CN104680494A - 基于人工加雾的最佳雾图复原方法 - Google Patents

Abstract

本发明公开了一种基于人工加雾的最佳雾图复原方法，本发明的方法包括如下步骤：(1)使用相机采集无雾图像；(2)种群粒子初始化；(3)产生个体最优位置和全局最优位置；(4)更新种群粒子；(5)无雾图像分割；(6)计算无雾图像的灰度图像矩阵的深度；(7)计算无雾图像的灰度图像矩阵的透射率；(8)建立无雾图像人工加雾后的有雾图像；(9)获得去雾后的图像；(10)获得评价指标值；(11)获得最佳去雾算法；(12)获得室外监控设备的去雾图像。本发明采用全参考图像质量评价指标，具有客观、全面的优点，可用于室外监控设备。

Description

基于人工加雾的最佳雾图复原方法

技术领域

本发明属于电学技术领域，更进一步涉及图像通信技术领域中的一种基于人工加雾的最佳雾图复原方法。本发明可以用于雾天室外监控设备，对无雾图像进行人工加雾，获得最佳去雾算法，从而得到最佳雾图复原图像。

背景技术

在雾天情况下，由于场景的能见度降低，图像中目标对比度和颜色等特征加倍衰减，致使室外视频系统无法正常工作，因此需要在图像中消除雾气对场景图像的影响。室外视频系统中采用的图像去雾方法种类繁多，挑选最佳去雾算法进行去雾是亟待解决的问题，目前去雾效果的好坏主要靠人眼主观评价和无参考图像质量评价方法，而图像去雾效果的客观、定量评价问题尚未得到很好地解决。

通常进行外场拍摄无雾图像和有雾图像需要消耗大量的人力物力，无法保证两张图像中相对应的像素点处在同一地理位置，稳定性和可重复性差，受环境影响较大，而利用计算机可以仿真图像在有雾时的场景，可以在实验室条件下实现，方便快捷，节省人力和物力。目前，现有的计算机模拟雾图方法大多采用商业软件，例如Lumion,3ds max,maya等，这些商业动画软件没有公开各自程序的算法，无法得知程序是否按照正确的雾图形成理论构造雾图，无法在嵌入式设备中实现自动化应用。

郭璠，蔡自兴发表的论文“图像去雾算法清晰化效果客观评价方法”(自动化学报，2012第9期，38(9))公开了两种创建雾效的方法，第一种是使用3ds max软件所提供的环境特效功能来创建雾、霾等大气特效。在雾效的影响下，场景物体消隐在雾中，如同在原图像上覆盖了一层均匀的雾气遮罩。通过设置雾效渲染功能中的密度参数还可以调整雾气的浓度，随着密度参数值的增大，均匀雾气遮罩变厚，即雾气变浓，直至场景物体完全消失于白色的雾中。第二种是利用图像的深度信息，利用光路传播图创建雾环境，使场景中远处的物体会逐步消隐在雾中。首先利用建模工具软件3ds max创建虚拟场景模型，然后利用该软件渲染器中的Z-Depth组件，设置该组件参数值来获取其反映景深度信息的传播图。该方法虽然简单快速，但存在的不足是：无法同时结合场景的深度信息和雾天图像形成模型从而不能真实客观地构造有雾雾图。

西安理工大学所拥有的专利技术“一种用于退化图像恢复的客观无参考图像质量评价方法”(专利申请号20110429056.5，授权公告号CN102521839B)公开了一种图像质量评价方法。该方法可以针对由雾天因素而引发的退化图像进行质量评价。该方法通过设置滑动窗，对图像以块为单位计算峭度值，进而得到描述整幅图像特征的峭度值，利用边缘强度权值系数对其加以修正，得到图像质量评价指标。该方法可以快速地完成雾图复原效果评价，计算量小。但是该专利技术仍然存在的不足是：对于雾天图像，由于雾气干扰，图像的细节信息已经部分丢失，复原后的图像信息量更少，复原图像评价结果不够真实，准确。

