CN105913390A - 一种图像去雾方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，提供一种图像去雾方法及系统，所述方法包括下述步骤：对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像，从而实现了对有雾图像的快速去雾，去雾后的图像清晰自然，为交通监控、车辆辅助驾驶、卫星遥控监测等领域提供有利参考。

Description

一种图像去雾方法及系统

技术领域

本发明属于图像处理技术领域，尤其涉及一种图像去雾方法及系统。

背景技术

对图像特征进行准确提取是计算机视觉正常工作的关键因素，然而在雾、霾、烟、水汽等场下，由于辐射光受到大气粒子的散射作用，导致场景的能见度降低，图像质量严重退化，不仅模糊不清，而且还会出现严重的颜色失真，极大的限制了系统效用的发挥，甚至导致计算机视觉系统无法正常工作。因此，为了改善图像质量并且丰富图像所包含的信息，使系统具备恶劣天气下工作的鲁棒性和可靠性，需要对雾天降质图像进行去雾处理。

目前，对雾天图像的处理方法主要分为基于图像增强的方法和基于图像复原的方法，其中：

基于图像增强的方法是通过提高雾天图像的对比度来改善图像视觉效果，主要包括直方图均衡化、Retinex、同态滤波、小波变换变换等。直方图均衡化通过调整灰度范围的分布达到所需要的增强效果，但是该方法的缺点是存在局部块效应现象。Retinxe方法能够在动态范围的压缩和颜色恒常性之间达到很好的平衡，但是该算法不具备边界保持能力。同态滤波利用压缩图像动态范围和增强对比度来改善图像质量，但是该算法对图像的每个像素点采用了两次傅里叶变换，指数运算和对数运算，运算量过大。小波变化方法具有多尺度、多分辨率分析的分析等特点，缺点是无法解决光照不均的问题。总之，图像增强在一定程度提高雾天图像的对比度和细节信息，但是没有从雾天图像模糊机理和退化原因上入手，对于彩色图像容易造成颜色等信息的损失；

基于图像复原的方法在于通过大气散射模型从有雾图像中恢复出清晰图像。此类方法是建立在场景深度已知的前提下，复原图像效果不错，但是需要价格昂贵的距离传感器或已有数据库获得精确的场景深度信息，严重地限制了此类算法在实际中的应用。虽然后来研究者利拍摄同一场景点的不同偏振角度的多幅图像或在不同天气条件下获得同一场景的多幅图像，通过求取估计深度信息，进而复原退化图像，取得了良好效果。然而在实际应用中却很难得到不 同天气条件下多幅同一场景的图，因此在实际中难以应用和推广。

发明内容

本发明的目的在于提供一种去雾速率快、去污效果较好的图像去雾方法。

本发明是这样实现的，一种图像去雾方法，所述图像去雾方法包括下述步骤：

对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；

根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；

根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)。

作为一种改进的方案，所述对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A的步骤具体包括下述步骤：

将拍摄到的有雾图像I(x)进行灰度变换；

将灰度变换后的有雾图像I(x)进行四叉树分割；

计算筛选到的四叉树分割区域的平均灰度和平均梯度的比值；

将平均灰度和平均梯度的比值较大的四叉树分割区域作为天空区域；

选取所述天空区域一定数量的像素的平均灰度值作为所述大气光值A；

其中，所述将灰度变换后的有雾图像I(x)进行四叉树分割的步骤具体包括下述步骤：

将灰度图像分割为四部分i∈[1,2,3,4]分别代表灰度图像的左上角、右上角、左下角和右下角所对应的区域，n表示分割的级数；

定义各个区域的平均灰度作为该区域得分

如果初次分割获得得分最高区域为灰度图像的上半部分，则将得分最高的区域作为下一次迭代处理的部分，按照四叉树分割的算法划分为四个更小的块，并继续计算得分，直至选取的区域小于预定义的区域范围x_final为止；

如果初次分割最高得分区域为图像的下半部分(或)，则需要对灰度图像的上半部分区域进行加权计算，加权系数为η(η>1)，选定最大值区域；如果该区域依然为灰度图像的下半部分(或)，则按照四叉树方法继续分割到设定区域大小x_final；反之继续加权处理。

