基于图像增强的去雾方法
遥感影像去雾技术的研究与应用
遥感影像去雾技术的研究与应用在当今的科技时代，遥感技术已成为获取地球表面信息的重要手段。
然而，在实际应用中，雾的存在常常会影响遥感影像的质量，使得影像变得模糊不清，从而降低了其在诸多领域的应用价值。
因此，遥感影像去雾技术的研究具有极其重要的意义。
遥感影像去雾技术旨在通过各种方法和手段，消除雾气对影像造成的干扰，恢复影像的清晰度和对比度，以便更准确地提取和分析其中的有用信息。
这一技术的研究涉及到多个学科领域，如光学、图像处理、计算机视觉等。
要理解遥感影像去雾技术，首先需要了解雾是如何影响遥感影像的。
雾会使光线发生散射和吸收，导致影像中的物体变得模糊，颜色变淡，细节丢失。
此外，雾气还会造成影像的对比度降低，使得不同物体之间的边界变得模糊，难以区分。
为了去除雾气的影响，研究人员提出了多种去雾方法。
其中，基于物理模型的方法是较为常见的一种。
这种方法基于对雾形成的物理过程的理解，通过建立数学模型来恢复无雾的影像。
例如，暗通道先验算法就是一种基于物理模型的去雾方法。
该算法利用了在无雾图像中，某些局部区域的像素在至少一个颜色通道中存在很低的值这一先验知识，通过计算这些暗通道的值来估算雾气的浓度，进而实现去雾。
除了基于物理模型的方法，还有基于图像增强的去雾方法。
这类方法不直接考虑雾的形成物理过程，而是通过对图像的对比度、亮度等进行调整来达到去雾的效果。
例如，直方图均衡化就是一种常见的图像增强方法。
它通过调整图像的灰度分布，使得图像的灰度范围更广，从而增强对比度。
然而，这种方法可能会导致图像的过度增强或失真。
在遥感影像去雾技术的应用方面，其在农业、林业、环境保护、城市规划等众多领域都发挥着重要作用。
在农业领域，清晰的遥感影像对于监测农作物的生长状况、病虫害的发生以及评估土地的利用情况至关重要。
去雾后的影像能够更准确地反映农作物的颜色、纹理和形态特征，有助于农业专家及时发现问题并采取相应的措施，提高农作物的产量和质量。
基于直方图均衡化和Retinex的图像去雾算法研究
精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。
文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!基于直方图均衡化和Retinex的图像去雾算法探究1. 引言随着科技的不息进步，数字图像处理技术在各个领域起着越来越重要的作用。
视频图像增强和去雾算法matlab实现
视频图像增强和去雾算法说明摘要 本文档介绍夜间增强和去雾增强算法及其实现。
（1）将图像由RGB空间转换到HSI空间，然后对HSI空间亮度分量（I分量）的灰度直方图进行均衡化处理，然后再转换到RGB空间。
空间。
）利用暗原色先验图像去雾算法对图像进行去雾处理。
（2）利用暗原色先验图像去雾算法对图像进行去雾处理。
1目录一、通过I分量增强夜间图像 (3)1. 算法原理 (3)2. M ATLAB程序 (6) (77)3. 夜间增强效果 .................................................................................................................................二、去雾增强 (9) (99)1. 算法原理 .........................................................................................................................................2. M ATLAB程序 (11) (113)3. 去雾效果 .......................................................................................................................................参考文献 (14)一、通过I分量增强夜间图像1. 算法原理首先将图像由RGB空间转换到HSI空间，然后对HSI空间亮度分量（I分量）的灰度直方空间显示。
