基于retinex的图像去雾算法
一种基于多尺度Retinex算法的图像去雾方法
０ 引 言
雾是 由于大气中悬浮 的水汽凝结 而造成 能见 度降低的一种 天气现象 。在雾 天天气条件下 ， 大气 能见度下降 ， 致使 光学器材
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 。文献 ［ ５ ］ 中， 该算 法从 大气散 射 模 型 出发 ， 通过对大气光照进行 白平衡 ， 从而 简化大气 散射模 型 ； 利用快 速双边滤波方法估计 大气耗 散 函数 ， 进 而恢复 场景 反照
ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｅ ｌ ｉ ｍｉ ｎ ａ ｔ ｅ ｔ ｈ ｅ ｆ ｏ ｇ ｇ ｙ ｉ ｍｐ ａ ｃ ｔ ｏ ｎ ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ａ ｎ ｄ ｒ ｅ ｌｉ ａ ｓ ｅ ｓ ｔ ｈ ｅ ｒ ｅ ｃ ｏ ｖ ｅ ｒ ｙ ｏ ｆ ｅ ｏ ｌ ｏ ｕ ｒ ｄ ｅ ｇ ｒ ａ ｄ ｅ ｄ ｉ ｍａ ｇ ｅ ｓ ．
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ Ｉ ｍａ ｇ ｅ ｓ ｔ ａ ｋ ｅ ｎ ｉ ｎ ｆ ｏ ｇ ｇ ｙ ｗｅ ａ ｔ ｈ ｅ ｒ ａ ｒ ｅ ｂ ｌ ｕ ｒ ｒ ｅ ｄ ｉ ｎ ｖ ｉ ｅ ｗ ａ ｎ ｄ ｗｉ ｔ ｈ ｐ ｏ ｏ ｒ ｃ ｏ ｎ ｔ ｒ ａ ｓ ｔ ｂ ｅ ｃ ａ ｕ ｓ ｅ ｏ ｆ ａ ｔ ｍｏ ｓ ｐ ｈ ｅ ｒ ｅ ｓ ｃ ａ ｔ ｔ ｅ ｒ ｉ ｎ ｇ ，ｔ ｈ ｅ ｓ ｅ ｓ ｅ ｉ ｒ ｏ ｕ ｓ ｌ ｙ
罗会兰林家彪
（ 江西理工大学信息工程学院 江西 赣州 ３ ４ １ ０ ０ ０ ）
摘
要
在有 雾天 气条 件下拍摄 的图像 ， 由于大气的散射作用 ， 导致 图像 的内容模 糊不清， 对 比度下 降， 给交通系统及户外视觉 系
三种Retinex图像去雾算法比较与分析
三种Retinex图像去雾算法比较与分析作者：林东升来源：《电脑知识与技术》2020年第32期摘要：采集到的图像会因为大雾或雾霾的影响而出现清晰度低、对比度差、色彩失真等问题，必须进行去雾处理，基于颜色恒常理论的Retinex算法被证实是一种有效的图像增强方法，可以被用于去雾，分别对SSR、MSR、 MSRCR三种Retinex算法进行了剖析和比较，并将其应用于图像去雾，以图像质量的改善和执行时间为评价指标对去雾效果进行了详细分析，为实际应用提供选择依据。
关键词：Retinex;图像去雾;图像增强;图像质量中图分类号： TP181 文献标识码：A文章编号：1009-3044（2020）32-0197-021 引言随着智慧交通、智慧城市等系统的广泛应用，图像成为信息获取最重要的载体。
但是，在大雾或雾霾等天气下，采集到的图像质量受到严重影响，模糊不清，细节丢失，甚至无法从中提取有效信息，如电子警察拍摄的图像可能因为大雾的影响无法为交通事故责任的划分提供佐证，需要在图像处理技术上取得突破。
目前，针对图像去雾的研究越来越多，基于图像增强的Retinex方法由于实验环境简单[1]等特点，受到广泛关注。
Retinex是Land等人提出的一种颜色恒常知觉的计算理论，该理论认为，物体的颜色是由物体对长波、中波和短波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[2-3]。
