張國(guó)強(qiáng)， 楊 燕， 李一菲

(蘭州交通大學(xué) 電子與信息工程學(xué)院，甘肅 蘭州 730070)

隨著我國(guó)工業(yè)化進(jìn)程的快速發(fā)展，其面臨的環(huán)境問(wèn)題日益突出，特別是近年來(lái)秋冬季節(jié)經(jīng)常出現(xiàn)的霧霾現(xiàn)象。在這種情況下，戶外監(jiān)控系統(tǒng)捕獲到的圖像細(xì)節(jié)信息不明顯，許多特征被覆蓋或顯示模糊，并且信息的可識(shí)性嚴(yán)重降低。同時(shí)，色彩保真度降低，出現(xiàn)嚴(yán)重的色偏現(xiàn)象，這嚴(yán)重阻礙了戶外監(jiān)控系統(tǒng)獲取有用信息和捕獲目標(biāo)源位置的能力。因此，對(duì)于如何有效去除霧氣干擾的研究具有極其重要的實(shí)際意義和研究?jī)r(jià)值。

目前，針對(duì)單幅圖像去霧算法的研究已經(jīng)取得了一定的研究成果。這些不同的算法主要可以分為基于圖像增強(qiáng)的方法和基于物理模型的圖像復(fù)原方法。其中，基于圖像增強(qiáng)的方法不考慮圖像是因?yàn)楹畏N因素而發(fā)生退化，不能做到真正意義上的去霧，主要是使用數(shù)字圖像處理的方法對(duì)有霧圖像中需要增強(qiáng)的細(xì)節(jié)進(jìn)行增強(qiáng),并提高其對(duì)比度。這種方法在去除霧氣的同時(shí)會(huì)造成部分細(xì)節(jié)丟失，使部分復(fù)原的圖像失真；基于圖像復(fù)原的方法將大氣散射模型作為理論基礎(chǔ)，通過(guò)反演假設(shè)或先驗(yàn)條件評(píng)估在模型中起到重要作用的未知參數(shù)，然后將這些未知參數(shù)代入模型進(jìn)行求解，從而獲得清晰的無(wú)霧圖像，這種方法復(fù)原的圖像比較自然，可以滿足更多的場(chǎng)景需求。目前，基于物理模型復(fù)原算法已經(jīng)取得了顯著的成果。He等[1]通過(guò)對(duì)大量無(wú)霧圖像進(jìn)行統(tǒng)計(jì)，提出暗通道先驗(yàn)算法進(jìn)行圖像去霧，但是該方法依然存在一定的不足，當(dāng)存在大片天空區(qū)域時(shí)，暗通道先驗(yàn)假設(shè)不成立，同時(shí)由于最小值濾波的使用，導(dǎo)致塊狀效應(yīng)和景深突變的邊緣出現(xiàn)Halo現(xiàn)象，隨后He等[2]又提出引導(dǎo)濾波的算法進(jìn)行優(yōu)化，取得了一定效果，但是依然存在時(shí)間復(fù)雜度較高的問(wèn)題。Zhu等[3]通過(guò)顏色先驗(yàn)的方法，利用局部大氣光的思想獲取大氣光值，該方法可以準(zhǔn)確地估計(jì)大氣光值，但是由于兩次使用濾波的原因?qū)е聲r(shí)間復(fù)雜度較高。Meng等[4]提出一種邊界約束方法，該方法通過(guò)對(duì)邊界進(jìn)行相應(yīng)的約束，并通過(guò)迭代細(xì)化透射率，進(jìn)而復(fù)原無(wú)霧圖像，該算法雖然有效，但是對(duì)于濃霧圖像處理效果不佳。劉海波等[5]提出一種結(jié)合暗通道先驗(yàn)和Retinex理論的圖像去霧算法，該方法通過(guò)Retinex理論獲取反射分量，進(jìn)而復(fù)原出無(wú)霧圖像，但是該方法時(shí)間復(fù)雜度較高，在景深劇烈變化區(qū)域失效。楊燕等[6]通過(guò)光補(bǔ)償算法將沙塵圖像轉(zhuǎn)化為霧圖進(jìn)行處理，然后利用逐像素的方法得到透射率，該方法解決了塊狀效應(yīng)問(wèn)題，但是對(duì)于大氣光值的選取依然存在不準(zhǔn)確的問(wèn)題。Cai等[7]利用卷積神經(jīng)網(wǎng)絡(luò)的思想，通過(guò)訓(xùn)練優(yōu)化透射率進(jìn)而達(dá)到良好的去霧效果，但是由于訓(xùn)練集較少且模型不完善導(dǎo)致去霧效果不徹底。