图进行均衡化处理，提高图像的亮度，然后转换回RGB空间显示。
（1）图像由RGB空间转换到HSI空间。
RGB向HSI模型的转换是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。
基于深度学习的图像去雾技术研究
基于深度学习的图像去雾技术研究图像去雾是计算机视觉领域的重要研究方向之一，其目标是通过去除图像中的雾霾使图像更清晰。
而基于深度学习的图像去雾技术则是近年来的研究热点之一。
本文将围绕基于深度学习的图像去雾技术展开研究，介绍其原理、方法和应用。
深度学习作为人工智能领域的重要分支，以其在图像分类、目标检测等诸多方面的卓越表现，逐渐引起了图像去雾领域的重视。
基于深度学习的图像去雾技术主要包括两个关键步骤：雾霾密度估计和图像恢复。
其中，雾霾密度估计旨在通过深度学习网络对图像中的雾霾进行估计，而图像恢复则通过去除雾霾，使得图像更加清晰。
在雾霾密度估计方面，深度学习技术广泛应用于该问题的解决方案中。
一种常用的方法是使用卷积神经网络（CNN）进行雾霾密度的估计。
通过训练大量的标注图像样本，CNN可以学习到图像中雾霾的特征，并对雾霾的密度进行准确估计。
另一种方法是使用生成对抗网络（GAN）进行雾霾密度估计。
GAN由生成器和判别器组成，其中生成器负责生成逼真的雾霾图像，而判别器则负责判断生成的雾霾图像与真实图像之间的差异。
通过不断迭代训练，GAN可以生成更加准确的雾霾密度估计结果。
在图像恢复方面，基于深度学习的方法能够有效地降低雾霾对图像的影响，并恢复出高质量的图像。
一种常用的方法是使用卷积神经网络进行图像去雾处理。
通过输入雾霾图像和雾霾密度估计结果，卷积神经网络可以学习到雾霾图像和清晰图像之间的映射关系，并生成清晰的图像。
另一种方法是使用残差学习进行图像去雾处理。
残差学习是指在网络中引入残差模块，使网络能够学习到输入和输出之间的残差，从而更加准确地恢复图像。
基于深度学习的图像去雾技术在实际应用中具有广泛的前景。
其中，无人驾驶车辆是一个重要的应用领域之一。
在雾霾天气条件下，无人驾驶车辆通常会受到雾霾的干扰，导致视野模糊，从而影响行车安全。
基于深度学习的图像去雾技术可以有效地提升无人驾驶车辆的视觉能力，从而提高行车安全性。
基于卷积神经网络的图像去雾算法研究
基于卷积神经网络的图像去雾算法研究近年来，随着计算机视觉技术的快速发展，图像处理成为了一个热门的研究领域。
其中之一的问题是图像去雾，即去除由于大气散射引起的图像模糊和降低对比度的问题。
为了解决这个问题，研究人员提出了许多算法。
本文将重点研究基于卷积神经网络的图像去雾算法。
卷积神经网络（CNN）是一种广泛应用于图像处理领域的深度学习算法。
它通过多层的卷积和池化操作，有效地提取图像的特征。
在图像去雾任务中，CNN可以学习到大气散射的特征，并且通过去除这些特征来还原清晰的图像。
首先，我们需要收集一组带有雾霾的图像以及对应的清晰图像作为训练数据集。
这些图像可以通过真实场景的拍摄或者从互联网上的图像库中获取。
接下来，我们需要对这些图像进行预处理，包括调整大小、裁剪、增加噪声等操作，以增加模型的鲁棒性。
然后，我们可以设计一个基于CNN的图像去雾模型。
这个模型可以由多个卷积层、池化层和全连接层组成。
卷积层用于提取图像的空间特征，池化层用于减小特征图的尺寸，全连接层用于将特征转化为输出结果。
此外，我们可以使用一些激活函数（例如ReLU）来增加模型的非线性能力。
在训练过程中，我们需要使用带有雾霾的图像作为输入，清晰的图像作为目标输出。
通过比较模型输出和目标输出的差异，我们可以计算出损失函数，并使用反向传播算法来更新模型参数。
为了提高模型的泛化能力，可以使用数据增强技术，如旋转、缩放和翻转等。
此外，还可以使用一些正则化技术，如Dropout和L2正则化，来防止过拟合。
当模型训练完成后，我们可以使用它来对新的图像进行去雾处理。
具体来说，我们将待处理的图像输入到模型中，并获得相应的输出。
这个输出将是去除雾霾后的图像。
通过对比输入和输出图像，我们可以评估模型的去雾效果。
为了进一步提高去雾效果，我们可以考虑引入一些先验知识。
例如，我们可以利用大气散射的物理模型来指导图像去雾过程。
这可以通过将物理约束添加到模型的损失函数中来实现。
一种高效的图像增强去雾算法
