基于補償透射率和自適應(yīng)霧濃度系數(shù)的圖像復(fù)原算法

楊燕，王志偉

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

1 引言

在霧、霾等常見不佳天氣狀況下，由于空氣中存在大量介質(zhì)粒子，會對戶外圖像采集系統(tǒng)造成很嚴(yán)重的干擾，使得到的圖像或?qū)崟r視頻質(zhì)量下降，嚴(yán)重影響此類信號的實際應(yīng)用價值。因此，對戶外系統(tǒng)采集得到的圖像進(jìn)行清晰化處理和復(fù)原有重要的研究意義。

從目前的研究現(xiàn)狀而言，為了能使計算機(jī)視覺系統(tǒng)做出更精確的判斷或識別，霧天圖像恢復(fù)起著重要的預(yù)處理作用，因此去霧處理是計算機(jī)視覺和圖像領(lǐng)域共同關(guān)注的熱點。早期的去霧算法主要基于圖像增強(qiáng)，代表性算法有直方圖處理[1]和Retinex理論[2]等。但是這類方法只是簡單地改善了亮度和色彩，并沒有仔細(xì)考慮成霧原因，得到的處理效果也較為一般。

近年來，基于圖像復(fù)原的方法得到了充足的發(fā)展，通過反演成霧過程，利用景深信息或先驗規(guī)律，并結(jié)合大氣散射模型得到最佳的復(fù)原效果。Tan[3]觀察到無霧圖像的對比度高于有霧圖像，從而提出最大化對比度算法，利用馬爾可夫隨機(jī)場（MRF,Markov random field）建模進(jìn)行優(yōu)化，該方法能夠較好地去除霧氣，但是容易失真。He 等[4]基于大量的統(tǒng)計信息，提出了著名的暗通道先驗，取得了顯著的去霧效果，但是不善于處理包含高亮區(qū)域的圖像。Zhu 等[5]提出了顏色衰減先驗規(guī)律，利用機(jī)器學(xué)習(xí)訓(xùn)練得到圖像的景深信息和其飽和度與亮度之間的關(guān)系，但存在去霧不徹底的問題。Meng 等[6]通過邊界約束來限制透射率的范圍，使用正則化方法進(jìn)行優(yōu)化，但是復(fù)原結(jié)果有偏色現(xiàn)象。

最近，研究人員提出了很多基于深度學(xué)習(xí)的復(fù)原算法。Cai 等[7]設(shè)計了一種基于端對端的網(wǎng)絡(luò)架構(gòu)，與現(xiàn)有復(fù)原方法中使用的假設(shè)先驗條件建立聯(lián)系，獲得最終的去霧結(jié)果。Ren 等[8]提出了多尺度卷積神經(jīng)網(wǎng)絡(luò)用來訓(xùn)練透射率，并以精細(xì)尺度的網(wǎng)絡(luò)進(jìn)行優(yōu)化。Liu 等[9]設(shè)計了一種新的殘差結(jié)構(gòu)，聚合先驗知識和霧圖信息，用來估計透射率。雖然使用深度學(xué)習(xí)具有很強(qiáng)的前沿性，但存在的問題是沒有大量且真實的數(shù)據(jù)庫，在訓(xùn)練中使用的都是經(jīng)過合成和渲染的有霧圖像數(shù)據(jù)集，這也導(dǎo)致了使用此類方法并不總能得到最佳和穩(wěn)定的結(jié)果。

基于暗通道先驗類的復(fù)原算法容易對天空或明亮區(qū)域造成失真，且伴隨著光暈效應(yīng)。針對這2個不足，本文設(shè)定補償透射率并利用高斯函數(shù)進(jìn)行擬合，得到優(yōu)化后的精準(zhǔn)透射率。通過分析圖像中的霧氣特性，提出亮度熵概念，對霧圖求取亮通道操作并逐像素處理得到亮度熵信息，輔助于金字塔模型得到紋理特征，獲取最終的霧氣分布圖。建立一種自適應(yīng)關(guān)系求取霧氣濃度系數(shù)，同時改進(jìn)局部大氣光的求取方法，結(jié)合大氣散射模型得到復(fù)原結(jié)果。實驗結(jié)果表明，本文方法可以取得顯著的去霧效果。

