的有雾图像，J(x)为 去雾之后的清晰图像，A为全球大气光成分，为大气透射率值t，i3为大气消光系数，d为能 见度值；
[0087]②取有雾道路图像在红绿蓝RGB三通道图像中的最小通道灰度图像，然后再对获 取的灰度图像做最小值滤波，获得有雾图像暗通道其中，Jdal：k是指J 的暗通道，JG表示彩色图像的每个通道，C为RGB三通道；Ω为包含所有像素的整个图像窗 口，1为整个图像窗口所有像素中的最小值像素， 1为整个图像窗口每个像素 RGB三个 通道分量的最小像素值；
[0088]③从暗通道图像中按照亮度大小取前0.1%的像素，然后在原始有雾图中寻找对 应的具有最高亮度的点的值，作为大气光的成分值A;
[0089]④估计大气透射率，将大气光学模型稍作处理，形式如下：
[0090] I(x)=J(x)e-ed+A(l-e-M) (1)
[0091]
, λ ^ A- (2)
[0092] 其中C为RGB三通道，对其两端求暗通道(即对上式两边求两次最小值运算)如下：
[0093] , (3)
[0094] 利用暗通道灰度值接近零，因此，可推导出：
[0095] ⑷
[0096] :(5:) ^ ·Λ
[0097] 由于雾的存在使人感到景深的存在，因此在去雾时保留一定程度的雾，可以在式 (5)中引入一个在[0,1]之间的因子ω，将式(5)修改为：
[0098]
(6)
[0099]获得大气透射率图；
[0100] ⑤得到透射率图的边缘和纹理细节都有损失，采用中值滤波器对透射率图进行边 缘保持的滤波器优化，获得细化透射率图；
[0101] ⑥当透射率t值很小时，会导致J的值偏大，从而使得图像整体向白场过渡，因此设 置阈值to,当t值小于to时，令t = to,经验值以to = 0.1为标准计算，将处理后的三通道图像 合成，恢复出清晰图像J(x)，
[0102]
(67):;
[0103] ⑦图像清晰度评价，由于在图像去雾过程中，每一步均依赖前面步骤，这样会积累 误差，因此需要对图像去雾后的清晰度进行评价。将去雾前后图像对比，对于同一内容的图 像，去雾后图像的边缘相对去雾前图像具有较大的灰度变化率的特征。利用图像边缘灰度 变化率为指标评价图像清晰度，即以每一行灰度值连续下降间隔像素点数最多的边缘灰度 变化率代表这一行的灰度变化率，计算出图像所有行灰度变化率均值。判断是否达到去雾 要求，若超过给定阈值，则再次进行图像去雾过程，如此反复直至满足阈值要求，完成清晰 度评价，并将去雾后的清晰图像存入车载显示屏10的缓存中；
[0104] ⑧去雾后图像在车载显示屏10上显示
[0105] 按下车载显示屏10上的视觉增强功能键，车载显示屏10同步显示缓存中最新更新 的去雾后的实时清晰图像；由于去雾过程不断进行，缓存不断更新，所以车载显示屏10不断 显示最新去雾之后的视觉增强图像。
[0106] 步骤三、建立雾天能见度计算模型
[0107] 根据国际照明委员会(CIE)推荐:大气能见度一般表示为平行光通过大气衰减到 原始光通量的〇. 05时的距离，利用公式(1 )，能见度推导为：
[0108] (8)
[0109] (：9)
[0110] 如上式所示，利用获得清晰图像过程中得到的大气消光系数β，得出能见度值。
[0111] 步骤四、构建雾天安全驾驶预警策略
[0112] ①根据国家公安部要求，机动车在能见度在200m~500m时，必须开启近光灯、示宽 灯和尾灯，时速不得超过80km/h，与同一车道行驶的前车必须保持150m以上的行车间距;能 见度在100m~200m时，必须开启雾灯、近光灯、示宽灯和尾灯，时速不得超过60km/h，与前车 保持间距为l〇〇m以上；能见度在50m~100m时，要开启雾灯、近光灯、示宽灯和尾灯，时速不 得超过40km/h，与前车的间距在50m以上。