直 方 图均衡是 图像 处理领 域 中利用 图像 的直方
图对对 比度 进行 调 整 的方 法． 其 基 本 思想 是 把 原 始
块状 效应 ： 图像 分块产 生 时 ， 由于相邻 子 图块 之 间的灰度 分布 不 同而 产 生 的处 理 结果 的差 异 ， 从 而 导致子块 的边 界 出现 突 变 的现 象 ， 视 觉 上有 明显 的
类： 雾天 图像增 强 （ 非模 型的 算法 ） 和雾 天 图像 复原 （ 基 于模 型的算 法） ． 图像 去 雾 技术 是 一个 跨 学科 的 前沿 性课 题 ， 具 有广 阔 的发展前 景 和应 用 前 景 ， 它 已经 成 为计 算 机 视觉 和 图像 处 理领 域研 究 的热 点 问题 之一 ， 吸引了 国内外许 多研 究 人 员 的兴 趣 ． 本 文 着 眼 于依 据 图像 增强 的有关 理论 ， 提 出一种 计 算 简单 但 效 果 明 显 的 实用 雾天 图像 清晰化 方法．
有 用信 息分布 在深 度 多 变 的场 景 中时 ， 很容易使 目
标 淹没在 背景 中 ， 从 而 导致 视 频 系 统无 法 满 足 工作 要 求． 局 部直方 图均 衡 的 处 理 对象 是 图像 的 局部 区 域， 将 图像 的所 有局部 区域 依次进 行直 方 图均衡 化 ， 增 强 图像 局部 信 息． 局 部 直 方 图均 衡 可 分 为 子块 非
理、 空 间滤 波等． １ ． １ 直方 图均衡
处 理后 的结果 ． 相邻 子块之 间不 重 叠 ， 大大 减小 了运 算量， 但 会不 可避免 的 出现 块状 效 应． 而重 叠 的直 方
图均衡 可 以大 大缓 解 块状 效 应 ， 但 同时计 算 量 也增 加 了． 为 了保证 图像 增强 的质 量 ， 考虑 降低 块状 效应 和减少计 算量 ， 我们 选择部 分重 叠直 方 图均 衡化．
图像去雾技术研究
编号图像去雾技术研究The research on image defoggingtechnology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AbstractFirstly, 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;1.云雾等环境对图像成像的影响1.1 课题研究的背景和意义近年来国内的雾霾天气逐渐由中东地区向全国蔓延。
基于深度学习的图像去雾算法研究
基于深度学习的图像去雾算法研究基于深度学习的图像去雾算法研究摘要：随着科技的进步，计算机视觉技术也日益发展，图像去雾作为其中之一的重要研究方向受到越来越多研究者的关注。
本文将介绍基于深度学习的图像去雾算法的研究，包括早期的传统算法及深度学习算法的发展趋势，以及近年来一些重要的研究成果和未来的发展方向。
第一章：引言图像去雾是计算机视觉领域一个重要而具有挑战性的问题，其目标是通过对雾霾图像进行处理，恢复出原始的清晰图像。
然而，由于大气散射的存在，雾霾图像的可见性较差，人眼难以识别出细节，所以如何有效地去除雾霾成为研究的重点。
传统的基于物理模型的算法在一定程度上能够去除雾霾，但是对于复杂场景以及大气散射造成的光照衰减问题处理不佳。
近年来，深度学习技术的发展为图像去雾算法的研究带来了新的机遇和挑战。
第二章：传统的图像去雾算法传统的图像去雾算法主要基于物理模型，如大气散射模型和暗通道先验等。
其中，大气散射模型是目前应用较广泛的模型之一，通过计算入射光源和散射光源之间的关系，去除雾霾图像的散射成分。
然而，该方法容易对细节进行过度增强，导致图像产生伪影。
暗通道先验算法则基于天空区域的暗通道原理，通过估计雾霾图像的大气光和透射率，去除雾霾效果较好。
但是，该算法对于雾霾图像的光照场景要求较高。
第三章：基于深度学习的图像去雾算法的发展近年来，深度学习技术的快速发展为图像去雾算法的研究带来了新的突破。
由于深度学习具有强大的非线性拟合能力和良好的特征学习能力，因此在图像去雾领域取得了显著的成果。
基于深度学习的图像去雾算法主要可以分为两类：单图像去雾算法和多图像去雾算法。
单图像去雾算法是通过利用已有的雾霾图像数据进行训练，通过一个深度学习网络模型估计雾霾图像的透射率，进而去除雾霾。
多图像去雾算法是通过利用多个输入图像来估计透射率，进一步提高去雾效果。