作为一种改进的方案，所述根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数的步骤具体包括下述步骤：

对有雾图像的大气散射模型进行线性变换操作，计算有雾图像的最小颜色分量其中，c为有雾图像的{r,g,b}中其中一个通道；

根据计算得到的有雾图像的最小颜色分量，估算生成大气透射率函数t(x)，其中，

将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的大气透射率参数。

作为一种改进的方案，所述将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的透射率参数的步骤之前还包括下述步骤：

对估算生成大气透射率函数t(x)进行归一化算法变化，生成归一化后的大气透射率函数t'(x)，其中：

作为一种改进的方案，所述对估算生成大气透射率函数t(x)进行归一化算法变化的步骤之后还包括下述步骤：

利用高斯模糊算法对归一化后的大气透射率函数t'(x)进行模糊平滑处理，得到高斯模糊处理后的大气透射率函数t”(x)，其中，

t”(x)＝t'(x)*G，其中，σ是正态分布的标准差，x、y为像素点的坐标值，m、n为二维模板的长宽参数。

作为一种改进的方案，所述根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)的步骤具体包括下述步骤：

根据大气散射模型，推导估算出无雾图像J(x)，

将计算得到的大气光值A和大气透射率参数代入无雾图像J(x)，将有雾图像恢复为无雾图像。

本发明的另一目的在于提供一种图像去雾系统，所述图像去雾系统包括：

大气光值计算模块，用于对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；

大气透射率参数计算模块，用于根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；

无雾图像恢复模块，用于根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)。

作为一种改进的方案，所述大气光值计算模块具体包括：

灰度变换模块，用于将拍摄到的有雾图像I(x)进行灰度变换；

四叉树分割模块，用于将灰度变换后的有雾图像I(x)进行四叉树分割；

比值计算模块，用于计算筛选到的四叉树分割区域的平均灰度和平均梯度的比值；

天空区域确认模块，用于将平均灰度和平均梯度的比值较大的四叉树分割区域作为天空区域；

选取模块，用于选取所述天空区域一定数量的像素的平均灰度值作为所述大气光值A；

其中，所述四叉树分割模块还用于：

将灰度图像分割为四部分i∈[1,2,3,4]分别代表灰度图像的左上角、右上角、左下角和右下角所对应的区域，n表示分割的级数；

定义各个区域的平均灰度作为该区域得分

如果初次分割获得得分最高区域为灰度图像的上半部分，则将得分最高的区域作为下一次迭代处理的部分，按照四叉树分割的算法划分为四个更小的块，并继续计算得分，直至选取的区域小于预定义的区域范围x_final为止；

如果初次分割最高得分区域为图像的下半部分(或)，则需要对灰度图像的上半部分区域进行加权计算，加权系数为η(η>1)，选定最大值区域；如果该区域依然为灰度图像的下半部分(或)，则按照四叉树方法继续分割到设定区域大小x_final；反之继续加权处理。

作为一种改进的方案，所述大气透射率参数计算模块具体包括：

最小颜色分量计算模块，用于对有雾图像的大气散射模型进行线性变换操作，计算有雾图像的最小颜色分量其中，c为有雾图像的{r,g,b}中其中一个通道；

大气透射率函数估算模块，用于根据计算得到的有雾图像的最小颜色分量，估算生成大气透射率函数t(x)，其中，

$t\left(x\right)=\frac{A-\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)}{A-\mathrm{\δ}\×\frac{\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}{max\left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}\×\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)};$

归一化处理模块，用于对估算生成大气透射率函数t(x)进行归一化算法变化，生成归一化后的大气透射率函数t'(x)，其中：

高斯模糊模块，用于利用高斯模糊算法对归一化后的大气透射率函数t'(x)进行模糊平滑处理，得到高斯模糊处理后的大气透射率函数t”(x)，其中，

t”(x)＝t'(x)*G，其中，σ是正态分布的标准差，x、y为像素点的坐标值，m、n为二维模板的长宽参数。

计算模块，用于将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的大气透射率参数。

作为一种改进的方案，所述无雾图像恢复模块具体包括：

推导估算模块，用于根据大气散射模型，推导估算出无雾图像J(x)，

恢复模块，用于将计算得到的大气光值A和大气透射率参数代入无雾图像J(x)，将有雾图像恢复为无雾图像。

在本发明实施例中，对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；根据有雾图像的大气散射模型以及计算得 到的大气光值A和大气透射率参数，恢复无雾图像，从而实现了对有雾图像的快速去雾，去雾后的图像清晰自然，为交通监控、车辆辅助驾驶、卫星遥控监测等领域提供有利参考。

