基于线性变换的图像快速去雾方法

1. 求《基于线性变换的图像增强处理》的程序，matlab实现，要求有句子的详细解释，谢谢

2. 粒子滤波是否能实现图像去雾

 

在雾、霾之类的恶劣天气下，采集的图像质量会由于大气散射而严重降低, 使图像颜色偏灰白色, 对比度降低, 物体特征难以辨认。所以 需要图像去雾技术来增强或修复, 以改善视觉效果。目前图像去雾方法主要可以分为两大类:
（1）基于图像处理的增强方法。这种方法通过对雾天图像进行增强, 改善图像质量。其优点是可以利用已有的成熟图像处理算法进行针对性运用, 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；缺点是可能会造成图像部分信息的损失, 使图像失真。
（2）基于物理模型的复原方法。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, 并复原出未降质前的图像。

3. 汽车如何快速除雾

• 1

  直接用干布擦拭玻璃，这种场面想必不少乘客都见识过。

  

4. 数据处理

4.3.1 数据源情况

4.3.1.1 卫星影像数据情况

本项目数据源是由国土资源部信息中心提供的 2005～2007 年 SPOT 5_2.5 m 分辨率影像数据。覆盖工作区的 SPOT 5 卫星影像数据共计 79 景（图 4-2），所接收影像均有 4% 以上的重叠区域；影像信息丰富，无明显噪声、斑点和坏线；云、雪覆盖量均小于 10%，且未覆盖城乡结合部等重点地区；东部平原地区大部分影像覆盖有程度不同的雾或霾，但整体地类信息能够区分；影像数据接收侧视角一般小于 15°，平原地区不超过 25°，山区不超过 20°，基本满足技术规范对影像接收的要求。

图 4-2 河南省 SPOT 5 影像数据分布示意图

图 4-3 影像接收时间分布

由于本次 SPOT 5 卫星影像接收时间跨度大，时相接收差异大，79 景影像多集中于春季和秋季（图 4-3），但部分影像由于接收时间不是河南地区最佳季节，存在着这样或那样的问题，见表 4-1：

表 4-1 影像数据接收信息及数据质量评述表

续表

4.3.1.2 DEM 数据情况

覆盖河南全省的 1∶5 万数字高程模型（DEM）共计 464 幅。

首先，对 DEM 是否齐全及 DEM 的现势性等进行了全面检查；其次，对相邻分幅 DEM 是否有重叠区域以及重叠区域的高程是否一致、接边后是否出现裂隙现象等信息进行了检查；第三，项目组对每幅 DEM 是否有完整的元数据以及对数据的地理基础、精度、格网尺寸等信息是否齐全等进行了全面检查。

由于 1∶5 万 DEM 原始数据是 GRID 标准格式，数学基础为 1980 年西安坐标系，1985 年国家高程基准，6°分带。鉴于以上数据格式和项目实施方案要求，项目组对涉及工作区的 464 幅DEM，分别按照 19°带和 20°带进行镶嵌及坐标系转换，之后再进行拼接、换带及投影转换处理，得到覆盖河南全省的、满足对项目区影像进行正射校正需求的、中央经线为 114°、1954 北京坐标系、1985 年国家高程基准的河南省 1∶5 万 DE（M图 4-4）。

图 4-4 河南省 1∶5 万 DEM

经过对拼接好的 DEM 进行全面检查，本项目使用的 DEM 数据覆盖河南全省，不存在缺失、黑边等现象，基本满足本项目影像数据正射校正的需要。

4.3.2 数据配准

目前影像配准技术大致分为两大类，基于灰度的方法和基于特征的方法。大多数基于灰度的方法采用互相关技术或傅立叶变换技术来实现。影像配准采用的是 ERDAS 9.1 中的自动配准模块（AutoSync）。在自动检测结束后，将其在参考图像上寻找出来同样需要很大的工作量。在不能完全自动实现匹配的情况下，如果能够大致计算出需要寻找和精确调整标注的区域，同样能够减少很大工作量。通过使用多项式粗略计算出两张影像的对应关系就可以解决这一问题。

根据 ERDAS 系统要求，我们最少需要 3 个点就可以在两张卫星影像间建立一个粗略的对应关系。使用至少 3 个点建立起正算多项式模型后，便可以将自动检测出来的控制点迅速对应到参考影像上，只需要在很小的范围内调整就可以精确标注出其在参考影像上的位置。图 4-5 左侧为原始影像上自动检测点，右侧为参考影像上粗定位点，需要进行调整。