近年来，一些重要的基于深度学习的图像去雾算法的研究成果包括CycleGAN，DehazeGAN等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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布均匀的新图像。
它是以累积分布函数变换法为基础的直方图修正方法，其计算过程如下：(1) 首先通过对原始图像的研究分析，列出其灰度级f j ，j =0,1,…k ,…L -1，其中，L 是原始图像中灰度级的总数量。
(2) 根据原始图像的灰度级分布，统计出分布在不同灰度级的像素个数n j ，其中 j =0,1,…k ,…L -1。
(3) 计算原始图像的直方图，即各个灰度级中的像素个数占图像中像素总数的比重(),0,1,...,...,1j f j n P f j k L n==-，其中，n 为原始图像中像素总个数。
(4) 计算原始图像的累积直方图0()(),0,1,...,, (1)f j j C f P f j k L ===-∑。
(5) 利用灰度变换函数计算变换后图像的灰度值g i ，i =0,1,…k ,…P -1，其中，P 为变换后图像灰度级的总个数，并四舍五入取整：max min min =[(-)()+g +0.5]i g INT g g C f式中，INT 为取整符号。
(6) 确定灰度变换关系j →i ，据此将原始图像的灰度值f (m,n )= j 修正为g (m,n )= i 。
(7) 统计经灰度变换后的各灰度级的像素个数n i ，其中i =0,1,…k ,…P -1。
(8) 计算变换后图像的直方图(),0,1,...,,...1i g i n P g i k P n==-。
经直方图均衡处理后的图像直方图趋向于平坦，灰度级减少，灰度合并；变换后含有像素较多的灰度级间隔被拉大，像素少的灰度级被压缩，实际视觉能够接收的信息量得以增加。
直方图均衡化算法实现简单，能够扩大灰度值的动态范围，提高图像的对比度，但是仍存在一定的缺陷。
直方图是近似的概率密度函数，所以直方图均衡处理只是近似的，由于数字图像灰度取值的离散性，计算过程中用到四舍五入的方法使变换后的新图像中的灰度级数量会比原图像中的灰度级数量少，从而造成新图像中的部分信息丢失。
不同的灰度变换后的灰度可能相同，造成伪轮廓。
雾天采集到的图像亮度较高，呈现泛白发灰的状态且对比度较低，直方图分布较集中。
直方图均衡法在处理场景处于同一深度的图像时能获得较好的处理效果，但实际获得的图像中景物的深度往往并非一致，直方图均衡法难以反映景深多变的图像中局部景深的变化，难以获得令人满意的视觉效果。
a) 原始雾天图像 b) 直方图均衡后的图像c) 原始图像的直方图 d) 直方图均衡后的直方图图直方图均衡化处理结果The results of histogram equalization3.2.2 局部直方图均衡化全局直方图均衡方法在某种意义上，像素被基于整幅图像的灰度分布的变换函数修改。
虽然这种全局方法适用于整幅图像的增强，但是存在这样的情况，增强图像中小区域的细节也是需要的。
这些区域中，一些像素的影响在全局变换的计算中可能被忽略了，因为全局变换没有保证期望的局部增强。
解决方法是以图像中每个像素的邻域中的灰度分布为基础设计变换函数，即引入局部直方图均衡化方法。
局部直方图均衡化，也称为块重叠直方图均衡化，是一种标准的自适应直方图均衡化方法(AHE)。
局部直方图均衡化的基本思想是将直方图均衡化运算分散到图像的所有局部区域，通过局部运算的叠加自适应地增强图像局部信息。
局部直方图均衡化的过程是定义一个邻域，并把该区域的中心从一个像素移至另一个像素。
在每个位置，计算邻域中的点的直方图，并且得到的不是直方图均衡化，就是规定化变换函数。
这个函数最终用于映射邻域中心像素的灰度。
然后，邻域的中心被移至一个相邻像素位置，并重复该过程。
局部直方图均衡化可以根据图像的局部信息进行直方图均衡化，处理后的图像增强效果往往比全局直方图均衡化好。
雾天条件下采集的图像通常场景深度信息多变且无法确定，采用局部直方图均衡化算法能够大幅度降低场景深度信息对图像增强处理过程中产生的影响，从而对图像中的局部区域进行较好的对比度增强，获得较大的动态范围，达到图像清晰化的目的。
