去雾算法简介
在人工智能高速发展的今天，CNN涉足领域越来越广，在去雨去雾亦有所成绩。近些年关于去雨去雾，去模糊的算法论文都是基于神经网络实现，
然而基于监督学习类的算法需要采集样本，但是由于实际样本不容易采集需要，通过图像处理叠加雾霾，导致实际效果与真实世界雾霾有较大区别，因此这类算法效果在实验室环境下表现非常棒但是实际应用却表现不够理想。因此作者对去雾去雨类算法还是乐忠于普通图像处理算法。
本文推荐何凯明大神在09年发布 Single Image Haze Removal Using Dark Channel Prior[1]的论文，该算法原理是基于暗通道的去雾原理，其构建的去雾算法数学模型和真实世界雾霾模型相近，因此能在去雾效果上表现十分理想，由于是采用普通图像处理因此该不依赖任何深度学习框架，容易实现。并且绝大多数场景表现很好，个别场景只需要调整参数就能获得理想效果。
算法原理
•暗通道 暗通道是何凯明在分析大量雾霾图片后提出来的一个概念。在真实世界相机距离成像物体有远有近，当雾霾浓度分布均匀时近处的物体成像受到雾霾影响小色彩还原高，而远处物体成像色彩还原度就很低，因此远处物体呈现白色亮度高，而近处物体相反亮度较低。故而参考近处物体亮度对大气光强，以及透射率进行建模实现去雾功能。
| 原图 | 暗通道图 |
|
|
|
•像素成像建模
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。
最终的恢复公式如下：
本文在anhenghuang/dehaze[2]代码基础上进行优化改进，并改写成C++版本方便使用
•改进亮度计算 对大气光强计算进行改进采用最亮部分的1%求取平均值作为大气光强。C++代码采用直方图统计方法计算大气光强
•采用小核 采用小核计算时能够能细腻的处理暗通道边界情况减小暗景物周边白斑现象
| 去雾前 | 去雾后 | 优化后 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