Retinex理论被提出以来，掀起了研究热潮，理论得以不断丰富，并在图像增强等实际应用中得到进一步发展，但是理论基础还是集中在三个基本方面，即基于中心环绕的单尺度Retinex算法（single scale retinex， SSR）、基于多尺度加权平均的Retinex算法（multi-scale retinex， MSR）和带彩色恢复的多尺度Retinex算法（multi-scale retinex with color restoration， MSRCR）[4]，这三种基础算法用于图像去雾，会在图像质量改善和算法执行时间等方面呈现出不同的结果，在实际应用中，应用者可以基于执行环境、质量需求等方面进行合理选择。
基于Retinex理论的图像去雾去噪算法
第１０卷㊀第２期Ｖｏｌ．１０Ｎｏ．２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２０年２月㊀Ｆｅｂ．２０２０㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２０）０２－００９３－０４中图分类号：ＴＰ３９１．４１文献标志码：Ａ基于Ｒｅｔｉｎｅｘ理论的图像去雾去噪算法郑㊀敏（西安石油大学计算机学院，西安７１００６５）摘㊀要：利用基于Ｒｅｔｉｎｅｘ理论的去雾算法对图像进行去雾处理，图像会出现颜色失真，细节信息不明显等问题，为了更好地实现动态范围压缩和颜色恒定，提出了一种基于Ｒｅｔｉｎｅｘ理论的图像去雾去噪算法㊂该方法大致可分为３部分：求取光照强度，增强图像细节和线性加权融合㊂首先利用ＭＳＲ算法求取图像的光照分量和反射分量，然后利用拉普拉斯金字塔对反射分量进行处理，增强图像的细节部分㊂最后进行彩色校正重建清晰图像㊂通过与其它去雾算法进行性能对比，实验结果表明，该算法具有较高的可靠性和有效性，能高效地去雾并增强图像的边缘和细节部分，得到细节清晰的高质量图像㊂关键词：图像增强；图像复原；图像去雾；ＲｅｔｉｎｅｘＩｍａｇｅｄｅｈａｚｉｎｇａｎｄｄｅｔｕｎｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＲｅｔｉｎｅｘｔｈｅｏｒｙＺＨＥＮＧＭｉｎ（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，Ｘｉ＇ａｎＳｈｉｙｏｕＵｎｉｖｅｒｓｉｔｙ，Ｘｉ＇ａｎ７１００６５，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＴｈｅｉｍａｇｅｉｓｄｅｆｏｇｇｅｄｂｙｕｓｉｎｇｔｈｅｄｅｆｏｇｇｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅＲｅｔｉｎｅｘｔｈｅｏｒｙ，ｔｈｅｒｅｗｉｌｌｂｅｐｒｏｂｌｅｍｓｓｕｃｈａｓｉｍａｇｅｃｏｌｏｒｄｉｓｔｏｒｔｉｏｎａｎｄｉｎｃｏｎｓｐｉｃｕｏｕｓｄｅｔａｉｌｉｎｆｏｒｍａｔｉｏｎ．Ｉｎｏｒｄｅｒｔｏａｃｈｉｅｖｅｂｅｔｔｅｒｄｙｎａｍｉｃｒａｎｇｅｃｏｍｐｒｅｓｓｉｏｎａｎｄｃｏｌｏｒｃｏｎｓｔａｎｔ，ａｎｉｍａｇｅｄｅ－ｆｏｇｇｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＲｅｔｉｎｉｘｔｈｅｏｒｙｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｍｅｔｈｏｄｃａｎｂｅｒｏｕｇｈｌｙｄｉｖｉｄｅｄｉｎｔｏｔｈｒｅｅｐａｒｔｓ：ｏｂｔａｉｎｉｎｇｌｉｇｈｔｉｎｔｅｎｓｉｔｙ，ｅｎｈａｎｃｉｎｇｉｍａｇｅｄｅｔａｉｌａｎｄｌｉｎｅａｒｗｅｉｇｈｔｅｄｆｕｓｉｏｎ．