但是由于该方法在执行过程中需要进行逐点计算，所以耗时较长，且易产生块状效应。
3.2.3 实验结果分析本章实验的硬件环境为Intel(R) Core(TM)2 Duo CPU，，内存2G；软件平台为MATLAB(R2008a)。
局部直方图均衡算法中的邻域大小为7×7的窗口。
A:B:a) 原始图像 b) 全局直方图均衡c) 局部直方图均衡图 直方图均衡方法的去雾结果The result of defogging by histogram equalization从以上A 、B 两组实验结果图可以看出：A 、B 组处理后图像明显比原始雾天图像清晰，经全局直方图处理后的图像在景深多变处难以显示图像细节信息(如A 组中房屋的窗户以及房屋前面的植物，B 组图像中的植被)，经局部直方图均衡处理后的图像细节信息突出，但是易出现块状效应且算法耗时较长。
基于同态滤波的雾天图像增强同态滤波是一种在频域中将图像动态范围进行压缩并将图像对比度进行增强的方法，它以图像的入射/反射分量模型作为频率域处理的基础，主要通过压缩图像的亮度范围和增强图像的对比度从而达到改善图像质量的目的。
同态滤波是基于图像的成像模型。
3.3.1 同态滤波原理一幅图像f (x,y )可以用它的入射光分量和反射光分量来表示，其关系式如下：(,)(,)(,)f x y i x y r x y =⨯式中，入射光分量i (x,y )由照明源决定，即它与光源有关，通常用来表示图像中变化缓慢的背景信息，可直接决定一幅图像中像素能达到的动态范围[40]。
而反射光分量r (x,y )则是由物体本身特性决定的，它表示灰度的急剧变化部分，如两个不同物体的交界部分、边缘部分等。
入射光分量与傅里叶平面上的低频分量相关，而反射光分量则与其高频分量相关。
式不能直接用于对照射和反射的频率分量进行操作，因为乘积的傅里叶变换不是变换的乘积，即：[(,)][(,)][(,)]F f x y F i x y F r x y ≠⨯然而，假设定义：(,)ln[(,)]ln[(,)]ln[(,)]z x y f x y i x y r x y ==+则有[(,)][ln((,))][ln((,))][ln((,))]F z x y F f x y F i x y F r x y ==+或(,)(,)(,)i r Z u v F u v F u v =+式中，F i (u,v )和F r (u,v )分别是ln (i (x,y ))和ln (r (x,y ))的傅里叶变换。
可以用一个滤波器H (u,v )对Z (u,v )滤波，故有：(,)(,)(,)(,)(,)(,)(,)i r S u v H u v Z u v H u v F u v H u v F u v ==+ 在空域中，滤波后的图像是：111(,)[(,)][(,)(,)][(,)(,)]i r s x y F S u v F H u v F u v F H u v F u v ---==+由定义可知：1'(,)[(,)(,)]i i x y F H u v F u v -=1'(,)[(,)(,)]r r x y F H u v F u v -= 式可以表示为如下形式：(,)'(,)'(,)s x y i x y r x y =+最后因为z (x,y )是通过取输入函数的自然对数形成的，可以通过取滤波后的结果的指数这一反处理来形成输出图像：(,)'(,)'(,)00(,)(,)(,)s x y i x y r x y g x y e e e i x y r x y ===其中，'(,)0(,)i x y i x y e =表示输出图像的照射分量，'(,)0(,)r x y r x y e =表示输出图像的反射分量。
同态滤波的步骤可以归纳如下图所示：图 同态滤波增强处理流程图Flow chart of homomorphic filtering algorithm图像的照射分量通常以空间域的缓慢变化为特征，而反射分量往往引起突变，特别是当处理的图像是内容丰富多变的自然场景图。
这些特性导致图像取对数后的傅里叶变换的低频成分与照射相联系，而高频成分与反射相联系。
虽然这些联系只是粗略的近似，但是它们用在图像滤波中是有益的。
根据这些特征可以把图像经过傅里叶变换后的低频部分与照射分量联系起来，高频部分与反射分量联系起来。