图 4-5 配准

虽然计算机的引入可以大量节约劳动，但是因为技术所限，并不能解决矫正和配准所有环节的全部问题，从而将测绘工作者彻底解放出来。

本次项目生产过程中，针对 SPOT 5_10 m 多光谱数据重采样成间隔为 2.5 m，重采样方法采用双线性内插法。以景为配准单元，以 SPOT 5_2.5 m 全色数据为配准基础，将 SPOT 5 多光谱数据与之配准。随机选择配准后全色与多光谱数据上的同名点，要求配准误差平原和丘陵地区不超过 0.5 个像元，山区适当放宽至 1 个像元。配准控制点文件命名使用“景号 + MULTI 和 PAN”，如“287267MULTI”。配准文件命名使用“景号 + MATCH”，如“287267MATCH”。

影像配准采用的是 ERDAS 9.1 中的自动配准模块（AutoSync）。首先，在单景影像的四角部位手动选取四个配准控制同名点，然后由软件生成自动配准控制点，剔除其中误差较大的控制点后，进行自动配准（图 4-6）。配准完成后，采用软件提供的“拉窗帘”的方式对整景影像自上而下、自左至右进行配准精度检查（图 4-7）。

总结配准的工作，可以看到基本上分为如下几步：①标注至少 3 个粗匹配控制点；②设置检测参数；③进行自动检测；④人工调整和保存控制点；⑤进行配准。其中第 4 步仍然需要人工参与，主要的问题在于两点：一是精度是否真正是人感官上的特征点方面存在问题；二是参考图像上的控制点仅仅是粗略对应标注，人工无法手动调整至精确对应位置，因此，暂时的配准工作仅仅部分减轻了人工工作量，但不可能完全由计算机完成配准工作。

图 4-6 影像配准

图 4-7 影像配准精度“拉窗帘”检查

4.3.3 数据融合

4.3.3.1 融合前数据的预处理

获取完整项目区的卫星影像数据时，由于接收时间跨度较大，数据时相差别较大，加上空中云、雾或霾的干扰以及地面光照不均匀等因素，造成景与景之间的影像光谱和纹理特征差别较大。为使影像纹理清晰，细节突出，提高目视解译精度等，在数据融合前必须对数据进行预处理。

SPOT 5 全色波段数据处理的目的是增强局部灰度反差、突出纹理、加强纹理能量和通过滤波来提高纹理细节。

（1）线性变换。经过线性拉伸处理的影像数据，既增强局部灰度反差又保持原始灰度间的相对关系。

图 4-8 线性变换

设A₁、A₂为输入影像的嵌位控制值，B₁、B₂为变换后影像最低、最高亮度值（图4-8），输入影像的亮度值A₁～A₂被拉伸为B₁～B₂范围，其中输入亮度0～A₁及A₂～255分别被变换为B₁、B₂，如果赋值B₁＝0、B₂=255，则拉大了输入影像的动态范围，从而反差得到增强，保持了输入影像灰度间的线性关系。通过线性拉伸将位移A₁变换为0，而将A₂变为255；这样既没有改变A₁到A₂之间灰度值的相对关系，又扩展了直方图的动态范围，从而增强影像结构的细微突变信息。

（2）纹理增强。纹理能量增强目前主要靠高通滤波来实现，在空域增强中滤波器选择是关键。不同影像地貌、地物选择的滤波核各异。一般地，在地形高起伏地区，地理单元比较宏观，采用的滤波器一般较大，能够反映地理单元的宏观特点，选择较小的滤波核会破坏整体的地貌外形。在地理单元分布细碎，地貌细腻，选择滤波器相对应较小，否则无法表现细碎的纹理结构。在纹理能量增强时应该避免增强过剩，否则影像细节会过于饱和，使纹理丧失，达不到增强细节的目的。以下滤波核是本次用到的边缘增强滤波算子，应用效果比较好。如图4-9所示。

图 4-9 滤波增强

（3）多光谱数据处理。在融合影像中，多光谱数据的贡献是其光谱信息。融合前主要以色彩增强为主，调整亮度、色度、饱和度，拉开不同地类之间的色彩反差，对局部的纹理要求不高，有时为了保证光谱色彩，还允许削弱部分纹理信息。

4.3.3.2 影像融合

目前用于多源遥感数据融合的方法很多，从技术层次来分，可以包括像元级融合、特征级融合和决策级融合三个层次。像元级融合有HIS变换、主分量变换、假彩色合成、小波变换、加权融合等方法；特征级融合有Bayes、决策法、神经网络法、比值运算、聚类分析等方法；决策级融合有基于知识的融合、神经网络、滤波融合等方法。从融合算法上分，可分为对图像直接进行代数运算的方法，如加权融合法、乘积融合法、Brovey变换融合法等；第二种是基于各种空间变换的方法，如HIS变换融合法、PCA变换融合法、Lab变换融合法等；第三种是基于金字塔式分解和重建的融合方法，如拉普拉斯金字塔融合法、小波变换融合法。

