两种去雾滤波器对图像压缩影响的研究

毕业论文（设计）

设计(论文)题目两种图像去雾滤波器对图像压缩

影响的研究

姓名：

李玮智

学号：201100800305学院：机电与信息工程学院专业：电子信息科学与技术年级2011级

指导教师：王成优

2015年5月23日

一、绪论 (1)

(一)选题背景和研究意义 (1)

(二)国内外研究现状 (1)

1.基于图像增强的去雾方法 (1)

2.基于图像复原的去雾方法 (2)

3.图像去雾对图像压缩的影响 (3)

(三)研究内容 (3)

1.本文主要工作 (3)

2.论文结构安排 (4)

二、基于暗通道的图像去雾 (6)

(一)基于暗通道的去雾原理 (6)

1.雾天图像模型 (6)

2.暗通道特性 (6)

3.利用暗通道特性的图像去雾 (6)

(二)算法程序实现与仿真 (7)

三、两种滤波器在图像去雾上的应用 (9)

(一)引导滤波器的原理 (9)

(二)双边滤波器的原理 (10)

(三)滤波器在图像去雾上的应用 (11)

1.转移纹理结构法 (11)

2.直接去噪法 (11)

(四)算法程序实现与仿真 (12)

四、彩色图像的压缩 (14)

(一)彩色图像压缩简介 (14)

(二)算法程序实现与仿真 (14)

五、两种去雾滤波器对图像压缩的影响 (17)

(一)理论分析 (17)

(二)算法程序实现与仿真 (18)

六、总结与展望 (24)

参考文献 (25)

附录 (27)

谢辞 (30)

摘要

为了在图像传输后获得更为清晰的去雾图像，本课题探讨了引导滤波器与双边滤波器用于图像去雾时，对图像压缩的影响。本课题以MATLAB为仿真工具,通过调整引导滤波器的窗口大小与调整系数，及双边滤波器的几何范围与强度范围，以获得解压重构图像的峰值信噪比与块效应，得出了如下结论：用双边滤波器进行单幅图像去雾，效果虽然不及引导滤波器，但是其解压重构图像的峰值信噪比，在稳健性方面明显强于使用引导滤波器的，而使用引导滤波器对图像先去雾后压缩，在峰值信噪上表现出明显的恶化趋势。

关键词

图像去雾；图像压缩；引导滤波器；双边滤波器；峰值信噪比；块效应

ABSTRACT

To obtain good dehazed images at the receiver, this research makes an investigation in the case that using guided filter and bilateral filter to remove haze of images and then compressing dehazed images respectively. Using MATLAB as simulation tool, window size and regulation parameter of guided filter, as well as geometric spread and photometric spread of bilateral filter, are adjusted to obtain corresponding Peak Signal to Noise Ratio (PSNR) and blocking artifacts data of decompressed and reconstructed images. It can be concluded that the bilateral filter’s robustness in PSNR performs better than guided filter’s, though the guided filter is a better choice in single image removal. Using guided filter to dehaze and then compress image is easy to deteriorate in PSNR.

KEY WORDS

Image dehazing; image compression; guided filter; bilateral filter; Peak Signal to Noise Ratio; blocking artifacts

一、绪论

室外监控设备的拍摄常常受到恶劣环境因素的影响。随着雾霾天气越来越频繁的发生，如何更有效地进行图像去雾并传输，以便监控者能正常观测，是室外监控系统工程师亟需考虑的问题。滤波器是图像去雾的必要工具，而在图像传输前又必须对图像进行压缩。因此，为了设计适应雾霾天气的室外监控系统，深入研究去雾滤波器对图像压缩的影响是非常必要的。

本章首先介绍课题的选题背景和研究意义，然后系统分析国内外的相关研究工作，最后是论文的主要研究内容及其结构安排。

(一)选题背景和研究意义

室外监控系统在人们的日常生活中被广泛应用。若监测摄像头摆放在一个雾霾频发的地区，那么这种恶劣的环境必然会影响摄像头的拍摄质量。最直接的影响就是造成所拍摄图像的对比度降低同时影响色调。室外监控系统时常需要进行图像的远距离传输，若直接将有雾图像进行传输，那么终端所得到的图像质量必然也是很差的。对有雾图像进行去雾是室外监控系统传输清晰图像的必要手段。传输图像之前需要对图像进行压缩，因此研究去雾滤波器对图像压缩的影响具有重要意义。

(二)国内外研究现状

图像去雾是图像处理领域新兴起的一个分支，近年来，大量有关去雾的新算法被国内外研究学者所提出。研究领域从最开始的多幅图像去雾到现在主流的单幅图像去雾，更有学者正在致力于研究图像去雾对图像压缩的影响。通过相关文献的研究与分析可以发现，去雾算法主要有基于图像增强和图像复原两种，下面将对这些学者的研究工作进行总结。

1.基于图像增强的去雾方法

基于图像增强的去雾方法能有效提高图像的清晰程度。此方法的本质，是从清晰图像的特点出发，突出图像细节，同时调整雾天图像的对比度。图像增强法可根据增强的范围分为两大类[1]：局部增强和全局增强。它们又可进一步划分为局部直方图均衡化、局部方差方法、局部对比度增强和全局直方图均衡化、小波变换、同态滤波、Retinex等。下面对其中经典的方法进行介绍。

Retinex理论能够有效地增强图像的亮度，复原图像的色彩，其主要包括单尺度Retinex算法(Single Scale Retinex, SSR)、多尺度加权平均的Retinex算法(Muti-Scale Retinex, MSR)和带彩色恢复的多尺度Retinex算法(Multi-Scale Retinex with Color Restoration, MSRCR)。芮义斌等人[2]采用正态截取拉伸的原理，

