15*15为一单元进行暗通道处理。我 们先讨论A已知情况下t的估计。 记tt为t的原始估计值。进一步假定在一个局部区域的透射率是恒定不变的。对于 RBG各个通道c，在方程(3)中使用取最小运算符得到： ( )( ) m

23、in ( )( ) min ( )(1( )(26) ccc yxyx Iytt xJytt xA 注意到取最小运算是对三个颜色通道单独进行操作的，该方程等价于： ( )( ) ( )( ) min ()( ) min ()(1( )(27) cc cc yxyx IyJy tt xtt x AA 由此可得： ( )( ) ( )( ) min( min)( )min( min ()(1( )(28) cc cc cyxcyx IyJy tt xtt x AA 再联系到上面分析的结果，有： ( ) ( )min( min ( )0(29) darkc cyx JxJy 于是： ( ) ( )

24、min( min)0(30) c c cyx Iy A 得： ( ) ( ) ( )1min( min)(31) c c cyx Iy tt x A 至此得出t的原始估计值。 因为天空光来自无穷远处，其透射率趋近于0，所以He将天空区域融合在了式(9)中， 没有单独分析。基于人感知深度线索的考虑，He对（9）式进行了校正，有针对性的保留 了一部分覆盖遥远景物的雾: ( ) ( ) ( )1min( min)(32) c c cyx Iy t x A 其中的值根据具体情况而定。 对于分块处理引起的快效应，He用软修复10的方法(soft matting)进行了优化处理。 至此t被很好的估计了出来

25、。 有了透射分布，我们可以通过方程(1)复原物体的原始图像。但当t(x)接近0的时候， 直接衰减项J(x)t(x)也会接近0。直接复原得到的原始图像倾向于包含噪音。对此，给透 射因子t(x)设定了一个下限t0，这意味着某些雾稠密的区域仍然保留着一定数量的雾。 最终的复原J(x)通过下式实现： ( ) ( )(33) max( ( ), 0) I xA J xA t x t 对于大气光的估测，He也给出了说明。首先选取暗原色中亮度最大的0.1%的像素， 这些像素大都是不透明的。在以上像素当中，输入图像中强度最大的像素点被选定为大 气光。 3 方法比较研究 本章从众多细节角度分析比较了上述三种方法

26、的特点。 3.1 理论基础 从模型上而言，三者在形式上是一致的，为分析方便，再次给出（如下） ，其中 Fattal 和 He 用的是式（1） ，Tan 用的是式（11） 。令 J=L L(x)，那么两者就等价了。他 们的目的也都很明确，就是再创造些限制条件，求出相关参数，实现去雾。 ( )( ) ( )(1( )(1)I xJ x t xAt x ( )( ) ( )( )(1)(11) d xd x I xLx eLe 虽然模型形式上上没有大的差别，但这三种方法选取的研究对象却大不相同。其中 Fattal 将 J 分解为 l(x)*R, l(x)指物体反射光，为标量，R 是指物体表面光色反射

27、系数，是 RGB 三维矢量；Tan 将 J 分解为 L L(x)，L L为大气光（矢量） ，(x)为物体光反射率 （矢量） ；He 直接视 J 为要求的量（矢量） 。而且深入分析会发现，三种方法将上面的模 型定位在完全不同的层面上：Fattal 实际上是将公式（1）完全转化为了光学模型，通过 光矢量的分解来等价替换该公式；Tan 将其定位成了数学模型，通过两个数学限制条件对 该式进行变形，找出满足最大熵的参数值；He 则从物理模型的角度诠释了该公式，根据 实验发现对其进行一步步物理意义非常明确的变换，以求得参数。 引起这种不同的是这三种方法基于的理论基础。Fattal 利用物体反射光与投射图不

28、 相关这一物理特性，引入协方差等概率知识对反射光，投射图等因素进行分析，提出限 制条件，从而估测投射图和大气光，实现去雾；Tan 基于数学特性，提出优化后的图像对 比度要大于雾天影响的图像，并且空气光在图像中的变化是趋于平滑的，于是有了最优 化取值的理念，通过数据穷举实验来确定最佳参数；He 从大量清晰图像中总结出暗原色 先验规律，认为在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道 具有很低的值，这驱使他直接对 I（x）进行暗通道处理，从而得出 t 与 I 的关系式。 不同的出发点也反应了不同的去雾理念：Fattal方法估测光线投射参数，意在消弱散 射光，增加场景可视性和对比度