浙江大学所拥有的专利技术“一种全参考型图像客观质量评价方法”(专利申请号200910100963.8,授权公告号CN101621709B)公开了一种基于结构相似度的全参考型图像客观质量评价方法。该方法步骤如下:(1)利用空间域视觉特征，获得原始图像的视觉感知图，并求视觉感知特征显著的位置；(2)利用基于结构相似度的评价方法求原始图像和失真图像之间的结构相似度图SSIM，计算失真图像相对质量，并求失真严重的位置；(3)定义视觉注意焦点转移原则，确定新的视觉注意焦点，并重新生成视觉注意焦点转移后的视觉感知图；(4)用生成的视觉感知图加权结构相似度，获得图像质量的客观评价。该方法可以用于不同算法的去雾效果比较，对图像的评价结果更加符合人类的主观评价。但是，该专利技术仍然存在的不足是：图像评价指标单一，不能完全反映去雾后图像与去雾前图像的相似性。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于人工加雾的最佳雾图复原方法。该方法可以客观、全面地选择最佳去雾方法使室外监控设备获得最佳雾图复原图像。

本发明实现的思路是，首先对无雾图像进行图像分割，在分割后的图像中根据远近景的划分构造不同的深度信息，计算透射率，从而构造有雾图像,接着利用多种去雾算法进行去雾，最后将无雾图像作为参考图像，采用全参考图像质量评价指标对去雾后图像进行评价挑选出最佳去雾算法。室外监控设备利用最佳去雾算法进行雾天图像复原。

本发明实现的具体步骤包括如下：

(1)使用相机采集无雾图像；

(2)种群粒子初始化：

(2a)使用MATLAB软件，读入无雾图像，得到无雾图像的灰度图像矩阵，从灰度图像矩阵中选取最小灰度值和最大灰度值；

(2b)在最小灰度值至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第一维，在第一维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第二维，在第二维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第三维，完成第一个种群粒子的初始化；对其余的19个种群粒子按照本步骤的方法完成初始化；

(3)产生粒子的初始个体最优位置和初始种群全局最优位置：

(3a)利用类间距方差公式，分别得到20个粒子的类间距方差；

(3b)将每个粒子的类间距方差取相反数，得到每个粒子的适应度值；

(3c)将每个粒子的初始的位置作为每个粒子的初始个体最优位置，从所有初始个体最优位置中，挑选适应度值最小的位置作为初始种群全局最优位置；

(4)更新种群粒子：

(4a)采用分数阶达尔文粒子群更新方法，分别对20个粒子的速度和位置进行优化，得到每个粒子的下一代位置；

(4b)计算每个粒子在下一代位置处的适应度值；

(4c)将适应度值小于该粒子个体最优的适应度值的位置作为该粒子的个体最优位置；

(4d)将适应度值小于全局最优的适应度值的位置作为种群的全局最优位置；

(4e)判断当前迭代次数是否满足最大迭代次数，若是，则执行步骤(5)，否则，执行步骤(4a)；

(5)无雾图像分割：

(5a)以种群的全局最优粒子的3维数据，作为3个分割阈值；

(5b)从3个分割阈值中挑选前两个最大的阈值，作为无雾图像的灰度图像矩阵的两个临界点，将数值大的临界点作为第一个临界点，数值小的临界点作为第二个临界点；

(5c)将灰度图像矩阵中大于等于第一个临界点的数据所在图像的位置，作为分割后的远景图像区域；

(5d)将灰度图像矩阵中小于第一个临界点并大于等于第二个临界点的数据所在图像的位置，作为分割后的中景图像区域；

(5e)将灰度图像矩阵中小于第二个临界点的数据所在图像的位置，作为分割后的近景图像区域；

(6)按照下式，计算无雾图像的灰度图像矩阵的深度：

$d_{j,i}=\frac{1}{j^{0.05}}+0.0001$

其中，d_j,i表示无雾图像的灰度图像矩阵第j行第i列位置的深度值，j表示无雾图像的灰度图像矩阵的第j行的编号；

(7)按照下式，计算无雾图像的灰度图像矩阵的透射率：

t_j,i＝exp(-β·d_j,i)

其中，t_j,i表示无雾图像的灰度图像矩阵中第j行第i列位置的透射率,exp(·)表示以自然常数e为底的指数操作,β表示大气散射系数，d_j,i表示无雾图像的灰度图像矩阵第j行第i列的深度值；