基于Retinex理论对图像增强算法进行了改进，但该算法仅在薄雾图像上取得了较好的效果，在浓雾图像上表现的并不理想。Agaian等人[3]基于HSV空间的人类视觉模型，将有雾图像的直方图调整为更均匀的分布，并采用对比度自适应直方图均匀化(Contrast-Limited Adaptive Histogram Equalization, CLAHE)原理来提高图像的对比度与亮度。

除了Retinex理论，众多学者还将小波变换理论应用于基于图像增强的去雾算法上。周树道等人[4]采用亮度小波变换和图像颜色改善法实现了图像的去雾处理。该算法首先对图像亮度分量进行小波变换，再对变换后的低频亮度部分与高频亮度部分进行处理，最后采用SSR算法和颜色复原等方法调整图像亮度从而得到去雾图像。He等人[5]结合bottom-hat变换、top-hat变换和小波变换提出了一种新型的去雾算法。该算法在提高图像的清晰度和对比度上有较好的效果，但其缺陷是增强后的图像产生了额外的噪声。Desai等人[6]将模糊逻辑理论应用于图像去雾上，但该算法只适用于天空区域范围较大的有雾图像。

基于图像增强的去雾算法都能在一定程度上提高图像的对比度与清晰程度，但是去雾后的图像颜色不够自然，达不到很好的去雾效果。

2.基于图像复原的去雾方法

基于图像复原的去雾方法主要是通过已建立的雾天图像模型[7,8]，将有雾图像复原为无雾场景下的图像。国内外众多学者采用此模型提出了不同的算法，并通过反演退化过程进行图像去雾，其效果往往好于基于图像增强的去雾算法。

Narasimhan等人[8]运用相同场景但不同大气条件的两幅图像去分析有雾图像的内在特点。他们在文献[9]中推导出在场景完全相同但是大气条件不同的两幅图像中，只要介质传输函数比例相同，那么这样的像素点就具有相同的深度，根据此特点，像素点可被归类组成深度图，并且通过雾天图像反演退化过程进行去雾。Schechner等人[10]则采用物理极化理论，利用天空区域的像素点测量出大气光幕的极化角度，进而估计出大气光幕，但是该算法明显不能应用于无天空区域的有雾图像。因此Shwartz等人[11]提出了一种新型算法，其本质是把传输函数与大气光幕假定为独立成分，然后建立独立成分分析(Independent Component Analysis, ICA)模型寻求最优解，当最优解被算出，极化角度也可同时得到。但该算法在传输函数与大气光幕相关性较强时并不适用。Miyazaki等人[12]采用了列文伯格-马夸尔特算法(Levenberg-Marquard, L-M)，计算出大气光幕的平行极化与垂直极化最优值，再用所估计的最优值间接计算出极化角度。该算法需要场景中两种物体的距离信息，但该距离信息并不容易得到。以上所提及的方法都有一个共同的缺点，就是需要多幅图像进行去雾。下面将对单幅图像去雾的经典算法进行介绍。

Narasimhan等人[13]提出了一种交互式算法实现图像去雾，该算法需要用户

输入一些先验信息，例如无雾的区域，去估计被雾霾影响的图像成分，其虽能从整体上实现图像去雾，但是不能全自动去雾。Tan等人[14]利用无雾图像高对比度的特点，以及有雾图像大气光幕的局部平滑特性，实现了单幅图像的全自动去雾，但是所得到的去雾图像往往过于饱和。Fattal等人[15]也提出了另一种单幅图像全自动去雾算法，他们假设场景表面投影和光的传播在局部是不相关的，进而解决了有雾图像数据的模糊性问题。此算法的本质是解决了大气模型中的非线性问题，但是对含厚雾的图像或者没有局部不相关性的区域时，并不适用。与Tan和Fattal 相比，He等人[16]提出了一种更加有效的去雾算法，他发现在无雾图像中，大部分非天空区域的图像块，都存在一些在某个颜色通道上数值极低的像素点，并称这些通道为暗通道。利用暗通道的先验信息，He等人较为精确地恢复了传输函数并有效地实现了去雾，但该算法对明亮区域并不适用，因为这样的区域不具有暗通道。

3.图像去雾对图像压缩的影响

除了单一的研究图像去雾，近年来已经有学者在研究图像去雾对图像压缩的影响，其中最具有代表性的是Gibson等人的研究成果[17]。Gibson首先对无雾图像进行人工加雾，再采用暗通道去雾算法[16]，分别对图像压缩前的有雾图像和图像压缩后的有雾图像进行去雾，最后在未加雾的原图像的辅助下，计算出解压去雾重构图像的峰值信噪比和块效应，结果表明在图像压缩前进行去雾的效果要比图像压缩后进行去雾的效果更好。

虽然Gibson得出了在图像压缩前进行去雾效果更好的结论，但是他们在去雾滤波器对图像压缩的影响上并没有进行深入的探讨。本课题将采用文献[16]中的暗通道算法，在文献[17]中Gibson等人结论的基础上，进一步探讨去雾滤波器对图像压缩的影响。

(三)研究内容

1.本文主要工作

目前，越来越多的学者开始关注有雾图像的增强复原方法。在(一)2.节中，本论文已经对前人的研究成果做了较为全面的总结。虽然针对单幅图像去雾已经有众多学者提出了自己的算法，但是大多数人都没有深入探讨图像去雾对图像压缩的影响。图像压缩是图像传输前的必要环节，研究图像去雾对图像压缩的影响有重大意义。针对目前的研究现状，本文将研究重点放在两种常用去雾滤波器——双边滤波器与引导滤波器对图像压缩的影响上，主要研究内容包括基于暗通道的图像去雾、引导滤波器与双边滤波器的设计原理及其在图像去雾上的应用和彩色图像的压缩。软件仿真环境为MATLAB。图1-1为本课题的结构框图。