本项目所使用数据为SPOT5数据，缺少蓝波段多光谱，对数据采用了自然色模拟方法，在土地利用资源调查中，多光谱信息可以突出地反映土地利用类型的要素信息，提高影像的可判读性，便于从图形、纹理特征及光谱特征进行综合判别分析。一般遥感卫星多光谱传感器波谱范围覆盖整个可见光部分，即蓝、绿、红波段。而SPOT系列遥感卫星其多光谱覆盖范围在可见光部分仅从绿到红波段，缺少蓝波段。在利用遥感卫星影像进行土地利用资源调查时，多光谱信息要求必须以人眼可见的自然色表达，而不允许用伪彩色和红外彩色模拟，以便于非遥感测绘人员的判读与实地调查。对于通常的SPOT系列遥感卫星的自然色模拟方法，往往仅靠不同波段组合，以人眼目视判别、感知来调整色调。作业人员的先验知识作色调调整，作业人员经验欠缺时，色调调校失真较大；二是标准难以定量统一，不同调校时间、人员，不同景影像的拼接，由于感知的差异都难以达到同一或近似的标准。通过分析全省SPOT5数据特征，本次影像融合处理主要采用了乘积变换融合和Andorre融合。

Andorre融合采用的是视宝公司提供的Andorre融合方法，具体步骤为：

步骤1 对全色影像先做正态化处理。等价于Wallis滤波及增强局部（纹理增强）与全局对比度。

步骤2 按下面公式融合（P是正态化处理后的全色影像，B₁是绿波段，B₂是红波段，B₃是近红外波段）。

ERDAS 中模块计算公式：

§ 公式一（蓝通道）：

§ 公式二（绿通道）：

§ 公式三（红通道）：

步骤 3 按下面公式完成伪自然色转换：

ERDAS 中模块计算公式：

§ 公式一（红通道）：

§ 公式二（绿通道）：

§ 公式三（蓝通道）：

步骤 4 对步骤 3 生成的各个通道执行直方图拉伸处理。通常，线性直方图拉伸可以满足这种彩色影像的调整，需要根据影像目视效果定义阈值。阈值的选择应该避免在平衡其他颜色造成的像素过饱和。或在 Photoshop 中调整影像色调、亮度及对比度等直至满足要求。

通过 ERDAS 中 Model 实现其算法（图 4-10）。

4.3.3.3 融合影像后处理

后处理主要采用以下 5 种方法：

（1）直方图调整。对反差较低、亮度偏暗的融合影像，调整输入输出范围，改变反差系数进行线性拉伸，使其各色直方图达到接近正态分布。输出范围一般都定为 0～255，而在输入范围的选择中，对低亮度端的截去应慎重，可以消除部分噪声。

（2）USM 锐化。通过变化阈值、半径、锐化程度增强地物边缘特征。注意阈值和半径的设定值不宜过大，锐化程度可根据不同地区影像特点适当选取。通过软件的预览功能可以判断参数选择得是否合适。城乡结合部、居民点、道路和耕地边界是需要重点突出的地物，必须保证清晰可辨，进一步改善总体效果。

（3）彩色平衡。经过融合运算后，影像或多或少会带有一定程度的偏色，需要通过调整彩色平衡加以改正。

（4）色度饱和度调整。由于 SPOT 5 影像融合后存在大量的洋红色，与实地颜色不一致的，可以通过改变色度、饱和度、明度等将其转变为土黄色，使其更接近于真实颜色。

（5）反差增强。通过亮度和对比度调整，可以增强地物间的反差，使不同地类更易区分。

通过融合影像后处理，进一步改善影像的视觉效果，使整景影像色彩真实均匀、明暗程度适中、清晰，增强专题信息，特别是加强纹理信息。

图 4-10 融合处理算法

4.3.4 正射校正模型选择与处理

4.3.4.1 正射纠正的基本模型

一般对推扫式遥感卫星影像的正射纠正有严密纠正模型和变换关系纠正模型两大类。严密纠正模型根据卫星轨道参数、传感器摄影特征以及成像特点，由传感器在获取影像瞬间的位置、方位等因素，建立起像点与地面之间的共线关系，并由此共线方程解求像点或地面点的纠正。而变换关系纠正模型是一种传统的几何纠正方式，不考虑成像的特性，它通过地面控制点与影像同名点计算出不同变换式的变换系数，从而将变形的原始影像拟合到地面坐标中。