Ｆｉｒｓｔｌｙ，ｔｈｅＭＳＲａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｂｔａｉｎｔｈｅｉｌｌｕｍｉｎａｔｉｏｎｃｏｍｐｏｎｅｎｔａｎｄｔｈｅｒｅｆｌｅｃｔｉｏｎｃｏｍｐｏｎｅｎｔｏｆｔｈｅｉｍａｇｅ，ａｎｄｔｈｅｎｔｈｅＬａｐｌａｃｉａｎｐｙｒａｍｉｄｉｓｕｓｅｄｔｏｐｒｏｃｅｓｓｔｈｅｒｅｆｌｅｃｔｉｏｎｃｏｍｐｏｎｅｎｔｔｏｅｎｈａｎｃｅｔｈｅｄｅｔａｉｌｐａｒｔｏｆｔｈｅｉｍａｇｅ．Ｆｉｎａｌｌｙ，ｃｏｌｏｒｃｏｒｒｅｃｔｉｏｎｉｓｐｅｒｆｏｒｍｅｄｔｏｒｅｃｏｎｓｔｒｕｃｔａｃｌｅａｒｉｍａｇｅ．Ｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒｄｅｆｏｇｇｉｎｇａｌｇｏｒｉｔｈｍｓ，ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｒｅｌｉａｂｉｌｉｔｙａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓ．Ｓｐｅｃｉｆｉｃａｌｌｙ，ｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｄｅｆｏｇａｎｄｅｎｈａｎｃｅｔｈｅｅｄｇｅｓａｎｄｄｅｔａｉｌｓｏｆｔｈｅｉｍａｇｅ，ａｎｄｏｂｔａｉｎｈｉｇｈ－ｑｕａｌｉｔｙｉｍａｇｅｓｗｉｔｈｃｌｅａｒｄｅｔａｉｌｓ．ʌＫｅｙｗｏｒｄｓɔｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ；ｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎ；ｉｍａｇｅｄｅｆｏｇｇｉｎｇ；Ｒｅｔｉｎｅｘ哈尔滨工业大学主办学术研究与应用●作者简介：郑㊀敏（１９９５－），女，硕士研究生，主要研究方向：计算机科学与技术㊂收稿日期：２０１９－１０－１００㊀引㊀言近几年空气质量退化的现象不容乐观，而且雾霾天气也不时出现，导致户外工作者在拍摄和采集图像时，得到的图像质量受到很大的影响㊂采集的图像因受到雾的影响，会出现模糊和覆盖的现象，为了更好地用图像反映实物，需要对图像进行去雾处理，改善细节模糊，使图像清晰度更高㊂图像去雾是用一定的手段从模糊的图像中除雾，改善图像的对比度，复原图像的细节部分［１］㊂图像去雾技术与天气条件密切相关，在雾天下拍摄的图像，由于大气散射影响，导致图像的清晰度不够，图像细节不明显，对比度下降，动态范围缩小等诸多特征信息被模糊和覆盖，导致图像信息的可辨识度大大降低㊂采用高效的去雾方法可以大幅度地减少原图中雾气对图像的影响，还原出高质量的图像㊂１㊀相关工作目前的去雾技术大致可分为两类，一类是基于物理模型的雾天图像复原，另一类是基于图像处理的雾天图像增强［２］㊂雾天图像复原是使用雾天退化模型进行去雾，相当于图像成像时的逆变化［３］㊂图像复原的难易程度取决于对退化过程中先验知识的掌握程度［４］㊂基于先验信息的雾天图像复原，主要是最大化复原图像的对比度以及色彩信息，以达到去雾的目的㊂对于浓雾天气下拍摄的图像，复原后可能会出现失真㊂基于图像复原的大气散射理论，该方法是通过某一场