29、；Tan方法通过最大化复原图像局部对比度来达到去雾目 的；He方法运用暗原色先验法则，按雾气浓度局部修复图像各部分的颜色，实现去雾。 这三种方法在模型中都用到了些理想情况，都假设大气光是均匀恒定的，投射图按景 深d指数衰减，但各自又提出了理想去雾情况下对图像的要求，这在下面章节会给予介绍。 3.2 实现方法 我们先对比一下每种方法要解决的参数问题。大气光(A或是L L）是每个方法都要解决 的。在其他参数中，Fattal方法首当其冲要解决的问题是如何将l，t这两个未知因素的 不相干关系转化为已知因素（I）与未知因素之间的关系（分析过程参见上一章） ，然后 是R的估计，最后推导t，求解J；Tan方

30、法需要估计光色度和A（在这里A=(Lr + Lg + Lb)(1 - e-d(x)，详见上一章节） ，最后计算D(x)(x)；He方法根据大气光估计t， 然后计算J。在这里面还有个共同的问题要解决，那便是在分析时每种方法都引进了图像 分块处理，小快内参数恒定的思想方法。这种近似需要优化处理。 在大气光估测中，Tan和He的方法比较粗糙，Tan去图像中最亮的像素点作为大气光估 测值，He选取暗原色中亮度最大的0.1%的像素作为大气光估测值；Fattal对大气光的估 测仍然是依据l与t的不相关性，选取了使两者相关性最小的A作为大气光估测值。 其他因数的估计在上文中都有介绍，不再阐述。这里要讨论的是

31、优化的问题。Fattal 利用YUV色彩空间变换和高斯马尔可夫随机场实现了两个目的：对数据R的估测和图像的 平滑优化；Tan利用马尔可夫随机场也是实现了这两个目的（这是因为该场由数据项和平 滑项两部分组成，详见上文） ；He粗劣估测出t后利用soft matting 对数据进行了优化， 相对而言He数据估测和图像优化是分开的。这也为He方法的拓展和优化提供了更大的空 间。 除此之外，三种方法都根据自己的特点对数据进行了修正，这些修正值大多是基于实 验所得的。 三种方法的大致步骤如下： Fattal方法 Tan方法 He方法 1.估测R值 2.估测值 3.估测大气光A 4.估测l和t 5.计算J

32、 1.估测L 2.根据L计算 3.计算I(将I白光化) 4.计算MRF数据项 5.计算MRF平滑项 6.利用直方图均衡法等 计算空气光 1.计算大气光A 2.计算每个通道的暗原 色值 3.计算投射图t 4.用soft matting 进行 优化处理 5.对数据进行局部修正 7.计算D （t的下限修正） 3.3 局限性 为更加理想的实现去雾，每种方法都提出了自己的一些局限条件。其中Fattal对信噪 比提出了明确的要求，并且需要足够的颜色信息，如果处理浓雾下颜色暗淡的图像，信 号将淹没在噪声中，Fattal方法效果就不明显了；Tan方法追求最大化对比度，对于那些 原本对比度就大的景物图像有很好的

33、效果，而且处理后的图像很适合于信息识别和提取。 如果场景对比度较小，或是有些场景光部分有较大的突变，那么Tan的方法就没有优势了； He方法基于暗原色先验，是大量实验的结果，因此对大多数雾天图片，甚至浓雾下的图 像都有很好的去雾效果。但它提取信息的主要依据（参见上文）告诉我们，一旦景物接 近于大气光这个先验法则就失效了。 于是我们就可以考虑在不同情况下根据需要选择方法，必要的时候可以进行图像分割 处理，已达到满意的去雾效果。 3.4 成果对比 Fattal和He的方法提供了去雾图像和景深图，Tan只提供了去雾图像。下面提供了几 张处理图片，可供我们更加清晰的了解到他们方法的特点。 图3 原始图

34、像 图4 Fattal方法处理的结果 图5 Tan方法处理的结果 图6 He方法处理的结果 4 结 语 本论文先从Fattal，Tan和He三种方法的介绍入手，分析了每种方法的理论体系，数 学工具，算法实现，使用范围等，然后分析比较了这三种方法的诸多细节。通过本论文 的创作，我较为详细的了解了基于先验信息的单幅图像去雾方法，对每种方法有了一定 的把握，不但开拓了视野，而且极大激发了我的求知欲和科研兴趣。由于时间和精力上 的局限性，目前我了解的程度还不足于对各种方法的实现代码做一精细的比较和改进。 附录中仅列出了He方法的简化代码。这一不足将是我未来努力的方向，相信通过更加深 入的学习研究，在单

35、幅图像去雾课题中我将会有更高层次的把握。 参考文献 1 郭璠，蔡自兴，谢斌，唐琎 图像去雾技术研究综述与展望 2 李鹏，孙锦涛 等 基于色彩恒常理论的图像去雾技术 3 沈峘，毛建国，辛江慧 数字图像复原技术综述 4 刘建斌，吴建 群体雾粒子散射模型及散射角谱研究 5 FATTAL R Single image dehazing J ACM Transactions on Graphics， 2008， 27( 3) : 721 729 6 刘爱平，付琨，尤红建，刘忠 基于MAR-MRF的SAR图像分割方法 7 TAN R Visibility in bad weather from a sig

