诚信声明本人声明：1、本人所呈交的毕业设计是在老师指导下进行的研究工作及取得的研究成果；2、据查证，除了文中特别加以标注和致谢的地方外，毕业设计中不包含其他人已经公开发表过的研究成果，也不包含为获得其他教育机构的学位而使用过的材料；3、我承诺，本人提交的毕业设计中的所有内容均真实、可信。
作者签名：日期：年月日目录摘要 (I)Abstract (II)第1章绪论 (1)1. 1 图像去雾技术分类 (2)1.1.1 基于图像处理的雾天图像增强 (3)1.1.2 基于物理模型的雾天图像复原 (5)1.2 常见的去雾方法 (7)1.2.1 最小失真图像去雾算法 (7)1.2.2 偏振成像去雾算法 (10)1.3 本文采用的去雾方法 (12)1.3.1 简介 (12)1.3.2 背景 (14)1.3.3 暗通道先验算法 (15)1.3.4 利用暗通道先验算法去雾 (16)第2章MATLAB简介 (19)2.1 MATLAB 语言的传统优点 (19)2.2 语言新特点 (19)2.2.1 数据类型和面向对象编程技术 (19)2.2.2 控制流和函数类型 (20)2.3 工作环境 (20)2.3.1 传统工作环境 (20)2.3.2 工作环境新特点 (21)第3章主要程序与图像处理结果 (22)3.1 流程图 (22)3.2 具体程序 (23)3.3 图像处理结果 (27)结束语 (30)致谢 (31)参考文献 (32)图像去雾技术研究摘要: 在这篇论文里，我们找到了一个简单有效的去雾算法——暗通道先验算法，来去除单一图像的薄雾。
暗通道先验算法是室外无雾图像的一种统计规律。
它是基于一个重要的观察结果——室外无雾图像的每一个局部区域在至少一个颜色通道内有很低的值。
把这种算法应用在有雾图像的模型中，我们可以直接估计出雾的浓度，并且还原出高品质的无雾图像。
许许多多我们处理过的无雾图像展示了我们先前应用的算法是多么的强大。
同时，高品质深度图像作为图像去雾的副产品也可以得到。
关键词:图像去雾; 一种统计规律; 暗通道先验算法; 无雾图像Review of Image Dehazing TechniquesAbstract: In this paper, we propose a simple but effective image prior - dark channel prior to remove haze from a single input image. The dark channel prior is a kind of statistics of the haze-free outdoor images. It is based on a key observation - most local patches in haze-free outdoor images contain some pixels which have very low intensities in at least one color channel. Using this prior with the haze imaging model, we can directly estimate the thickness of the haze and recover a high quality haze-free image. Results on a variety of outdoor haze images demonstrate the power of the proposed prior. Moreover, a high quality depth map can also be obtained as a by-product of haze removal.Key words: image dehazing;a kind of statistics;dark channel prior; haze-free image第1章绪论近年来，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即在分析和借鉴了若干计算机视觉领域的研究成果的基础上，从图像处理和物理模型的研究角度，对图像去雾技术进行了综述性的介绍，并给出了这一领域的最新研究进展。
随着图像传感器和计算机技术的发展，户外机器视觉系统得到了广泛应用，而恶劣天气(雾、雨、雪)是影响户外视觉系统正常工作最主要的因素。
由于大气散射，雾造成图像色彩和对比度大幅下降，直接影响图像特征提取，从而导致以提取图像特征为基础的监控、跟踪、智能导航、智能车辆等视觉应用系统无法正常稳定工作。
因此如何从降质图像中去除天气的影响，恢复图像的颜色、对比度已成为目前计算机视觉领域的一个研究热点。
对雾天降质图像的复原技术主要有2 类：(1)基于图像增强的方法，通过增强降质图像的对比度满足主观视觉要求。
直方图均衡化是图像增强中一种常用的方法，全局直方图均衡化算法虽简单、实时性好，但效果较差。
采用局部直方图均衡化方法进行复原处理，但该算法运算量很大，需处理很长时间且效果并不理想。
(2)基于物理模型的复原方法，从大气散射角度建立图像的退化模型，并利用先验知识实现场景复原。