(8)建立无雾图像人工加雾后的有雾图像：

(8a)按照下式，计算对无雾图像人工加雾后的有雾图像的三通道矩阵像素值：

$I_{j,i}^C=J_{j,i}^C{t}_{j,i}+A(1-t_{j,i})$

其中，表示有雾图像的第C个图像通道的灰度图像矩阵中第j行第i列位置的像素值,C表示有雾图像或者无雾图像的通道编号，C＝1，2，3,表示无雾图像的第C个图像通道的灰度图像矩阵中第j行第i列的像素值，A表示大气光强，A的取值范围为[0.7,1]，t_j,i表示无雾图像的灰度图像矩阵第j行第i列位置的透射率；

(8b)将三通道矩阵像素值中的第一通道矩阵，第二通道矩阵，第三通道矩阵分别定义为红，绿，蓝三个矩阵，得到无雾图像人工加雾后的有雾图像；

(9)获得去雾后的图像：

采用不同去雾算法，对有雾图像进行图像复原，得到不同去雾算法的去雾后的图像；

(10)获得评价指标值：

将无雾图像作为参考图像，使用全参考图像质量评价指标，对不同去雾算法的去雾后的图像进行评价，得到评价指标值；

(11)获得最佳去雾算法：

将最大评价指标值所对应的去雾后图像作为最佳去雾图像，将获得最佳去雾图像的去雾算法作为最佳去雾算法；

(12)获得室外监控设备的去雾图像：

采用最佳去雾算法，对室外监控设备拍摄的雾天图像进行图像复原，得到室外监控设备的去雾图像。

本发明与现有技术相比具有以下优点：

第一，本发明在进行人工加雾时，首先采用分数阶达尔文粒子群算法进行图像分割，再根据分割得到的远近景分别构造不同的深度信息，利用雾图形成模型建立有雾图像，克服了现有技术中无法同时结合场景的深度信息和雾天图像形成模型无法真实客观地构造有雾雾图的缺点，使得采用本发明方法加雾后的图像具有客观、真实的优点。

第二，本发明将无雾原始图像作为参考图像，采用全参考图像质量评价指标对去雾后的图像进行评价，从而避免了现有技术由于雾气干扰，图像的细节信息已经部分丢失，复原后的图像信息量少，复原图像评价结果不够真实，准确的缺点。使得本发明方法具有评价真实、准确，可挑选处最佳去雾算法的优点。

第三，本发明采用了结构相似性指标SSIM、特征相似性指数FSIM、视觉相似性指标VIF对去雾后图像进行评价，从而避免了图像评价指标单一，不能完全反映去雾后图像与去雾前图像的相似性的缺点。使得本发明方法具有评价全面，可完全反映去雾前后图像的相似性的优点。

附图说明

附图1是本发明的流程图；

附图2是本发明仿真效果图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，本发明具体实现步骤如下

步骤1，使用相机采集无雾图像。

步骤2，种群粒子初始化。

使用MathWorks公司MATLAB R2009a版本软件，点击“import data”按键，读入无雾图像，得到无雾图像的灰度图像矩阵，从灰度图像矩阵中选取最小灰度值和最大灰度值。

在最小灰度值至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第一维，在第一维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第二维，在第二维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第三维，完成第一个种群粒子的初始化；对其余的19个种群粒子按照本步骤的方法完成初始化。

步骤3，产生粒子的初始个体最优位置和初始种群全局最优位置。

利用类间距方差公式，分别得到20个粒子的类间距方差，类间距方差公式如下：

σ²＝ω₁×ω₂×(μ₁-μ₂)²+ω₁×ω₃×(μ₁-μ₃)²+ω₂×ω₃×(μ₂-μ₃)²

其中，σ²表示粒子的类间距方差，ω_i表示将无雾图像分割后第i类无雾图像灰度值的概率，μ_i表示将无雾图像分割后第i类无雾图像灰度值的平均值，i＝1,2,3。

将每个粒子的类间距方差取相反数，得到每个粒子适应度值。

将每个粒子的初始的位置作为每个粒子的初始个体最优位置，从所有初始个体最优位置中，挑选适应度值最小的位置作为初始种群全局最优位置。

步骤4，更新种群粒子。

第一步，采用分数阶达尔文粒子群更新方法，分别对20个粒子的速度和位置进行优化，得到粒子的下一代位置，分数阶达尔文粒子群更新方法步骤如下。

按照下式，计算每个粒子的速度矢量：

S(t)＝λ+α(G-x(t))+γ(L-x(t))

