CN104616258A - 一种针对道路图像的快速去雾方法 - Google Patents

Abstract

本发明公开了一种针对道路图像的快速去雾方法，包括步骤1，通过原始雾天道路图像的饱和度分量求取大气光值和传播图；步骤2，结合能见度表达式求取增强区域分割图并复原图像；步骤3，对复原图像进行对比度拉伸处理确定去雾后的道路图像。该方法建立在道路场景图像特点的基础上，采用对图像近处路面区域弱增强，同时对驾驶员所感兴趣的远处区域重点增强的方式，以区别于现有去雾方法大多对整幅图像进行统一增强的方式；从而实现了对雾天道路图像更为有效、快速的去雾处理，可广泛应用于安全辅助驾驶系统、自主车驾驶等领域。此外，本发明方法的时空复杂度较低，具有较快的运行速度。

Description

一种针对道路图像的快速去雾方法

技术领域

本发明属于图像信息处理领域，具体涉及一种针对道路图像的快速去雾方法。

背景技术

交通事故频发的一个主要原因就是由于恶劣天气，尤其是雾天所导致的能见度减低。在此恶劣天气条件下，车载相机所拍摄的道路图像往往降质严重，这就使得目前依赖于相机等传感器的车载应用对于天气条件非常敏感。因此，车载视觉系统应将雾天的不良影响考虑在内以提高系统的可靠性，这就要求我们研究一种能够实时、有效地改善雾天道路图像能见度和对比度的新算法，该项工作对于各种基于视觉的车辆安全辅助驾驶系统具有重要意义。

目前，已有图像去雾算法无论是基于图像处理的增强方法还是基于物理模型的复原方法大多为采用统一增强方式的通用方法。其中具有代表性的去雾方法有何恺明提出的基于暗原色的图像去雾方法和Tarel等人提出的基于快速滤波的图像去雾方法。前者被公认为当前去雾效果最好的方法之一，后者被认为是目前去雾速度最快的方法之一。对于何恺明方法的介绍，可以参考论文《Single Image Haze Removal Using Dark Channel Prior(基于暗原色先验信息的单幅图像去雾方法)》(载于IEEE Transactions on Pattern Analysis and Machine Intelligence(PAMI),2011年)。该方法由于采用soft抠图法求取传播图导致算法时空复杂度高，无法满足实时图像处理的需求。对于Tarel方法的介绍，可以参考论文《Fast Visibility Restoration froma Single Color or Gray Level Image(单幅彩色或灰度图像的快速能见度复原方法)》(载于IEEEInternational Conference on Computer Vision(ICCV),2009年)。该方法的主要优势在于其运算速度快，但却无法彻底消除细小目标对象间的雾气且去雾结果常常伴有光晕伪影现象出现。

此外，在专利方面自2010年以来已有近五十多篇图像去雾专利。这些专利方法可分为以下几类：1)基于物理模型的去雾方法。此类代表专利有：基于大气物理散射模型的快速图像去雾方法(申请号：CN201210366126)、彩色雾霾图像去雾与光照补偿的复原方法(申请号：CN201410142950)等；2)基于传输方程的去雾方法。此类代表专利有：一种利用大气传输特征的红外图像去雾霾方法(申请号：CN201410177343)、面向大气散射邻近效应的图像去雾方法(申请号：CN201110341028)等；3)基于分层模型的去雾方法。此类代表专利有：一种基于图像简化分层模型的实时图像去雾方法(申请号：CN201110196427)、一种基于图像分层增强的图像去雾方法及系统(申请号：CN201410127722)等；4)基于图像融合的去雾方法。此类代表专利有：基于快速小波变换和加权图像融合的单幅图像去雾方法(申请号：CN201410200960)、基于雾天图像复原和图像融合的图像去雾方法(申请号：CN201110197800)等；5)何氏方法或Tarel方法的改进方法。属于此类方法的专利较多。例如，基于亮度暗先验与双边滤波的单幅图像去雾方法(申请号：CN201410181946)、一种基于暗通道信息的图像去雾方法(申请号：CN201210511068)、一种基于双边滤波的单幅图像去雾方法(申请号：CN201310476989)等。有关专门针对车载相机的雾天道路图像去雾方法尚未见相关专利报道。

