火元蓮，鄭海亮，李 明，張 健

(1.西北師范大學物理與電子工程學院,甘肅 蘭州 730070; 2.甘肅省智能信息技術與應用工程研究中心，甘肅 蘭州 730070)

1 引言

霧和霾是常見的自然天氣現(xiàn)象,主要是由于大氣中的懸浮固體顆粒物、水蒸氣和氣溶膠顆粒等介質(zhì)對光的反射、散射和吸收現(xiàn)象而形成的[1,2]。在霧天場景下使用圖像采集設備拍攝的戶外圖像質(zhì)量嚴重下降，導致圖像的細節(jié)缺失、對比度下降和顏色失真，直接影響了人們對圖像的視覺感知，嚴重影響了監(jiān)控和交通系統(tǒng)的性能[3 - 5]。因此，對霧天圖像的去霧處理十分重要而且具有重要的應用價值。

目前，針對單幅霧圖的處理方法主要分為3大類：圖像增強、圖像復原和深度學習?；趫D像增強的處理方法一般不考慮圖像降質(zhì)的根本原因，而是通過對比度增強來進行去霧，單純地增強了人們的視覺感受，但是圖像的細節(jié)損失較多。此類方法常用的算法有直方圖均衡算法[6]、小波變換算法[7]和Retinex變換算法[8]?；趫D像復原的處理方法是通過對圖像降質(zhì)物理過程的觀察和分析建立其退化模型，補償退化造成的損失，最終通過反演得到去霧圖像。其中，Tan[9]使用馬爾可夫隨機場來最大化地增加霧天圖像的對比度，進而達到去霧的目的，但是得到的去霧圖像顏色過飽和且?guī)в泄鈺?；Tarel等[10]采用中值濾波進行去霧，但在圖像的景深突變處的處理效果不好，并且該算法參數(shù)繁多，不便使用；He等[11]通過搜集大量無霧圖像并進行觀察分析，得出每個區(qū)域總有一個顏色通道值等于或接近于 0 的先驗知識，于是提出了暗通道先驗理論并應用于去霧處理中，但是當景物顏色和天空顏色接近時，暗通道先驗會失效，復原出的去霧圖像會有明顯的失真；Meng等[12]提出對天空邊界進行約束的方法，通過雙邊濾波來細化透射率，以達到較好的去霧效果，但會導致邊緣部分出現(xiàn)模糊和偽影；Chen等[13]通過最小化輸出圖像和輸入圖像之間的梯度殘差來復原圖像，但該方法不能顯著增加非常遠處物體的對比度，而且非常耗時。基于深度學習的處理方法是通過卷積神經(jīng)網(wǎng)絡來提取霧圖相關的特征并進行訓練和學習的方法，Ren等[14]提出了多尺度的卷積神經(jīng)網(wǎng)絡來訓練霧天圖像的透射率圖，進而復原出無霧圖像，但該網(wǎng)絡多使用合成霧圖數(shù)據(jù)集進行訓練，不適用于不同類型的霧圖；Li等[15]通過端到端的CNN直接重建無霧圖像，但由于有霧圖像和無霧圖像之間復雜的非線性關系，去霧效果也受到了一定的限制。

本文針對暗通道先驗算法在處理包含天空區(qū)域的霧天圖像時，存在天空區(qū)域失真和光暈效應的問題，提出了一種融合亮度模型和梯度域濾波的圖像去霧算法。首先，為消除天空區(qū)域的圖像過飽和現(xiàn)象，利用亮度來模擬場景深度進而得到天空區(qū)域的透射率；再者，為消除景深突變處產(chǎn)生的光暈，利用自適應最小值濾波的改進暗通道先驗得到前景區(qū)域的透射率；然后將這2個區(qū)域的透射率進行加權融合得到粗透射率；接下來采用包含顯式一階邊緣感知約束的梯度域?qū)驗V波對該透射率進行細化，使之更多地保留邊緣細節(jié)，消除光暈效應；最后通過大氣散射模型和伽馬校正復原出無霧圖像。實驗結(jié)果表明，本文算法相比其它算法具有更好的去霧效果，而且運算速度也較快。

2 相關理論

2.1 大氣散射模型

根據(jù)米氏大氣散射理論，McCartney首先提出了大氣散射模型，Narasimhan等[16]隨后對該模型進行了改進。現(xiàn)廣泛應用于圖像去霧領域的大氣散射模型表達式如式(1)所示：