其中，S(t)表示粒子的第t代的速度矢量，t表示粒子更新的代数，λ表示粒子的历史位置对当前速度的修正值，λ的取值范围为[0,100],α表示全局最优在速度更新中占的权重，α的取值范围为[0,1]，γ表示个体最优在速度更新中占的权重，γ的取值范围为[0,1]，G表示种群全局最优的位置，L表示粒子的个体最优的位置，x(t)表示粒子第t代的位置。

按照下式，计算每个粒子的下一代位置：

x(t+1)＝x(t)+s(t)

其中，x(t+1)表示粒子的第t+1代位置，t表示粒子更新的代数，x(t)表示粒子第t代的位置，s(t)表示粒子第t代的速度矢量。

第二步，计算粒子新位置处的适应度值。

第三步，将适应度值小于个体最优的适应度值的位置作为每个粒子的个体最优位置。

第四步，将适应度值小于全局最优的适应度值的位置作为种群的全局最优位置。

第五步，判断当前迭代次数是否满足最大迭代次数，如是，则执行步骤5，否则，执行步骤4中的第一步。

步骤5，无雾图像分割。

以种群的全局最优的3维数据，作为3个分割阈值。

从3个分割阈值中挑选前两个最大的阈值，作为无雾图像的灰度图像矩阵的两个临界点，将数值大的临界点作为第一个临界点，数值小的临界点作为第二个临界点。

将灰度图像矩阵中大于等于第一个临界点的数据所在图像的位置，作为分割后的远景图像区域。

将灰度图像矩阵中小于第一个临界点并大于等于第二个临界点的数据所在图像的位置，作为分割后的中景图像区域。

将灰度图像矩阵中小于第二个临界点的数据所在图像的位置，作为分割后的近景图像区域。

步骤6，按照下式，计算无雾图像的灰度图像矩阵的深度。

$d_{j,i}=\frac{1}{j^{0.05}}+0.0001$

其中，d_j,i表示无雾图像的灰度图像矩阵第j行第i列位置的深度值，j表示无雾图像的灰度图像矩阵的第j行的编号。

步骤7，按照下式，计算无雾图像的灰度图像矩阵的透射率。

t_j,i＝exp(-β·d_j,i)

其中，t_j,i表示无雾图像的灰度图像矩阵中第j行第i列位置的透射率,exp(·)表示以自然常数e为底的指数操作,β表示大气散射系数，当灰度图像矩阵中第j行第i列坐标对应的图像位置在远景区域时，大气散射系数β取值为0.15；当灰度图像矩阵中第j行第i列坐标对应图像位置在中景区域时，大气散射系数β取值为0.08；当灰度图像矩阵中第j行第i列坐标对应的图像位置在近景区域，大气散射系数β取值为0.07，d_j,i表示无雾图像的灰度图像矩阵第j行第i列的深度值。

步骤8，建立无雾图像人工加雾后的有雾图像。

按照下式，计算对无雾图像人工加雾后的有雾图像的三通道矩阵像素值：

$I_{j,i}^C=J_{j,i}^C{t}_{j,i}=A(1-t_{j,i})$

其中，表示有雾图像的第C个图像通道的灰度图像矩阵中第j行第i列位置的像素值,C表示有雾图像或者无雾图像的通道编号，C＝1，2，3,表示无雾图像的第C个图像通道的灰度图像矩阵中第j行第i列的像素值，A表示大气光强，A的取值范围为[0.7,1.0]，t_j,i表示无雾图像的灰度图像矩阵第j行第i列位置的透射率。

将三通道矩阵像素值中的第一通道矩阵，第二通道矩阵，第三通道矩阵分别定义为红，绿，蓝三个矩阵，得到无雾图像人工加雾后的有雾图像。

步骤9，获得去雾后的图像。

采用不同去雾算法，对有雾图像进行图像复原，得到不同去雾算法的去雾后的图像，不同去雾算法是指，暗原色先验去雾算法，Retinex去雾算法，基于中值滤波的快速去雾算法，直方图均衡算法。

步骤10，获得评价指标值。

将无雾图像作为参考图像，使用全参考图像质量评价指标，对不同去雾算法的去雾后的图像进行评价，得到评价指标值，全参考图像质量评价指标包括结构相似性指标SSIM、特征相似性指数FSIM、视觉相似性指标VIF。