上述文献及专利中的图像去雾方法均采用对整幅图像进行统一增强的方式，若直接将这些方法应用于对雾天道路图像的去雾处理，则有可能会为了突显远处场景对象而造成近处区域过增强，去雾效果不利于车辆安全驾驶。

发明内容

本发明所要解决的技术问题是提供一种专门针对道路图像的快速去雾方法，该方法采用对图像近处区域弱增强，而对驾驶员所感兴趣的远处区域重点增强的方式，以区别于已有去雾算法对整幅图像进行统一增强的方式，在获得较好图像去雾效果的同时，显著地提高去雾处理的速度。

一种针对道路图像的快速去雾方法，包括以下几个步骤：

步骤1：利用原始雾天道路图像的饱和度分量，求取大气光值A和传播图t(x,y)；

步骤2：提取原始雾天图像的增强区域分割图G(x,y)；

$G(x,y)=1-e^{\frac{\ln \left(0.05\right)\mathrm{\σ}}{d_{\min }(v_v-v_h)}}$

其中，(x,y)表示原始雾天图像中的像素坐标；σ为相机安装标定参数，H表示拍摄原始雾天道路图像的相机安装距离地面的水平高度，α表示像素焦距，θ表示相机倾斜角；d_min表示图像中雾气较少区域与观测点之间的距离常数，取值范围为35-45；v_v表示原始雾天道路图像的行号，从{1,2,…,M}依次取值，M表示原始雾天道路图像的高；v_h表示图像水平线或道路消失点在原始雾天道路图像中的行号，为向上取整操作；

对于大多数实际拍摄的道路图像而言，其图像中的道路平面一般是平坦的，此即为路面平坦假设。以此假设为基础，上式中的一些参数，如相机倾斜角、图像中雾气较少区域与观测点之间的距离等才有意义。否则，路面弯曲坑洼，则代入上式的测得参数值就会不够准确，由此所提方法将能见度距离的思想引入就不合适；

对于雾天道路图像而言，其所具有的特点可主要归纳为三点：

1)场景中所存在的路面一般占据图像底端的绝大部分；

2)场景中近处的路面一般是平坦且表面均匀的；

3)图像中景深较小的区域一般对应图像浓度较小的部分。

对于第三个特点，由日常生活经验可知：在与观测点相距40米的区域范围内一般雾气浓度较小，甚至有可能无雾气存在。而此范围外的区域，尤其是驾驶员所关心的远距离处则往往可能存在大量雾气。

增强区域分割图G(x,y)的原始计算公式为G(x,y)＝1-e^-kd；

消光系数k表达式中的d_min代表较少发现雾气的近处区域与观测点之间的距离。而增强区域分割图G(x,y)表达式中的d则表示图像中各场景点与观测点之间的距离，此距离即为输入道路图像的能见度距离。

依据道路图像的前两个特点，可将路面平坦假设与摄像机对道路的标定结果相结合，建立世界坐标系中的实际距离d与图像中每一行v_v的转换关系。由此，距离d的数值可按下式确定：

$d=\frac{\mathrm{\σ}}{v_v-v_h}$

σ与相机安装高度H、相机倾斜角θ、相机的毫米焦距f(单位：毫米)、成像平面水平方向像素的有效尺寸tpu(单位：毫米/像素)和垂直方向的有效尺寸tpv(单位：毫米/像素)等相机内、外参有关，且相机内参矩阵水平方向的像素焦距α_u＝f/t_pu，垂直方向的像素焦距α_v＝f/t_pv。一般地，像素焦距α满足α_u≈α_v＝α。因此σ值可按下式确定：

步骤3：将大气光值和传播图代入能见度表达式，求取增强区域分割图的复原图像R(x,y)，完成对原始雾天道路图像的去雾；

$R(x,y)=(\frac{I(x,y)-A}{\max (t(x,y),t_0)}-w)G(x,y)+A$

其中，I(x,y)为原始雾天道路图像；w表示图像亮度调节因子，其取值范围为0～1；t₀表示传播图亮度调整因子，取值范围为0.1-1。

w图像亮度调节因子w的值越小图像的亮度越大，反之，图像亮度越小。正是由于引入了增强区域分割图，使得即便后续进行对比度变换处理也不会出现路面过增强的现象，而驾驶员所关心的远方区域则会受到适度增强，因而采用此方法处理道路图像具有相对较优的去雾效果。