I(x)=J(x)t(x)+A·[1-t(x)]

(1)

其中，x表示霧天圖像中某個像素點所處的空間位置；I(x)表示在霧天采集到的原始圖像，即為霧天圖像質(zhì)量退化后的圖像；J(x)表示在霧天圖像質(zhì)量退化前的圖像，即為經(jīng)過去霧處理后的去霧圖像；A表示無窮遠處的大氣光值；t(x)=e-β d(x)表示透射率，β是大氣散射系數(shù)，d(x)是場景深度函數(shù)，用于計算目標物體到采集設備的距離。圖像去霧的目的就是在僅已知霧天圖像I(x)的情況下，通過各種方法求得大氣光值A和場景透射率t(x)，最終經(jīng)過大氣散射模型來復原出無霧圖像J(x)。

2.2 暗通道先驗理論

He等[11]通過對大量無霧圖像的觀察，提出了暗通道先驗，在大多數(shù)無霧圖像中，每個局部塊區(qū)域至少在一個顏色通道上有一個亮度值很小的像素點，其值趨近于0。暗通道先驗表達式如式(2)所示：

(2)

其中，c∈{r,g,b}表示3個顏色通道，Ω(x)是以像素x為中心的局部區(qū)域，Jc(y)是通道c上像素y的亮度值,Jdark(x)是J(x)的暗通道圖像。

對式(1)進行歸一化并求取2次最小值運算，結(jié)合式(2)即可得到透射率：

(3)

為了防止圖像去霧太徹底，保留一定的深度感，引入系數(shù)ω(0<ω<1)，通常取ω=0.95，于是得到：

(4)

其中,Ac是通道c的大氣光值。

最后根據(jù)式(1)復原出無霧圖像。在圖像去霧過程中，為了防止t(x)趨近于0，本文為透射率設定一個下限值t0=0.1，最終得到的復原圖像表達式為：

(5)

雖然使用暗通道先驗理論可以得到好的去霧效果，但會在天空區(qū)域出現(xiàn)嚴重的顏色過飽和現(xiàn)象，再者由于使用固定的濾波窗口，在霧天圖像的景深突變處會有光暈現(xiàn)象的存在，最后使用引導濾波在強制平滑某些邊緣時不可避免會有光暈。因此，針對這些問題，本文使用自適應最小值濾波、透射率加權融合以及梯度域?qū)驗V波細化來進行解決。

3 本文算法流程

本文算法流程如圖1所示，首先使用自適應最小值濾波改進暗通道先驗。然后通過亮度模型和改進的暗通道先驗模型對霧圖分別求解天空區(qū)域和前景區(qū)域的透射率，加權融合得到粗透射率后采用梯度域?qū)驗V波進行細化；另一方面，將暗通道先驗前0.1%的最亮像素的平均值作為改進的大氣光值。最終在得到大氣光值和細化透射率后通過大氣散射模型和伽馬校正復原出無霧圖像。

Figure 1 Flow chart of dehazing algorithm圖1 本文去霧算法流程圖

3.1 改進的大氣光值求解

大多數(shù)基于暗通道先驗的算法都是用圖像中像素的最大亮度值來估計大氣光值A，即為對暗通道圖像的亮度值進行排序，提取亮度值最大的前0.1%的像素，將原始圖像中對應像素點的最大亮度值作為大氣光值A[11]。但是，若前景區(qū)域存在大塊白色的物體，則該類算法求得的大氣光值A明顯偏大，影響最終的去霧效果。為此，本文取圖像前0.1%的像素點的每個顏色通道的平均值作為大氣光值A，取平均值的目的是為了避免小面積白色前景區(qū)域的影響，使大氣光值A能夠更加趨近于真實值，增強其魯棒性，減輕去霧后圖像整體顏色偏暗的現(xiàn)象。其對比實驗結(jié)果如圖2所示。

Figure 2 Comparison of dehazing images by selecting the largest luminance value and the average value as atmospheric light value圖2 大氣光值選取最大亮度值和平均值的去霧圖像對比

3.2 自適應最小值濾波

在暗通道先驗算法中，濾波窗口大小的選取對去霧結(jié)果有很大的影響。目前，暗通道先驗算法多采用固定尺度窗口，如He等[11]采用的窗口大小為15×15。但是在實際應用中，霧天圖像的尺寸大小是不同的。針對此問題，本文采用自適應最小值濾波方法，即根據(jù)霧天圖像的尺寸來自適應調(diào)整濾波窗口的大小。假設霧天圖像的尺寸為M×N，則自適應濾波窗口尺度R的表達式如式(6)所示：