2 背景

2.1 大氣散射模型

在計算機(jī)視覺理論中，通常以大氣散射模型[10-11]來描述成霧原理，它是霧天圖像具有低對比度、顏色衰退等性質(zhì)的理論基礎(chǔ)，其計算式為

其中，I(x)為有霧圖像；J(x)為無霧圖像；A為全局大氣光；t(x)為透射率，其反映著陽光穿透大氣直達(dá)成像設(shè)備的能力，值越大穿透能力越強(qiáng)；J(x)t(x)為直接衰減項，表示入射光線經(jīng)過空氣中介質(zhì)粒子散射后的衰減程度；A(1 -t(x))為附加項，表示在成像過程中加入的環(huán)境散射光，來源有直射光、大氣散射光或地面反射光。當(dāng)空氣中介質(zhì)粒子分布均勻時，t(x)可表示為

其中，d(x)為景深信息，即成像物體到成像設(shè)備之間的距離；β為大氣散射系數(shù)，表示單位體積的大氣對光的散射能力。在去霧問題中，唯一的已知量為I(x)，即通過式(1)來求取結(jié)果J(x)是一個病態(tài)問題，必須加入其他條件。因此，求取透射率t(x)和大氣光值A(chǔ)為算法的關(guān)鍵。

2.2 暗通道先驗的不足

He 等[4]提出的暗通道先驗在去霧領(lǐng)域取得了突破性的成就，基于對大量戶外無霧圖像的統(tǒng)計提出一幅無霧圖像，除卻天空或部分高亮區(qū)域，像素值至少在一個{r,g,}b顏色通道中趨于0。暗通道的計算式為

其中，c表示顏色通道，Ω(x)指以像素x為中心的鄰域，Jdark(x)被稱為暗通道圖。結(jié)合式(1)對式(3)兩邊取最小值濾波，可以得到初始透射率t0(x)為

其中，ω是為了保留少量霧氣，以免霧氣去除太過徹底造成復(fù)原效果不自然，通常取ω=0.95。利用式(5)得到的透射率比較粗糙，并不能直接用來復(fù)原。因此，He 采用軟摳圖算法對透射率進(jìn)行優(yōu)化，雖然結(jié)果有所改善，但是時間復(fù)雜度略高。隨后又提出較快的引導(dǎo)濾波優(yōu)化算法[12]，得到了較為滿意的效果。

暗通道先驗基于統(tǒng)計規(guī)律，以一種簡便直觀的方式來求取關(guān)鍵參數(shù)透射率t(x)，但是存在以下2個問題。

1)天空區(qū)域透射率估計過小。暗通道清楚地指出其不適用于天空等高亮區(qū)域。因為在這些區(qū)域，暗通道值并不趨向于0，而是趨于一個較大的值，繼而導(dǎo)致實際透射率偏大。但由于采用式(5)計算全局透射率，導(dǎo)致天空區(qū)域的透射率估計過小。

2)容易出現(xiàn)光暈效應(yīng)。獲得暗通道的主要步驟為兩次最小值濾波，但是在邊緣附近采用最小值濾波會造成信息缺失，導(dǎo)致較亮部分被低估，使邊緣處的透射率偏大，進(jìn)而產(chǎn)生光暈效應(yīng)。

以圖1 為例，觀察He 算法的處理結(jié)果可以發(fā)現(xiàn)，在帽子邊緣以及山頂與天空的交界處都有稍明顯的光圈，就是典型的光暈效應(yīng)；而且在天空區(qū)域有失真現(xiàn)象，偏色嚴(yán)重。而本文算法較好地改善了上述不足，得到了較為滿意的效果。

圖1 光暈效應(yīng)及天空失真

3 補償透射率及自適應(yīng)霧濃度系數(shù)

3.1 補償透射率

由第2 節(jié)內(nèi)容可知，利用暗通道先驗會造成天空等高亮區(qū)域的透射率偏小。依據(jù)數(shù)學(xué)推導(dǎo)，提出補償透射率對其進(jìn)行修正。在式(4)的基礎(chǔ)上，不結(jié)合暗通道規(guī)律，則有

結(jié)合式(5)得到

可以發(fā)現(xiàn)，利用暗通道求取的透射率t0(x)只是式(7)的一個特例。設(shè)，可得到全局透射率t(x)為

其中，t0(x)為相對透射率，γ(x)t(x)為補償透射率。通過如此修正，得到的全局透射率t(x)為精準(zhǔn)透射率，有效避免了使用相對透射率t0(x)帶來的不足。

