Single Image Haze Removal Using Dark Channel Prior

准备一：暗通道先验理论：

做法：
1，首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图
2，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有WindowSize = 2 * Radius + 1
得到：

准备二：普遍认识的雾图形成模型：

公式：

···I(X) 是现在已经有的图像（待去雾的图像）
···J(x)是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)，求目标值J(x)

开始计算

显然，这是个有无数解的方程，想要获得我们需要的图片，就不得以加一些限制条件了
首先将（1）变形一下，得到：

上标C表示R/G/B三个通道
首先假设在每一个窗口内透射率t(x)为常数，定义为
给定A值，对（7）等式左右两边求最小值，有：

J是要求的无雾的图像，根据暗通道先验有：

根据这个暗通道先验理论，对其加上一个分母，就是：

这样就把（8）中等式右边第一项去掉了，然后平移得到

这样就求出了t(x),也就是透射率。
文章中指出，在现实生活中，是没有完全无雾的情况的，即使是晴朗的天气，空气中也漂浮着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，因此，有必要在去雾的时候保留一定程度的雾。所以给(11)中的减数加一个0-1之间的参数，得到：

本文中所有的测试结果依赖于： ω=0.95。
以上都是假设大气光A已知，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。具体步骤如下：
(1） 取前0.1%的暗通道图片的像素位置。
(2） 在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。

到这一步，我们就可以进行无雾图像的恢复了。
由式（1）可知： J = ( I - A)/t + A
现在I,A,t都已经求得了，因此，完全可以进行J的计算。

当投射图t 的值很小时，会导致J的值偏大，从而使淂图像整体向白场过度，因此一般可设置一阈值T0，当t值小于T0时，令t=T0，本文中所有效果图均以T0=0.1为标准计算。
所以此时的最终公式为：

接下来看一下使用此公式的效果：
原图：

暗部图片

消光处理：

成品图：![在这里插入图片描述](https://img-blog.csdnimg.cn/20191105173541130.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5Mzc3MTM0,size_16,color_FFFFFF,t_70