图1-1 本课题结构框图

2.论文结构安排

本论文共分为六章，论文结构和章节安排如下：

第一章：绪论部分，主要介绍本课题的选题背景和研究意义，并对课题的国内外研究现状进行综述，最后概述本文的主要研究内容及论文的结构安排。

第二章：介绍基于暗通道的图像去雾原理。首先分析雾天图像模型，然后介绍无雾图像的暗通道特性，最后介绍利用此特性进行图像去雾的算法。

第三章：介绍双边滤波器与引导滤波器在图像去雾上的应用。首先分析滤波器的设计原理，然后介绍滤波器在暗通道算法上的应用，最后对使用这两种滤波器的去雾算法进行仿真。

第四章：介绍彩色图像压缩的原理。首先介绍图像压缩的步骤，再对每一步

骤进行详细分析，最后对图像压缩算法进行仿真。

第五章：介绍两种去雾滤波器对图像压缩的影响。首先从理论上分析使用引导滤波器的去雾算法与使用双边滤波器的去雾算法对图像压缩的影响，再用仿真结果进行验证，最后对它们进行比较。

第六章：总结与展望。对本论文所做的工作进行全面的总结，并提出进一步研究方向与不足之处。

二、基于暗通道的图像去雾

(一) 基于暗通道的去雾原理

1. 雾天图像模型

McCartney 在二十世纪八十年代提出了经典的大气散射模型[18]，Narasimhan 和Nayar 在此基础上经过多年研究，建立了现在被广泛使用的雾天图像去雾模型

[7,8]：

[]()()()1(),x x t x t x =+-I J A (2-1) 其中，I 为所观测到的有雾图像，J 为无雾场景，x 为图像空间中的某一点，A 为空气光线，t 为介质传输函数。介质传输函数描述了直接到达摄像头而没有发生散射的光线。图像去雾的最终目的就是基于所得到的有雾图像I ，复原得到无雾图像J 。

在式(2-1)中，右边等式第一项()()x t x J 被称为直接衰减函数[14]，第二项[]1()t x -A 被称为大气光幕[14,19]。直接衰减函数描述了无雾场景以及它在介质传输函数中的衰减，而大气光幕则描述了无雾场景在雾的介质中所散射的光线与场景颜色的改变。直接衰减函数对无雾图像产生了乘性噪声，而大气光幕对无雾图像产生了加性噪声。

在大气均匀的条件下，传输函数t 可定义为

()()e ,d x t x β-= (2-2) 其中，β为大气散射系数，d 为场景深度。式(2-2)表明传输函数与场景深度呈指数衰减关系。若能求得传输函数t ，则场景深度d 也可推测出。

2. 暗通道特性

He 等人在文献[16]中提出了无雾图像的暗通道特性：在一幅无雾的图像中，大部分非天空区域部分的图像块都包含至少在一个颜色通道上数值异常低的像素点。为了更加正式地描述图像的暗通道特性，他将暗通道表示为

{}dark c ()c r,g,b ()min min (),y x J x J y ∈Ω∈??=???? (2-3) 其中，c J 是图像的单个颜色通道，()x Ω是以x 为中心的局部图像块。显而易见，暗通道dark J 是对原图像两次最小值运算的结果。文献[16]中解释了图像具有暗通道特性的原因并展示了众多室外图像的暗通道图。

3. 利用暗通道特性的图像去雾

下面介绍基于暗通道的去雾原理，以下推导过程均来自于文献[16]。将式(2-1)

变形为 ()()()1(),x x t x t x =+-I J A A (2-4) 其中，空气光线A 可根据浓雾区域像素的强度估计出来。假定传输函数()t x 在局部图像块()x Ω中是不变的，并将这样的传输函数表示为()t x 。对式(2-4)两端进行两次最小值运算，即

{}{}c c c c ()c r,g,b ()c r,g,b ()()min min ()min min 1().y x y x I y J y t x t x A A ∈Ω∈∈Ω∈????=+-???????? (2-5) 根据无雾图像的暗通道数值约等于0的特点，可知：

{}dark c ()c r,g,b ()min min ()0.y x J x J y ∈Ω∈??==????

(2-6) 因为空气光线c A 总是正值，可推得 {}c c ()c r,g,b ()min min 0.y x J y A ∈Ω∈??=???? (2-7)

把式(2-7)代入式(2-5)中，推导出传输函数，即

{}c c ()c r,g,b ()()1min min .y x I y t x A ∈Ω∈??=-???? (2-8) 若用式(2-8)所求得的传输函数直接进行图像的复原，那么所得去雾图像可能会不够自然，场景深度感不强，因此需对式(2-8)进行修正，即

{}c coarse c ()c r,g,b ()()1min min ,y x I y t x A ω∈Ω∈??=-???? (2-9) 其中，01ω<≤。

在求得空气光线和传输函数后，可根据式(2-1)进行无雾场景的复原，但是直接衰减函数()()x t x J 在某些像素点上可能会非常趋近于0，若不对这些像素点进行处理而直接复原无雾场景，那么复原出来的图像在这些像素点上会有严重的噪声，因此需对()t x 设置最小值。这样，最终的图像去雾函数可表示为

coarse 0()().max((),)x x t x t -=+I A J A (2-10) 其中，0t 为传输函数的最小值。

(二) 算法程序实现与仿真

图2-1列举了两组有雾图像以及它们基于暗通道的图像去雾结果。可以看到，虽然图像整体上实现了去雾，但是具有明显的光晕，这是因为传输函数在局部并不是总是不变的[15]。第三章将讨论如何用滤波器修正传输函数。

图2-1基于暗通道的图像去雾

三、两种滤波器在图像去雾上的应用

(一) 引导滤波器的原理

He 等人在文献[20]中提出了引导滤波器的算法，引导滤波器是利用局部线型模型设计的一种滤波器，通过预先指定的引导图对图像进行滤波，滤波后的图像具有与引导图相似的特征。下面对这种滤波器进行理论推导，以下推导过程均来自于文献[20]。