附图说明

图1是本发明提供的图像去雾方法的实现流程图；

图2是本发明提供的对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A的步骤实现流程图；

图3是本发明提供的根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数的步骤实现流程图；

图4是本发明提供的图像去雾系统的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明提供的图像去雾方法的实现流程图，其具体的步骤如下所述：

在步骤S101中，对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A。

在步骤S102中，根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数。

在步骤S103中，根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)。

其中，大气散射模型I(x)的具体估算过程为：

根据大气散射理论，大气粒子的散射主要分为两类：一类是指场景中物体表面反射的光能在到达传感器的过程中受大气粒子的散射而衰减的过程；另一类是指太阳光能被大气中的悬浮粒子散射后到达传感器的过程。景物在雾天成像时大气散射模型中衰减模型和大气光成像模型同时存在且起主导作用，它们是雾天图像呈现模糊、低对比度等特点的理论基础；

在计算机视觉和计算机图形学中，描述有雾图像的散射模型可表示为：

I(x)＝J(x)t(x)+A(1-t(x))，其中，x为空间坐标，I(x)为有雾图像，J(x)为场景辐射照度或清晰无雾的图像，A为整体大气光值，t(x)为大气透射率函数(参数)。

图2示出了本发明提供的对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A的步骤实现流程图，其具体包括下述步骤：

在步骤S201中，将拍摄到的有雾图像I(x)进行灰度变换，即将拍摄到的彩色的有雾图像转换为灰度图像。

在步骤S202中，将灰度变换后的有雾图像I(x)进行四叉树分割。

在该步骤中，将灰度图像分割为四部分i∈[1,2,3,4]分别代表灰度图像的左上角、右上角、左下角和右下角所对应的区域，n表示分割的级数，初次分割时n＝1。

定义各个区域xⁱ _n的平均灰度作为该区域得分即：

如果初次分割获得得分最高区域为灰度图像的上半部分，即则将得分最高的区域作为下一次迭代处理的部分，按照四叉树分割的算法划分为四个更小的块，并用上述继续计算得分，直至选取的区域小于预定义的区域范围x_final为止；

如果初次分割最高得分区域为图像的下半部分(或)，则需要对灰度图像的上半部分区域进行加权计算，加权系数为η(η>1)，即比较 的大小，选定最大值区域。如果该区域依然为灰度图像的下半部分(或)，则按照四叉树方法继续分割到设定区域大小x_final；反之继续加权处理。

在上述灰度图像分割过程中存在一个绝对终止条件，即：如果最大灰度平均值跟第二大灰度平均值分数相差小于预设值S_T，则不再进行分割。假设n级分割中，最大分数为表示为则强制终止分割的条件为：

$min|S\left(x_n^k\right)-S_n\left(x_n^{\stackrel{\‾}{k}}\right)|\≤S_T;$

其中min为最小值运算，表示k以外的其他区域。

在步骤S203中，计算筛选到的四叉树分割区域的平均灰度和平均梯度的比值。

在该步骤中，计算筛选到四叉树分割区域的平均灰度和平均梯度的比值的 参考式为：

其中，gradient表示该区域的平均梯度。

在步骤S204中，将平均灰度和平均梯度的比值较大的四叉树分割区域作为天空区域。

若最终筛选的区域大于等于2个，则选取平均灰度和平均梯度的比值较大的四叉树分割区域作为天空区域。

在步骤S205中，选取所述天空区域一定数量的像素的平均灰度值作为所述大气光值A。

上述仅给出了一种用于计算大气光值A的方式，即采用四叉树的分割方式，在此不再赘述，但不用以限制本发明。

图3示出了本发明提供的根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数的步骤实现流程图，其具体的步骤如下所述：