步骤11，获得最佳去雾算法。

将最大评价指标值所对应的去雾后图像作为最佳去雾图像，将得到最佳去雾图像的去雾算法作为最佳去雾算法。

步骤12，获得室外监控设备的去雾图像。

用最佳去雾算法对室外监控设备拍摄的雾天图像进行图像复原，得到室外监控设备的去雾图像。

本发明的效果可以通过以下仿真实验作进一步说明。

1、仿真条件：

本发明的仿真是在主频2.5GHZ的Pentium Dual_Core CPU E5200、内存16GB的硬件环境和MATLAB R2009a软件环境下进行的。实验所用到的图像来源于相机拍摄的无雾图像。实验参数设置为：类别数取为3，种群数取为20，迭代次数为150。

2、实验结果

附图2是本发明的仿真效果图，其中，图2(a)是本发明在仿真实验中使用远焦单反相机在晴朗无雾天气下拍摄的无雾图像；图2(b)是采用本发明的方法对图2(a)的图像进行分割得到的远景图像；图2(c)是采用本发明的方法对图2(a)的图像进行分割得到的中景图像；图2(d)是采用本发明的方法对图2(a)的图像进行分割得到的近景图像；图2(e)是采用本发明的方法对图2(a)各个图像区域加雾后的有雾图像。

由图2(b)、图2(c)、图2(d)的仿真结果图可以看到，本发明得到的分割结果图能有效的将图像分割，并且边缘处分割结果更好，远近景分割清晰，图2(e)表明使用本发明方法加雾后的有雾图像更加真实、客观。

Claims (6)

1.一种基于人工加雾的最佳雾图复原方法，包括以下几个步骤:

(1)使用相机采集无雾图像；

(2)种群粒子初始化：

(2a)使用MATLAB软件，读入无雾图像，得到无雾图像的灰度图像矩阵，从灰度图像矩阵中选取最小灰度值和最大灰度值；

(2b)在最小灰度值至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第一维，在第一维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第二维，在第二维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第三维，完成第一个种群粒子的初始化；对其余的19个种群粒子按照本步骤的方法完成初始化；

(3)产生粒子的初始个体最优位置和初始种群全局最优位置：

(3a)利用类间距方差公式，分别得到20个粒子的类间距方差；

(3b)将每个粒子的类间距方差取相反数，得到每个粒子的适应度值；

(3c)将每个粒子的初始的位置作为每个粒子的初始个体最优位置，从所有初始个体最优位置中，挑选适应度值最小的位置作为初始种群全局最优位置；

(4)更新种群粒子：

(4a)采用分数阶达尔文粒子群更新方法，分别对20个粒子的速度和位置进行优化，得到每个粒子的下一代位置；

(4b)计算每个粒子在下一代位置处的适应度值；

(4c)将适应度值小于该粒子个体最优的适应度值的位置作为该粒子的个体最优位置；

(4d)将适应度值小于全局最优的适应度值的位置作为种群的全局最优位置；

(4e)判断当前迭代次数是否满足最大迭代次数，若是，则执行步骤(5)，否则，执行步骤(4a)；

(5)无雾图像分割：

(5a)以种群的全局最优粒子的3维数据，作为3个分割阈值；

(5b)从3个分割阈值中挑选前两个最大的阈值，作为无雾图像的灰度图像矩阵的两个临界点，将数值大的临界点作为第一个临界点，数值小的临界点作为第二个临界点；

(5c)将灰度图像矩阵中大于等于第一个临界点的数据所在图像的位置，作为分割后的远景图像区域；

(5d)将灰度图像矩阵中小于第一个临界点并大于等于第二个临界点的数据所在图像的位置，作为分割后的中景图像区域；

(5e)将灰度图像矩阵中小于第二个临界点的数据所在图像的位置，作为分割后的近景图像区域；

(6)按照下式，计算无雾图像的灰度图像矩阵的深度：

$d_{j,i}=\frac{1}{j^{0.05}}+0.0001$

其中，d_j,i表示无雾图像的灰度图像矩阵第j行第i列位置的深度值，j表示无雾图像的灰度图像矩阵的第j行的编号；

(7)按照下式，计算无雾图像的灰度图像矩阵的透射率：

t_j,i＝exp(-β·d_j,i)

其中，t_j,i表示无雾图像的灰度图像矩阵中第j行第i列位置的透射率,exp(·)表示以自然常数e为底的指数操作,β表示大气散射系数，d_j,i表示无雾图像的灰度图像矩阵第j行第i列的深度值；

