几种图像去雾算法综述

基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码

本文主要介绍基于Retinex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。 根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。 图-1 Retinex理论示意图 对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1） 实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 2 基于Retinex理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))； 步骤二：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x, y）表示高斯滤波函数： D(x, y)=S(x, y) *F（x, y）； 步骤三：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x, y）：

贝叶斯框架下的单幅图像去雾算法

第22卷第10期2010年10月 计算机辅助设计与图形学学报 Journal o f Computer A ided Desig n &Co mputer Gr aphics V ol.22N o.10Oct.2010 收稿日期:2009-11-10;修回日期:2010-04-15.基金项目:中国博士后科学基金资助项目.王多超(1982 ),男,硕士,主要研究方向为数字图像处理;王永国(1965 ),男,学士,副教授,硕士生导师,论文通讯作者,主要研究方向为数值计算、图像处理、数据库应用(ygw ang21@https://www.360docs.net/doc/f319053476.html,);董雪梅(1979 ),女,博士,主要研究方向为小波分析、机器学习及统计分析;胡晰远(1984 ),男,博士研究生,主要研究方向为图像与信号处理、图像配准;彭思龙(1971 ),男,博士,研究员,博士生导师,主要研究方向为小波理论及应用、模式识别、图像处理等. 贝叶斯框架下的单幅图像去雾算法 王多超1),王永国 1)* ,董雪梅2),胡晰远2),彭思龙 2) 1)(安徽大学数学科学学院 合肥 230039) 2)( 中国科学院自动化研究所国家专用集成电路设计工程技术研究中心 北京 100190) (splade2009@https://www.360docs.net/doc/f319053476.html,) 摘要:在有雾天气条件下拍摄的图像,由于光线在传播过程中受到空气中悬浮颗粒的散射,导致图像内容模糊不 清,颜色偏灰白色.为了恢复出清晰的图像,根据大气散射物理模型,利用图像的稀疏先验知识,在贝叶斯框架下提出一种单幅图像去雾算法.该算法用图像梯度稀疏性先验来约束优化结果,并认为图像成像噪声服从零均值的高斯分布,然后用IRL S 方法对其求解.实验结果表明,该算法能够很好地恢复图像的对比度和保持图像的真实颜色,噪声小,便于应用. 关键词:去雾;贝叶斯框架;稀疏先验;大气散射模型中图法分类号:T P391.41 Single Image Dehazing Based on Bayesian Framework Wang Duo chao 1),Wang Yongg uo 1)*,Dong Xuem ei 2),H u Xiy uan 2),and Peng Silo ng 2) 1)(S chool of M athematica l S cie nces ,A nhui Univ er sity ,H e f ei 230039) 2)(N ational A S IC Design Eng ineering Ce nter ,I nstitu te o f A utomation ,Chine se Ac ade my o f S cience s,Beij ing 100190) Abstract :Because o f light scattered by the suspended particles in the atm osphere,pho to graphs taken in the fo gg y day lo ok g ray and are lack of visibility.In order to unv eil the clear imag e s structures and colors,w e pr opo se a new algor ithm based o n the atm osphere scattering m odel using a single imag e and the image sparsity prior in Bayesian framewo rk.The fog remov al r esult is optimized under the constraint of the prior of the image gr adient sparsity and the noise in the fogg y imag e being the normal distributio n w ith zero mean,and then the o ptimization functio n is com puted using the IRLS alg orithm.In our ex periments,the alg orithm has a g ood effect on resto ring the clear image s co ntents and preserving the image s true co lors.T he no ise in the output im age is very w eak that has advantag e for many applicatio ns. Key words :dehazing;Bay esian framew ork;spar sity prior;atmosphere scattering m odel 对户外场景进行普通光学成像时经常会受到有雾天气的影响.在有雾天气条件下,从物体表面反射的光线到达成像设备之前,会受到大气中悬浮颗粒的影响发生散射,散射的程度和悬浮颗粒的种类、大小、形状及其在大气中的聚集程度,即雾的浓度以及光的波长有关[1] .当雾较浓时,成像设备所得到的图像的对比度较低,颜色偏向灰白色,导致图像中的物体辨认不清,直接影响到大多数基于计算机视觉算 法的自动化图像系统的正常工作,如交通运输、户外监视、地形侦测系统等.因此,图像去雾算法的研究有着现实和理论的迫切需要. 在已有的文献中,人们提出了多种去雾方法.一种方法是利用相机附带的偏振光滤波器,以及同一场景点在不同偏振光条件下获得的图像,实现多幅图像去雾[2];该方法的缺点是对动态场景处理效果不好.另一种方法是利用同一场景在不同雾强度下