在步骤S301中，对有雾图像的大气散射模型进行线性变换操作，计算有雾图像的最小颜色分量其中，c为有雾图像的{r,g,b}中其中一个通道。

在步骤S302中，根据计算得到的有雾图像的最小颜色分量，估算生成大气透射率函数t(x)，其中，

在步骤S303中，将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的大气透射率参数。

在该步骤中，其中，对大气散射模型I(x)＝J(x)t(x)+A(1-t(x))进行变换，得到大气透射率函数：

在有雾彩色图像中，至少一种颜色分量的反射系数较小，分别对上述大气透射率函数的分子分母各进行三通道最小值计算，即：

假设大气光值为A，则该式简化为：

$t\left(x\right)=\frac{A-\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)}{A-\underset{c\∈\{r,g,b\}}{\min }{J}^c\left(x\right)};$

由于大气粒子的作用，景物图像在成像过程中，随着距离的增加，图像看起来发白，因此，假设在雾天环境下的成像过程中，三通道中最小颜色分量是随着透射率的增加呈递增线性变化，即：

$\underset{c\∈\{r,g,b\}}{min}{J}^c\left(x\right)\∝\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right);$

因此，有雾图像的最小颜色分量的计算式为：其中，a为变化斜率，b为截距；

由于上述计算式中存在a和b两个未知参量，因此采用二次函数中的分段区域近似的方式表达上述计算式为：

$\underset{c\∈\{r,g,b\}}{\min }{J}^c\left(x\right)=\frac{\underset{c\∈\{r,g,b\}}{\min }{I}^c\left(x\right)-Min}{Max-Min}\×\underset{c\∈\{r,g,b\}}{\min }{I}^c\left(x\right);$

其中，Max和Min分别为图像中的最大值和最小值，即满足：

$Min\≤\underset{c\∈\{r,g,b\}}{\min }{I}^c\left(x\right)\≤Max;$

因此，

在[Min，Max]范围的分段函数可以近似的作为线性关系，为了约束线性变化的快慢，因此一个控制系数δ，因此，变化为：

其中，0≤δ≤1。

因此，大气透射率函数t(x)可以表示为：

$t\left(x\right)=\frac{A-\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)}{A-\mathrm{\δ}\×\frac{\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}{max\left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}\×\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)}.$

在该式中，I^c(x)和A为已知量，可以计算得出大气透射率参数，其中，当δ减小时，图像的去雾程度越强。

在本发明实施例中，上述步骤S303之前还包括下述步骤：

对估算生成大气透射率函数t(x)进行归一化算法变化，生成归一化后的大气透射率函数t'(x)，其中：

通过该归一化处理，对于图像中过亮区域，其介质透射率变化的连续性更强。

在该实施例中，利用高斯模糊算法对归一化后的大气透射率函数t'(x)进行模糊平滑处理，得到高斯模糊处理后的大气透射率函数t”(x)，其中，

t”(x)＝t'(x)*G，其中，σ是正态分布的标准差，x、y为像素点的坐标值，m、n为二维模板的长宽参数，*为卷积符号。

其中，对于高斯模糊处理更好的保留了图像边缘的效果。

在本发明中，根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)的具体实现过程为：

(1)根据大气散射模型，推导估算出无雾图像J(x)，

(2)将计算得到的大气光值A和大气透射率参数代入无雾图像J(x)，将有雾图像恢复为无雾图像。

图4示出了本发明提供的图像去雾系统的结构框图，为了便于说明，图中仅给出了与本发明实施例相关的部分。

大气光值计算模块11用于对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；大气透射率参数计算模块12用于根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；无雾图像恢复模块13用于根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)。

其中，大气光值计算模块11具体包括：

灰度变换模块111用于将拍摄到的有雾图像I(x)进行灰度变换；四叉树分割模块112用于将灰度变换后的有雾图像I(x)进行四叉树分割；比值计算模块113用于计算筛选到的四叉树分割区域的平均灰度和平均梯度的比值；天空区域确认模块114用于将平均灰度和平均梯度的比值较大的四叉树分割区域作为天空 区域；选取模块115用于选取所述天空区域一定数量的像素的平均灰度值作为所述大气光值A。