[0113]②根据实时处理的有雾道路能见度值，将能见度分为五个等级，能见度大于500m 为第一等级、能见度200m~500m为第二等级、能见度100m~200m为第三等级、能见度50m~ l〇〇m为第四等级、能见度小于50m为第五等级；
[0114] ③将从车速传感器13获取的行车车速分为三个等级，车速在60km/h~80km/h为第 一等级，车速在40km/h~60km/h为第二等级，车速在小于40km/h为第三等级；
[0115] ④利用Delphi ESR毫米波雷达4检测到前车间距，将其分为四个等级：与前车间距 保持大于150m的为第一等级、与前车保持间距为100m~150m为第二等级、与前车的间距保 持在50m~100m为第三等级、与前车的间距保持小于50m第四等级；
[0116]在预警模块9中根据实时处理的有雾道路能见度值，在预警模块9中设定实时处理 的有雾道路能见度等级;根据从车速传感器13获取的行车车速，在预警模块9中设定车速等 级;在预警模块9中设定毫米波雷达4检测到的与前车间距等级；
[0117] 能见度等级、车速等级、与前车间距等级符合安全的逻辑关系即能见度等级、车速 等级、与前车间距等级均在同一等级，则不提供给驾驶员预警信息;能见度等级、车速等级、 与前车间距等级不符合安全的逻辑关系即能见度等级、车速等级、与前车间距等级不在同 一等级，则预警模块9通过车载扬声器12发出声音警告并在车载显示屏10上显示警告信号。
[0118] 步骤一中所述的N 2 3000,Νι 2 1000,N2 2 2000。
[0119] 步骤一中所述的]\^ 3000，]\112 1000，]\12 2 2000。
[0120] 下面给出本方法的一个具体实施例：
[0121 ] -种基于多传感器雾天行车视觉增强与能见度预警方法，其特征在于：
[0122] 包括以下步骤
[0123] 步骤一、建立有无雾道路图像分类器并进行实时图像分类
[0124] I建立道路图像支持向量机SVM分类器
[0125] ①利用红外摄像头3获得数据，由于只获得红外光，可得到高品质的的图像。拍摄 允许在光线昏暗模糊环境下进行，允许拍摄图像与地面不平行、允许图像有轻微的扭曲。通 过红外摄像头3采集1000张不同红外道路图像和2000张任意非道路图像(如建筑、草地、天 空等），建立道路图像分类器的图像训练库；
[0126] ②根据道路纹理分析特征，训练支持向量机SVM分类器，通过该离线训练过程，对 道路图像和非道路图像分组，最终获得红外道路图像特征，通过获取的特征判定所采集图 像是否为道路图像，道路图像支持向量机SVM分类器建立完成；
[0127] Π 建立有无雾图像分类器
[0128] ①红外摄像头3收集用于训练的预处理图像:通过红外摄像头3采集3000张不同红 外道路图像，其中包括1000张有雾红外图像和2000张无雾红外图像，通过离线训练过程，建 立道路有雾与非雾图像分类器的训练库；
[0129] ②通过有无雾图像分类器的图像训练库离线训练高斯混合模型GMM分类器，高斯 混合模型GMM分类器根据有雾图像灰度值频率特征(有雾图像灰度值高的部分，其灰度直方 图较密集），提取有雾图像和无雾图像的一维灰度直方图图像特征，并根据图像的直方图对 有雾图像和无雾图像进行分类，有无雾图像高斯混合模型GMM分类器建立完成；
[0130] ③通过有无雾图像分类器的图像训练库离线训练支持向量机SVM分类器，支持向 量机SVM分类器根据有雾图像和无雾图像的傅里叶变换频率特征，对有雾图像和无雾图像 进行分类，并提取有雾图像和无雾图像的傅里叶变换频率特征，有无雾图像支持向量机SVM 分类器建立完成；
[0131] 将有无雾图像高斯混合模型GMM分类器分类出的有雾图像和有无雾图像支持向量 机SVM分类器分类出的有雾图像取并集，得到有雾图像样本库，减少数学方法计算局限性引 起的误差，增大样本库容量；
[0132] m实时图像分类
[0133] ①红外摄像头3采集实时图像；
[0134] ②利用道路图像支持向量机SVM分类器分类，得到红外道路图