对所述的复原图像R(x,y)进行自适应对比度拉伸，将对比度拉伸处理后的图像作为最终的去雾道路图像R_f(x,y)；

$R_f(x,y)=\left(\frac{R(x,y)-V_{\mathrm{low}}}{V_{\mathrm{high}}-V_{\mathrm{low}}}\right)\×255$

其中，V_low和V_high分别为采用积累直方图自适应选取的图像最小像素阈值和最大像素阈值：

$V_{\mathrm{low}}=\underset{R_n}{\arg }(L\left(R_n\right)>\mathrm{Th},L\left(R_n\right)>L\left(R_{n-1}\right))$

$V_{\mathrm{high}}=\underset{R_n}{\arg }(L\left(R_n\right)\≥1-\mathrm{Th},L\left(R_n\right)>L\left(R_{n-1}\right))$

上式中，arg函数表示V_low是一个能使L(R_n)大于Th且使L(R_n)大于L(R_n-1)的数值，V_high是一个能使L(R_n)大于1-Th且使L(R_n)大于L(R_n-1)的数值；L(R_n)为复原图像R(x,y)的积累直方图，即为对复原图像R(x,y)各颜色通道0～255各级像素值累计出现频率的统计，n表示灰度级数，取值范围为0-255；Th为图像对比度调节因子，其取值范围为0～0.1。

Th值越大，图像对比度提升效果越明显；反之，对比度提升程度越小。为了防止去雾图像由于过增强导致图像颜色失真，Th值不宜过大。

对于彩色图像而言，其后处理过程对复原图像的R、G、B三颜色通道均采用相同的Vlow和Vhigh值进行对比度拉伸，能够确保最终的去雾道路图像具有与真实无雾情况相符的图像颜色。

所述步骤1中原始雾天道路图像的饱和度分量采用以下方式获得：

将原始雾天道路图像从RGB颜色空间转换为HSV颜色空间，从HSV颜色空间中，提取图像饱和度信息S，得到饱和度图像S(x,y)：

$S(x,y)=1-\frac{\underset{c\∈\{r,g,b\}}{\min }{I}^c(x,y)}{\underset{c\∈\{r,g,b\}}{\max }{I}^c(x,y)}$

其中，c代表图像的R、G、B三颜色通道。

对于雾天道路图像去雾处理而言，HSV空间的饱和度分量S可提供足够的大气光求取信息。

所述大气光值A和传播图t(x,y)的计算过程如下：

步骤A：利用所述饱和度图像求取原始雾天路图像I的暗原色图像D(I)：

$D\left(I\right)=\underset{(k,l)\∈\mathrm{\Ω}(x,y)}{\min }(1-S(k,l))$

其中，Ω(x,y)是以坐标x，y的像素点为中心，进行最小值滤波的模板区域，此模板大小为15×15；k，l为模板区域中各像素点的坐标值，I^c(k,l)和S(k,l)分别为原始雾天道路图像和饱和度图像中由滤波模板所划分的局部区域；

步骤B：利用所述暗原色图像D(I)求取大气光值A；

将暗原色图像按照递减的顺序排列，确定数值大小为前1％的点在暗原色图像中所处的位置，则这些位置对应的原有雾图像区域中的最大像素值，即为大气光值A，A∈[0,1]；

步骤C：利用所述暗原色图像D(I)和大气光值A求取传播图t(x,y)；

$t(x,y)=1-\frac{\mathrm{pD}\left(I\right)}{A}$

其中，参数p为暗原色图像中所有像素点的像素值的均值，即p＝meanD(I)。

有益效果

本发明提供了一种针对道路图像的快速去雾方法，包括步骤1，通过原始雾天道路图像的饱和度分量求取大气光值和传播图；步骤2，结合能见度表达式求取增强区域分割图并复原图像；步骤3，对复原图像进行对比度拉伸处理确定去雾后的道路图像。该方法建立在道路场景图像特点的基础上，采用对图像近处路面区域弱增强，同时对驾驶员所感兴趣的远处区域重点增强的方式，以区别于现有去雾方法大多对整幅图像进行统一增强的方式；利用颜色空间转换求取大气光值，获得大气散射模型，将得到的大气散射模型与对比度拉伸处理相结合，确保最终的去雾道路图像具有与真实无雾情况相符的图像颜色，从而实现了对雾天道路图像更为有效、快速的去雾处理，可广泛应用于安全辅助驾驶系统、自主车驾驶等领域。此外，本发明方法的时空复杂度较低，具有较快的运行速度。