(8)建立无雾图像人工加雾后的有雾图像：

(8a)按照下式，计算对无雾图像人工加雾后的有雾图像的三通道矩阵像素值：

$I_{j,i}^C=J_{j,i}^C{t}_{j,i}+A(1-t_{j,i})$

其中，表示有雾图像的第C个图像通道的灰度图像矩阵中第j行第i列位置的像素值,C表示有雾图像或者无雾图像的通道编号，C＝1，2，3,表示无雾图像的第C个图像通道的灰度图像矩阵中第j行第i列的像素值，A表示大气光强，A的取值范围为[0.7,1]，t_j,i表示无雾图像的灰度图像矩阵第j行第i列位置的透射率；

(8b)将三通道矩阵像素值中的第一通道矩阵，第二通道矩阵，第三通道矩阵分别定义为红，绿，蓝三个矩阵，得到无雾图像人工加雾后的有雾图像；

(9)获得去雾后的图像：

采用不同去雾算法，对有雾图像进行图像复原，得到不同去雾算法的去雾后的图像；

(10)获得评价指标值：

将无雾图像作为参考图像，使用全参考图像质量评价指标，对不同去雾算法的去雾后的图像进行评价，得到评价指标值；

(11)获得最佳去雾算法：

将最大评价指标值所对应的去雾后图像作为最佳去雾图像，将获得最佳去雾图像的去雾算法作为最佳去雾算法；

(12)获得室外监控设备的去雾图像：

采用最佳去雾算法，对室外监控设备拍摄的雾天图像进行图像复原，得到室外监控设备的去雾图像。

2.根据权利要求1所述的基于人工加雾的最佳雾图复原方法，其特征在于，步骤(3a)所述的类间距方差公式如下：

σ²＝ω₁×ω₂×(μ₁-μ₂)²+ω₁×ω₃×(μ₁-μ₃)²+ω₂×ω₃×(μ₂-μ₃)²

其中，σ²表示粒子的类间距方差，ω_i表示将无雾图像分割后第i类无雾图像灰度值的概率，μ_i表示将无雾图像分割后第i类无雾图像灰度值的平均值，i＝1,2,3。

3.根据权利要求1所述的基于人工加雾的最佳雾图复原方法，其特征在于，步骤(4a)所述的分数阶达尔文粒子群更新方法的具体步骤如下：

第一步，按照下式，计算每个粒子的速度矢量：

S(t)＝λ+α(G-x(t))+γ(L-x(t))

其中，S(t)表示粒子的第t代的速度矢量，t表示粒子更新的代数，λ表示粒子的历史位置对当前速度的修正值，λ的取值范围为[0,100],α表示种群的全局最优在速度更新中占的权重，α的取值范围为[0,1]，γ表示粒子的个体最优在速度更新中占的权重，γ的取值范围为[0,1]，G表示种群全局最优位置，L表示粒子的个体最优位置，x(t)表示粒子第t代的位置；

第二步，按照下式，计算每个粒子的下一代位置：

x(t+1)＝x(t)+s(t)

其中，x(t+1)表示粒子的第t+1代位置，t表示粒子更新的代数，x(t)表示粒子第t代的位置，s(t)表示粒子第t代的速度矢量。

4.根据权利要求1所述的基于人工加雾的最佳雾图复原方法，其特征在于，步骤(7)所述的大气散射系数是指：当灰度图像矩阵中第j行第i列坐标对应的图像位置在远景区域时，大气散射系数β取值为0.15；当灰度图像矩阵中第j行第i列坐标对应图像位置在中景区域时，大气散射系数β取值为0.08；当灰度图像矩阵中第j行第i列坐标对应的图像位置在近景区域，大气散射系数β取值为0.07。

5.根据权利要求1所述的基于人工加雾的最佳雾图复原方法，其特征在于，步骤(9)所述的不同去雾算法是指，暗原色先验去雾算法，Retinex去雾算法，基于中值滤波的快速去雾算法，直方图均衡算法。

6.根据权利要求1所述的基于人工加雾的最佳雾图复原方法，其特征在于，步骤(10)所述的全参考图像质量评价指标包括结构相似性指标SSIM、特征相似性指数FSIM、视觉相似性指标VIF。