信息时代的到来加大了人们对信息获取的需求，由于图像中包含的信息更加丰富直观容易理解，所以用图像传输信息的方式越来越普遍。随着经济的迅速发展和社会的巨大变化，当前雾霾天气越来越多，给户外的图像表达准确有效的信息带来很大的困扰，因此如何对图像进行去雾霾处理是计算机视觉领域一个重要的研究课题。另外，去雾霾在视频监控、航拍、遥感、自动/辅助驾驶等需要在室外复杂、恶劣天气下运行的视觉系统，都可能需要运用到这一技术。

目前去雾算法主要有两个思路，一个是基于图像增强的图像去雾处理方法，另一个是基于物理成像模型的图像去雾处理方法。基于图像增强的去雾算法的典型代表就是（全局/局部）直方图和Retinex算法。而基于物理成像模型的图像去雾算法的典型代表就是何恺明等提出的基于暗通道的图像去雾和Jin-Hwan Kim等提出的去雾算法，这两种算法的去雾效果都比较好，计算效率也都比较高。

2009 年何恺明等人提出了基于暗通道的单幅图像去雾算法。这种简单却有效的雾霾图像复原方法是建立在自然界中普遍存在的暗通道先验的基础之上的。何凯明等人发现: 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。当图像受到雾霾干扰时，这些原本很低的像素值因为受到大气散射光的影响而升高。因此，利用这些暗点可以估算出拍摄场景中雾霾的浓度，再利用大气散射模型恢复出清晰的无雾霾图像。实际生活中造成暗原色中低通道值主要有三个因素：（a）汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；（b）色彩鲜艳的物体或表面，在RGB的三个通道中有些通道的值很低（比如绿色的草地／树／植物，红色或黄色的花朵／叶子，或者蓝色的水面）；（c）颜色较暗的物体或者表面，例如灰暗色的树干和石头。总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。目前来说，这种方法是去雾效果中最优的，这些年也有很多学者对这种方法进行改进与提升，本文也将基于此种方法进行研究。

2. 研究的基本内容与方案

基本内容：

1、学习并掌握Python编程；

2、学习图像中暗通道去雾霾算法原理；

3、基于python实现暗通道图像去雾霾。

目标：对于给定的有雾霾背景的图像，基于暗通道思想编写程序实现图像的清晰化；

技术方案及措施：

1、计算雾化图像的暗通道。暗通道的计算主要分成两个步骤，第一是获取BGR三个通道的最小值，获取BGR三个通道的最小值就是遍历整个图像，取最小值即可；第二是以一个窗口做MinFilter。窗口的大小对结果来说是个关键的参数，窗口越大，其包含暗通道的概率越大，暗通道也就越黑。建议是窗口大小在11-51之间，即半径在5-25之间。