附图说明

图1为本发明所述方法的整体流程图；

图2为本发明实施例中获取增强区域分割图像的流程图；

图3为本发明方法关键步骤的处理结果示意图，其中，(a)为原始雾天道路图像；(b)为所求取的传播图；(c)为所求取的增强区域分割图；(d)为本发明方法去雾结果示意图；

图4为本发明实施例1的各去雾方法处理效果示意图，其中，(a)为原始雾天道路图像；(b)为何恺明方法效果图；(c)为Tarel方法效果图；(d)为本发明方法去雾结果示意图；

图5为本发明实施例2的各去雾方法处理效果，其中，(a)为原始雾天道路图像；(b)为何恺明方法效果图；(c)为Tarel方法效果图；(d)为本发明方法去雾结果示意图；

图6为本发明实施例3的各去雾方法处理效果，其中，(a)为原始雾天道路图像；(b)为何恺明方法效果图；(c)为Tarel方法效果图；(d)为本发明方法去雾结果示意图；

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

本发明方法的整体流程图和求取增强区域分割图的流程图分别如图1和图2所示，图3则给出了本发明方法的关键步骤处理结果。从图3(c)可以看出增强区域分割图通过相对较大的图像亮度值来突显需要重点增强的远方区域，而其它需要弱增强的区域则通过较小的亮度值来表征。

为了验证本发明方法与其它去雾方法相比对于雾天道路图像处理的优越性，实验选取图像大小分别为640×480、800×600、400×300的虚拟雾天道路图像和实际拍摄的雾天彩色道路图像，采用Matlab R2009在3.00GHz Intel Pentium的PC机上进行了去雾效果对比。

实施例1：

本实施例是针对虚拟雾天道路图像图4(a)(大小为640×480)，根据图1所示，其去雾过程按如下三个步骤进行：

1.通过原始雾天道路图像的饱和度分量求取大气光值和传播图；

实现此处理过程的具体步骤包括：

首先，将此虚拟雾天道路图像从RGB颜色空间转换为HSV颜色空间，并提取出其饱和度分量图像。

然后，利用该饱和度分量求取原雾天图像的暗原色图像D(I)。在此基础上，将此暗原色图像按照递减的顺序排列，确定数值大小为前1％的点在暗原色图像中所处的位置，则这些位置对应的原有雾图像区域中的最大像素值，即为大气光值A。本实施例的A值求得为1。

最后，利用所述暗原色图像D(I)和大气光值A求取传播图t(x,y)，此传播图t(x,y)按下式确定：

$t(x,y)=1-\frac{\mathrm{pD}\left(I\right)}{A}---\left(1\right)$

其中，p＝meanD(I)，本实施例的p值求得为0.7279。

2.利用结合能见度表达式求取的增强区域分割图复原图像

此过程为整个处理方法的关键，实现该过程的具体步骤包括：

首先求取此虚拟雾天图像的增强区域分割图G，该增强区域分割图按下式确定：

$G(x,y)=1-e^{\frac{\ln \left(0.05\right)\mathrm{\σ}}{d_{\min }(v_v-v_h)}}---\left(2\right)$

上述增强区域分割图表达式涉及四个参数。其中，较少发现雾气存在的近处区域与观测者之间的距离dmin依据经验设置为40，v_v为图像每一行的纵坐标值。v_h为地平线在图像中的纵坐标值，其值可按下式确定：

由于原虚拟雾天道路图像的高h为480，因此可由上式计算得到v_h的值为168。区域分割图G表达式中的参数σ按以下方式确定：

$\mathrm{\σ}=\frac{\mathrm{H\α}}{\cos \left(\mathrm{\θ}\right)}---\left(4\right)$

实验中，相机高度H固定为1.305，相机倾斜角θ固定为0，相机内参α值为2000，则由上式可计算得到参数σ的值为2610。再将上述获得的四个参数值代入式(2)，即可得到原虚拟雾天道路图像的增强区域分割图G(x,y)。

其次，利用增强区域分割图G(x,y)求取复原图像R(x,y)，此复原图像按以下式确定：

$R(x,y)=(\frac{I(x,y)-A}{\max (t(x,y),t_0)}-w)G(x,y)+A---\left(5\right)$

其中，R(x,y)为雾天复原图像，I(x,y)为原雾天道路图像，A为大气光，t(x,y)为上述求取的传播图，G(x,y)为增强区域分割图。t₀一般设为0.1以避免上式分母为0。w为图像亮度调节因子，其取值范围为0～1。本实施例的w值求得为0.7279。

