结合Lab空间和单尺度Retinex的自适应图像去雾算法

针对暗通道先验算法在大片天空区域透射率估计过小及景深突变处出现Halo效应的问题，提出一种结合Lab空间和单尺度Retinex的图像去雾算法。将RGB图像转换至Lab空间提取出亮度分量，利用Canny算子对亮度分量提取边缘信息，丰富恢复图像细节；利用单尺度Retinex对非边缘区域进行高斯自适应滤波估计出优化后的亮度分量，获得“伪”去雾图像，得到粗略的透射率；利用交叉双边滤波优化透射率消除Halo效应；最后根据大气散射模型恢复出无雾图像。实验结果表明，该方法恢复出的图像细节明显，整体平滑，且对含大片天空区域的图像也有较好的恢复效果。     

基于线性模型的自适应优化去雾算法

针对线性传输算法中透射率和大气光估计不足问题，提出一种基于线性模型的自适应优化去雾算法。利用边缘信息模型来增强初始透射率图的细节信息，使得复原后图像边缘区域细节更丰富；根据暗通道先验，得到自适应优化透射率，更好地处理包含景深区域图像；采用局部大气光估计方法代替四叉树方法，避免大气光估计不准确问题，并结合物理模型恢复图像。仿真实验在matlab2014中进行，实验结果表明，该算法具有较好的有效性和时效性。