在RGB 色彩空間中，A、I(x)、J(x)這3 個量共平面且模長依次遞減[13]，假設(shè)I(x)和J(x)之間存在某種衰減關(guān)系，且因為高斯函數(shù)具有良好的分布特性以及衰減性質(zhì)，本文以其來擬合Idark(x)和Jdark(x)之間的關(guān)系為

其中，σ為標(biāo)準(zhǔn)差，取值0.15。得到γ(x)后，利用式(10)可得到全局精準(zhǔn)透射率t(x)為

實驗對比如圖2 所示。圖2(a)為一幅含有天空區(qū)域的霧圖。利用暗通道先驗得到的透射率在天空處偏低，如圖2(b)所示。而在經(jīng)過本文算法補償后天空透射率顯著提高，如圖2(d)所示。針對復(fù)原結(jié)果，與He 算法相比，本文算法在天空區(qū)域的處理更加徹底，如圖2(f)所示。

圖2 透射率示意

3.2 霧氣分布圖

在有霧圖像中，霧氣的分布及濃度可以被直觀察覺，其主要特征是亮度值較高。本文將霧氣分布變通理解為亮度信息的混亂程度，在大部分情況下，混亂程度越高，霧氣分布越濃越彌散。在物理學(xué)中，能夠描述混亂程度的概念為信息熵。借此，本文提出以圖像的亮度熵信息來反映霧氣特征，熵值越大，霧氣出現(xiàn)的隨機(jī)性越高（混亂程度高）。具體步驟為，首先進(jìn)行兩次最大值操作，求取原圖的亮通道圖Ibright(x)來反映整幅圖像的亮度分布信息為

然后利用熵公式即式(12)得到亮度熵信息e為

由于采取對數(shù)操作，考慮極端情況，會使值為1 的像素點經(jīng)過變換后變?yōu)?，因此λ的作用是避免像素為空值，取λ=0.01，m和n表示圖像的長和寬，e(i,j)為某一像素的具體熵值。由于得到的初始亮度熵信息比較粗糙，故采用引導(dǎo)濾波進(jìn)行降噪平滑處理，guide 表示引導(dǎo)濾波操作。

單純的亮度熵信息無法充分體現(xiàn)出霧氣分布情況，需配合原始圖像的紋理特征d。本文采用在尺度空間中滿足視覺不變性的高斯金字塔[14]來擬合人眼在不同觀察尺度下的模糊程度。

算法1紋理特征獲取

輸入有霧圖像I(x)

輸出將上采樣的結(jié)果作為紋理特征e

Step1轉(zhuǎn)換成灰度圖進(jìn)行高斯模糊，窗口大小為15×15 。

Step2對模糊后的圖像進(jìn)行下采樣，尺寸縮小為原圖尺寸的

Step3對下采樣后的圖像繼續(xù)進(jìn)行高斯模糊。

Step4對模糊后的圖像繼續(xù)下采樣，尺寸縮小為原圖尺寸的

Step5對大小的模糊圖像進(jìn)行上采樣，達(dá)到原圖尺寸。

結(jié)合紋理特征和亮度熵信息，利用式(14)可得到最終的霧氣分布圖DisH 為

為了充分驗證本文提取霧氣分布方法的有效性，分別選取高亮度清晰圖像和有霧圖像，進(jìn)行霧氣提取操作，結(jié)果分別如圖3 和圖4 所示?？梢园l(fā)現(xiàn)，高亮度清晰圖像的直方圖分布比較集中，趨向于端分布，且DisH 分布主要集中在高亮背景部分，而其余部位無法體現(xiàn)出分布特性，如圖3(b)和圖3(e)所示，其中橫坐標(biāo)為像素值，縱坐標(biāo)為對應(yīng)像素的個數(shù)。在有霧圖像中，因霧氣充滿整幅圖像，直方圖分布跨度稍大，如圖4(b)和圖4(e)所示。不再集中于部分區(qū)域，導(dǎo)致DisH 中的亮度分布較為廣泛，直觀上很好地擬合了霧氣分布，也證明了所提方法的可行性。

3.3 自適應(yīng)霧濃度系數(shù)