3.对复原图像进行对比度拉伸后处理确定去雾后的道路图像

该处理过程主要是对雾天复原图像R(x,y)进行自适应对比度拉伸，所得到的图像即为最终去雾后的道路图像R_f(x,y)，此过程按下式确定：

$R_f(x,y)=\left(\frac{R(x,y)-V_{\mathrm{low}}}{V_{\mathrm{high}}-V_{\mathrm{low}}}\right)\×255---\left(6\right)$

其中，R(x,y)为所述雾天复原图像，V_low和V_high分别为采用积累直方图自适应选取的图像最小像素阈值和最大像素阈值。本实施例的V_low和V_high值分别求得为90和226。

实施例2：

对实际拍摄的雾天道路图像图5(a)(大小为800×600)进行去雾处理。先将图5(a)从RGB空间转换到HSV空间，再通过所提取出的饱和度分量求取原雾天图像的暗原色图像。在此基础上，求取大气光A和传播图t。本实施例中的A值为0.9137.

然后，利用式(2)求取原雾天道路图像的增强区域分割图，其中d_min＝40，v_h＝210，σ＝2610。将此区域分割图代入式(5)求得复原图像R，其中图像调节因子w＝0.6028.

最后，利用式(6)对复原图像进行自适应对比度拉伸处理得到最终去雾后的道路图像Rf。其中该式的两个参数V_low和V_high值分别求得为77和201。

实施例3：

对实际拍摄的雾天道路图像图6(a)(大小为400×300)进行去雾处理。先将图6(a)从RGB空间转换到HSV空间，再通过所提取出的饱和度分量求取原雾天图像的暗原色图像。在此基础上，求取大气光A和传播图t。本实施例中的A值为1.

然后，利用式(2)求取原雾天道路图像的增强区域分割图，其中d_min＝40，v_h＝105，σ＝2610。将此区域分割图代入式(5)求得复原图像R，其中图像调节因子w＝0.6730.

最后，利用式(6)对复原图像进行自适应对比度拉伸处理得到最终去雾后的道路图像Rf。其中该式的两个参数V_low和V_high值分别求得为23和216。

图4、图5及图6显示了本发明方法与最新去雾方法，如何恺明在PAMI 11’，Tarel在ICCV 09’上所提方法的效果比较。从视觉效果来看，何恺明方法的处理结果由于大气光的错误估计导致图像整体偏暗，而Tarel方法的处理结果则由于光晕伪影的存在导致图像看起来不太自然。相比之下，本发明方法能够复原出更多原本看不清的远方建筑物和树木的细节，且该方法结合能见度表达式，使驾驶员所关心的远方区域受到重点增强，而近处路面区域则受到适度增强。因此，由本发明方法得到的去雾道路图像看起来更为自然，且没有光晕伪影现象出现。

此外，本发明方法的时空复杂度较低，具有较快的运行速度。通过表1的实验数据可以看出：本发明方法在对雾天道路图像的去雾效果明显优于Tarel方法和何恺明方法的同时，速度是Tarel方法的5-7倍，且远远快于何恺明方法。图像大小越大，本发明方法的速度优势越明显。下表中的统计数据均在Matlab环境下获得，若本发明方法采用C++编程实现，运行时间还会大大减少，从而实现了道路图像去雾的实时性。

表1算法运行时间比较表

图像编号(dpi)	何恺明方法(s)	Tarel方法(s)	本发明方法(s)
				图4(640×480)	70.5293	9.2365	2.08196
图5(800×600)	296.7481	28.7574	3.58648
				图6(400×300)	14.3295	2.1339	0.3885

本发明方法可广泛应用于现有车辆的安全驾驶辅助系统或将来的自主驾驶车中。

Claims (4)