通過(guò)對(duì)單幅圖像去霧算法進(jìn)行研究，本文以大氣散射模型為依據(jù)，通過(guò)構(gòu)造霧濃度檢測(cè)函數(shù)獲取準(zhǔn)確的大氣光評(píng)估區(qū)域，然后對(duì)大氣散射模型進(jìn)行簡(jiǎn)化；其次，構(gòu)建局部大氣光遮罩，通過(guò)計(jì)算拉依達(dá)準(zhǔn)則下限值的策略獲取引導(dǎo)圖，然后利用引導(dǎo)濾波進(jìn)行區(qū)域平滑并保持邊緣特性，結(jié)合簡(jiǎn)化模型獲取場(chǎng)景反照率；最后，根據(jù)Land成像模型，得到復(fù)原的無(wú)霧圖像。實(shí)驗(yàn)結(jié)果表明，所提出的方法可以取得良好的去霧效果。

1 暗通道先驗(yàn)

大氣散射模型廣泛如圖1所示，它被應(yīng)用于計(jì)算機(jī)視覺(jué)研究領(lǐng)域，可以用來(lái)描述霧成像過(guò)程，該模型可表示為

I(x)=J(x)t(x)+A(1-t(x))

(1)

式中，J(x)t(x)為直接衰減模型；A(1-t(x))為環(huán)境光成分，為環(huán)境光增強(qiáng)項(xiàng)。

圖1 大氣散射模型

根據(jù)Land成像模型[5]可知,一幅有霧圖像可以由全局大氣光和場(chǎng)景反照率兩者之間的乘積得到，具體的表達(dá)式為

J(x)=Aρ(x)

(2)

將式(2)代入到式(1)中可得：

I(x)=Aρ(x)t(x)+A(1-t(x))

(3)

式中，I(x)為有霧圖像；J(x)為待復(fù)原的清晰無(wú)霧圖像；t(x)為介質(zhì)傳輸率，即透射率；A為全局大氣光值的強(qiáng)度；ρ(x)為場(chǎng)景反照率。

式(3)中，透射率t(x)的表達(dá)式為

t(x)=e-βd(x)， 0≤t(x)≤1

(4)

式中，β為大氣散射系數(shù)，假設(shè)霧均勻分布，此時(shí)β近似為常數(shù)；d(x)為成像設(shè)備到場(chǎng)景點(diǎn)支架的距離，即場(chǎng)景深度。

He等[1]通過(guò)對(duì)大量無(wú)霧圖像進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，對(duì)于晴天天氣條件下的無(wú)霧圖像，可將其分解成若干個(gè)局部區(qū)域，在每個(gè)局部區(qū)域內(nèi)至少在一個(gè)顏色通道中存在灰度值很小的像素點(diǎn)，并且其中大多數(shù)強(qiáng)度值趨于0，從而提出暗通道圖像中各像素點(diǎn)的值可以通過(guò)式(5)獲得。

(5)

2 本文算法

針對(duì)霧天條件下圖像降質(zhì)的問(wèn)題，提出一種基于構(gòu)造簡(jiǎn)化模型和局部大氣光遮罩的單幅圖像去霧算法，本文算法流程圖如圖2所示，主要分為3步：① 構(gòu)造霧濃度檢測(cè)函數(shù)，檢測(cè)出準(zhǔn)確的大氣光值選取區(qū)域；② 對(duì)大氣散射模型進(jìn)行簡(jiǎn)化，并設(shè)計(jì)局部大氣光遮罩估計(jì)算法，通過(guò)計(jì)算拉依達(dá)準(zhǔn)則下限值的策略獲取引導(dǎo)圖，然后利用引導(dǎo)濾波算法進(jìn)行區(qū)域平滑并保持邊緣特性，接著結(jié)合簡(jiǎn)化模型獲取場(chǎng)景反照率；③ 根據(jù)Land成像模型得到復(fù)原的無(wú)霧圖像。

圖2 本文算法流程圖

2.1 大氣光估計(jì)

