去雾系统V3新增了基于深度学习的去雾算法，集成直方图均衡化、Retinex、MSR、MSRCR、暗通道先验、改进的暗通道、两种深度学习算法。
00 目录
**1 引言
2 去雾系统新增功能
3 系统实现
**
01 引言
在作者前面写过的文章中，已经介绍过图像去雾算法的应用价值及研究现状，并且也介绍了V1版本的4种去雾算法的原理及代码实现（全局直方图均衡化、局部直方图均衡化、暗通道先验、Retinex理论的去雾算法）
基于MATLAB的去雾系统V1
以及作者在V2版本中增加的MSRCR、作者的改进算法以及4个评价指标
基于MATLAB的去雾系统V2
由于近年来，CNN 在大型图像处理（如检测、识别等方面）上取得的巨大进展，利用深度学习进行含雾图像去雾处理的方法亦不断出现。因此在V3版本中作者将引入2个表现优秀的深度学习方法加入去雾系统中，并更新了两个更常用的评价指标。
02 去雾系统新增功能
2.1 去雾系统现有功能
在介绍新功能前，先介绍原去雾系统的功能，对于原V2去雾系统，集成7种算法。
5种增强型去雾算法——全局/局部直方图均衡化、SSR、MSR、MSRCR，这类去雾算法没有考虑雾图像的成因，只是通过提高图像对比度，改善了图像的视觉效果，不能从根本上对图像进行去雾，而且容易丢失图像信息；
其次是2种复原型去雾算法——暗通道先验算法，这类算法是基于大气散射物理模型，通过寻找先验知识，求解模型中的未知量，获得清晰图像，这类算法的难点在于对于模型参数的估计能否准确，以及本文对于暗通道先验算法的改进。
下面将介绍V3.0版本的去雾系统新增功能。
2.2基于深度学习去雾算法
2.2.1 DehazeNet算法
CAI 等［1］对先验特征进行分析，针对性地设计了 DehazeNet模型，从而实现对透射图的更加准确预测。首先，DehazeNet 将含雾图像作为输入，将学习到的透射率等参数作为输出。进而，通过大气模型反演退化过程，从而实现含雾图像的去雾处理，得到清晰图.
DehazeNet 结构如图所示，在训练模型时，充分学习含雾图像与对应的透射率之间的映射关系 。 在 特 征 提 取 层（feature extraction）中 ，DehazeNet加入了 Maxout 结构，这个网络的作用是将DehazeNet连接并优化暗通道先验、最大对比度、颜色衰减先验、色调差异等理论。对于透射率的输出，基于透射率的数值范围在［0，1］之间，Deha⁃zeNet引进了一种新的能够保持局部线性的激活函数，即 BReLu 函数。DehazeNet 将深度学习的方法应用于图像去雾处理，打开了深度学习处理去雾工作新世界的大门。
2.2.2 MSCNN去雾算法
无独有偶，Ren［2］也构建了一种用于精准预测透射图的多尺度的卷积神经网络（MSCNN），Ren 等人提出利用两个卷积神经网络模型MSCNN（Multi-Scale Convolutional Neural Networks）来估计场景透射率，其先使用一个卷积神经网络估计得到大致的场景透射率，再通过另一个卷积神经网络进行精确估计。这两种深度学习方法本质上均是采用卷积神经网络对场景透射率进行估计，使用传统的方法对全局大气光值进行估计。
2.3 评价指标
图像去雾性能的评价包括主观和客观两种，由于对于图像去雾算法的有效性通过人的主观直觉来进行时，容易受到绝对主体地位的个人主观因素的干扰，往往会影响正确的判断，可靠性不高，所以客观定量的评价去雾效果是必须的。
2.3.1峰值信噪比——PSNR值
PSNR表示待评价图像的保真度，其定义如下：
其中M、N是图像的长和宽；i,j表示像素位置；G和Gr分别是待评价图像和原始图像灰度值;A为像素灰度最大值，MSE值越小图像差距越小，图像质量越好，而PSNR值越大表示待评价图像越接近原始图像，即图像质量越好。
2.3.2 结构相似度——SSIM
其定义如下：
其中，C1=(K1A),C2=(K2A),8位灰度图中取A=2^8-1=255，Ki（i=1，2）,I和J是待评价图和原始图。SSIM取值范围[0,1]，值越大，表示图像失真越小.
03 系统实现
可关注作者公主号查找相关内容获取源码：KAU的云实验台
基于MATLAB的GUI开发了去雾系统V3,在GUI中打开后显示如下：
可选模块有5个：主菜单，图像增强法、物理模型法、深度学习法、帮助。
主菜单功能是载入图像、截图以及退出系统。
图像增强法下有：全局/局部直方图均衡化、Retinex算法、MSR、MSRCR五种算法。
物理模型法下有：暗通道先验、改进的暗通道先验算法两种算法。
深度学习法下有：DehazeNet、MSCNN法两种算法。
帮助下有：关于系统的说明、运行流程.
下面将从去雾算法的3个模块中各选一个展示去雾效果。
图像增强法——全局直方图均衡化
物理模型法——改进的暗通道先验算法
深度学习法——DehazeNet
参考文献
[1] CAI B L，XU X M，JIA K，et al. Dehazenet：an end-to-end system for single image haze removal［J］. IEEE Transactions on Image Processing，2016，25（11）：5187-5198
[2] Ren W Q，Liu S，Zhang H，et al. Single image dehazing via multi-scale convolutional neural networks［C］//LNCS9906：Proceedings of the 14th European Conference on Computer Vision，Amsterdam，Oct 8-10，2016. Berlin，Heidelberg：Springer，2016：154-169.