严密纠正模型有基于多项式的共线方程、基于卫星轨道参数的纠正方法、基于光束法的区域网平差等方法；变换关系纠正模型有多项式纠正、有理函数多项式、有理函数多项式区域网平差等方法。其中，区域网平差是用较少的控制点以多景影像组成区域网进行平差的纠正方法。

（1）基于多项式的共线方程纠正方法。改正原始影像的几何变形，采用像素坐标变换，使影像坐标符合某种地图投影和图形表达方式和像素亮度值重采样。在摄影瞬间，传感器、影像、地面三者之间，以共线方程反映了成像时地面点和像点之间一一对应的关系。

由于推扫式成像是当前大多数遥感卫星采用的主流成像方式，那么整景影像为多中心投影，每条扫描线是中心投影。用共线方程表达为

推扫式成像的每一扫描线外方位元素均不同，且y值恒为0。正射纠正时必须求解每一行的外方位元素，利用共线方程得到与地面点相对应的像点坐标，加入DEM后对影像进行纠正。

一般可以认为，在一定时间内，遥感卫星在轨道运行时，空间姿态变化是稳定的，那么6个外方位元素的变化是时间的函数。由于推扫式影像y坐标和时间之间有固定的对应关系，即每行扫描时间相同，所以可将第i行外方位元素表示为初始外方位元素（φ_i，w_i，k_i）和行数y的函数，而这个函数可以用二次多项式函数来表示，即

该方法需获得初始外方位元素可从星历文件中得到，如SPOTS影像星历，在DIM，CAP格式文件中。

（2）多项式纠正方法。多项式纠正方法是一种传统的变换关系纠正方法。多项式用二维的地面控制点计算出与像点的变换关系，设定任意像元在原始影像中坐标和对应地面点坐标分别为（x，y）和（X，Y），以x=F_x（x，y），y=F_y（x，y）数学表达式表达，如果该数学表达式采用多项式函数来表达，则像点坐标（x，y）与地面点坐标（X，Y）建立的多项式函数为

式中（：a₀，a₁，a₂，a₃，……，a_n）（，b₀，b₁，b₂，b₃，……，b_n）——变换系数。

一般多项式阶数是1阶到5阶的，式中表达的为3阶。所需控制点数N与多项式阶数n的关系为：N（=n+1）（n+2）/2，即1阶需3个控制点，2阶需6个控制点，3阶需10个控制点。

多项式纠正考虑二维平面间的关系差，因此，对于地形起伏高差较大的区域，并不能改正由地形起伏引起的投影误差，纠正后的精度就不高。另外考虑入射角的影响，多项式纠正对于地形起伏较大地区并不适宜。

（3）有理函数纠正方法。有理函数纠正方法是一种变换关系的几何纠正模型，以有理函数系数（Rational Function Coefficient）将地面点P（L_a，L_b，H_c）与影像上的点（pI_i，S_a）联系起来。对于地面点P，其影像坐标（pI_i，S_a）的计算始于经纬度的正则化，即

正则化的影像坐标（x，y）为

求得的影像坐标为

有理函数纠正不仅以较高的精度进行物方和像方的空间变换，相对于多项式纠正方法考虑了地面高程，相对于基于共线方程模型使复杂的实际传感器模型得以简化，便于实现。

（4）区域网平差纠正方法。区域网平差，首先将三维空间模型经过相似变换缩小到影像空间，再将其以平行光投影至过原始影像中心的一个水平面上，最后将其变换至原始倾斜影像，从而进行以仿射变换建立误差方程，包括每景影像的参数和地面影像坐标的改正，组成法方程，进行平差计算改正。基于模型的区域网平差，是通过影像之间的约束关系补偿有理函数模型的系统误差。区域网平差要合理布设控制点，在景间需有一定数量的连接点，所需控制点数量较少。

4.3.4.2 正射纠正

本次遥感影像正射纠正采用专业遥感影像处理软件ERDAS提供的LPS正射模块进行的，纠正过程如图4-11所示。

图 4-11 正射纠正流程

为了与以往的县级土地利用数据库相衔接，平面坐标系统仍然采用 1954 北京坐标系，高程系统采用 1985 国家高程基准，投影方式采用高斯－克吕格投影，分带方式为 3°分带。

本项目涉及 79 景连片且同源影像数据，因此采用整体区域纠正，以工作区为纠正单元，利用具有区域网纠正功能的 ERDAS 中 LPS 模块进行区域网平差，根据影像分布情况建立一个区域网文件，快速生成无缝正射镶嵌精确的正射影像，如图 4-12 所示。因本工作区涉及 37°、38°、39°三个 3°分带，考虑到全省数据镶嵌等问题，整个工程采用 38°带，其中央经线为 114°。