He 等為了避免徹底去除霧氣而導(dǎo)致復(fù)原結(jié)果不自然，將式(5)中ω取為定值0.95。但是針對不同圖像，例如濃霧情況會造成去霧不徹底，薄霧產(chǎn)生失真；且ω的值不宜太小，否則不能體現(xiàn)去霧效果，一般情況下，ω的取值范圍為[0.8,1]。本文在得到霧氣分布DisH 的基礎(chǔ)上，建立一種線性關(guān)系來自適應(yīng)求取ω。在求取亮度熵信息e的過程中，因為采用了對數(shù)變換而導(dǎo)致像素被壓縮，使霧氣分布圖DisH 的像素整體偏低。令m表示DisH 的最小值，M為最大值，mean 為均值，建立

圖3 無霧高亮圖像DisH 及對應(yīng)的直方圖分布

圖4 有霧圖像DisH 及對應(yīng)的直方圖分布

以m為初始截距，1 +mean為斜率對M進(jìn)行提高，同時為防止ω溢出，取最大值0.98 進(jìn)行抑制，線性變換如圖5 所示，其中i、j表示歸一化后的像素值，單位為1。

由于濃霧情況下M和mean的值一定大于薄霧，即濃霧情況下ω較大，進(jìn)而得到較小的透射率，使去霧程度更加徹底。相對應(yīng)地，薄霧情況下可得到偏小的ω，較大的透射率可以保護(hù)圖像不會過度失真，維持較好的復(fù)原效果。分別選取不同霧濃度的圖像進(jìn)行對比，結(jié)果如圖6 所示。在圖6(a)中，經(jīng)過本文自適應(yīng)處理后的ω取值為0.92，小于定值0.95，從復(fù)原結(jié)果看，采用定值的He 算法透射率偏小，造成了部分近景失真，如圖6(b)方框所示，而本文稍大的透射率較好地維持了原圖特性。而在圖6(d)里，本文自適應(yīng)處理后的ω取值為0.97，大于定值0.95，擁有稍小的透射率，去霧程度也更加徹底，如圖6(f)所示，而He算法則留有稍許殘霧，如圖6(e)方框所示。

3.4 大氣光值

去霧問題中另一個關(guān)鍵參數(shù)就是大氣光值A(chǔ)。若選取的大氣光值大于真實值，復(fù)原圖像將會偏暗并丟失部分細(xì)節(jié)，反之復(fù)原結(jié)果偏亮。He 等選取暗通道圖中前0.1%最亮像素對應(yīng)于原圖的像素作為大氣光值，該方法在大部分情況下較為準(zhǔn)確，但當(dāng)包含高亮度區(qū)域時會錯誤定位，高估A值。Sun 等[15]提出了局部大氣光估計，從局部考慮，減弱全局估計造成的誤差。具體步驟為：首先求取有霧圖像三通道的最大值，然后通過形態(tài)學(xué)閉操作消除內(nèi)部高亮細(xì)節(jié)，再采用交叉雙邊濾波平滑處理，得到最終結(jié)果。因為大氣光值反映的是亮度信息，為此只針對亮度信息，本文對Sun 算法做如下改進(jìn)。

圖6 薄霧及濃霧效果對比

算法2改進(jìn)的大氣光求取

輸入有霧圖像I(x)

輸出大氣光值A(chǔ)

Step1將I(x)轉(zhuǎn)換到HSV 顏色空間，提取亮度分量V(x)。

Step2對V(x)進(jìn)行形態(tài)學(xué)閉操作處理，消除高亮細(xì)節(jié)。

Step3采用交叉雙邊濾波平滑處理，得到最終結(jié)果。

改進(jìn)后的大氣光和Sun 算法對比如圖7 所示?？梢园l(fā)現(xiàn)，本文大氣光在部分細(xì)節(jié)上更加精確，如圖7(c)所示。針對復(fù)原結(jié)果，Sun 算法處理后在邊緣處（樹葉與墻）存在輕微的光暈效應(yīng)，如圖7(d)所示。而本文結(jié)果自然清晰，過渡平緩，取得了較好的復(fù)原效果。

在得到大氣光值和精確透射率之后，結(jié)合大氣散射模型，利用式(16)進(jìn)行最后的復(fù)原。為了避免t(x)→ 0時而導(dǎo)致最終的復(fù)原結(jié)果像素溢出，對t(x)進(jìn)行最小值限制，設(shè)定下限值t0=0.01。