设计引导滤波器最关键的一点，是假定在局部窗口内，引导图像和滤波输出成线性关系，即

, ,i k i k k q a I b i ω=+?∈ (3-1) 其中，i q 是滤波输出，k a 与k b 是线性系数，i I 是引导图像，k ω是以k 为中心的

窗口。为了确定k a 与k b 的值，需要利用滤波输入p 作为约束条件。假设滤波输出q 是滤波输入p 减去多余的成分(噪声、纹理等)得到的，即

,i i i q p n =- (3-2) 其中，i n 为多余的成分(噪声、纹理等)。

为了尽量缩小滤波输出图像与滤波输入图像间的差异，同时保持引导滤波器的局部线性，需对式(3-2)求最小解，即

22(,)(),k k k k i k i k i E a b a I b p a ωε∈??=+-+??∑

(3-3)

其中，ε是调整系数，其用途是惩罚过大的k a ，对式(3-3)求解得：

,k i i k k i k k

I p p a ωμωσε∈-=+∑ (3-4) ,k k k k b p a μ=- (3-5) 其中，k μ和2k σ分别是引导图像在以k 为中心的窗口k ω内的强度平均值和方差，k p 是滤波输入图像p 在以k 为中心的窗口k ω内的强度平均值。由于每个图像的像素点i 存在被多个不同窗口k ω包含的情况，因此会有多个不同的滤波输出i q ，最简单的办法是对它们取平均值，即 1

1, .i i i k i k k k a a b b ωωωω∈∈==∑∑ (3-6)

把式(3-6)代入式(3-1)中，得 .i i i i q a I b =+ (3-7) 便可得到引导滤波器。以上推导可扩展至彩色图像请参阅文献[20]。

(二) 双边滤波器的原理

高斯低通滤波器计算了图像某个邻域内所有元素的加权平均值，其中权重与邻域内像素距邻域中心的距离成反比，可用数学式表示为

1d ()()()(,)d ,h x k x f c x ξξξ∞

--∞=? (3-8)

其中，()f ξ为邻域内像素点ξ上的强度，(,)c x ξ描述了邻域内像素与邻域中心x 的几何相似度。若低通滤波是为了保持信号的直流成分，则有

d ()(,)d .k x c x ξξ∞-∞=? (3-9)

通常图像强度在局部空间内变化得很缓慢，但是随机噪声与空间并没有这样的关系。因此对图像进行高斯低通滤波，即可在保持有用信号的同时将噪声平均分散减弱，更加全面的数理解释可参阅文献[21]。

高斯低通滤波器虽然可对图像进行去噪，但是却模糊了图像的边缘成分，因为其假定图像强度在局部空间是变化平缓的，但显然边缘两侧像素强度的变化是较大的。为了解决这一问题，Tomasi 等人[22]将邻域内像素与邻域中心的强度相似程度考虑进去。与几何相似度类似，邻域内与邻域中心强度相似度越高的像素，所具有的权重也越高，可用数学式表示为

()1r ()()(),d ,h x k x f s x ξξξ∞

--∞=? (3-10)

其中，(,)s x ξ描述了邻域内像素距邻域中心的强度相似度，r ()k x 可表示为 ()r (),d .k x s x ξξ∞-∞=? (3-11)

结合式(3-8)与式(3-10)，可以得到兼具去噪与保持边缘性能的双边滤波器，即

()1()()()(,),d ,h x k x f c x s x ξξξξ∞--∞=? (3-12) 其中，()k x 为

()()(,),d .k x c x s x ξξξ∞-∞=? (3-13)

若双边滤波器为高斯型的，则有 ()22d r 1(,)1(,)22(,)e , ,e ,d x x c x s x ξδξσσξξ????--????????== (3-14) 其中，d 为邻域内某一像素点ξ与邻域中心x 在空间上的欧式距离，d σ为几何范围，δ为邻域内某一像素点ξ与邻域中心x 在强度上的差值，r σ为强度范围。几何范围越大，空间距离大的点对滤波输出的影响就越大；强度范围越大，强度距离大的点对滤波输出的影响就越大。

(三) 滤波器在图像去雾上的应用

1. 转移纹理结构法

由式(2-9)所得的传输函数只是一个大致的估计，其假设邻域内场景深度是不变的，从图2-1(b)可以看出求得的传输函数图像非常粗糙，因此必须对其进行修正。由式(2-2)可知，传输函数与场景深度为指数关系。场景深度实际上在大部分邻域内是缓慢变化的，只有在小部分邻域内存在突变，即传输函数图中的边缘。修正传输函数图就是对局部假定不变的场景深度进行微调，并突出深度突变的区域(边缘)。

在文献[20]中He 等人利用引导滤波器可将引导图纹理结构转移至滤波输入图像的特点，以有雾图像为引导图，传输函数图像为滤波输入图像，对传输函数图像进行修正，修正后的图像可表示为

accurate (),i i i t i a b =+I (3-15)

11, ,i i i k i k k k a a b b ωωωω∈∈==∑∑ (3-16) coarse

coarse coarse 2

1(), ,k k k k k k k k k t t a b t a ξξωξμωμσε∈-==-+∑I (3-17)

其中，I 为有雾图像，coarse t 为式(2-9)所得的粗糙传输函数，coarse k t 是滤波输入图

像coarse t 在以k 为中心的窗口k ω内的强度平均值，ω为窗口大小，k μ、2k σ和ε的定义在前面引导滤波器的原理中已经介绍，accurate t 为修正后的传输函数。

2. 直接去噪法

转移纹理结构法的本质是将有雾图像的纹理结构转移至传输函数，对局部场景深度进行微调。本文参阅文献[23]，提出了一种计算传输函数的新方法。

首先，对式(2-4)两端只进行一次最小值变换，即

{}{}c c c c c r,g,b c r,g,b ()()min ()min 1().I y J y t x t x A A ∈∈????=+-????????