本次纠正中采用 SPOT 5 物理模型，控制点均匀分布于整景影像，控制点个数 25 个，相邻景影像重叠区有 2 个以上共用控制点。

工作区控制点分布如图 4-13 所示。

影像正射纠正以实测控制点和 1∶5 万 DEM 为纠正基础，以工作区为纠正单元，采样间隔为 2.5 m。

对控制点和连接点超过限差的要进行检查、剔除，发现误差超限的点位，应先通过设置其为检查点方式重新解算，如解算通过，则通过平差解算；如果纠正精度超限，查找超限原因，则应考虑在误差较大的点位附近换点或增补点加以解决，并进行必要的返工，直至满足要求为止。控制点采集如图 4-14 所示。

对整景利用 DEM 数据在 LPS 中选取 SPOT 5 Orbital Pushbroom 传感器模型，投影选取 Gauss Kruger，椭球体采用 Krasovsky，进行正射纠正，纠正精度满足 SPOT 5_2.5 m 数字正射影像图纠正精度要求，纠正后的图面点位中误差见表 4-2。

图 4-12 整体区域纠正控制点选取示意图

图 4-13 区域网平差纠正工程图

图 4-14 控制点采集

表 4-2 正射纠正控制点中误差

续表

4.3.5 镶嵌

以项目区为单位，对相邻景正射影像的接边精度进行检查。经检查接边精度合格后，以项目区为单位，对正射影像进行镶嵌。

由于项目区采用的是 ERDAS 提供的 LPS 正射模块区域网平差纠正，相邻两幅影像，均采集了两个以上的共用控制点，相应提高了影像镶嵌精度。

在项目区相邻景影像的重叠区域中，平原、丘陵与山区分别随机选取了 30 对均匀分布的检查点，检查影像的接边精度。根据检查点的点位坐标，计算检查点点位中误差。见表 4-3。

表 4-3 影像镶嵌误差

本项目影像镶嵌以工作区为单元，在景与景之间镶嵌线尽量选取线状地物或地块边界等明显分界处，以便使镶嵌影像中的拼接缝尽可能地消除，尽量避开云、雾及其他质量相对较差的区域，使镶嵌处无裂缝、模糊和重影现象，使镶嵌处影像色彩过渡自然，使不同时相影像镶嵌时保证同一地块内纹理特征一致，方便地类判读和界线勾绘。影像镶嵌图如图 4-15 所示。