3.5 算法原理

本文通過設(shè)定補償透射率對暗通道透射率進(jìn)行優(yōu)化處理，分析霧氣特征，引入亮度熵信息并結(jié)合高斯金字塔提取的紋理特征得到霧氣分布DisH，同時建立自適應(yīng)線性變換以獲取不同霧濃度下的系數(shù)ω，求得精準(zhǔn)透射率t(x)，結(jié)合改進(jìn)的大氣光值求取方法，進(jìn)行圖像復(fù)原。圖8 是本文所提算法每個步驟對應(yīng)的結(jié)果。值得注意的是，由于圖8(e)補償透射率像素較低，不方便觀察細(xì)節(jié)，已采取灰度擴(kuò)展。可以看出，其最終復(fù)原結(jié)果顏色逼真，效果自然。

本文算法的執(zhí)行流程如下。

算法3本文算法

輸入有霧圖像I(x)

輸出復(fù)原圖像J(x)

Step1利用暗通道先驗求取初始透射率t0(x)。

Step2利用高斯衰減擬合補償透射率γ(x)t(x)，依據(jù)式(10)得到精準(zhǔn)透射率t(x)。

Step3求取原圖的亮通道圖Ibright(x),依據(jù)式(12)得到亮度熵信息e。

Step4高斯金字塔提取紋理特征d，配合亮度熵信息得到霧氣分布DisH。

Step5根據(jù)所建立的自適應(yīng)線性關(guān)系得到霧氣濃度系數(shù)ω。

圖7 大氣光對比及實驗

圖8 復(fù)原示例

Step6提取原圖亮度信息，改進(jìn)局部大氣光算法得到大氣光值。

4 實驗分析

為了驗證所提算法的有效性和可行性，本文進(jìn)行了大量的對比實驗。一方面使用經(jīng)典算法對比真實場景下的有霧圖像，從主客觀方面依次評價；另一方面采用目前在深度學(xué)習(xí)領(lǐng)域里比較常用的數(shù)據(jù)集評判，本文選取合成去霧數(shù)據(jù)集[16]。實驗環(huán)境為Matlab(R2016a)，運行系統(tǒng)為Windows7。

4.1 主客觀評價

選取6 幅不同性質(zhì)的圖像分為近景組、遠(yuǎn)近景交替組和遠(yuǎn)景組圖像，分別與He 算法[4]、Meng 算法[6]、Ren 算法[8]和Liu 算法[9]進(jìn)行復(fù)原結(jié)果的對比，前2 種方法是基于復(fù)原類的經(jīng)典方法，后2 種則是基于深度學(xué)習(xí)類的方法。為了建立更加全面的分析體系，從主客觀方面依次進(jìn)行評價。

圖9 是一組具有豐富近景的圖像。從圖9 可以看出，本文在擁有較好去霧效果的同時能保持原圖近景特性，沒有過度失真現(xiàn)象，亮度適宜；He 算法和Meng 算法處理后的效果存在輕許偏色現(xiàn)象，分別如圖9(b)和圖9(c)所示；Ren 算法和Liu 算法利用深度學(xué)習(xí)來進(jìn)行復(fù)原，處理結(jié)果較為優(yōu)良，但是由于沒有大量且真實的霧天訓(xùn)練數(shù)據(jù)，而是采用合成渲染的數(shù)據(jù)集，導(dǎo)致其效果不穩(wěn)定。

圖10 是一組遠(yuǎn)近景交替組圖像。從圖10 可以看出，本文在景深漸遠(yuǎn)處去霧程度徹底，這是因為采用了補償透射率，而且顏色更加自然；He 算法處理后的效果偏暗，是由于ω取為定值導(dǎo)致透射率過小，造成近景失真；Meng 算法對天空恢復(fù)較好，但由于采用最亮像素為大氣光值，造成結(jié)果偏暗如圖10(c)所示；Ren 算法和Liu 算法處理后對近景特性保持得很好，但是存在顏色偏移問題。