(3-18) 再对式(3-18)进行变形，即 {}{}c c c c c r,g,b c r,g,b ()()()()min 1min .J y I y t x t x A A ∈∈????-=-???????? (3-19)

由于没有对图像进行块处理，大部分暗通道{}c c r,g,b min ()J y ∈???

?的值并不能约等于0，甚至有些通道不是暗通道。因此，本文把{}c c c r,g,b ()()min J y t x A ∈??????

称作场景深度噪声ψ，

将其代入式(3-19)中，得

{}c c c r,g,b ()()1min ,I y t x A ψ∈??+=-???? (3-20)

其中，将{}c c c r,g,b ()1min I y A ∈??-????称为传输函数t ，与式(2-8)得到的传输函数t 不同，t 包含了精确的传输函数信息，但这种信息被加性的场景深度噪声ψ干扰了，如果能对其进行去噪，便可得到精确的传输函数图像，下面将讨论如何去噪。

首先，因为ψ为负噪声，因此对式(3-20)进行加性修复，得到粗糙传输函数coarse t ，即 {}c 'coarse c c r,g,b ()()()1min ,I y t x t x A ψω∈??=+=-???? (3-21) 其中，'ψ是被减弱后的噪声，ω是减弱系数，用来设置噪声削弱程度。

其次，由于传输函数只与场景深度有关，而场景深度具有局部平滑性，除了在某些边界处发生较大突变外，在大部分区域都是平滑的[14]，这种特性非常适合用双边滤波器对其去噪，即 1accurate coarse ()()(,)(,)(),i x t i k i c x i s x i t x ω-∈=∑

(3-22)

这里，c 和s 是双边滤波器的核函数，i ω是以i 为中心的邻域，k 是归一化常数，其具体含义见式(3-13)，coarse t 是粗糙传输函数，accurate t 是去噪完成后的传输函数。

(四) 算法程序实现与仿真

图3-1展示了用转移纹理结构法所得到的去雾结果，测试图像为图2.1(a)，可以看出，和图2-1(b)相比，用转移纹理结构法所得的传输函数具有丰富的细节，去雾后的图像图3-1(b)不再像图2-1(c)具有明显的光雾。

(a) 传输函数(b) 去雾图像

图3-1 去雾结果(转移纹理结构法)

图3-2展示了用直接去噪法进行去雾所得到的结果。原图同样是图2-1(a)。可以看出，和图2-1(b)相比，用直接去噪法所得到的传输函数块效应消失，局部具有微小变化。去雾表现也比图2-1(c)提高了许多。

(a) 传输函数(b) 去雾图像

图3-2 去雾结果(直接去噪法)

四、彩色图像的压缩

(一) 彩色图像压缩简介

图像传输前需要对图像进行压缩，目前主流的压缩标准之一是联合图像专家组(Joint Photographic Experts Group, JPEG)，下面将对这种压缩方式进行简要介绍，更详细的过程请参阅文献[24]。

(1) 将图像从RGB 色彩空间转换到YUV 色彩空间。

(2) 对图像进行电平平移，具体操作是减去12p -，p 为精度参数。

(3) 对图像进行分块处理，保证每一方块都为8?8的矩阵。若图像的行或列不是8的倍数，则必须进行拓展。

(4) 对图像每一矩阵块进行离散余弦变换(Discrete Cosine Transform, DCT)，即

77001(21)π(21)πcos cos ,41616vu u v yx x y x u y v S C C s ==++=∑∑ (4-1)

,1/u v C C =(,0u v =), (4-2) ,1u v C C = (,0u v ≠),

(4-3) 其中，s 为变换前的矩阵块。对矩阵块进行DCT 变换后，左上部分代表图像的低频，右下部分代表图像的高频，图像的大部分能量都集中在低频处。

(5) 对图像每一矩阵块进行量化，即 ,vu

vu vu S Sq round Q ??= ??? (4-4)

其中，vu Sq 是量化后的DCT 系数，vu Q 是量化表。量化会造成图像能量的损失，但是损失的主要是高频能量，而图像的能量主要集中在低频，所以只要恰当选取量化系数，对于解压出来的图像，人眼几乎察觉不出失真。

(6) 对量化后的DCT 系数进行编码。编码前需对每一分块系数矩阵进行Zigzag 扫描，且低频分量和高频分量需采用不同的码表。

(二) 算法程序实现与仿真

本章仿真采用的测试图像均为Lena 标准彩色测试图，如图4-1所示，其大小为512?512，24比特/像素。

图4-1 Lena 标准彩色测试图像

图4-2展示了对图4-1压缩时采用不同亮度量化系数的比特率(色度量化系数设为1)。可以看出亮度量化系数越大，比特率越小，即压缩程度越高。

图4-2 不同量化系数的比特率

图4-3展示了不同比特率所对应的块效应和峰值信噪比。本文采用的测量块效应的方法是文献[25]中所提出的一种非参照性算法。可以看出压缩程度越低时，峰值信噪比越高，块效应越少，即图像的质量越好。

024

6810

比特率和量化系数的关系量化系数比特率

图4-3 峰值信噪比、块效应与比特率的关系

图4-4展示了比特率分别为0.34bpp 和0.14bpp 的解压重构图像，以及对应的块效应灰度图。可以看出，比特率为0.34bpp 的图像，质量明显好于比特率为0.14bpp 的图像，并且块效应也要少得多。

(a) 比特率=0.34bpp (b) 比特率=0.14bpp

图4-4 不同比特率的重构图像及其块效应灰度图(Lena)