(6)

尺度因子k決定了濾波窗口的大小，如果選取的窗口尺寸過大，則會在復原圖像的景深突變處產(chǎn)生光暈效應；如果選取的窗口尺寸過小，則會在圖像的一部分區(qū)域沒辦法找到暗通道值，使得復原圖像顏色失真，仍然不能得到好的去霧效果。經(jīng)過實驗發(fā)現(xiàn)，當尺度因子k取0.01時有較好的復原結(jié)果，所以本文取k=0.01。使用不同尺度因子自適應濾波窗口的去霧對比結(jié)果如圖3所示。

Figure 3 Defogging results comparison of adaptive filter window with different scale factor k圖3 使用不同尺度因子k的 自適應濾波窗口的去霧圖結(jié)果對比

圖4所示為采用自適應最小值濾波的效果圖，從圖中可以看出，對于同一幅高山霧圖，其山峰頂部和天空交界的區(qū)域和草棚的周圍區(qū)域是景深突變處。當使用固定濾波窗口時，會產(chǎn)生光暈效應，而當使用本文的自適應濾波窗口后，消除了光暈現(xiàn)象。因此，自適應濾波窗口在本文圖像去霧中具有一定的有效性。

Figure 4 Comparison of dehazing image results between fixed and adaptive windows圖4 固定窗口和自適應窗口的去霧圖結(jié)果對比

3.3 融合亮度模型的粗透射率估計

參考文獻[17]可知，在霧天圖像中來自HSL顏色空間的亮度分布通常與場景深度的變化相一致，天空區(qū)域的亮度遠大于前景的亮度。因此，本文使用亮度來模擬場景深度，其亮度模型的透射率表達式如式(7)所示：

tl(x)=e-β L′(x)

(7)

其中，β表示大氣散射系數(shù)，L′(x)表示修改后的亮度值。因為在光學中大氣散射系數(shù)β和波長有很強的相關性，所以對于彩色圖像中的RGB 3個通道，選取的大氣散射系數(shù)β為在米氏散射模型[18]中攝像機角度為60°時的值，分別為0.332 4,0.343 3和0.350 2。為了模擬真實的場景深度，對齊亮度模型和暗通道先驗的透射率，本文將亮度模型中的亮度值L′(x)進行拉伸，其表達式如式(8)所示：

(8)

其中，L(x)表示輸入圖像的亮度值，τ表示真實的場景深度范圍且τ=3.4，L*(x)表示亮度L(x)的95%的值。因此，通過加權融合t(x)和tl(x)得到的粗透射率t*(x)，其表達式如式(9)所示：

t*(x)=α×t(x)+(1-α)×tl(x)

(9)

其中，t*(x)表示加權融合后的粗透射率，α表示透射率權重且α∈(0,1)。如果一幅圖像中的一個像素x∈Ω屬于前景區(qū)域，則α會趨近于1；反之，α會趨近于0。眾所周知，在暗通道先驗下，天空區(qū)域的透射率值均比較小，前景區(qū)域的透射率值均比較大。為了使天空區(qū)域和前景區(qū)域的邊緣過渡更加平滑，本文使用Sigmoid函數(shù)來計算透射率權重，其計算方法如式(10)所示：

(10)

其中，θ1=20/(max(t)-min(t))表示影響曲線傾斜度的參數(shù)，θ2=-10-θ1×min(t)表示水平坐標的中心。

3.4 粗透射率細化

直接使用粗透射率t*(x)無法得到很好的去霧效果，本文將使用梯度域?qū)驗V波對粗透射率進行細化[19]，因為梯度域?qū)驗V波相比引導濾波能更好地保留邊緣結(jié)構，消除某些邊緣引起的光暈現(xiàn)象。引導濾波假設引導圖像G和輸出圖像Z在以像素p為中心，ζ為半徑的正方形窗口區(qū)域Ωζ(p)存在局部線性關系，其表達式如式(11)所示：

Z(p)=ap1G(p)+bp1,?p∈Ωζ(p1)

(11)

梯度域?qū)驗V波將引入一個新的代價函數(shù)，如式(12)所示：

(12)