1.一种针对道路图像的快速去雾方法，其特征在于，包括以下几个步骤：

步骤1：利用原始雾天道路图像的饱和度分量，求取大气光值A和传播图t(x,y)；

步骤2：提取原始雾天图像的增强区域分割图G(x,y)；

$G(x,y)=1-e^{\frac{\ln \left(0.05\right)\mathrm{\σ}}{d_{\min }(v_v-v_h)}}$

其中，(x,y)表示原始雾天图像中的像素坐标；σ为相机安装标定参数，H表示拍摄原始雾天道路图像的相机安装距离地面的水平高度，α表示像素焦距，θ表示相机倾斜角；d_min表示图像中雾气较少区域与观测点之间的距离常数，取值范围为35-45；v_v表示原始雾天道路图像的行号，从{1,2,…,M}依次取值，M表示原始雾天道路图像的高；v_h表示图像水平线或道路消失点在原始雾天道路图像中的行号，为向上取整操作；

步骤3：将大气光值和传播图代入能见度表达式，求取增强区域分割图的复原图像R(x,y)，完成对原始雾天道路图像的去雾；

$R(x,y)=(\frac{I(x,y)-A}{\max (t(x,y),t_0)}-w)G(x,y)+A$

其中，I(x,y)为原始雾天道路图像；w表示图像亮度调节因子，其取值范围为0～1；t₀表示传播图亮度调整因子，取值范围为0.1-1。

2.根据权利要求1所述的一种针对道路图像的快速去雾方法，其特征在于，对所述的复原图像R(x,y)进行自适应对比度拉伸，将对比度拉伸处理后的图像作为最终的去雾道路图像R_f(x,y)；

$R_f(x,y)=\left(\frac{R(x,y)-V_{\mathrm{low}}}{V_{\mathrm{high}}-V_{\mathrm{low}}}\right)\×255$

其中，V_low和V_high分别为采用积累直方图自适应选取的图像最小像素阈值和最大像素阈值：

$V_{\mathrm{low}}=\underset{R_n}{\arg }(L\left(R_n\right)>\mathrm{Th},L\left(R_n\right)>L\left(R_{n-1}\right))$

$V_{\mathrm{high}}=\underset{R_n}{\arg }(L\left(R_n\right)\≥1-\mathrm{Th},L\left(R_n\right)>L\left(R_{n-1}\right))$

上式中，arg函数表示V_low是一个能使L(R_n)大于Th且使L(R_n)大于L(R_n-1)的数值，V_high是一个能使L(R_n)大于1-Th且使L(R_n)大于L(R_n-1)的数值；L(R_n)为复原图像R(x,y)的积累直方图，即为对复原图像R(x,y)各颜色通道0～255各级像素值累计出现频率的统计，n表示灰度级数，取值范围为0-255；Th为图像对比度调节因子，其取值范围为0～0.1。

3.根据权利要求1或2所述的一种针对道路图像的快速去雾方法，其特征在于，所述步骤1中原始雾天道路图像的饱和度分量采用以下方式获得：

将原始雾天道路图像从RGB颜色空间转换为HSV颜色空间，从HSV颜色空间中，提取图像饱和度信息S，得到饱和度图像S(x,y)：

$S(x,y)=1-\frac{\underset{c\∈\{r,g,b\}}{\min }{I}^c(x,y)}{\underset{c\∈\{r,g,b\}}{\max }{I}^c(x,y)}$

其中，c代表图像的R、G、B三颜色通道。

4.根据权利要求3所述的一种针对道路图像的快速去雾方法，其特征在于，所述大气光值A和传播图t(x,y)的计算过程如下：

步骤A：利用所述饱和度图像求取原始雾天路图像I的暗原色图像D(I)：

$D\left(I\right)=\underset{(k,l)\∈\mathrm{\Ω}(x,y)}{\min }(1-S(k,l))$

其中，Ω(x,y)是以坐标x，y的像素点为中心，进行最小值滤波的模板区域，此模板大小为15×15；k，l为模板区域中各像素点的坐标值，I^c(k,l)和S(k,l)分别为原始雾天道路图像和饱和度图像中由滤波模板所划分的局部区域；

步骤B：利用所述暗原色图像D(I)求取大气光值A；

将暗原色图像按照递减的顺序排列，确定数值大小为前1％的点在暗原色图像中所处的位置，则这些位置对应的原有雾图像区域中的最大像素值，即为大气光值A，A∈[0,1]；

步骤C：利用所述暗原色图像D(I)和大气光值A求取传播图t(x,y)；

$t(x,y)=1-\frac{\mathrm{pD}\left(I\right)}{A}$

其中，参数p为暗原色图像中所有像素点的像素值的均值，即p＝meanD(I)。