基于图像增强的去雾方法

第3章基于图像增强的去雾方法 引言 图像增强是数字图像处理技术中最为基本的内容之一。在实际应用中，无论采用何种装置采集的图像，由于噪声、光照、天气等原因，获取的图像视觉效果不理想。例如，雾天获取的图像模糊不清，难以提取细节信息；一幅户外自然风景图像色彩失真严重，视觉效果较差；夜间拍摄的图像，由于光线较暗，图像对比度低，暗处景物难以辨识等。图像增强技术的目的是将图像转化为一种更适合于人或计算机进行分析处理的形式，通过相关算法的处理，使图像的动态范围扩大，拉伸图像对比度，突出图像中研究者感兴趣区域的细节信息，为图像的进一步处理和分析奠定基础。 雾天图像可以看作是清晰图像中引入了低频噪声，图像的灰度集中分布在某个区域，图像的对比度低，视觉效果较模糊。图像去雾的目的主要是去除图像中的噪声(即雾)，提高图像的对比度，从而恢复出清晰的无雾图像。 基于图像增强的去雾技术以其方法简单、有效而得到较为广泛的应用。 本章主要研究图像增强技术中常用的直方图均衡、同态滤波、小波变换方法在图像去雾中的应用，重点研究基于Retinex理论的图像去雾算法，介绍Retinex算法中的单尺度、多尺度以及带彩色恢复的Retinex算法。通过对各算法原理的研究和实验结果对比分析，总结各算法的优势与不足。 基于直方图均衡化的雾天图像增强技术 直方图是多种空间处理技术的基础。图像的直方图是图像的重要统计特征，是表示一幅数字图像中每一灰度级与该灰度级出现的频数间的统计关系。直方图均衡化是传统的图像增强理论中常用的方法，图像中原本灰度级集中的区域经直方图均衡处理后均匀分布，从而增大反差，使图像细节清晰，它的根本目的是改善图像的对比度。直方图均衡分为全局直方图均衡和局部直方图均衡。全局直方图均衡主要是通过拉伸图像灰度值的动态范围达到图像整体对比度增强，局部直方图均衡化是针对图像内部细节进行增强处理从而达到图像局部对比度增强。直方图在软件中计算简单，而且有助于商用硬件的实现，因此已成为实时图像处理的一种流行工具。 3.2.1 直方图均衡化 直方图均衡化是把一幅已知灰度概率分布的图像经过变换，使之变成灰度概率分

图像去雾设计报告

课程设计——图像去雾 一、设计目的 1、通过查阅文献资料，了解几种图像去雾算法，； 2、理解和掌握图像直方图均衡化增强用于去雾的原理和应用； 3、理解和掌握图像退化的因素，设计图像复原的方法； 4、比较分析不同方法的效果。 二、设计内容 采用针对的有雾图像，完成以下工作： 1、采用直方图均衡化方法增强雾天模糊图像，并比较增强前后的图像和直方图； 2、查阅文献，分析雾天图像退化因素，设计一种图像复原方法，对比该复原图像与原始图像以及直方图均衡化后的图像； 3、分析实验效果； 4、写出具体的处理过程，并进行课堂交流展示。 三、设计要求 1、小组合作完成； 2、提交报告（*.doc）、课堂交流的PPT（*.ppt）和源代码。

