服务支持Service support
热门产物Hot products
解决方案Solution
联系方式Contact information
说到透雾算法 ，最典型的应用就是数字透雾技术。数字透雾技术可以在透雾时 ，保留图像原有的色彩 ，而数字透雾的核心就是透雾算法。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到达清晰化的目的;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 ，将退化过程进行建模 ，接纳逆向处置 ，以最终解决图像的回复问题。
目前通过增强的方式(浅透雾)来进行透雾处置典型的要领包罗：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够;局部均衡要领效果较好 ，但可能引入块状效应、计算量大、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 ，通过局部处置能获得相对较好的处置结果 ，但它们的计算量巨大、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够理想。
基于图像增强的要领(算法透雾)能在一定水平上提高图像对比度 ，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过程的原因入手进行赔偿 ，因此它只能改善视觉感受而不能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 ，整体而言计算量较大。最大熵法能获得较高的分辨率但是其非线性、计算量大、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 ，需要在差异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 ，而最终求解得到无雾状态下的结果图像。
最新产物
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>
