图像去雨去雾算法
输入输出接口
Input：
（1）摄像头采集的实时图像视频分辨率（整型int）
（2）摄像头采集的实时图像视频格式 （RGB，YUV，MP4等）
（3）摄像头标定参数（中心位置（x,y）和5个畸变
系数（2径向，2切向，1棱向），浮点型float）
（4）摄像头初始化参数（摄像头初始位置和三个坐标方向
的旋转角度，车辆宽度高度车速等等，浮点型float）
Output：
（1）透光率（浮点型float）
（2）融合后的图像视频分辨率（浮点型float）
（3）融合后的图像视频格式（RGB，YUV，MP4等）
1. 功能定义
雾图模型，暗通道先验，暗通道定义，计算折射率，估计大气光，去雾。
2. 技术路线方案
在有雨有雾的环境下，摄像头系统会由于场景的能见度低，而使所拍摄的成像出现对比度低、模糊不清、图像整体颜色偏灰白色、色彩偏移等问题，会极大影响相关识别系统正常、稳定地工作。因此，非常必要对成像作出去雨去雾处理，以获得清晰图像。
图1. 常用去雾算法分类
图2. 去雾算法处理效果
目前已知的方案有两种。第一种是基于图像增强的方法，这类方法是对被降质的图像进行增强，改善图像的质量。这种方法优势在于可以应用已有的成熟图像处理算法，可以对常用的图像算法进行针对性的运用和改良，增强图像的对比度，突出图像中景物的特征和有价值的信息。但是，这种方法可能会造成图像部分信息的损失，使图像失真。第二类是基于物理模型的方法，这种方法通过研究大气悬浮颗粒对光的散射作用，建立大气散射模型，了解图像退化的物理机理，并反演复原出未降质前的图像。这是一类专门针对雾天图像的图像复原的方法，复原出来的图像效果真实，贴近降质前景物原景，对复杂场景的图像处理效果较好，图像信息得到较完整的保存。
雾图模型
I(x) ——待去雾的图像
J(x)——无雾图像
A——全球大气光成分
t——折射率（大气传递系数）
暗通道先验
在无雾图像中，每一个局部区域都很有可能会有阴影，或者是纯颜色的东西，又或者是黑色的东西。因此，每一个局部区域都很有可能有至少一个颜色通道会有很低的值。把这个统计规律叫做Dark Channel Prior。
暗通道定义
表示彩色图像的每个通道
Ω(x)表示以像素X为中心的一个窗口
意义: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中，然后再对这幅灰度图进行最小值滤波
计算折射率
右边第二项其实就是有雾图像的暗通道。
由于空间透视现象/浓淡远近，部分雾的存在有助于我们感知距离和深度，加权值修正：
估计大气光
1）选取暗通道图像暗通道最亮的0.1%的像素（一般来说，这些像素表示雾浓度最大的地方）
2）取输入图像里面这些像素对应的像素里面最亮的作为大气光
注：选中的像素未必是全图最亮的，而且要比选取全图最亮的方式鲁棒性更好。
去雾
大致就是这个流程：
1）求图像暗通道
2）利用暗通道计算出折射率
3）利用暗通道估计大气光
4）代回雾图公式去雾
3. 关键技术参数和性能指标
目前对于去雾效果的评价主要从2方面进行考虑，一是去雾前后图像细节边缘的变化，另一个是去雾后图像颜色发生的变化。对这2方面的评估目前都有相应的准则，其中比较引人关注的是用于评估对比度增强的基于可见边对比度的方法和用于评估颜色失真程度的直方图相似度、色彩丰富度等指标。
评估去雾前后图像细节边缘的对比度变化能很好地体现出相应去雾算法的性能。去雾前后图像在色彩等属性方面的共性，从新的角度提出对颜色失真度的评估，获得简单有效的评价准则。