圖9 近景組圖像

圖10 遠(yuǎn)近景交替組圖像

圖11 遠(yuǎn)景組圖像

圖11 是一組含有天空區(qū)域圖像。從圖11 可以看出，本文處理后的效果極好地維持了天空特性；He 算法整體處理效果較優(yōu)，但是在天空邊緣處存在輕微的光暈效應(yīng)；Meng 算法由于對透射率限制過多，仍存在偏色現(xiàn)象；Ren 算法和Liu 算法在處理此類圖像時會產(chǎn)生過飽和現(xiàn)象，導(dǎo)致圖像變暗。綜上所述，在主觀視覺方面，本文處理效果較為自然且細(xì)節(jié)更加突出，但只憑這樣的主觀判斷并不全面。從客觀恢復(fù)指標(biāo)出發(fā)進(jìn)行側(cè)面驗證，本文采用常見的客觀評價方法[17-19]，評價指標(biāo)為可見邊p、平均梯度r、復(fù)原圖像飽和點像素個數(shù)θ以及運行時間t（單位為s）。其中p和r的值越大表示復(fù)原效果越好，θ越小越好。數(shù)學(xué)計算式為

其中，nr和n0表示原圖和復(fù)原結(jié)果的可見邊數(shù)，ri表示在某一像素處去霧圖和原圖的平均梯度比，?表示復(fù)原結(jié)果可見邊集合，ns表示飽和點像素個數(shù)，W和H表示圖像的寬和高?？陀^評判里的各項數(shù)據(jù)分別如表1 和表2 所示。

表1 各種算法的e和r指標(biāo)對比

表2 各種算法的θ和t指標(biāo)對比

由于本文算法復(fù)原的無霧圖像色彩逼真，近景維持較好，沒有飽和現(xiàn)象且去霧較為徹底，在表1 中的可見邊指標(biāo)p上取得了領(lǐng)先的優(yōu)勢，且平均梯度指標(biāo)r也不弱于其他經(jīng)典算法。因為本文去霧結(jié)果亮度適宜，所以可見邊指標(biāo)θ的均值更低。衡量一種算法是否高效的指標(biāo)是運行時間，可以看到本文的處理速度較快。綜上分析，本文算法更具優(yōu)勢。

4.2 測試集驗證

除了對真實場景下的霧圖進(jìn)行對比，本文也使用深度學(xué)習(xí)領(lǐng)域較為流行的評測方法，即對合成有霧數(shù)據(jù)集進(jìn)行比較，隨機(jī)挑選其中幾幅圖像用作主觀觀察，如圖12 所示?？陀^評價指標(biāo)采用結(jié)構(gòu)相似度（SSIM,structural similarity index measurement）和峰值信噪比（PSNR,peak signal-to-noise ratio）。其中SSIM 是衡量兩幅圖像相似度的指標(biāo)，PSNR 是有用信號和噪聲比，兩者的指標(biāo)值越大越好。

主觀實驗結(jié)果如圖13 所示。從圖13 可以看出，本文算法對合成和渲染（非真實）的有霧圖像處理效果較好，基本可以做到去除霧氣，還能較好地保持近景特性。但存在的問題是處理結(jié)果偏暗且有稍許偏色。將所提方法在整個測試集上運行，得到的評分如表3 所示（數(shù)值為均值）。

從表3 可以發(fā)現(xiàn)，經(jīng)過本文算法處理后的數(shù)據(jù)集在性能指標(biāo)上的評分并不落后于其他算法，而且還有部分領(lǐng)先；同時也具有較快的處理時間，這證明了本文算法的可行性和有效性。

圖12 數(shù)據(jù)集中的有霧圖像

圖13 數(shù)據(jù)集本文算法去霧結(jié)果

表3 數(shù)據(jù)集評測數(shù)據(jù)指標(biāo)

5 結(jié)束語

針對現(xiàn)有霧天圖像清晰化處理存在的不足，本文提出了一種基于補償透射率和自適應(yīng)霧濃度系數(shù)的復(fù)原算法。因為暗通道先驗不善于處理高亮區(qū)域，設(shè)定補償透射率并用高斯函數(shù)擬合得到精準(zhǔn)透射率；通過分析霧氣分布特性，提出圖像的亮度熵概念，并輔助與高斯金字塔提取的紋理特征得到有霧圖像的霧氣分布，建立線性關(guān)系自適應(yīng)求取霧濃度系數(shù)；同時改進(jìn)局部大氣光的求取方法，結(jié)合大氣散射模型得到最終的復(fù)原結(jié)果。實驗結(jié)果表明，本文可以恢復(fù)得到質(zhì)量較好的結(jié)果。但是該算法也存在著不足，如對有些圖像的處理結(jié)果偏暗，這也是接下來要改進(jìn)的地方。