公式的形式可W表 示为Jdatk一 0。
[0035] 雾天成像模型（1)可变形为：
[0036]
口）
[0037] 其中下标C表示彩色图像的R/G/B=个通道，I。(p)表示带雾图像R/G/B通道中像 素P的值，1(P)表示无雾图像R/G/B通道中像素P的值；t(P)为像素P的透射率值;A。为 R/G/B通道中的大气光强估计值。
[003引设每一个窗口内透射率t(x)为常数值为t?(.r)，并且A值已经给定，对式（3)两 边求两次最小值运算：
[0046] 该就是透射率r(/;)的预估值。该值是一个暗通道图像块中的透射率值，最后计算 所有图像块透射率的均值就可W得到整幅图像的透射率分布均值T。
[0047] 化）获取恒定的初始透射率校正值X
[0048] 初始透射率校正值X综合考虑原图像中的对比度C和雾霸影响标志值T，根据T*C 的取值范围可W分阶段确定一个恒定的X，如表1所示。
[0049] 表1分阶段初始透射率校正值的计算
[00加]
[0051] 初始透射率值为T*X，在后续步骤，进行透射率估计时，w T巧作为固定范围的起 始值。
[0052] (C)同时考虑信息丢失和图像对比度增强的的透射率估计
[0化3]自适应透射率估计方法根据透射率局部一致的假设，W 32*32大小的子块为单 位，设定同一子块内的透射率值一致。一般情况下，被雾霸影响的图像子块的对比度会降 低，为了更好地达到去雾效果，需要增加图像子块的对比度，因此可W通过使还原后的图像 块具备最大的对比度来获得最优的透射率估计值。图像对比度评估采用均方误差（Mean squared error, MS巧对比度Cmse，其数学表达式如下：
[0054]
(8)
[005引其中J。表示每一个色彩通道的图像块，C G忙g，W ;不是图像块像素的均值，N 是图像块的像素总数。
[0056] 将公式做代入公式（1)，并变形可得：
[0057]
(9)
[0化引在上式中，7；就是输入的原图像块的像素均值。
[0化9] 均方误差对比度Cmse随着t值的增加而递减，即还原后的图像对比度会随着透射 率估计值的减小而增强。因此，为了使还原后的图像块具有更高的对比度，透射率t要取 尽量小的值。但是，t的取值会影响到计算出的还原图像的像素值，如果还原后的像素值在 [0, 25引的区间范围外，则会产生信息丢失，影响图像的还原质量。根据公式（1)的属性，为 了避免图像信息丢失，使更大范围内的输入像素值可W被有效还原，需要取较大的t值。因 此，本发明引入了对比度评价值E。。。,,。,,和信息丢失评价值E 1。,,，并将W上两个评价值整合 成一个代价值E，使E值最小的t请t是每一个图像块最优的透射率值。
[0064] 上式中，和7；分别是还原图像和原图像中对应块B的像素值均值，吨是图像块 B的像素数量；min{0, Je(p)}和max{0, Je(p)-25引分别表示超过区间[0, 255]的像素值之 和；A Jg来调节对比度评价值和信息丢失评价值的重要度，即平衡对比度和信息丢失的情 况。
[00化]根据W上的公式，W初始透射率值为起始值在一个区间范围内寻找最优的透射率 值巧吏E最小化，该t准就是每一个图像块最优的透射率值。
[0066] (d)基于导向滤波的透射率分布优化
[0067] 由于之前的算法中假设图像块内的透射率局部一致，所W透射率估计都是W图像 块的形式进行操作，所获得的透射率分布图也存在明显的块状结构，从而导致还原后的图 像存在块状的银齿边缘。因此，本发明采用基于导向滤波的方法优化存在块状结构的透射 率分布图。
[0068] 导向滤波的基本公式如下；
[00例 hq) = s' !(。1)+炒 (13)
[0070] 其中，相)是滤波后的透射率，I(q)是导向图，我们用待去雾的图像作为导向图； 3了=(3,，36,3^请缩放向量，1])是偏移量。
[0071] 计算透射率时设定一个尺寸为41*41的窗口，对于一个窗口W，通过最小二乘法， 使块状透射率值和滤波后的透射率Ky)之间的差别最小，该样就能获得一个最佳的和 iT值。
[0072]
(14)
[0073] 当透射率较小时，会增强还原后的图像的噪音，因此，实现算法时可W将透射率值 的最小下限定为0. 1。
[0074] 步骤6、利用上述步骤求得的大气光强和透射率分布值，对车道空间区域部分的原 图像像素值在模型（1)下求解，还原出车道部分的无雾图像。