5. 光学+算法，透雾技术还能走多远

作为安防行业的排头兵，视频监控的首要问题就是要突破“看得见”的瓶颈，达到“看得清”的境界。面对雾霾这一棘手问题，安防人始终在不断努力和探索中。目前主要有两种方式来解决雾霾、雾气环境下的透雾应用，一是通过算法的方式，提升图像的清晰度、色彩饱和度;二是通过光学透雾方式，实现雾霾、雾气的穿透。两种方式实现的原理是不一样的，前者的本质是图像的二次处理，是一种算法矫正;后者是通过物理的方式，通过光学成像的原理提升画面清晰度。
在数字透雾兴起之前，边防、海防、森林高空监控、城市高空了望等场合的应用，只能通过光学镜头吸收红外线的方式来增强图像的清晰度，从而满足这些容易出现水汽、雾气、雾霾场合的监控使用。但是，光学透雾镜头价格昂贵，综合造价成本高不说，效果也不一定能切实满足使用需求。
高清成像，还需层层抽丝剥茧
在数字透雾兴起之前，边防、海防、森林高空监控、城市高空了望等场合的应用，只能通过光学镜头吸收红外线的方式来增强图像的清晰度，从而满足这些容易出现水汽、雾气、雾霾场合的监控使用。但是，光学透雾镜头价格昂贵，综合造价成本高不说，效果也不一定能切实满足使用需求。
作为安防行业的排头兵，视频监控的首要问题就是要突破“看得见”的瓶颈，达到“看得清”的境界。面对雾霾这一棘手问题，安防人始终在不断努力和探索中。目前主要有两种方式来解决雾霾、雾气环境下的透雾应用，一是通过算法的方式，提升图像的清晰度、色彩饱和度;二是通过光学透雾方式，实现雾霾、雾气的穿透。两种方式实现的原理是不一样的，前者的本质是图像的二次处理，是一种算法矫正;后者是通过物理的方式，通过光学成像的原理提升画面清晰度。
由于两者本质的不同，因此，在测试中，虽然两者均为安防监控摄像机的透雾技术，但测试重点还是不一样的。
对于采用数字透雾技术的摄像机，主要是通过模拟雾霾场景来检测，即让图像变得模糊即可，然后观察开启与关闭透雾功能时，观察摄像机的表现如何，透雾效果是否显现出来。其次是仿真模拟雾霾环境进行测试，这就不得利用一切条件创造烟雾、水汽环境，然后观察透雾效果的表现。由于数字透雾技术是算法智能化之一，因此还要观察摄像机在无雾条件下，开启“透雾”功能后，摄像机是否继续“除雾”，以检验其智能化效果。而针对光学透雾摄像机，则主要是通过仿真雾霾、水汽、烟雾环境进行仿真测试，以观察摄像机的红外接收能力和图像处理除雾效果如何，是否达到了良好的透雾使用表现。光学透雾是采用物理方式的透雾技术，因此不进行图像模糊方式进行检验。
针对光学透雾技术，还需要检验是否支持彩色除雾应用。当然，除了透雾功能外，本次也会就摄像机的画质、网络控制等功能进行检测，以给读者一个全面的设备性能展现。
透雾技术方法论
关于透雾摄像机，a&s已经做过不少检测，也在不断接触、评测中，见证了透雾摄像机的发展。以目前的行业发展水平，透雾技术无外乎三种：
·图像算法透雾处理;
·镜头光学透雾;
·滤波片光学透雾。
关于算法透雾技术，最早是在国际品牌产品中出现，如三星的百万高清摄像机，随着2012年海康威视推出了130万明星级SMART摄像机后，支持算法透雾技术的摄像机如雨后春笋般涌现，而且算法透雾效果也是越来越好。
但数字透雾技术有很大的局限性。由于数字透雾(也叫除雾功能，与工程实际应用中的设备加热除雾气是两个不同概念)是通过算法的智能化处理，当图像出现朦胧化效果时，自动调节锐度、图像对比度、色度等方式，将朦胧画面调节至更为适于观看的效果。数字透雾的优势是保住了图像的彩色细节，并增强了可看度，但实际上，图像的清晰度是没有提升的。而这也是成本最低、最为普及的一种透雾应用方式，目前主流监控设备商所开发的中高端监控产品，几乎都支持了数字透雾处理功能。
已知的透雾算法大致可以分为两大类：一种是非模型的图像增强方法，通过增强图像的对比度，满足主观视觉的要求来达到清晰化的目的;另一种是基于模型的图像复原方法，它考查图像退化的原因，将退化过程进行建模，采用逆向处理，以最终解决图像的复原问题。
为了得到更好的处理效果，摄像机厂家会增设专门的图像处理芯片，可自动侦测图像的密度，最大限度地保持图像信号的细节，实现彩色增强、反差增强、边缘增强、对比度增强和亮度增强，并进行密度分割、去模糊等运算，使不同场景下的摄像画质得到明显提高，达到透雾的目的。而根据厂家的能力与研发选择，会分别选择在DSP或FPGA等不同芯片上进行相应处理。
芯片会实时读取视频流信息，通过对比参数判定是否需要开启透雾模式，也就是可以达到自动侦测雾气，甚至可以通过设定的预置模式判定出雾气浓淡，选择进入相应的透雾模式。不过，从目前的应用效果看，能够支持到自动判断图像是否有“雾”、浓度多少的摄像机不多，大部分都还是依靠手动开启、关闭的方式。
