之前搞个去雾算法，原理几乎全部忘记，这里再回忆一下

参考链接是:

https://blog.csdn.net/songhhll/article/details/12612681

https://blog.csdn.net/kuweicai/article/details/78385871

https://blog.csdn.net/baimafujinji/article/details/74750283

论文是 Single Image Haze Removal Using Dark Channel Prior

----------------------------------暗通道理论------------------------------------

论文的核心是提出了暗通道先验: 非天空的局部区域内，总有一些像素，至少一个颜色通道具有很低的值

在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数。

暗通道的计算公式是。实际上是分两步计算

(1): 首先求出图像中每个像素RGB分量中的最小值，得到结果图像，为灰度图像。

(2): 然后是对灰度图像进行最小值滤波，滤波器的半径由窗口大小决定。一般有WindowSize = 2 * Radius + 1;

公式(5)的最右边min是对3个通道取最小值，而左边的min是对图像的局部信息取最小值。

------------------------基于暗通道数据进行去雾的推导------------------------

其中，I(X)就是我们现在已经有的图像（待去雾的图像），J(x)是我们要恢复的无雾的图像，A是全球大气光成分， t(x)为透射率。现在的已知条件就是I(X)，要求目标值J(x),显然，这是个有无数解的方程，因此，就需要一些先验了。

将式（1）稍作处理，变形为下式：

如上所述，上标C表示R/G/B三个通道的意思。

首先假设在每一个窗口内透射率t(x)为常数，定义他为，并且A值已经给定，然后对式（7）两边求两次最小值运算，得到下式：

上式中，J是待求的无雾的图像，根据前述的暗原色先验理论有：

因此，可推导出：

把式（10）带入式（8）中，得到：

这就是透射率的预估值。

在现实生活中，即使是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，因此，有

必要在去雾的时候保留一定程度的雾，这可以通过在式（11）中引入一个在[0,1] 之间的因子，则式（11）修正为：

实际上是对原图用255(或者求出一个值)进行归一化，然后求暗通道图像，把这个暗通道图像当做t(x)来对待

上面12示子是一个粗的图像，然后需要对这个t(x)进行精细化

对t(x)精细化有两个方法，

1: 解一个soft matting方程

2: Guided filter, 对于guided filer是输入原图，和暗通道图，原图可以是灰度也可以是彩色，然后对暗通道图进行细化处理

guided filter 输入的guided图像可以是原图，也可以是其他的图像，核心是在滤波的时候保持边缘信息，认为噪声是的梯度变换在各个方向上都有发生，而边缘的梯度变换只在一个方向上发生

至于guided filter 详细信息略过