[0075] 已求出大气光强、透射率值后，通过求解模型（1)可W获得还原出去雾后的图像； 并采用伽马校正方法对还原后的图像进行灰度校正，避免还原后的图像出现比原图像更深 的值。在图像还原过程中，只需要对车道空间区域部分的像素进行还原计算。为了有很好 的视觉效果，可W完整还原时间片初始帖，将该帖的背景替换到后续帖中，从而避免有明显 的车道区域分界线。
[0076] 本发明的优点是：
[0077] 1、本发明提出的交通视频去雾方法采用自适应对比度增强的交通图像去雾算法， 能够根据图像的雾霸影响程度，自适应处理各种不同程度的雾霸图像，在增强对比度的同 时，还保证了图像信息的完整性，有较好的图像去雾效果。
[007引 2、目前的视频去雾算法都是从通用视频的角度出发，没有利用特定场景的视频特 征开展相应去雾算法的研究。本发明的方法针对交通视频，利用交通视频的时间关联性、图 像车道特征、监控摄像头的空间位置等信息，大大提高了交通视频去雾的整体效率。
【附图说明】
[0079] 图1是本发明的流程图。
【具体实施方式】
[0080] 下面参照附图进一步说明本发明。
[0081] 本发明所述的基于时空相关性的自适应交通视频实时去雾方法的主要步骤如图1 所示。
[0082] 步骤1、利用交通视频时间连续性，设立时间片，估算时间片初始帖的车道空间区 域、雾霸影响标志值T、初始透射率校正值X和透射率分布情况；在该段时间内其他图像帖 的去雾还原过程中，采用初始帖计算获得的参数。
[0083] 一般情况下，交通视频都由固定在道路上的监控摄像头拍摄，一段时间内的场景 相对统一，所W在考虑时间连续性时，可W将一个时间片段内的交通视频作为一个整体进 行分析。因此，我们通过设立时间片，直接利用时间片初始帖估算该时间片内所有视频帖的 参数，包括该段视频的车道空间区域范围、雾霸影响标志值T、初始透射率校正值X和透射 率分布情况。
[0084] 步骤2、采用一种基于直线提取的交通视频图像车道空间分离算法，提取视频中的 直线车道，确定一个有限的车道区域。
[0085] 由于一般拍摄的交通视频都有包含车道隔离带或其他背景信息，而在进行交通视 频检测时，车辆识别、跟踪或事件检测主要的感兴趣区域都为车道部分，因此，可W利用车 道的直线特征分离出车道空间，单独对车道进行去雾处理，减小待处理的图像，从而加速去 雾。
[0086] 提取交通视频图像车道空间的具体步骤如下：
[0087] Stepl;通过边缘检测，获取视频图像中的边缘信息；
[00能]Step2 ;利用化U曲直线拟合，筛选掉角度明显有误的直线，获得候选的车道边界；
[0089] Step3;找到候选车道边界中最左侧和最右侧的直线，设定为车道边界，并且找到 车道边界的交点；
[0090]Step4;由车道边界的交点及图像边界获得一个矩形规则车道区域，若交点在图像 的范围外，则默认车道空间为整个图像空间。
[0091] 步骤3、采用一种基于四叉树细分的层次捜索方法进行大气光强估计，通过从原图 像中找到雾霸干扰最小的区域，获取其中最亮的像素值作为大气光强。
[0092] 图像去雾方法的实现W求解雾天成像模型（1)为基础
[0093] I(p) =J(p)t(p)+A(l-t(p)) (1)
[0094] 其中，p表示图像中的某个像素点；I(p)表示全部反射光线经过衰减后最终达到 成像设备时的光线强度，即生成的带雾图像；t(p)表示达到成像设备且没有被散射的那部 分光线的传播率，即光线穿透雾霸的能力参数，可称为透射率且t(p)G[0，1]。J(p)表示 景物目标直接反射的光强，即需要恢复的真实无雾图像;A描述的是观测者视线方向无穷 远处的光照强度，可表示为全局的大气光强。因此，要求解模型（1)获取真实图像J(P)，需 要首先获得大气光强A及透射率分布t(P)。
[0095] 本步骤进行大气光强估计，具体操作如下：
[0096] Stepl;将图像均匀分成四个区域；
[0097] Step2 ;每个区域赋予一个权值S。权值S为该区域的像素均值与像素值标准差的 差值。
[009引Step3 ;选择权值最大的区域作为下一个待处理的子图像。
[0099] St巧4 ;重复操作Stepl~St巧3,直至子图像的大小小于一个预先设定的阔值，可 W设定为子图像长*宽小于200像素。
[0100] 在最后获取的区