其特点是需要已知场景深度或大气条件等先验信息作为复原的前提。
基于多种假设建立多参数退化模型，通过图像数据和景深等先验信息对模型参数进行估计，实现场景复原。
然而该模型要利用雷达等设备获得景深信息，其成本较高、操作不便，难以在现实中广泛应用。
通过处理同一场景下至少2 幅不同大气状况的降质图像获得场景的结构和深度信息，恢复了场景的色度和对比度。
提出一种交互式的景深估计方法，通过对最大景深和最小景深进行人为指定，得到近似的景深信息，对单幅降质图像实现场景复原。
该方法虽然降低了对图像采集的要求，但要通过人工交互处理的办法实现清晰化。
从信息论的角度出发，在基于物理模型的基础上提出一种有约束的最优化复原算法，从理论上证实从单幅雾天图像中可自动获取所需部分参数。
通过以上分析可以看出，第(2)类复原方法建立在物理模型的基础上，其复原效果较好。
但如何实现对单幅图像自动、实时地复原是急需解决的问题。
1957年第一颗人造地球卫星进入地球轨道，人类从此开始了太空活动。
1960年4月1日美国发射第一颗电视和红外观察卫星——泰罗斯卫星，首次将电视摄像机拍摄的清晰可见光云图送回地球，遥感图像的研究受到了越来越多的研究者的重视。
随着卫星数量的增多，遥感图像广泛应用于军事、国防以及农业、林业、地质、地理、水文、气象、海洋、城市工程等各个领域。
但是在遥感数据处理过程中突出的问题是，云雾的存在使得遥感图像得不到应有的信息，很多遥感图像无法发挥其应有的价值。
由于遥感数据来源有限，必须对已有的资料进行充分的利用，在有云层覆盖的区域，地面被云层阻挡，从遥感图像获取不到地面信息，如何去除云雾的影响，提取地物信息，成为图像增强的一个重要任务。
1. 1 图像去雾技术分类目前对于雾天图像的处理方法主要分为两类: 雾天图像增强和雾天图像复原雾天图像的增强方法不考虑图像降质原因，适用范围广，能有效地提高雾天图像的对比度，突出图像的细节，改善图像的视觉效果，但对于突出部分的信息可能会造成一定损失雾天图像复原是研究雾天图像降质的物理过程，并建立雾天退化模型，反演退化过程，补偿退化过程造成的失真，以便获得未经干扰退化的无雾图像或无雾图像的最优估计值，从而改善雾天图像质量这种方法针对性强，得到的去雾效果自然，一般不会有信息损失，处理的关键点是模型中参数的估计对于每一类方法，按照去雾方法的相似性进一步归纳为不同的子类方法: 基于图像处理的雾天图像增强方法分为全局化的图像增强方法和局部化的图像增强方法; 基于物理模型的雾天图像复原方法则包括基于偏微分方程的雾天图像复原基于深度关系的雾天图像复原和基于先验信息的雾天图像复原。
雾图增强是智能管理系统的一个组成部分，在交通管理系统、公路收费站、轮船、飞机场等场合有着广泛的应用场景。
比较了对数函数、双曲正切函数、反双曲正切函数对雾天降质图像亮度分量的调节能力，证明双曲正切函数具有比对数函数更宽的亮度调节能力。
在此基础上提出一种基于单尺度Retinex的雾天图像增强方法。
该算法首先把图像从RGB彩色空间转换到HSV空间，保持色调分量不变，采用中心可自适应调节的双曲正切函数增强图像的全局亮度，局部细节非线性变换处理进一步提高图像的局部对比度，运用线性拉伸对饱和度进行调整，实现颜色补偿。
实验结果表明该方法去雾效果显著，且颜色自然。
实验还结合方差、熵和算法运算时间等参数，对该算法与多尺度Retinex算法作比较，验证了该算法在图像对比度、细节增强方面的优越性，且算法速度快，具有应用于实时图像处理的能力。
1.1.1 基于图像处理的雾天图像增强①全局化的图像增强方法全局化的雾天图像增强方法是指对灰度值的调整是由整幅雾天图像的统计信息决定的，与被调整点所处的区域无关。
由于雾天下场景的退化程度与其深度相关，而一幅图往往包含复杂的深度信息，所以全局化的处理方法往往不能得到理想的效果，但当雾天图像的场景相对简单时，不失为一种有效的途径。
典型的全局化雾天图像增强方法主要有6 种：1) 全局直方图均衡化算法。
该方法的基本思想是把有雾图像的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围从而达到增强雾天图像整体对比度的效果。
大部分文献在进行去雾算法对比时均以直方图均衡化的去雾效果作为参照。
2) 同态滤波算法。
该算法是一种把频率过滤和灰度变换相结合的图像增强处理方法，也是一种把照明反射模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像质量的处理技术。
该方法及其推广在彩色图像增强方面得到了广泛的应用。
3 ) 小波方法。
小波与多尺度分析在对比度增强上的应用取得了很大进展。
例如，在多个尺度上对雾天图像的细节进行均衡化［6］，对图像的细节有很好的锐化作用。
4) Retinex 算法。
Retinex 是一种描述颜色不变性的模型，它具有动态范围压缩和颜色不变性的特点，对由于光照不均而引起的低对比度彩色图像具有很好的增强效果。
近年来受到研究者的很大关注，包括单尺度Retinex 算法( Single-Scale Retinex，SSR ) 和多尺度Retinex 算法( Multi-Scale Retinex，MSR) 的应用都取得了很大的成功。