Hue Disparity/
摘要：本文介绍了一种新的方法来恢复单-图像退化的大现象，如雾或雾霾。该算法能 够快速识别图像的模糊区域，不需要昂贵的优化和细化过程。通过对原始图像应用单个像素操作，我们生成了图像的“半逆”。根据原始图像与其半逆图像的色相差，我们可以在每个像素的基础上识别出模糊区域。这使得一个简单的估计空气光常数和透射图。我们的方法是基于对大量图像数据集的广泛研究，并基于测量对比度和结构变化的度量标准进行验证。该算法简单，执行速度比现有的策略更快，同时产生了比较甚至更好的结果。
本文的贡献:1.介绍了一种新的单图像自动去雾算法。2.我们的方法是以像素为基础的。这使得它适合并行化， 并允许我们保留锐利的细节附近的边缘。3.我们基于分层的融合去雾策略比现有方法产生了更好的恢复效果，但性能更快，更适合实时应用。
先验条件:大量的自然图像数据库。注意，所有选择的图像都是在日常光照条件下拍摄的。我们定义了三种主要的户外图像类别:没有天空的无雾图像、天空图像和模糊图像。在为每个类手动选择800多张图像之后，我们使用前面描述的策略评估了色调的变化。主要结论是，无雾图像的特征是绝大多数像素受到显著色调变化的影响，而在其他两类中，这种变化要小得多。
算法:
1.A值的计算
通过观察图像与其半逆图像之间的色调差异，可以直接识别这些区域。为了掩盖最haze-opaque地区，我们执行相同的程序，但与半逆的强度增加-一个因索ξ(ξ= 0.3)的默认值。在我们的实验中，我们发现对于有天空的图像，得到的掩模主要包含天空区域，而天空区域减小搜索空间。提取空气光颜色天量A∞，仅在正(未掩蔽)区域确定最亮像素(见图3)，从与最亮像素相同位置的原始雾霭图像中提取A∞的制胜值。
2.基于层的去雾
在对模糊区域进行逐像素识别后，有许多可能的方法来创建去噪图像。在这项 工作中，我们提出了一种基于分层的方法，旨在保持最大的细节量，同时仍然保持足够的速度。我们通过创建几个新的图像来初始化我们的算法，其中i∈[1,k]， k层， 其中我们从初始的朦胧图像i中去除空气光常数颜色a∞中逐渐增长的部分:
光照贡献因子Ci,范围0-1.（对不同场景离散化求Ci）
补充：
DehazeNet: An End-to-End System for Single Image Haze Removal