大氣光估計(jì)值的準(zhǔn)確性直接影響最終的復(fù)原效果，大氣光值的選取大于其真實(shí)值會(huì)導(dǎo)致復(fù)原的圖像整體偏暗，大氣光的取值小于其真實(shí)值會(huì)導(dǎo)致復(fù)原的圖像整體偏亮，從而丟失部分細(xì)節(jié)。目前的圖像去霧算法研究中，對(duì)于大氣光值選取方面的研究不是很多。

He等[1]通過(guò)選取暗通道圖像中前0.1%的高亮像素點(diǎn)對(duì)應(yīng)的有霧圖像的最大值作為大氣光值，該方法容易受到白色物體和強(qiáng)光源的影響導(dǎo)致選取的大氣光值偏大；Sulami等[8]通過(guò)對(duì)大氣光矢量的方向進(jìn)行判斷，自動(dòng)獲取大氣光值，該方法在矢量方向判斷不準(zhǔn)確時(shí)會(huì)導(dǎo)致大氣光值的選取出現(xiàn)偏差。大氣光值的選取區(qū)域一般定義為霧最不透明區(qū)域，本文提出一種霧濃度檢測(cè)函數(shù)，利用該函數(shù)選取準(zhǔn)確的大氣光值選取區(qū)域，從而提高大氣光值的準(zhǔn)確性，減少大氣光值估計(jì)偏差給復(fù)原圖像帶來(lái)的影響。

首先，結(jié)合HSV顏色通道的相關(guān)特點(diǎn)，通過(guò)式(6)構(gòu)造霧濃度檢測(cè)函數(shù)：

d(x)=‖Ihsv(x)-B‖

(6)

式中，B為HSV顏色通道中像素值最高的像素點(diǎn)。通過(guò)分析可知，d(x)的取值越小，則表示該點(diǎn)的霧濃度越大，反之亦然。同時(shí)考慮到白色物體對(duì)檢測(cè)區(qū)域的影響，通過(guò)對(duì)式(6)進(jìn)行最小最大操作，可獲得如下表達(dá)式：

(7)

通過(guò)上述操作可以使局部平滑，同時(shí)消除紋理效應(yīng)的影響。最小最大操作可以通過(guò)形態(tài)學(xué)開(kāi)操作來(lái)代替實(shí)現(xiàn)，即：

(8)

為了確保大氣光值選取區(qū)域的準(zhǔn)確性，通過(guò)大量測(cè)試實(shí)驗(yàn)設(shè)定閾值范圍τ∈[0.2,0.3]，可準(zhǔn)確地檢測(cè)出霧最不透明區(qū)域。在d(x)∈τ的區(qū)域選取0.1%像素的均值作為全局大氣光值A(chǔ)。

對(duì)于大氣光值的選取，A的取值不會(huì)小于有霧圖像對(duì)應(yīng)的灰度均值圖像。因此，可以進(jìn)一步約束大氣光值的選取。

(9)

式中，Igray為原始有霧圖像所對(duì)應(yīng)的灰度圖像；W和H分別為圖像的寬和高。通過(guò)該方法得到的大氣光值可以消除白色物體和強(qiáng)光源的影響，提高其魯棒性。

2.2 構(gòu)造簡(jiǎn)化大氣散射模型

本文通過(guò)白平衡處理，即通過(guò)對(duì)原始有霧圖像除以大氣光值A(chǔ)[5]，將大氣光照度的顏色分量校正到灰度軸方向，利用R,G,B顏色分量的最大值來(lái)估計(jì)光照顏色。結(jié)合式(1)和式(2)可以得到：

(10)

考慮到圖像中的高亮度像素強(qiáng)度大于大氣光A，則產(chǎn)生I(x)/A>1， 本文將白平衡校正的圖像I(x)/A限制在[0, 1]范圍內(nèi)，用I′(x)進(jìn)行表示，采用下式約束：

(11)

局部大氣光遮罩定義為

V(x)=1-t(x)

(12)

因此，大氣散射模型簡(jiǎn)化為

I′(x)=ρ(x)t(x)+V(x)

(13)

根據(jù)上述分析，通過(guò)式(13)可以得出，此時(shí)的大氣光被固定為常數(shù)，即大氣光的取值為[1,1,1]T，通過(guò)該操作不僅簡(jiǎn)化了模型，而且減少了時(shí)間復(fù)雜度，提高了準(zhǔn)確性。

2.3 局部大氣光遮罩估計(jì)

