效劳支持Service support
热门产品Hot products
解决计划Solution
联系方法Contact information
说到透雾算法，最典范的应用就是数字透雾技术。数字透雾技术可以在透雾时，保存图像原有的色彩，而数字透雾的焦点就是透雾算法。前面提到，透雾算法主技术有两个阶段，第一阶段的“浅透雾”是一种基于非模型的图像增强要领，通过提高比度，满足主观视觉的要求来抵达清晰化的目的;第二阶段的“算法透雾”是基于模型的图像回复要领，它考查图像退化的原因，将退化历程进行建模，接纳逆向处理，以最终解决图像的回复问题。
目前通过增强的方法(浅透雾)来进行透雾处理典范的要领包括：直方图均衡化、滤波变换要领和基于模糊逻辑的要领。直方图均衡化要领，其中全局化要领运算量小但对细节的增强不敷;局部均衡要领效果较好，但可能引入块状效应、盘算量大、噪声被放大及算法效果不易控制的问题。滤波变换的透雾算法，通过局部处理能获得相对较好的处理结果，但它们的盘算量巨大、资源消耗多、不适于实时性要求较高的设备。已知的基于模糊逻辑的要领透雾的效果不敷理想。
基于图像增强的要领(算法透雾)能在一定水平上提高图像比照度，并通过增强感兴趣区域来提升可识别度。但该要领未能从图像退化历程的原因入手进行赔偿，因此它只能改善视觉感受而不可获得很好的透雾效果。所以，真正的数字透雾是基于图像回复来实现的，也就是我们通常所说的“算法透雾”。
基于图像回复的要领主要有以下几类：滤波要领、最大熵要领与图像退化函数预计法等。滤波要领如卡尔曼滤波要领，整体而言盘算量较大。最大熵法能获得较高的区分率可是其非线性、盘算量大、数值求解困难。图像退化函数预计法大多依据一定的物理模型来设计，需要在差别的时间点收罗多幅图像作为参考图像，以便确定物理模型中的多个参数，而最终求解获得无雾状态下的结果图像。
最新产品
New products
了解更多>
技术支持
Technical Support
了解更多>
常见问题
Common problem
了解更多>