四、设计原理 （一）图像去雾基础原理 1、雾霭的形成机理 雾实际上是由悬浮颗粒在大气中的微小液滴构成的气溶胶，常呈现乳白色，其底部位于地球表面，所以也可以看作是接近地面的云。霭其实跟雾区别不大，它的一种解释是轻雾，多呈现灰白色，与雾的颜色十分接近。广义的雾包括雾、霾、沙尘、烟等一切导致视觉效果受限的物理现象。由于雾的存在，户外图像质量降低，如果不处理，往往满足不了相关研究、应用的要求。在雾的影响下，经过物体表面的光被大气中的颗粒物吸收和反射，导致获取的图像质量差，细节模糊、色彩暗淡。 2、图像去雾算法 图像去雾算法可以分为两大类：一类是图像增强；另一类是图像复原。图1-1介绍了图像去雾算法的分类: 图1-1 去雾算法分类 从图像呈现的低亮度和低对比度的特征考虑，采用增强的方法处理，即图像增强。比较典型的有全局直方图均衡化，同态滤波，Retinex 算法，小波算法等等。 基于物理模型的天气退化图像复原方法，从物理成因的角度对大气散射作用进行建模分析，实现场景复原，即图像复原。运用最广泛、

【CN110211052A】一种基于特征学习的单幅图像去雾方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910246074.6 (22)申请日 2019.03.29 (71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园100号 申请人 思凯凌克（北京）科技有限公司 (72)发明人 赵德群　董皓辰　邓钱华　孙光民　 (74)专利代理机构 北京思海天达知识产权代理 有限公司 11203 代理人 沈波 (51)Int.Cl. G06T 5/00(2006.01) G06T 3/40(2006.01) (54)发明名称一种基于特征学习的单幅图像去雾方法(57)摘要本发明公开了一种基于特征学习的单幅图像去雾方法，该方法根据雾气图像的某些特征如暗通道特征、最大颜色对比度等预估计出透射图，然后再基于大气散射模型得到大气光强度值并恢复出无雾图像。为了提高算法的自适应性，本发明对传统的物理模型进行改进，使用深度学习方法来预测出透射图，改进了传统的基于假设的方法，得出更加真实的的透射图。图像去雾的核心是估计出透射图，而深度学习有强大的特征提取和学习能力，可以训练出雾气图像和透射图之间的映射模型。利用深度学习模型预测出雾气图像的透射图像后，再根据大气散射模型即可恢复出无雾图像，同时提高了去雾算法的自适应调整能力，获得较高的去雾质量，并有较低的复杂 度。权利要求书1页 说明书4页 附图2页CN 110211052 A 2019.09.06 C N 110211052 A

权　利　要　求　书1/1页CN 110211052 A 1.一种基于特征学习的单幅图像去雾方法，该方法的实现步骤如下： S1搭建去雾图像I的预训练模型，通过预训练模型对待去雾图像I进行特征提取； S2预训练模型利用卷积神经网络实现，其中为提高卷积神经网络在图像处理上的特征学习能力，使用三组不同尺度的卷积神经网络组来构建透射图像预测的深度学习模型； S3通过S2中的三组不同尺度的卷积神经网络逐步优化得到暗通道图像；使用Maxout非线性激活函数模拟出极值滤波器，从输入大气散射模型的图像中提取暗通道特征； 根据暗通道先验知识，利用原去雾图像I的和暗通道图像，求解出大气光A； S4使用深度学习方法来预测出透射图t：深度模型的编码阶段，使用SENet154作为基础结构；解码阶段通过修改常规FPN网络，将雾气图像的透射图像t进行分割；利用FPN融合多分辨率特征，提高小区域雾气图像的分割精度；在FPN的基础上，引入了hypercolumn模块，进一步融合大气光A的多分辨率特征；在编码器的最后加入全局平均池化层和分类头；此外，在分割网络中，引入分类辅助损失；在解码器每一分辨率的层级，引入分割辅助损失，进一步调整每一层级参数的训练，最终实现预测出透射图t； S5根据S4输出的映射模型以及S3中的大气光照值A，搭建出大气散射模型J(x)＝(I (x)-A)/t(x)+A； S6对搭建出大气散射模型进图像的暗通道特征提取后，再并行通过三组不同尺度的卷积核，然后进行池化和非线性激活，复原得到无雾图像。 2.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：端到端的网络模型中，即输入端和输出端都是图像。 3.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：S2.1基于Alex Net模型改进得到第一组CNN，并且改变其输出层结构，使Alex Net模型成为端到端的网络模型； S2.2增加两组不同尺度的CNN。 4.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：图片文件来自视频，将视频接入模块获得的视频，转换为一帧帧的图片，调用去雾模块动态库，进行去雾处理；加载需要处理的图片集，连接到数据库按钮，可以直接从数据库获取数据；去雾处理完的图片通过保存图片，将处理后的图片保存； 对图片能够进行左右上下拖拽，可进行放大缩小等操作；当多张图片被选中后，通过验证，符合设计需求； 从数据库导入图片，如点击链接数据库，对数据库配置进行参数选择； 连接成功后，将导入一系列图片选中图片后，可点击图像菜单按钮，点击图像去雾按钮。 2

