随着数码相机在消费市场和各种传感系统中的兴起，去除户外图像的雾越来越受到关注。图像去雾已经在许多重要的科学应用领域中非常流行，例如天文学、医学、遥感、监视、网络制图、土地使用规划、农学、考古学和环境研究。

   视觉数据是人脑所能理解和分析的最关键数据。人脑中约有三分之一的皮质区专用于视觉数据分析。因此，对于许多成像任务而言，图像清晰度至关重要。通常，实际上从物体反射的光在到达相机之前会被大气散射。光的这种散射是由悬浮粒子（即气溶胶，例如雾、灰尘和烟尘）引起的，这些粒子将光从其主要传播线路中偏转出来。

   在车载系统中，即使在恶劣的天气条件下，相机也必须要生成清晰的图像。由于雾和空气微粒限制了识别其他车辆、交通标志和行人的能力，因此去雾是消费设备中获取高质量图像的必不可少的要求。特别是在遥感的情况下，去雾会导致图像对比度和色彩的大量损失。这样的图像通常缺乏视觉生动性和吸引力，并且由于可见度差而阻碍了进一步的图像处理任务。

   图像去雾过程可以改善计算机视觉应用和数据采集中的美学质量、对比度和图像信息质量。去雾对于许多计算机视觉算法至关重要，例如遥感、智能车辆控制、水下图像除雾、物体识别和监视等。

   当前关于图像去雾的工作包括基于图像增强、基于图像融合和图像恢复的方法。目前一些最新的图像去雾方法，包括基于直方图均衡化的方法、基于变换的方法，与多光谱图像的融合以及基于场景的先验知识的方法。

   雾对图像有两种破坏作用：降低图像的对比度，并向图像添加称为大气散射光的附加成分。本文介绍了使用非局部（NL）图像去雾工具进行图像去雾的基本概念，该工具可以通过增强场景的可见度和校正色偏，来恢复无雾的图像。

图1模糊图像的测试数据集包括城市景观（a）浑浊的水下景观（b）和森林场景（c）

非局部图像去雾

   为了呈现图像去雾的生动描述，这里选择了多种模糊数据集：城市景观、森林景观和水下浑浊数据集（见图1）。从图中可以看出，这些图像的颜色和对比度都不够清晰，呈现出有限的物体识别以及可见的伪像。

   如上所述，雾降低了图像的可见度，限制了色彩对比度，并在户外图像中形成了附加的环境光分量。随着光的强度增加和图像的辐射减小，由雾引起的图像质量下降，与和传感器（相机）的距离成正比。基于此原理，可以将模糊图像建模为整体大气散射光和无雾像素的组合。

   与现有的本地先验方法相比，Berman等人提出了一种基于NL先验的NL图像去雾解决方案。这种方法本质上是全局的，不会基于补丁来划分图像。NL去雾算法遵循以下假设：无雾图像中的颜色，可以通过在RGB空间中形成紧密间隔的群集的几百种离散颜色，很好地近似。

   该方法基于以下主要观察结果：在给定的群集中，图像像素通常为NL，也就是说，它们位于与相机不同距离的位置，同时散布在整个像面上。在雾的影响下，这些变化的距离值在光学域中转换为不同的传输系数。这导致人们认为无雾图像中的每个簇，成为RGB空间中的一条线，称为雾线。本文的作者在获得距离图的同时，恢复了无雾线。这是在图像矩阵上线性执行的，本质上是确定性的，不需要训练。

图像去雾方法和实验

   使用具有雾的各种数据集（城市景观、森林和水下图像），该NL图像去雾算法用于生成无雾图像，以增强视觉感知（见图2）。输入数据集使用美国MathWorks公司的Matlab R2015b软件，通过512×512像素的灰度图像进行处理。在第一步中，假定图像是无雾图像和环境光的组合。然后将图像像素聚集在一起以形成雾线，并获得这些雾线的透射系数和最大半径。通过调节和最小化环境光来获得无雾图像。

   使用主观视觉分析以及定量方法对结果进行了评估。为了定量评估无雾图像，使用了峰值信噪比和结构相似性。这些指标量化了信号强度、特征保留的数量，以及在无雾图像中获得的结构特征的恢复。

   从图2中可以看出，图像的视觉质量相当高，可以扩展视觉理解度。尽管在无雾图像中产生的辐射比在原始图像中略低，但是信息内容得到了很好的保留。生成的图像具有更高的动态范围，而没有任何颜色失真；该NL去雾算法可以有效地对图像进行去雾，而不会损害图像的重要特征，例如边缘、轮廓和细节。

   这些软件算法可以进一步改进，以解决视频去雾和实时图像去雾问题。去雾对于在遥感、农业监控、智能车辆、物体识别和监视中使用的许多计算机视觉算法至关重要，这些算法将模糊图像假定为原始场景的辐射度，因此会产生偏差。通过一些实验，可以轻松处理从各种远程传感器和交通监控相机获得的图像，以对图像进行去雾。

图2在（a）中可以看到非局部（NL）图像去雾的基本方法而在（b）中可以看到去雾的数据集图像