大气透射率参数计算模块12具体包括：

最小颜色分量计算模块121用于对有雾图像的大气散射模型进行线性变换操作，计算有雾图像的最小颜色分量其中，c为有雾图像的{r,g,b}中其中一个通道；

大气透射率函数估算模块122用于根据计算得到的有雾图像的最小颜色分量，估算生成大气透射率函数t(x)，其中，

$t\left(x\right)=\frac{A-\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)}{A-\mathrm{\δ}\×\frac{\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}{max\left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}\×\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)};$

归一化处理模块123用于对估算生成大气透射率函数t(x)进行归一化算法变化，生成归一化后的大气透射率函数t'(x)，其中：

高斯模糊模块124用于利用高斯模糊算法对归一化后的大气透射率函数t'(x)进行模糊平滑处理，得到高斯模糊处理后的大气透射率函数t”(x)，其中，

t”(x)＝t'(x)*G，其中，σ是正态分布的标准差，x、y为像素点的坐标值，m、n为二维模板的长宽参数。

计算模块125用于将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的大气透射率参数。

无雾图像恢复模块13具体包括：

推导估算模块131用于根据大气散射模型，推导估算出无雾图像J(x)，

恢复模块132用于将计算得到的大气光值A和大气透射率参数代入无雾图像J(x)，将有雾图像恢复为无雾图像。

其中，上述各个模块的具体实现流程如上述图1至图3所示的方法实施例， 在此不再赘述，但不用以限制本发明。

在本发明实施例中，对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像，从而实现了对有雾图像的快速去雾，去雾后的图像清晰自然，为交通监控、车辆辅助驾驶、卫星遥控监测等领域提供有利参考。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像去雾方法，其特征在于，所述图像去雾方法包括下述步骤：

对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；

根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；

根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)。

2.根据权利要求1所述的图像去雾方法，其特征在于，所述对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A的步骤具体包括下述步骤：

将拍摄到的有雾图像I(x)进行灰度变换；

将灰度变换后的有雾图像I(x)进行四叉树分割；

计算筛选到的四叉树分割区域的平均灰度和平均梯度的比值；

将平均灰度和平均梯度的比值较大的四叉树分割区域作为天空区域；

选取所述天空区域一定数量的像素的平均灰度值作为所述大气光值A；

其中，所述将灰度变换后的有雾图像I(x)进行四叉树分割的步骤具体包括下述步骤：

将灰度图像分割为四部分i∈[1,2,3,4]分别代表灰度图像的左上角、右上角、左下角和右下角所对应的区域，n表示分割的级数；

定义各个区域的平均灰度作为该区域得分

如果初次分割获得得分最高区域为灰度图像的上半部分，则将得分最高的区域作为下一次迭代处理的部分，按照四叉树分割的算法划分为四个更小的块，并继续计算得分，直至选取的区域小于预定义的区域范围x_final为止；

如果初次分割最高得分区域为图像的下半部分(或)，则需要对灰度图像的上半部分区域进行加权计算，加权系数为η(η>1)，选定最大值区域；如果该区域依然为灰度图像的下半部分(或)，则按照四叉树方法继续分割到设定区域大小x_final；反之继续加权处理。

3.根据权利要求1所述的图像去雾方法，其特征在于，所述根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数的步骤具体包括下述步骤：

对有雾图像的大气散射模型进行线性变换操作，计算有雾图像的最小颜色分量其中，c为有雾图像的{r,g,b}中其中一个通道；

根据计算得到的有雾图像的最小颜色分量，估算生成大气透射率函数t(x)，其中，

将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的大气透射率参数。

4.根据权利要求3所述的图像去雾方法，其特征在于，所述将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的透射率参数的步骤之前还包括下述步骤：

对估算生成大气透射率函数t(x)进行归一化算法变化，生成归一化后的大气透射率函数t′(x)，其中：

5.根据权利要求4所述的图像去雾方法，其特征在于，所述对估算生成大气透射率函数t(x)进行归一化算法变化的步骤之后还包括下述步骤：

利用高斯模糊算法对归一化后的大气透射率函数t′(x)进行模糊平滑处理，得到高斯模糊处理后的大气透射率函数t″(x)，其中，

t″(x)＝t′(x)*G，其中，σ是正态分布的标准差，x、y为像素点的坐标值，m、n为二维模板的长宽参数。

6.根据权利要求1所述的图像去雾方法，其特征在于，所述根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)的步骤具体包括下述步骤：