由于暗通道先驗(yàn)算法使用了最小值濾波操作，這使得到的透射率出現(xiàn)塊狀效應(yīng)、邊緣信息估計(jì)不準(zhǔn)確等問(wèn)題。若采用Soft Matting算法進(jìn)行優(yōu)化，其時(shí)間和空間復(fù)雜度過(guò)高，運(yùn)算時(shí)間長(zhǎng)，不能應(yīng)用于實(shí)時(shí)處理。盡管He等[2]又提出引導(dǎo)濾波算法對(duì)初始透射率進(jìn)行優(yōu)化，雖然可以在降低時(shí)間復(fù)雜度的同時(shí)具有良好的邊緣保持特性，但是在景深突變的邊緣會(huì)出現(xiàn)遺留少量殘霧的現(xiàn)象。本文結(jié)合簡(jiǎn)化后的大氣散射模型，通過(guò)構(gòu)造局部大氣光遮罩的方法來(lái)達(dá)到圖像去霧的目的。

2.3.1 粗估計(jì)

根據(jù)暗通道先驗(yàn)原理和Land成像模型可知，在RGB三個(gè)顏色通道中，至少存在一個(gè)通道的反射率趨近于0，因此可以得到式(2)中ρ(x)→0，結(jié)合式(13)可以得出：

假設(shè)滿足ρ(x)→0，再根據(jù)暗通道先驗(yàn)理論，局部大氣光遮罩可以粗略地從式(14)獲得：

(14)

但是ρ(x)→0不能滿足每個(gè)像素點(diǎn)，因此采用形態(tài)學(xué)操作的策略來(lái)腐蝕掉局部灰度級(jí)過(guò)高的像素。本文算法過(guò)程圖如圖3所示。粗局部大氣光遮罩如圖3(b)所示。可以看出，所得到的粗局部大氣光遮罩邊緣細(xì)節(jié)模糊，邊緣信息嚴(yán)重丟失。而在物體景深突變的邊緣會(huì)出現(xiàn)Halo效應(yīng)，因此需要保持景深突變的邊緣細(xì)節(jié)。

圖3 效果過(guò)程圖

2.3.2 基于引導(dǎo)濾波細(xì)化

由于大氣光遮罩僅是關(guān)于景深的函數(shù)，對(duì)局部大氣光遮罩進(jìn)行區(qū)域平滑操作，這可以看作一個(gè)濾波問(wèn)題。文獻(xiàn)[1]中使用原有霧圖像作為引導(dǎo)圖，造成恢復(fù)圖像近景去霧不徹底，并且明亮區(qū)域色彩失真。文獻(xiàn)[9]選取最小值圖像的局部最大值作為引導(dǎo)圖，這種方法依然存在遠(yuǎn)景區(qū)域去霧不徹底的現(xiàn)象，并且在景深突變處出現(xiàn)Halo效應(yīng)。通過(guò)上述兩種方法得到的引導(dǎo)圖，其邊緣細(xì)節(jié)部分細(xì)節(jié)丟失，無(wú)法保留景深特性，使得復(fù)原的圖像無(wú)法保留引導(dǎo)圖的變化細(xì)節(jié)，這是造成景深處去霧不徹底的主要原因之一。

本文對(duì)引導(dǎo)圖進(jìn)行深度濾波處理，首先用高斯分布對(duì)I′(x)做預(yù)處理，這樣局部區(qū)域內(nèi)所有像素都服從高斯分布，得到預(yù)處理后的最小值圖像V(x)，然后計(jì)算得到局部區(qū)域的拉依達(dá)準(zhǔn)則下限值，該準(zhǔn)則是一種判斷誤差的方法，判斷式為

|x-μ|>3σ

式中，μ，σ為局部均值和方差。本文用測(cè)量值x的下限值μ-3σ得到引導(dǎo)圖G(x)。對(duì)V(x)進(jìn)行雙邊濾波得到局部均值圖μ(x)：

μ(x)=FBF(V(x))

(15)

對(duì)最小值圖像和局部均值圖像差值的絕對(duì)值再次進(jìn)行雙邊濾波操作就可以得到其對(duì)應(yīng)的標(biāo)準(zhǔn)差：

σ(x)=med((V(x)-μ(x))2)

(16)