262830

323436比特率峰值信噪比峰值信噪比和块效应与比特率的关系

块效应

五、两种去雾滤波器对图像压缩的影响

本文前面章节主要介绍了基于暗通道的图像去雾、滤波器在图像去雾上的应用以及图像压缩的原理。该章将分别以转移纹理结构法与直接去噪法为例，分析引导滤波器与双边滤波器用于图像去雾时，对图像压缩的影响。具体代码请参见附录1。

(一) 理论分析

当图像进行解压缩时，有可能会出现振铃效应，这是因为在压缩过程中，量化造成了某些频率成分损失。本文参阅文献[17]，对频率分量的损失进行推导。

假设有雾图像为I ，根据式(2-10)得 c c

c c ()(),()I x A J x A T x -=+ (5-1)

其中，T 是用转移纹理结构法或直接去噪法所得到的传输函数。

对去雾图像c J 做DCT 变换，即 77c 001(21)π(21)π(,)cos cos ,41616vu u v i x y x u y v S C C J x y ==++=∑∑ (5-2)

这里，c i J 表示c J 的第i 个矩阵块。把式(5-1)代入式(5-2)中，忽略DCT 变换后的直流分量，即 c 7700(,)1(21)π(21)πcos cos .4(,)1616i vu u v x y i I x y A x u y v S C C T x y ==-++=∑∑ (5-3)

下一步是对DCT 变换后的矩阵进行量化，即 q 1,(,)2vu vu S S q v u ??=+???? (5-4)

其中，(,)q v u 为量化因子，运算符12x ??+???

?表示对x 四舍五入取整。因此，当 1,(,)2vu S q v u < (5-5) 频率(,)v u 处的能量将被消除，这也是JPEG 标准造成能量损耗的主要原因。若将频率(,)v u 处的能量被消除的概率表示为

1(,).2vu P S q v u ??

把式(5-3)代入式(5-6)中，即 c c 7700(,)1(21)π(21)π1cos cos (,).4(,)16162i u v x y i I x y A x u y v P C C q v u T x y ==??-++

图像识别技术的研究现状论文

图像识别技术研究现状综述简介：图像识别是指图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程,也叫图像再认。在图像识别中,既要有当时进入感官的信息,也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能实现对图像的再认。图像识别技术是以图像的主要特征为基础的，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。在人类图像识别系统中，对复杂图像的识别往往要通过不同层次的信息加工才能实现。对于熟悉的图形,由于掌握了它的主要特征，就会把它当作一个单元来识别，而不再注意它的细节了。这种由孤立的单元材料组成的整体单位叫做组块，每一个组块是同时被感知的。图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。随着数字图像技术的发展和实际应用的需要，出现了另一类问题，就是不要求其结果输出是一幅完整的图像，而是将经过图像处理后的图像，再经过分割和描述提取有效的特征，进而加以判决分类，这就是近20年来发展起来的一门新兴技术科学一图像识别。它以研究某些对象或过程的分类与描述为主要内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。图像识别的发展大致经历了三个阶段：文字识别、图像处理和识别及物体识别：文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，并从印刷文字识别到手写文字识别，应用非常广泛，并且已经研制了许多专用设备。图像处理和识别的研究，是从1965年开始的。过去人们主要是对照相技术、光学技术的研究，而现在则是利用计算技术、通过计算机来完成。计算机图像处理不但可以消除图像的失真、噪声，同时还可以进行图像的增强与复原，然后进行图像的判读、解析与识别，如航空照片的解析、遥感图像的处理与识别等，其用途之广，不胜枚举。物体识别也就是对三维世界的认识，它是和机器人研究有着密切关系的一个领域，在图像处理上没有特殊的难点，但必须知道距离信息，并且必须将环境模型化。在自动化技术已从体力劳动向部分智力劳动自动化发展的今天，尽管机器人的研究非常盛行，还只限于视觉能够观察到的场景。进入80年代，随着计算机和信息科学的发展，计算机视觉、人工智能的研究已成为新的动向图像识别与图像处理的关系：在研究图像时，首先要对获得的图像信息进行预处理（前处理）以滤去干扰、噪声，作几何、彩色校正等，以提供一个满足要求的图像。图像处理包括图像编码，图像增强、图像压缩、图像复原、图像分割等。对于图像处理来说，输入是图像，输出（即经过处理后的结果）也是图像。图像处理主要用来解决两个问题：一是判断图像中有无需要的信息；二是确定这些信息是什么。图像识别是指对上述处理后的图像进行分类，确定类别名称，它可以在分割的基础上选择需要提取的特征，并对某些参数进行测量，再提取这些特征，然后根据测量结果做出分类。为了更好地识别图像，还要对整个图像做结构上的分析，对图像进行描述，以便对图像的主要信息做一个好的解释，并通过许多对象相互间的结构关系对图像加深理解，以便更好帮助和识别。故图像识别是在上述分割后的每个部分中，找出它的形状及纹理特征，以便对图像进行分类，并对整个图像做结构上的分析。因而对图像识别环节来说，输入是图像（经过上述处理后的图像），输出是类别和图像的结构分析，而结构分析的结果则