单幅图像自动去雾新算法(精)

第16卷第4期2011年4月 中国图象图形学报Journa l o f I m age and G raphics V o.l 16,N o .4 A pr .,2011 中图法分类号:TP391.41 文献标志码:A 文章编号:1006-8961(201104-0516-06 论文索引信息:郭璠,蔡自兴,谢斌唐琎.单幅图像自动去雾新算法[J].中国图象图形学报,2011,16(4:516-521 收稿日期:2010-01-06;修回日期:2010-02-10基金项目:国家自然科学基金项目(。 第一作者简介:郭璠(1982 ,女。中南大学计算机应用技术专业博士研究生,主要研究方向为数字图像处理、虚拟实验环境等。E-m ai:l guofancs m 。 单幅图像自动去雾新算法 郭璠,蔡自兴,谢斌,唐琎 (中南大学信息科学与工程学院,长沙 410083 摘要:针对雾天拍摄图像的退化现象,提出一种针对单幅图像的自动去雾新算法。该算法先将有雾图像从RGB 转换到Y CbC r 颜色空间后,再在亮度分量上进行多尺度R eti nex 处理,所得的亮度图在图像清晰度评价指标的调控下经过反色变换和中值滤波即可求得传播图,并进一步得到清晰化后的复原图像。实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度。 关键词:雾;清晰化;亮度分量;R e ti nex 算法;图像清晰度评价指标 New algorith m of auto m atic haze re moval for single image Guo Fan ,Ca i Zi x ing ,X i e B i n ,Tang Ji n

基于暗通道的图像去雾处理方法

龙源期刊网 https://www.360docs.net/doc/f319053476.html, 基于暗通道的图像去雾处理方法 作者：张澳博 来源：《山东工业技术》2017年第20期 摘要：随着信息技术的发展，运用图像传输信息的方式也越来越普遍。对于传统的图像 来说，传输已经不是问题。但是近些年的雾天出现增多，给室外的雾天图像中包含的信息的有效获取带来很大的困扰。本文主要是以暗通道优先法为原理，讨论实现图像的有效去雾算法。 关键词：图像处理；去雾；暗通道优先法 DOI：10.16640/https://www.360docs.net/doc/f319053476.html,ki.37-1222/t.2017.20.139 1 研究背景 相对湿度达到百分之百、水汽充足且大气层稳定时，视野模糊和能见度降低的天气现象，被称为雾。在人口较为密集的地区，大雾的出现对当地的人们出行和当天的经济生产造成了巨大的影响。因此，对雾天图像的处理是不可或缺的。 在数字图像处理大雾天气下的图像中，可以分为两大类，一种为图像增强（image enhancement）技术，另一类是图像修复技术（image restoration）。图像增强是一个相对主观 的判断，其最大的标准就是将图片中的图像增强到符合人眼对真实实物的认知。在这一过程中，可能会出现部分细节的丢失。但最终还是能大大的提高图像主体的辨识度。图像复原是需要对已得到的退化图像进行抽象，通过已有的经验建立其退化过程的模型，依照此模型将图像复原到未退化之前。 2 基本原理 2.1 图像的定义 图像是客观对象的一种相似性的、生动性的描述或写真，是人类社会活动中最常用的信息载体。或者说，图像是客观对象的一种表示，它包含了被描述对象的有关信息。图像是写实的，能够很清晰的表达出客观对象的。 2.2 数字图像概念 图像可以分为模拟图像和数字图像。模拟图像是对真实的情况的记录，其可根据某种物理量的强弱变换来记录图像的具体信息，一般情况下比数字图像的记录更加精确；数字图像是运用在电子产品中的存储方式和模拟图像不一样的图像，其将一副图像看成一个二维数组，记录下每一个点的像素信息。