利用雙邊濾波可以保持圖像平滑，保留圖像邊緣特征，但雙邊濾波只能較好地濾除低頻成分，對(duì)最小值圖像與局部均值進(jìn)行差值操作后，會(huì)在局部區(qū)域內(nèi)產(chǎn)生脈沖噪聲，而中值濾波可以用來(lái)消除脈沖噪聲。所以對(duì)標(biāo)準(zhǔn)差求解選取中值濾波。采用雙邊濾波和中值濾波計(jì)算局部均值和方差，既能保持圖像平滑，又能保持邊緣特征，因此可以得到引導(dǎo)圖：

G(x)=μ(x)-3σ(x)

(17)

式(15)～式(17)中，μ(x)和σ(x)為使用快速雙邊濾波計(jì)算的均值和方差；G(x)為引導(dǎo)圖；FBF(*)表示快速雙邊濾波處理。

引導(dǎo)濾波[2]可以克服雙邊濾波產(chǎn)生梯度反轉(zhuǎn)的弊端，具有良好的局部平滑和保持邊緣的特性。在引導(dǎo)圖G(x)的引導(dǎo)下使輸出的圖像與輸入的圖像差異最小化，以G(x)為引導(dǎo)圖濾除V(x)中的紋理細(xì)節(jié)，剔除區(qū)域內(nèi)的異常值，保證有效像素的使用。通過(guò)以上操作，可以保留輸入圖像的總體特征，結(jié)合引導(dǎo)圖的變化細(xì)節(jié)，可以得到邊緣保持良好且局部平滑的局部大氣光遮罩，從而有效抑制了恢復(fù)結(jié)果中由于景深邊緣突變而引入的Halo效應(yīng)，即

Vdc(x)=guidefilter(G(x),V(x))

(18)

式中，Vdc(x)為對(duì)V(x)引導(dǎo)濾波后得到的局部大氣光遮罩，而且由于引導(dǎo)圖G(x)是灰度圖像，故可以降低算法復(fù)雜度并提高運(yùn)算速度。

2.4 圖像復(fù)原

從上述分析中已經(jīng)獲取了局部大氣光遮罩Vdc(x)，通過(guò)式(12)～式(14)和式(18)就可以得到場(chǎng)景反照率ρ(x)，可以看出恢復(fù)的場(chǎng)景反照率細(xì)節(jié)明顯。然后結(jié)合Land成像模型，復(fù)原出無(wú)霧圖像J(x)。復(fù)原效果圖如圖4所示。具體的數(shù)學(xué)表達(dá)式為

(19)

圖4 恢復(fù)過(guò)程效果圖

3 實(shí)驗(yàn)對(duì)比與分析

本文算法是在Windows 10操作系統(tǒng)下的Matlab R2014a上運(yùn)行，硬件配置環(huán)境為Intel?CoreTMi5-6300HQ CPU@2.30 GHz,8.0 GB RAM。為了驗(yàn)證本文所提出的算法的性能，與近幾年具有代表性的經(jīng)典方法進(jìn)行比較，并分別從視覺(jué)效果(主觀評(píng)價(jià))和客觀評(píng)價(jià)兩個(gè)方面進(jìn)行對(duì)比驗(yàn)證。