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

图像增强算法综述

图像增强算法研究综述刘璐璐宁波工程学院电子与信息工程学院计算机科学与技术071班，邮编:(315100) E-mail:375212239@https://www.360docs.net/doc/1a15453731.html, 摘要：本文简要介绍图像增强的概念和图像增强算法的分类，从图像的直方图均衡化处理方法，直方图规定化处理方法和图像平滑处理方法三方面对图像增强算法进行讨论和研究，并说明了图像增强技术的应用和前景展望。关键词：图像增强直方图均衡化直方图规定化平滑处理近年来，随着电子计算机技术的进步，计算机图像处理得到了飞跃的发展，己经成功的应用于几乎所有与成像有关的领域，并正发挥着相当重要的作用。它利用计算机对数字图像进行系列操作，从而获得某种预期的结果。对图像进行处理时，经常运用图像增强技术以改善图像的质量增强对某种信息的辨识能力，以更好的应用于现代各种科技领域，图像增强技术的快速发展同它的广泛应用是分不开的，发展的动力来自稳定涌现的新的应用，我们可以预料，在未来社会中图像增强技术将会发挥更为重要的作用。在图像处理过程中，图像增强是十分重要的一个环节。 1.图像增强概念及现实应用 1.1 图像增强技术图像增强是数字图像处理的基本内容之一。图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息。这类处理是为了某种应用目的去改善图像质量，处理的结果更适合于人的视觉特性或机器识别系统，图像增强处理并不能增加原始图像的信息，而只能增强对某种信息的辨识能力，使处理后的图像对某些特定的应用比原来的图像更加有效。 1.2图像增强技术的现实应用目前，图像增强处理技术的应用己经渗透到医学诊断、航空航天、军事侦察、纹识别、无损探伤、卫星图片的处理等领域，在国民经济中发挥越来越大的作用。其中最典型的应用主要体现以下方面。 1

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、

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）：

图像识别技术发展状况及前景

医学图像配准技术罗述谦综述首都医科大学生物医学工程系(100054) 吕维雪审浙江大学生物医学工程研究所(310027) 摘要医学图像配准是医学图像分析的基本课题,具有重要理论研究和临床应用价值。本文较全面地介绍了医学图像配准的概念、分类、配准原理、主要的配准技术及评估方法。关键词医学图像配准多模 1 医学图像配准的概念在做医学图像分析时,经常要将同一患者的几幅图像放在一起分析,从而得到该患者的多方面的综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析,首先要解决这几幅图像的严格对齐问题,这就是我们所说的图像的配准。医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支。涉及“配准”的技术名词除registration外,mapping、matching、co-registration、integration、align-ment和fusion 等说法也经常使用。从多数文章的内容看,mapping偏重于空间映射;fu-sion指图像融合,即不仅包括配准,而且包括数据集成后的图像显示。虽然在成像过程之前也可以采取一些措施减小由身体移动等因素引起的空间位置误差,提高配准精度(称作数据获取前的配准preacquisition),但医学图像配准技术主要讨论的是数据获取后的(post-acquisition)配准,也称作回顾式配准(retrospective registration)。当前,国际上关于医学图像配准的研究集中在断层扫描图像( tomographic images,例如CT、MRI、SPECT、PET等)及时序图像(time seriesimages,例如fMRI及4D心动图像)的配准问题。 2 医学图像基本变换对于在不同时间或/和不同条件下获取的两幅图像I1(x1,y1,z1)和I2(x2,y2,z2)配准,就是寻找一个映射关系P:(x1,y1,z1) (x2,y2,z2),使I1的每一个点在I2上都有唯一的点与之相对应。并且这两点应对应同一解剖位置。映射关系P表现为一组连续的空间变换。常用的空间几何变换有刚体变换(Rigid body transformation)、仿射变换(Affine transformation)、投影变换(Projec-tive transformation)和非线性变换(Nonlin-ear transformation)。 (1)刚体变换: 所谓刚体,是指物体内部任意两点间的距离保持不变。例如,可将人脑看作是一个刚体。处理人脑图像,对不同方向成像的图像配准常使用刚体变换。刚体变换可以分解为旋转和平移:P(x)=Ax+b(1) x=(x,y,z)是像素的空间位置;A是3×3的旋转矩阵,b是3×1的平移向量。

基于matlab的图像预处理技术研究文献综述

毕业设计文献综述题目：基于matlab的图像预处理技术研究专业：电子信息工程 1前言部分众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络、优化计算、模糊逻辑、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。视觉是人类从大自然中获取信息的最主要的手段。拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。由此可见，视觉信息对人类非常重要。同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。图像处理它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在 1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动

基于暗通道先验的图像去雾算法改进研究

基于暗通道先验的图像去雾算法改进研究摘要：暗通道先验去雾算法求得的的透射率比较精细，去雾效果优于大多数去雾算法。然而在暗通道求取过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，使得去雾后的图像在边缘部分产生“光晕”现象。为了减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。实验表明，改进后的算法去雾效果更佳、去雾速度更快，具有更强的鲁棒性。关键词：暗通道先验去雾；腐蚀；引导滤波 DOIDOI：10.11907/rjdk.161089 中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2016）005-0030-04 0 引言雾霾天气不仅影响人们的出行，也给视频监控、自动驾驶等涉及室外图像应用的领域带来了很大挑战，并引起了相关研究人员的重视，如今已出现了不少研究成果。图像去雾的研究方法可分为两大类，基于图像增强的方法和基于物理模型的方法。早期图像去雾研究主要利用图像处理的知识来

去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法，这种方法根据每个像素的邻域对像素进行处理，可以突出图像的特征，但运算量较大，算法复杂度较高。Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比度相对较高，色彩失真较小。基于图像增强的去雾方法可以利用成熟的图像处理算法来增强图像的对比度，突出图像中的特征信息，但这种方法会造成图像部分信息损失，导致图像失真。图像去雾的另一类是基于物理模型的方法，该方法研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复原图像，恢复的图像效果更真实，图像信息能得到较好保存。Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模型，后来基于物理模型的方法几乎均建立在此模型之上。 Tan[8]基于无雾图比雾图有更高对比度的假定来最大化有雾图像的对比度，该算法在很大程度上能复原图像结构和细节，然而Tan的算法趋向于过度补偿降低的对比度，容易产生光晕效应。Fattal[9]把图像场景光分解成反射和透射两部分，然后基于独立主成成分分析来估计场景光强，这种方法可以有效去除局部的雾但不能很好恢复浓雾的图像。Kim等[10]结合局部对比度增强和去雾模型方法，能够抑制伪影的产生，但时间复杂度较高。刘倩等[11]使用均值滤波去雾，对单幅图

图像处理技术的研究现状和发展趋势

图像处理技术的研究现状和发展趋势庄振帅数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT 装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向

