基于暗通道先验的单幅图像去雾算法研究（一）
- 算法框图
- 改进之处详解
- 代码实现与仿真结果
算法框图
改进之处详解
自适应滤波窗口大小
对于最小值滤波窗口的大小采用自适应的方法，应对所有的图片尺寸。
**实现方法
windowsize=min(h*0.03,w*0.03,35)
其中35为最高的阈值，35*35滤波窗口对于各种尺寸图片的滤波结果都相对较好。
自适应大气光值的求解（天空分割）
大气光值原始求解方法
（1）对暗通道图像的像素强度进行排序，对前千分之一的像素点对应的原始图像区域作为天空区域，此区域内的像素最大值作为大气光值。
（2）直接将暗通道图像中像素最高的点，对应的原始图像的点的像素作为大气光值。
大气光值自适应求解方法
首先将图像分为天空区域和非天空区域，找到天空区域中像素最大点，得到原始图像中该点对应的最小值滤波窗口，找出窗口中满足条件的像素点，选择最大的点作为大气光值，若没有满足条件的点，则将窗口中的像素平均值作为大气光值。
条件
A=(1-a)max(Idark)+a*max(Irgb)
条件原理
论文
天空区域分割的步骤：
（1）灰度图像，滤波，canny边缘检测，得到包含边缘信息的二值图像
（2）对二值图像进行从上到下扫描，将每一列的第一个等于1的像素点之前的全部为1，之后的像素点全部置为0，得到新的二值图像
（3）求取像素点为1的区域对应灰度图区域的像素平均值和最大值，若Imax>0.9*Iavg，则图像中有天空区域，应用自适应的方法求解大气光值，否则采用原始方法。
实现方法
Markdown Extra
导向滤波
对透射率进行矫正
实现方法
暗通道先验失效区域透射率的优化（加入容差值）
原理讲解
对大气光散射模型进行改进，考虑车灯、水面等区域的像素强度接近大气光，暗通道先验模型，并不适用，故而加入一个容差值，当像素强度达到容差值K时，将它看作大气光区域，这样计算出来的去雾图像在光亮区域不会有色斑。
容差值K的取值
K=0.7*Idark_avg
代码实现与仿真结果
实现方法
（1）在自适应大气光值的部分，并没有完全按照那个条件求，满足条件的点，直接用平均值作为A。用原始方法求解A，得到的结果一样，下次尝试求解满足条件的点，
（2）针对去雾图像的结果太暗的问题，应用伽马校正和自动色阶，伽马小于1，但是对于无雾的部分，会有模糊，而且伽马值的选取。
（3）在求解A的部分加入了最大大气光值220，作为限制
（4）在求解粗略透射率时，加入平均大气光值，得到的透射率图更好
（5）加入了自动色阶，但是得到的图像的去雾效果并不很好，然后再看一下何博士的论文，同时尝试用深度学习的方法做。
天空部分有色斑！！！