根据大气散射模型，推导估算出无雾图像J(x)，

将计算得到的大气光值A和大气透射率参数代入无雾图像J(x)，将有雾图像恢复为无雾图像。

7.一种图像去雾系统，其特征在于，所述图像去雾系统包括：

大气光值计算模块，用于对拍摄到的有雾图像I(x)进行分割处理，计算得到大气光值A；

大气透射率参数计算模块，用于根据计算得到的大气光值A以及估算得到的大气透射率函数t(x)，计算得到有雾图像的大气透射率参数；

无雾图像恢复模块，用于根据有雾图像的大气散射模型以及计算得到的大气光值A和大气透射率参数，恢复无雾图像J(x)。

8.根据权利要求7所述的图像去雾系统，其特征在于，所述大气光值计算模块具体包括：

灰度变换模块，用于将拍摄到的有雾图像I(x)进行灰度变换；

四叉树分割模块，用于将灰度变换后的有雾图像I(x)进行四叉树分割；

比值计算模块，用于计算筛选到的四叉树分割区域的平均灰度和平均梯度的比值；

天空区域确认模块，用于将平均灰度和平均梯度的比值较大的四叉树分割区域作为天空区域；

选取模块，用于选取所述天空区域一定数量的像素的平均灰度值作为所述大气光值A；

其中，所述四叉树分割模块还用于：

将灰度图像分割为四部分i∈[1,2,3,4]分别代表灰度图像的左上角、右上角、左下角和右下角所对应的区域，n表示分割的级数；

定义各个区域的平均灰度作为该区域得分

如果初次分割获得得分最高区域为灰度图像的上半部分，则将得分最高的区域作为下一次迭代处理的部分，按照四叉树分割的算法划分为四个更小的块，并继续计算得分，直至选取的区域小于预定义的区域范围x_final为止；

如果初次分割最高得分区域为图像的下半部分(或)，则需要对灰度图像的上半部分区域进行加权计算，加权系数为η(η>1)，选定最大值区域；如果该区域依然为灰度图像的下半部分(或)，则按照四叉树方法继续分割到设定区域大小x_final；反之继续加权处理。

9.根据权利要求7所述的图像去雾系统，其特征在于，所述大气透射率参数计算模块具体包括：

最小颜色分量计算模块，用于对有雾图像的大气散射模型进行线性变换操作，计算有雾图像的最小颜色分量其中，c为有雾图像的{r,g,b}中其中一个通道；

大气透射率函数估算模块，用于根据计算得到的有雾图像的最小颜色分量，估算生成大气透射率函数t(x)，其中，

$t\left(x\right)=\frac{A-\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)}{A-\mathrm{\δ}\×\frac{\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}{max\left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)-\min \left(\underset{c\∈\{r,g,b\}}{min}{I}^c\right(x\left)\right)}\×\underset{c\∈\{r,g,b\}}{min}{I}^c\left(x\right)};$

归一化处理模块，用于对估算生成大气透射率函数t(x)进行归一化算法变化，生成归一化后的大气透射率函数t′(x)，其中：

高斯模糊模块，用于利用高斯模糊算法对归一化后的大气透射率函数t′(x)进行模糊平滑处理，得到高斯模糊处理后的大气透射率函数t″(x)，其中，

t″(x)＝t′(x)*G，其中，σ是正态分布的标准差，x、y为像素点的坐标值，m、n为二维模板的长宽参数。

计算模块，用于将计算得到的大气光值代入大气透射率函数t(x)中，计算得到有雾图像的大气透射率参数。

10.根据权利要求7所述的图像去雾系统，其特征在于，所述无雾图像恢复模块具体包括：

推导估算模块，用于根据大气散射模型，推导估算出无雾图像J(x)，

恢复模块，用于将计算得到的大气光值A和大气透射率参数代入无雾图像J(x)，将有雾图像恢复为无雾图像。