而数字透雾技术，由于采用的是算法处理技术，也不再仅仅限于摄像机，目前已经延伸到后端，如透雾显示器/监视器、透雾DVR、透雾NVR等，让透雾应用变得更为广泛，也满足了目前透雾产品线不全或原有设备不支持透雾技术的后端升级应用。
接着说光学透雾。光学透雾利用的是光的不同波段有不同的特性这个特点原理来实现的，自然光由不同波长的光波组合而成，波长从长到短分别是红橙黄绿青蓝紫七种颜色，其中波长小于390nm的叫做紫外线，波长大于780nm的叫做红外线。红外线波长较长，在传播时受气溶胶的影响较小，可穿透一定浓度的雾霭烟尘，实现准确聚焦，这就是光学透雾的依据。
采用镜头的方式，就是在镜头处增加了IR感知能力，让更多的红外线传达到传感器上。该技术是不分时段、不分场合的“开启”透雾模式，且无论是彩色模式还是夜间模式，都能较非透雾镜头获得更多的有效光线，从而辅助摄像机实现更为优良的清晰度效果。当然，透雾镜头还需要解决一个问题，那就是可见光与红外非可见光在任意光照环境下，均可准确的聚焦到同一个点上，只有这样，才能确保成像的高清，否则将会出现虚焦，这也是透雾镜头的一个必要的技术难点。
由于采用镜头作为光学透雾方式的成本较高，难以在很多场合中普及，因此不少监控设备商一直都在寻求新的解决方案。2013年下半年，宇视科技率先突破了这一技术瓶颈，通过采用滤光片的方式来实现光学的透雾应用，这是安防的一个创新方案。其实现的原理为，当将摄像机切换到光学透雾模式时，摄像机将自动切换透雾滤光片，让摄像机过滤并吸收红外线，从而实现清晰度的大幅提升。此类光学透雾技术，对镜头的要求则下降了许多，只要是满足摄像机正常监控使用的镜头都可适用。当然，对镜头要求支持IR红外矫正功能是必不可少的，而目前的高清镜头，几乎清一色地支持IR矫正功能，由此可以说，采用滤波片的光学透雾摄像机，基本可以排除对镜头的特殊依赖性。
透雾技术再升级
经过了数年的发展，透雾技术也随着监控技术的发展而不断得到优化和提升，首先是数字透雾技术的优化;其次是光学透雾方案的创新。下面我们就来介绍一下a&s安防自动化于7月测试的两款分别代表了当前数字透雾和光学透雾的产品为例进行介绍。
数字透雾效果明显优化
大华DH-IPC-HFW8331D-Z系列300万像素超宽动态红外透雾型摄像机采用的即是数字透雾的方式。大华自从在摄像机中引入数字透雾技术后，一直保持着自己的特色，其产品支持自动和手动可调的方式来处理图像的模糊情况。而在手动模式下，分别可对透雾强度、大气模式可调，以增强“除雾”效果。
大华DH-IPC-HFW8331D-Z系列300万像素超宽动态红外透雾型摄像机采用的即是数字透雾的方式。大华自从在摄像机中引入数字透雾技术后，一直保持着自己的特色，其产品支持自动和手动可调的方式来处理图像的模糊情况。而在手动模式下，分别可对透雾强度、大气模式可调，以增强“除雾”效果。
大华DH-IPC-HFW8331D-Z系列300万像素超宽动态红外透雾型摄像机采用的即是数字透雾的方式。大华自从在摄像机中引入数字透雾技术后，一直保持着自己的特色，其产品支持自动和手动可调的方式来处理图像的模糊情况。而在手动模式下，分别可对透雾强度、大气模式可调，以增强“除雾”效果。
从实测效果看，该机在自动模式下，即能将透雾效果处理得跟手动模式下的最佳效果一致，自动处理算法还是比较靠谱、智能化的。但这还不是该机的亮点，其优势是，虽然为数字透雾处理，但画面的“去雾”效果明显，在保持彩色画面不变的情况下，可将除雾的效果较之前有了很好地提升，经处理后，朦胧的画面上，“雾”的存在感很低，取而代之的是清爽、通透的画面。这也看出，该机不仅仅是简单的图像增强，更是在透雾算法方面的智能化提升。
光学透雾技术再突破
过去，国内品牌中，唯有宇视一家提供有非镜头的光学透雾技术方案产品;海康威视过去则是清一色的数字透雾产品。此次检测的海康威视DS-2CD4026FWD/D星光级200万超宽动态专业透雾型枪型网络摄像机，则是海康威视光学透雾监控摄像机的首次亮相。该机采用了滤波片的方式来吸收红外光线，从而获得更为清晰的图像效果。
该设备支持双透雾模式，即数字透雾和光学透雾，该机采用了全智能处理方式，一键开启或关闭，不提供透雾等级调节功能。在实测中，该机的数字透雾有着不错的表现，除了能保持彩色的画面效果外，画面的清晰度、色彩都有不错的提升。但最佳的效果在于透雾技术，根据设计要求，该机的光学透雾需在夜间模式下才能获得最佳的效果;但实测中，在白天模式下开启光学透雾功能，其效果要较数字透雾模式下所得的画面更为清晰;而在开启夜间模式时，画面则干净、整洁，很难察觉到画面有“雾气”存在。可以这么说，该机可实现的透雾方式有：数字透雾、彩色模式下的光学透雾、黑白模式下的光学透雾，所得到的透雾效果，也是层层递进，并以黑白模式下的光学透雾表现最佳。作为一款主打光学透雾的摄像机，该机除了采用物理方式增强清晰度外，也提供了算法辅助，从而让光学透雾技术得以更大程度的发挥和展示。