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;

图像增强技术要点

数字图像处理期中论文图像增强技术综述学院信息工程学院专业电子信息工程方向信息处理方向姓名何娜娜学号200710113081 中国传媒大学 2010 年11 月27 日

图像增强技术综述内容摘要数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。关键词：图像增强直方图增强对比度增强平滑锐化彩色图像增强 Abstract Digital image processing is the procedures of converting image signal into digital format, then using the computer to process it. Image enhancement is digital image processing process often use a method to improve image quality, it plays an important role. This article first introduces the principle of image enhancement and classification，and then focus on several methods to study such as and histogram enhancement, contrast enhancement, smoothing and sharpening, and other commonly used in learning the basic digital image With the approach, through Matlab experiment that the actual effect of various algorithms to compare the advantages and disadvantages to discuss the different enhancement algorithm. The application of occasions, and its image enhancement method of performance evaluation. Keywords:Image Enhancement histogram enhancement contrast enhancement smoothing sharpening 1 图像增强概述 1.1 图像增强背景及意义在一般情况下，经过图像的传送和转换，如成像、复制、扫描、传输和显示等，经常会造成图像质量的下降，即图像失真。在摄影时由于光照条件不足或过度，会使图像过暗或过亮；光学系统的失真、相对运动、大气流动等都会使图像模糊，传输过程中会引入各种类型的噪声。总之输入的图像在视觉效果和识别方便性等方面可能存在诸多问题，这类问题不妨统称为质量问题。图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚

数字图像处理技术的现状及其发展方向(笔记)

数字图像处理技术的现状及其发展方向一、数字图像处理历史发展数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理。 1.起源于20世纪20年代。 2.数字图像处理作为一门学科形成于20世纪60年代初期，美国喷气推进实验室(JPL)推动了数字图像处理这门学科的诞生。 3.1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置即CT(Computer Tomograph)，1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。 4.从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发展,数字图像处理向更高、更深层次发展，人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界，其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论。二、数字图像处理的主要特点 1．目前数字图像处理的信息大多是二维信息,处理信息量很大,对计算机的计算速度、存储容量等要求较高。 2.数字图像处理占用的频带较宽,在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本也高,这就对频带压缩技术提出了更高的要求。 3.数字图像中各个像素是不独立的,其相关性大。因此,图像处理中信息压缩的潜力很大。 4.由于图像是三维景物的二维投影,一幅图像本身不具备复现三维景物的全部几何信息的能力,要分析和理解三维景物必须作合适的假定或附加新的测量。在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识工程问题。 5．一方面，数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大，作为图像质量的评价还有待进一步深入的研究；另一方面，计算机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究,这些都是心理学和神经心理学正在着力研究的课题。三、数字图像处理的优点 1.再现性好；图像的存储、传输或复制等一系列变换操作不会导致图像质量的退化。 2.处理精度高；可将一幅模拟图像数字化为任意大小的二维数组,现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高。 3.适用面宽；图像可以来自多种信息源，图像只要被变换为数字编码形式后,均是用二维数组表示的灰度图像组合而成,因而均可用计算机来处理。 4.灵活性高；数字图像处理不仅能完成线性运算,而且能实现非线性处理,即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。四、数字图像处理过程及其主要进展常见的数字图像处理有:图像的采集、数字化、编码、增强、恢复、变换、

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)) ;

数字图像处理技术的研究现状与发展方向

数字图像处理技术的研究现状与发展方向孔大力崔洋（山东水利职业学院，山东日照276826）摘要：随着计算机技术的不断发展，数字图像处理技术的应用领域越来越广泛。本文主要对数字图像处理技术的方法、优点、数字图像处理的传统领域及热门领域及其未来的发展等进行相关的讨论。关键词：数字图像处理；特征提取；分割；检索引言图像是指物体的描述信息，数字图像是一个物体的数字表示，图像处理则是对图像信息进行加工以满足人的视觉心理和应用需求的行为。数字图像处理是指利用计算机或其他数字设备对图像信息进行各种加工和处理，它是一门新兴的应用学科，其发展速度异常迅速，应用领域极为广泛。数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。 1数字图像处理的目的一般而言，对图像进行加工和分析主要有以下三方面的目的[1]： (1)提高图像的视感质量，以达到赏心悦目的目的。如去除图像中的噪声，改变图像中的亮度和颜色，增强图像中的某些成分与抑制某些成分，对图像进行几何变换等，从而改善图像的质量，以达到或真实的、或清晰的、或色彩丰富的、或意想不到的艺术效果。 (2)提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析，例如，常用做模式识别和计算机视觉的预处理等。这些特征包含很多方面，如频域特性、灰度/颜色特性、边界/区域特性、纹理特性、形状/拓扑特性以及关系结构等。 (3)对图像数据进行变换、编码和压缩，以便于图像的存储和传输。 2数字图像处理的方法数字图像处理按处理方法分，主要有以下三类，即图像到图像的处理、图像到数据的处理和数据到图像的处理[2]。（1）图像到图像。图像到图像的处理，其输入和输出均为图像。这种处理技术主要有图像增强、图像复原和图像编码。首先，各类图像系统中图像的传送和转换中，总要造成图像的某些降质。第一类解决方法不考虑图像降质的原因，只将图像中感兴趣的特征有选择地突出，衰减次要信息，提高图像的可读性，增强图像中某些特征，使处理后的图像更适合人眼观察和机器分析。这类方法就是图像增强。例如，对图像的灰度值进行修正，可以增强图像的对比度；对图像进行平滑，可以抑制混入图像的噪声；利用锐化技

人脸检测和识别技术的文献综述

人脸识别技术综述摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法; 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。 1. 人脸识别技术基本介绍人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得

出相似程度的相关信息。计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中出有效的识别信息, 用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术的研究历史国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所

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)