其中，X(p)為像素p在圖像中的映射，λ表示正則化參數(shù)，本文取λ=(0.4)2。ΓG(p1)為邊緣感知加權約束，是由所有像素的3×3窗口和(2ζ+1)×(2ζ+1)窗口的局部方差來表示的，其表達式如式(13)所示：

(13)

其中，χ(p1)=σG,1(p1)×σG,ζ(p1)，σG,1(p1)和σG,ζ(p1)分別表示G在窗口Ω1(p1)和Ωζ(p1)中的局部標準差，ζ表示濾波器窗口大小，本文取ζ=16。ε=(0.001*L)2表示一個很小的正常數(shù)，L表示為輸入圖像灰度值的動態(tài)范圍，N表示一幅圖像的總像素數(shù)。

(14)

其中，μχ,∞表示χ(p)的平均值，且η=4/{μχ,∞-min[χ(p)]}。

對式(12)的代價函數(shù)求取最小化，得到ap1和bp1的最優(yōu)值表達式分別如式(15)和式(16)所示：

(15)

bp1=μX,ζ(p1)-ap1μG,ζ(p1)

(16)

其中，⊙表示2個矩陣按元素相乘，μG⊙X,ζ(p1),μG,ζ(p1)和μX,ζ(p1)分別是G⊙X,G和X在局部濾波窗口Ωζ(p1)中的灰度平均值。

因為同一個像素可能被多個濾波窗口重復計算，所以本文對多個窗口內(nèi)的ap1和bp1取均值，其均值計算方法如式(17)所示：

(17)

其中，|Ωζ(p1)|是Ωζ(p1)的基數(shù)。

則梯度域引導濾波的最終表達式如式(18)所示：

(18)

使用上述方法求得更準確的大氣光值和透射率后，通過大氣散射模型和伽馬校正即可復原出最終的無霧圖像。

4 實驗結(jié)果與分析

為了驗證本文算法的去霧性能，本節(jié)對多幅典型的包含天空區(qū)域的真實霧天圖像和合成霧天圖像進行去霧實驗，并將本文算法和其他算法在主觀和客觀2方面進行對比分析，其中對比算法包括文獻[10-12,14,20-22]中的算法。本文的編程實驗環(huán)境為Matlab 2018b，操作系統(tǒng)為Windows 10，處理器配置為Intel(R)Core(TM) i5-7500 3.40 GHz，內(nèi)存為16 GB。

4.1 合成霧圖實驗

本文選擇使用Li等[23]最近提出的一個新的大型霧天圖像數(shù)據(jù)集RESIDE(REalistic Single Image DEhazing)，并對其中的綜合客觀數(shù)據(jù)集SOTS(Synthetic Objective Testing Set)進行了對比實驗。

4.1.1 主觀評價

主觀分析是以人的視覺來感知去霧圖像，并能直觀地展現(xiàn)復原效果。圖5所示是從SOTS數(shù)據(jù)集中隨機選擇的4幅圖像，以及通過不同算法得到的最終去霧結(jié)果圖。

Figure 5 Comparison of dehazing results of four synthetic haze images with different dehazing algorithms圖5 不同去霧算法對4幅合成霧天圖像的去霧結(jié)果對比

從圖5可以看出，在這4幅圖像中，文獻[10]算法處理后的圖像都會在一定程度上失真；文獻[11]算法處理后的圖像在天空區(qū)域顏色過飽和，建筑物周圍有光暈效應和條紋偽影；文獻[12]算法處理后的圖像在天空區(qū)域都會失真，并且有光暈偽影等現(xiàn)象；文獻[21]算法處理后的圖像整體偏暗、亮度不足，如在圖5a中的天空區(qū)域有少許偏色，在圖5d中的2棟樓中間的窗戶區(qū)域因亮度不足而無法看清；文獻[22]算法處理后的圖像去霧不徹底，在視覺感受上仍然有明顯的霧氣，如圖5a、圖5b和圖5c的綠樹區(qū)域，圖5c和圖5d的2棟樓中間的區(qū)域；文獻[20]算法處理后的圖像有部分區(qū)域失真，如圖5a中的天空區(qū)域顏色過飽和，圖5c中的遠處建筑物結(jié)構模糊不清、無法分辨，圖5d中的天空區(qū)域和遠處建筑物的交界處失真；文獻[14]算法處理后的圖像有去霧不徹底，不夠真實自然等問題，如在圖5a中的整體亮度有少許不足，不夠清晰自然，在圖5c中的右邊區(qū)域的建筑物旁邊有明顯的霧氣存在；而本文的算法去霧效果較好，消除了天空區(qū)域顏色過飽和以及光暈偽影等現(xiàn)象，使復原出來的圖像清晰自然，亮度適宜。