海康威视摄像机可实现的透雾方式有：数字透雾、彩色模式下的光学透雾、黑白模式下的光学透雾，所得到的透雾效果，也是层层递进，并以黑白模式下的光学透雾表现最佳。作为一款主打光学透雾的摄像机，该机除了采用物理方式增强清晰度外，也提供了算法辅助，从而让光学透雾技术得以更大程度的发挥和展示。
海康威视摄像机可实现的透雾方式有：数字透雾、彩色模式下的光学透雾、黑白模式下的光学透雾，所得到的透雾效果，也是层层递进，并以黑白模式下的光学透雾表现最佳。作为一款主打光学透雾的摄像机，该机除了采用物理方式增强清晰度外，也提供了算法辅助，从而让光学透雾技术得以更大程度的发挥和展示。
透雾摄像机的结构设计及散热性
首先看数字透雾摄像机的结构设计。由于采用的是算法处理方式，势必要对芯片造成一定压力;处理需求的增多，也会相应地提升设备的运行温度。不过，目前的摄像机都已经比较成熟，在零配件选用上，也是得心应手，什么样的功能搭配什么样的硬件，都有成熟的方案，因此，单就数字透雾技术来说，此类摄像机的散热性并不高，以本次的数字透雾摄像机大华DH-IPC-HFW8331D-Z为例，这是一款成熟的筒型枪式摄像机，在整个测试过程中，设备的温度上升并不明显。
而光学透雾摄像机，在虽然有算法的处理，但透雾对摄像机的整体图像处理功能来说，所能增加的压力也不多。从之前我们测试过的相关光学透雾型摄像机来看，透雾算法对摄像机的温度的提升也不是很明显的。而本次测试的海康威视DS-2CD4026FWD/D星光级200万超宽动态专业透雾型枪型网络摄像机，则在测试过程中，在26℃左右的室内环境下，机身温度竟然达到了50℃以上，这是颇为少见的，为了降低散热，该机在结构上较海康威视的第一代SMART摄像机来说，增加了易于散热的片翅设计。而实际上，本次测评的DS-2CD4026FWD/D是一款SMART 2.0智能网络摄像机，内部植入了各种智能分析算法，同时，对低照度、宽动态、数字降噪等功能也进行了算法提升，在功能的不断增加下，该机的处理散热量会比较大;同时，该设备作为一款新品，软件版本的算法优化还在不断提升当中，由于测试时，版本比较低，散热量大必不可少;事后，我们对摄像机进行了软件版本的升级，此时摄像机的工作温度降到了40℃左右。
再看安装性。两个设备均支持PoE供电功能，测试中，只需给摄像机接入一根带PoE供电的网线，即完成了设备的联网和使用;同时，设备提供有BNC前端调试图像输出功能，对调试也是很便利的;而大华的设备还支持后端变焦、聚焦功能，更省去了前端调试的麻烦。
透雾摄像机画质及功能表现
我们首先看画质功能。海康威视的光学透雾摄像机采用的是主流的H.264压缩算法;大华采用的是最新的H.265压缩算法。前者在4Mbps下可保持良好的1080P画质效果;后者由于算法的低压缩速率，在3Mbps下就可正常运行300万高清画质，由于算法的不一样，两者在带宽处理上不具备典型可比性。不过可以肯定的是，这两款分别作为各自的最新产品之一，都良好地延续了技术实力，保证了图像画质的高清表现，其中海康威视的水平和垂直清晰度接近1100TVL，边缘清晰度为1000TVL;大华为水平清晰度1300TVL，垂直达到1200TVL;色彩还原、灰阶等方面都有良好的还原表现。
再看功能方面，宽动态、背光补偿、强光抑制等功能均是支持，而在低照度方面，这两款摄像机延续了海康威视和大华两家的星光级优势，实现0.001Lux的星光级效果是没有问题的。而在智能分析方面，这两款设备支持的功能非常丰富：
·大华DH-IPC-HFW8331D-Z：支持虚焦侦测、区域入侵、拌线入侵、物品遗留/消失、场景变更、徘徊检测、人员聚集、快速移动、非法停车、音频异常侦测、人脸侦测、外部报警、客流量统计、热度图等;
·海康威视DS-2CD4026FWD/D：支持越界侦测、区域入侵侦测、进入/离开区域侦测、徘徊侦测、人员聚集侦测、快速运动侦测、停车侦测、物品遗留/拿取侦测、场景变更侦测、音频陡升/陡降侦测、音频有无侦测、虚焦侦测、车辆检测(支持车牌识别，车型/车标/车身颜色/车牌颜色识别)、混行检测(检测正向或逆向行驶的车辆以及行人和非机动车，自动对车辆牌照进行识别，可以抓怕无车牌的车辆图片)等。
由于两者可支持的智能分析算法众多，尤其是海康威视的DS-2CD4026FWD/D，设备商还提供了定制化服务，可根据客户的不同需求，针对性地植入所需智能分析功能。