基于retinex的图像去雾算法

I=imread('1.jpg'); R = I(:, :, 1); G = I(:, :, 2); B = I(:, :, 3); R0 = double(R); G0 = double(G); B0 = double(B); [N1, M1] = size(R); Rlog = log(R0+1); Rfft2 = fft2(R0); sigma1 = 128; F1 = fspecial('gaussian', [N1,M1], sigma1); Efft1 = fft2(double(F1)); sigma2 = 256; F2 = fspecial('gaussian', [N1,M1], sigma2); Efft2 = fft2(double(F2)); sigma3 = 512; F3 = fspecial('gaussian', [N1,M1], sigma3); Efft3 = fft2(double(F3)); DR0 = Rfft2.* Efft1; DR = ifft2(DR0); DRlog = log(DR +1); Rr1 = Rlog - DRlog; DR0 = Rfft2.* Efft2; DR = ifft2(DR0); DRlog = log(DR +1); Rr2 = Rlog - DRlog; DR0 = Rfft2.* Efft3; DR = ifft2(DR0); DRlog = log(DR +1); Rr3 = Rlog - DRlog; Rr = (Rr1 + Rr2 +Rr3)/3; a = 125; II = imadd(R0, G0); II = imadd(II, B0); Ir = immultiply(R0, a); C = imdivide(Ir, II); C = log(C+1); Rr = immultiply(C, Rr); EXPRr = exp(Rr); MIN = min(min(EXPRr)); MAX = max(max(EXPRr)); EXPRr = (EXPRr - MIN)/(MAX - MIN); EXPRr = adapthisteq(EXPRr); Glog = log(G0+1); Gfft2 = fft2(G0); DG0 = Gfft2.* Efft1;

图像去雾霭算法及其实现..

图像去雾霭算法及其实现 电气工程及其自动化 学生姓名杨超程指导教师李国辉 摘要雾霭等天气条件下获得的图像，具有图像不清晰，颜色失真等等一些图像退化的现象，直接影响了视觉系统的发挥。因此，为了有效的改善雾化图像的质量，降低雾霭等天气条件下造成户外系统成像的影响，对雾霭图像进行有效的去雾处理显得十分必要。 本设计提出了三种图像去雾算法，一种是基于光照分离模型的图像去雾算法；一种是基于直方图均衡化的图像去雾算法；还有一种是基于暗原色先验的图像去雾算法。并在MATLAB的基础上对现实生活的图像进行了去雾处理，最后对不同的方法的处理结果进行了简要的分析。 关键词：图像去雾光照分离直方图均衡化暗原色先验

Algorithm and its implementation of image dehazing Major Electrical engineering and automation Student Yang Chaocheng Supervisor Li Guohui Abstract Haze weather conditions so as to obtain the image, the image is not clear, the phenomenon of color distortion and so on some image degradation, directly influence the exertion of the visual system. Therefore, in order to effectively improve the atomization quality of the image, reduce the haze caused by outdoor weather conditions such as imaging system, the influence of the haze image effectively it is necessary to deal with the fog. This design introduced three kinds of algorithms of image to fog, a model is based on the separation of light image to fog algorithm; One is the image to fog algorithm based on histogram equalization; Another is based on the dark grey apriori algorithms of image to fog. And on the basis of MATLAB to the real life to deal with the fog, the image of the processing results of different methods are briefly analyzed. Key words:Image to fog Light separation histogram Dark grey