3.1 圖像去霧視覺(jué)效果分析

視覺(jué)效果分析以人的感性認(rèn)知為基礎(chǔ)，通過(guò)對(duì)去霧效果的主觀分析可以快速看出復(fù)原圖像效果的優(yōu)勢(shì)與不足，但是主觀分析往往具有一定的片面性。本文選取文獻(xiàn)[1]He等的暗通道先驗(yàn)算法、文獻(xiàn)[9]算法，文獻(xiàn)[10]算法進(jìn)行對(duì)比。圖5給出了相應(yīng)的實(shí)驗(yàn)結(jié)果。圖5(b)為暗通道先驗(yàn)去霧效果，該算法復(fù)原的圖像在景深突變的邊緣存在遺留殘霧的現(xiàn)象，并且圖像明顯偏暗，這主要是大氣光值選取的誤差導(dǎo)致的，其次部分遠(yuǎn)景細(xì)節(jié)丟失，如圖5(b)中的紅色框所示。圖5(c)為文獻(xiàn)[9]算法的去霧效果，遠(yuǎn)景存在大量殘霧現(xiàn)象，如圖5(c)中的紅色框所示，這主要是由于引導(dǎo)圖選取不當(dāng)引起的。另外，前面兩種算法復(fù)原出來(lái)的無(wú)霧圖像亮度不足，效果偏暗，這主要是由于大氣光值的估計(jì)大于其真實(shí)值引起的。圖5(d)為文獻(xiàn)[10]算法的去霧效果，基本上去除了霧氣的干擾，但是在部分圖像中出現(xiàn)過(guò)飽和、顏色失真的現(xiàn)象，這主要是兩次使用形態(tài)學(xué)操作引起的，如圖5(d)中的紅色框所示。本文方法復(fù)原的圖像結(jié)果如圖5(e)所示，本文所提出的算法恢復(fù)的圖像細(xì)節(jié)明顯增多、對(duì)比度高、亮度適宜，相比較于暗通道先驗(yàn)去霧算法，所提出的算法復(fù)原的圖像細(xì)節(jié)多，尤其在遠(yuǎn)景區(qū)域。相比較于文獻(xiàn)[1]、文獻(xiàn)[9]方法，本文方法具有更好的色彩保真度性能，可以有效地除掉霧氣的干擾，并且圖像明亮度適宜。相比文獻(xiàn)[10]方法，本文實(shí)現(xiàn)效果在對(duì)比度和恢復(fù)細(xì)節(jié)上都有一定的優(yōu)勢(shì)。綜上所述，本文方法在視覺(jué)效果上取得了一定的成果。

圖5 實(shí)驗(yàn)效果對(duì)比

3.2 圖像去霧客觀分析

(20)

(21)

(22)

式中，nr和n0分別為無(wú)霧圖像和有霧圖像中可見(jiàn)邊數(shù)目的集合；ri為Pi處無(wú)霧圖像和有霧圖像的平均梯度比;r為無(wú)霧圖像的可見(jiàn)邊集合;ns為復(fù)原圖像的飽和像素點(diǎn)數(shù)；W和H分別為原始有霧圖像的寬和高。實(shí)驗(yàn)對(duì)比數(shù)據(jù)如表1所示。

表1 客觀評(píng)價(jià)(實(shí)驗(yàn)圖像為圖5(a)圖像，依次從左到右)

從表1的客觀評(píng)價(jià)數(shù)據(jù)中可以看到，文獻(xiàn)[9]方法復(fù)原的圖像出現(xiàn)負(fù)值，本文算法在可見(jiàn)邊上相對(duì)于文獻(xiàn)[1]、文獻(xiàn)[9]、文獻(xiàn)[10]有相對(duì)的優(yōu)勢(shì)；對(duì)于歸一化平均梯度值，本文算法相比較文獻(xiàn)[1]、文獻(xiàn)[9]有一定優(yōu)勢(shì)，但是對(duì)于文獻(xiàn)[10]來(lái)說(shuō)，本文算法對(duì)于圖3、圖4略顯不足；對(duì)于飽和像素點(diǎn)，本文算法相比較于文獻(xiàn)[1]、文獻(xiàn)[9]有一定的優(yōu)勢(shì)，但是相對(duì)于文獻(xiàn)[10]存在一定的不足，這主要是因?yàn)樾螒B(tài)學(xué)的使用，導(dǎo)致對(duì)霧濃度估計(jì)過(guò)高，從而出現(xiàn)顏色飽和、平均梯度減小的問(wèn)題，但是在可接受的范圍之內(nèi)。綜合考慮，本文算法具有一定的優(yōu)勢(shì)。

4 結(jié)束語(yǔ)

針對(duì)霧天環(huán)境下捕獲的圖像嚴(yán)重降質(zhì)的問(wèn)題，本文提出一種基于構(gòu)造簡(jiǎn)化大氣散射模型和局部大氣光遮罩的去霧算法。該算法首先通過(guò)構(gòu)造霧濃度檢測(cè)函數(shù)，檢測(cè)出準(zhǔn)確的大氣光選取區(qū)域；然后，利用簡(jiǎn)化大氣散射模型的思想，構(gòu)造局部大氣光遮罩估計(jì)算法；最后，結(jié)合大氣散射模型復(fù)原出場(chǎng)景反照率，進(jìn)而根據(jù)Land成像模型復(fù)原出清晰的無(wú)霧圖像。從主觀評(píng)價(jià)和客觀評(píng)價(jià)兩個(gè)方面對(duì)該算法的可行性進(jìn)行了驗(yàn)證，表明該算法具有一定的優(yōu)勢(shì)。