4.1.2 客觀評價

本文采用圖像客觀質(zhì)量評價指標來進行定量分析：(1)全參考評價指標：峰值信噪比PSNR(Peak Signal Noise Ratio)[24]和結(jié)構相似性SSIM(Structural SIMilarity)[25]；(2)無參考評價指標：信息熵IE(Information Entropy)和處理圖像的平均時間。峰值信噪比PSNR、結(jié)構相似性SSIM和信息熵IE的計算公式分別如式(19)～式(21)所示：

(19)

(20)

(21)

其中，X和Y分別表示清晰圖像和去霧圖像，M和N分別表示圖像的寬和高，μX和μY分別表示圖像X和Y的灰度值均值，σX和σY分別表示圖像X和Y的方差，σXY表示圖像X和Y的協(xié)方差，C1和C2表示常數(shù)，是為了避免分母為0的情況發(fā)生而設置的，pl表示圖像中灰度值為l的像素個數(shù)占整體像素個數(shù)的比例。

峰值信噪比PSNR越大，則圖像的去霧效果越好，圖像失真越小；結(jié)構相似性SSIM的值越接近1，則圖像的結(jié)構越清晰，復原的圖像質(zhì)量越好；信息熵IE的值越大，表明復原的圖像細節(jié)越豐富，信息量越大，去霧效果越好。圖5中的 4幅圖像的PSNR和SSIM的計算結(jié)果統(tǒng)計如表1所示，信息熵值大小如表2所示。

從表1中可以發(fā)現(xiàn)，本文算法在大多數(shù)情況下都能夠得到更好的去霧結(jié)果，對圖像2文獻[20]算法雖然可以得到最好的結(jié)果，但是本文算法的值也是與其非常接近的，是次優(yōu)的。同時從圖5b中也可以看出，文獻[20]算法復原出來的圖像整體亮度過強，導致人眼視覺感知不夠自然，而本文算法避免了這種情況；在表2中本文算法同樣可以在大多數(shù)圖像上得到更好的去霧性能。

為了進一步說明本文算法的有效性，本文在SOTS數(shù)據(jù)集上進行了各算法去霧對比實驗，其平均PSNR、SSIM和處理時間分別如表3和圖6所示。

從表3和圖6可以看出，與其他算法相比，本文算法在PSNR和SSIM上具有較好的去霧性能，其分別為20.01和0.825 8，這也說明了本文算法的可行性和有效性。對于處理一幅圖像的平均時間，本文算法比大部分算法的處理時間短，沒有文獻[11]的算法快，是因為本文求解的透射率是暗通道先驗的透射率和亮度模型透射率的加權求和，所以算法復雜度高一些。

Table 1 Comparison of PSNR/SSIM of four synthetic haze images in SOTS dataset表1 SOTS數(shù)據(jù)集中4幅合成霧天圖像的PSNR/SSIM比較

Table 2 Comparison of IE of four synthetic haze images in SOTS dataset表2 SOTS數(shù)據(jù)集中4幅合成霧天圖像的IE值比較

Table 3 Average PSNR/SSIM of each algorithm on SOTS dataset 表3 各算法在數(shù)據(jù)集SOTS上進行去霧的平均PSNR/SSIM

Figure 6 Average processing time of each algorithm on SOTS dataset 圖6 各算法在數(shù)據(jù)集SOTS上進行去霧的平均處理時間

4.2 真實圖像去霧

4.2.1 主觀評價

本文隨機選擇高山(Mountain)、天安門(Tiananmen)、建筑群(Architecture)、護城河(Moat) 以及RESIDE的真實世界任務驅(qū)動測試集RTTS(Real-world Task-driven Testing Set)中的湖泊(Lake)、汽車(Car)等6幅真實霧天圖像來直觀地展示本文算法和其他算法的去霧效果，結(jié)果如圖7所示。