图像去雾技术研究

编号 图像去雾技术研究 The research on image defogging technology 学生姓名XX 专业电子科学与技术 学号XXXXXXX 学院电子信息工程学院

摘要 本文首先简单介绍了云雾等环境对图像成像的影响，接着从图像增强的角度研究图像去雾技术的基本方法，介绍了去雾算法的原理和算法实现步骤，并对去雾算法的优缺点和适用条件进行了总结。 基于图像增强的去雾原理，本文提出了联合使用同态滤波和全局直方图均衡的改进去雾算法。先进行同态滤波使有雾图像的细节充分暴露，然后采用全局直方图均衡扩展图像的灰度动态范围。去雾效果具有对比度高，亮度均匀，视觉效果好的特点，不足的是图像的颜色过于饱和。 关键字：图像增强图像去雾同态滤波全局直方图均衡

Abstract Firstly, this paper simply introduces the influence of cloud environment of image formation, then from the enhanced image perspective of image to fog technology basic method, is introduced to fog algorithm principle and algorithm steps, and has carried on the summary to fog algorithm advantages, disadvantages and applicable conditions. As for the defogging theory based on the image enhancement, the paper puts forward the improved defogging algorithm which requires combining homomorphic filtering and global histogram equalization. We should use homomorphic filtering to get details of the fogging images clearly exposed and then use global histogram equalization to spread the images’ gray scale dynamic range. Defogging has features of high contrast ratio, uniform brightness and good visual effect. But its drawback is that the image color is too saturated. Key words: image enhancement; image defogging; homomorphic filtering; global histogram equalization;

基于matlab的图像去雾算法详细讲解与实现附matlab实现源代码

基于ｍaｔｌab的图像去雾算法详细讲解与实现-附ｍaｔｌａb 实现源代码

————————————————————————————————作者: ————————————————————————————————日期： ?

本文主要介绍基于Retiｎex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1Rentinex理论 Retinex(视网膜“Ｒｅｔina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Hｕman Viｓual System）的图像增强理论。该算法的基本原理模型最早是由Ｅdｗin Ｌand(埃德温?兰德）于1９7１年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Ｒeｔｉnex 理论的基本内容是物体的颜色是由物体对长波(红)、中波（绿）和短波（蓝)光线的反射能力决定的，而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响，具有一致性，即Retｉｎex理论是以色感一致性（颜色恒常性)为基础的。 根据Eｄwin Lanｄ提出的理论,一幅给定的图像S(x,y)分解成两幅不同的图像:反射物体图像R(x,y)和入射光图像L(x,y),其原理示意图如图8.3－1所示。 图-1 Retinｅx理论示意图 对于观察图像S中的每个点(ｘ,y）,用公式可以表示为:? S(ｘ,y）＝R(x，y)×Ｌ(x，y) （1.3．1）实际上，Retinｅx理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光Ｌ的性质从而得到物体原本该有的样子。 2 基于Reｔｉｎｅｘ理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即: S'(x，ｙ)=r(ｘ，y)+ｌ(ｘ, ｙ)＝ｌog(Ｒ(ｘ，y))+lｏｇ(Ｌ(x, ｙ))； 步骤二:用高斯模板对原图像做卷积，即相当于对原图像做低通滤波,得到低通滤波后的图像D（x,y）,F(x, y）表示高斯滤波函数： Ｄ（ｘ，y)＝Ｓ(x, y) *F（x, y)； 步骤三:在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x,ｙ）: G(ｘ,y)=S＇(ｘ, y)－log(D(ｘ, ｙ)) ;