36、le image C / / Proceedings of IEEE Conference on Computer Vision and Pattern RecognitionWashington， DC: IEEE Computer Society， 2008: 2347 2354 8 R.Szeliski, R.Zabih, D.Scharstein, O.Veksler, V.Kolmogorov, A.Agarwala, M.Tappen and C.Rother.A A comparative study of energy minimization methods for mark

37、ov random fields. In proceeding of ECCV.2006 9 HE KAIMING， SUN JIAN， TANG XIAOOU Single image haze removal using dark channel prior C / / Proceedings of IEEE Conference on Computer Vision and Pattern Recognition Washington，DC: IEEE Computer Society， 2009: 1956 1963 10 Anat Levin, Dani Lischinski, Ya

38、ir Weiss, A Closed Form Solution to Natural Image Matting 附 录 img_name=ee.png; if (exist(epsilon,var) epsilon=; end if (exist(win_size,var) win_size=; end I = double(imread(img_name)/255; figure, imshow(I); h, w, c = size(I); %求图像的 dark channel %function dark=getdarkchannel(I, N) if (exist(N,var) N

39、= 7; end if (isempty(N) N = 7; end %参数效验，检查变量是否存在 mI = min(I, , 3); %对图像的 r，g,b 通道求最小值 h,w,c = size(I); dark = zeros(h, w); for i = 1:h for j = 1:w winI = mI(max(1,i-N):min(i+N,h),max(1,j-N):min(w,j+N),:);%取出 15*15 的领域像素 dark(i,j) = min(min(winI); %求出领域像素的最小值 end; end; %dark = getdarkchannel(I, 7);

40、%求图像的 dark channel %figure, imshow(dark); %A = getairlight(dark, I ); %求大气光 %function A = getairlight(dark, I) h,w = size(dark); tmp = reshape(dark, h * w, 1); %B = reshape(A,m,n)，将矩阵 A 的元素返回到一个 mn 的矩阵 B。如果 A 中没有 mn 个元素则返回一个错误。 tmp, ind = sort(tmp, descend); %对数组进行重构，图像排序，如果 A 是矩阵，sort(A) 对 A 按每一列元素

41、按照升序排列 A = 0; for i = 1:max(1, h * w * 0.001) %取按通道中 0.1%最亮的像素来计算 A row = floor(ind(i) - 1) / w) + 1; col = mod(ind(i) - 1), w) + 1; %floor 是 取整 mod 应该是取模 max 肯定是取最大值 A = max(A, (I(row, col, 1) + I(row, col, 2) + I(row, col, 3) / 3);%在 三个颜色通道上 取大的 end; %return; %L = getLaplacian(I,1e-7,1); % Author:

42、 Levin %function L=getLaplacian(I,epsilon,win_size) if (exist(epsilon,var) epsilon=0.0000001; end if (isempty(epsilon) epsilon=0.0000001; end if (exist(win_size,var) win_size=1; end if (isempty(win_size) win_size=1; end neb_size=(win_size*2+1)2; h,w,c=size(I); n=h; m=w; img_size=w*h; indsM=reshape(1

43、:img_size,h,w); tlen = (h - 2 * win_size) * (w - 2 * win_size) * (neb_size2); row_inds=zeros(tlen ,1); col_inds=zeros(tlen,1); vals=zeros(tlen,1); len=0; for j=1+win_size:w-win_size for i=win_size+1:h-win_size win_inds=indsM(i-win_size:i+win_size,j-win_size:j+win_size); win_inds=win_inds(:); winI=I(

44、i-win_size:i+win_size,j-win_size:j+win_size,:);%取领域像素 winI=reshape(winI,neb_size,c); win_mu=mean(winI,1);%均值 win_var=inv(winI*winI/neb_size-win_mu*win_mu +epsilon/neb_size*eye(c);%协方差 winI=winI-repmat(win_mu,neb_size,1);%减去均值 tvals=(1+winI*win_var*winI)/neb_size;%公式 row_inds(1+len:neb_size2+len)=res

45、hape(repmat(win_inds,1,neb_size),. neb_size2,1); col_inds(1+len:neb_size2+len)=reshape(repmat(win_inds,neb_size,1),. neb_size2,1); vals(1+len:neb_size2+len)=tvals(:); len=len+neb_size2; end end vals=vals(1:len); row_inds=row_inds(1:len); col_inds=col_inds(1:len); L=sparse(row_inds,col_inds,vals,img_size,img_size); sumL=sum(L,2); L=spdiags(sumL(:),0,img_size,img_size)-L; % sumL = sum(L, 2); %return; %t = gettransmission(dark, A, 0.95); %获得粗略的 t %获得粗略的 t %function t = gettransmission(dark, A, alpha); if (