觀察圖7中6幅圖像可看出，文獻[10]算法和文獻[11]算法處理后的圖像會有失真、顏色過飽和以及光暈效應等現(xiàn)象，全部4幅圖像的天空區(qū)域嚴重過飽和，高山圖像的山脈輪廓、天安門圖像的建筑周圍和汽車圖像的樹葉周圍都有明顯的光暈效應；文獻[12]算法處理后的圖像在天空區(qū)域出現(xiàn)不同程度的顏色過飽和現(xiàn)象，在天安門圖像的建筑物靠上區(qū)域有光暈偽影；文獻[14]算法處理后的圖像有去霧不徹底和天空區(qū)域偏色現(xiàn)象，如高山圖像中的天空區(qū)域有少許偏色現(xiàn)象，天安門圖像的建筑物正門前、建筑群圖像的遠處高樓區(qū)域、護城河圖像的道路兩旁和湖泊圖像的整體有明顯的霧氣，去霧不徹底；文獻[21]算法處理后的圖像有去霧不徹底、亮度不足和失真等現(xiàn)象，如高山圖像和護城河圖像整體偏暗，亮度不足，天安門圖像整體去霧不徹底，建筑群圖像的左下角區(qū)域、湖泊圖像的水面區(qū)域以及汽車圖像的青草、樹葉區(qū)域失真；文獻[20]算法處理后的圖像有不同程度的顏色過飽和以及去霧不徹底和失真等現(xiàn)象，如高山圖像的天空區(qū)域、天安門圖像右邊的紅旗區(qū)域、建筑群的整體區(qū)域和汽車圖像的右上角區(qū)域都有顏色過飽和的問題，護城河圖像的道路兩旁和綠樹區(qū)域去霧不徹底，湖泊圖像的遠處樹林區(qū)域失真；文獻[22]算法處理后的圖像有去霧不徹底和整體偏暗的現(xiàn)象，如高山圖像的山背區(qū)域、天安門圖像的建筑物周圍、建筑群圖像的遠處高樓區(qū)域、護城河圖像的道路兩旁和湖泊圖像的整體去霧不徹底；而本文算法的去霧效果較好，避免了上述存在的問題，保留了更多的圖像細節(jié)，復原出來的圖像質(zhì)量更好。

4.2.2 客觀評價

為了客觀描述本文算法對真實霧天圖像的去霧性能，采用圖像的信息熵和處理單幅圖像的時間作為評價指標，其結(jié)果分別如表4和圖8所示。

由表4可以看出，本文算法在天安門、建筑群、護城河和汽車圖像上有更大的信息熵值，即本文算法有更好的去霧效果。在高山和湖泊圖像上雖然沒有達到最大的值，但是也與最大值非常接近，同時文獻[20]算法在高山圖像的天空區(qū)域出現(xiàn)了顏色過飽和，文獻[21]算法在湖泊圖像的水面有顏色過飽和以及失真等現(xiàn)象，而本文算法處理之后的圖像更加自然且避免了這種問題，這也顯示了本文算法的可行性。在圖8中，本文算法與大部分的去霧算法相比，有較好的處理速度，比文獻[11]算法時間長的原因是本文算法的結(jié)構復雜度更高。綜上，本文算法比大部分去霧算法的去霧效果更好，具有一定的優(yōu)越性。

Figure 7 Comparison of six real haze images with different dehazing algorithms圖7 不同去霧算法對6幅真實霧天圖像的去霧結(jié)果對比

5 結(jié)束語

為消除暗通道先驗去霧算法在天空區(qū)域出現(xiàn)的顏色過飽和以及光暈現(xiàn)象，本文提出融合亮度模型和梯度域濾波的圖像去霧算法。在天空區(qū)域使用亮度模型，將霧天圖像從RGB空間轉(zhuǎn)換到HSL空間后使用亮度分量的透射率來表示天空區(qū)域的透射率；然后使用Sigmoid函數(shù)來平滑過渡前景和天空區(qū)域的邊界，結(jié)合改進暗通道先驗透射率進行加權求和；再使用梯度域?qū)驗V波細化來豐富復原圖像的細節(jié)信息。實驗結(jié)果表明，本文算法處理后的去霧圖像清晰自然，能夠有效消除天空區(qū)域的顏色過飽和以及光暈現(xiàn)象，具有良好的魯棒性；與其他算法相比在客觀評價上也有一定的優(yōu)勢，同時有效提高了處理速度。但是，本文算法還達不到實時性的要求，這將是下一步研究的重點。

Table 4 Comparison of IE of six real haze images表4 6幅真實霧天圖像的IE值比較