一种有效的去除可见光遥感图像中薄雾的方法

一种有效的去除可见光遥感图像中薄云的方法 云雾是图像中的低频信息，水也是特殊的低频信息，因此去除云雾时要对图像中的水体部分作特殊处理，以此区分二者。此方法只对含云雾区域的像素进行处理，因此效率比较高。文章选取不同种类的地表覆盖类型来验证该方法的有效性，并和其他已经提出的方法进行对比分析。 方法分为：1.基于模型的方法：需要知道比较精确的传感器状态和大气属性（比较困难）2.基于图像的方法 2.1 基于多图像的处理方法 原理：通过融合其他时刻或者其他传感器获得的图像的互补信息来修正含云像素的亮度。以无云图像作为参考数据，利用数据融合的策略来修正含云图像。一种比较简单的方法就是用清晰像素替换含云的像素。 缺点：1.含云图像应该与参考图像正相关，否则融合将会中断或出现错误。 2.多张图像中的云不能覆盖相同的区域，否则就没有可用的信息来补充地面信息。 3.几何和辐射校正是必要的预处理，校准的精度直接影响到融合的结果。 2.2 基于单图像的处理方法 图像增强方法：直方图匹配法应用最为广泛。 一种典型的基于图像的大气校正方法是对所有像素一视同仁的暗对象相减（DOS）方法。 局限性：云是一种局部现象而不是全球性现象，因此DOS法能够消除全局路径辐射的影响，但无法去除局部薄云。 因此又有人提出基于等级的DOS方法，此方法将云/霾分为若干个等级，然后通过霾的优化转换进行校正。 局限性：此方法是一个监督分类过程，需要获取足够多的无云图像作为样本，所以结果取决于样本的选取。 以上都是基于空间域的。 也有人提出基于频域的方法，薄云是图像中的低频部分，可以通过合理的低通滤波器提取图像。小波分析和同态滤波法已经被应用于去除薄云。 缺点：小波分析法在选择波基时比较复杂，同态滤波法是全局操作，会影响图像中不含云的部分，从而造成更加严重的辐射失真。 文章方法： 提出基于HF（homomorphic filter）的可见光遥感图像薄云去除方法。

图像去雾技术研究毕业设计

诚信声明 本人声明： 1、本人所呈交的毕业设计是在老师指导下进行的研究工作及取得的研究成果； 2、据查证，除了文中特别加以标注和致谢的地方外，毕业设计中不包含其他人已经公开发表过的研究成果，也不包含为获得其他教育机构的学位而使用过的材料； 3、我承诺，本人提交的毕业设计中的所有内容均真实、可信。 作者签名：日期：年月日

目录 摘要.............................................................................................................................. I Abstract ......................................................................................................................... II 第1章绪论.. (1) 1. 1 图像去雾技术分类 (2) 1.1.1 基于图像处理的雾天图像增强 (3) 1.1.2 基于物理模型的雾天图像复原 (5) 1.2 常见的去雾方法 (7) 1.2.1 最小失真图像去雾算法 (7) 1.2.2 偏振成像去雾算法 (10) 1.3 本文采用的去雾方法 (12) 1.3.1 简介 (12) 1.3.2 背景 (14) 1.3.3 暗通道先验算法 (15) 1.3.4 利用暗通道先验算法去雾 (16) 第2章MATLAB简介 (19) 2.1 MATLAB 语言的传统优点 (19) 2.2 语言新特点 (19) 2.2.1 数据类型和面向对象编程技术 (19) 2.2.2 控制流和函数类型 (20) 2.3 工作环境 (20) 2.3.1 传统工作环境 (20) 2.3.2 工作环境新特点 (21) 第3章主要程序与图像处理结果 (22) 3.1 流程图 (22) 3.2 具体程序 (23) 3.3 图像处理结果 (27) 结束语 (30) 致谢 (31) 参考文献 (32)

基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码

基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码

本文主要介绍基于Retinex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。 根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。 图-1 Retinex理论示意图 对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1）实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 2 基于Retinex理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))； 步骤二：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x, y）表示高斯滤波函数： D(x, y)=S(x, y) *F（x, y）； 步骤三：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G （x, y）：