景的最大偏振图像和最小偏振图像的差值估算出光照强度，只是会对光照有较强的依赖性，在浓雾下，算法性能较差㊂这些去雾方法尽管在去雾思想上存在着较大的差别，但各种方法都有着各自不同的优缺点㊂对于一幅雾天图像，如果采用雾天图像增强方法，可以明显地改善图像的对比度以及局部细节，就采用图像增强算法㊂如果采用雾天图像复原算法可以达到较好的去雾效果，则选择雾天图像复原算法进行处理㊂雾天图像增强的目的就是通过图像处理提高信息的可辨识度，使图像清晰度更高㊂基于图像增强方法的图像去雾不需要考虑图像退化的原因，目前颇具代表性的去雾算法有直方图处理算法以及Ｒｅｔｉｎｅｘ算法㊂其中，直方图处理算法实现简单，能够有效地提高图像的对比度，使图像的灰度值均匀分布，但在直方图变换时，图像的灰度级可能会减少，某些细节信息会丢失［５］，并产生过亮现象㊂直方图均衡化可以提高图像的全局对比度，但是当图像中的雾密度不均衡，场景深度信息未知时，可能会导致图像信息丢失㊂Ｒｅｔｉｎｅｘ理论是一个著名的颜色恒定知觉计算理论，其本质思想是尽可能地除去去雾图像中的照度图像，只保留反射图像㊂通过对原始图像进行高斯滤波来估算出照度图像，再用原始图像减去照度图像即可获得反射图像［６］㊂特别地，单尺度Ｒｅｔｉｎｅｘ算法（ＳＳＲ）满足Ｒｅｔｉｎｅｘ理论的要求，是一种主要用于灰度图像增强的方法，该算法实现容易，运算速度较快，具有较强的动态压缩能力，但不能保证图像在细节提取和颜色保真度之间达到平衡，会使图像出现颜色失真的现象［７］㊂综上论述可知，为了更好地处理图像的退化，提高图像对比度，提出了一种基于ＳＳＲ的多尺度Ｒｅｔｉｎｅｘ彩色图像增强算法㊂该算法对ＳＳＲ的结果进行线性加权来增强图像色彩㊂相比ＳＳＲ算法，ＭＳＲ算法可以实现图像的动态范围压缩㊁颜色恒常性以及色彩增强，但在使用该算法时，却仍有一些不足亟待改进㊂例如，当图像光照不平滑时，图像亮度差异较大的区域就会产生光晕㊂常见的缺点还有处理后的图像出现颜色失真㊁阴影边界突兀㊁纹理不清楚等㊂２ 本文算法Ｒｅｔｉｎｅｘ算法在滤掉光照后保留了反射光，从而使增强后的图像边缘细节明显，但图像的对比度差，且在除雾过程中引入了一些噪声，导致图像不够平滑㊂为了更好地获得图像局部细节信息，抑制噪声与失真现象的出现，提出了一种基于Ｒｅｔｉｎｅｘ理论的图像去雾去噪算法㊂该方法大致可分为５个部分，包括利用多尺度ＭＳＲ对图像进行分解，求得光照强度，对光照进行伽玛校正，进行双边滤波抑制噪声，引入拉普拉斯金字塔增强图像的细节，最终结果与反射图像线性加权㊂对此可做研究分述如下㊂（１）求取反射分量㊂采用了基于Ｒｅｔｉｎｅｘ理论的ＭＳＲ算法，确定３个合理的尺度参数进行处理，估算出光照强度㊂ＭＳＲ算法计算公式可表示为：㊀ＲＭＳＲ（ｘ，ｙ）＝ðＮｎ＝１ｗｎ｛ｌｏｇＳ（ｘ，ｙ）－ｌｏｇ（Ｆｎ（ｘ，ｙ）∗Ｓ（ｘ，ｙ））｝．（１）㊀㊀其中，Ｒ（ｘ，ｙ）表示反射分量；Ｓ（ｘ，ｙ）表示去雾图像；Ｆ（ｘ，ｙ）∗Ｓ（ｘ，ｙ）表示去雾图像经过高斯卷积估算出光照分量，清除光照度，得到反射分量㊂通过对不同尺度的ＳＳＲ进行线性加权融合，实现动态范围压缩和色彩保真度㊂（２）双边滤波器处理㊂使用Ｒｅｔｉｎｅｘ算法来实现图像增强，在图像对比度增大的同时，噪声就被放大㊂因此，有必要对增强后的图像进行去噪处理㊂使用双边滤波能够在平滑去噪的同时很好地保存图像边缘㊂滤波器的核由２个函数生成，一个函数是由像素欧式距离决定滤波器模板的系数，另一个函数由像素的灰度差值决定滤波器的系数［８］㊂双边滤波器模板的数学公式如下：㊀ｗ（ｉ，ｊ，ｋ，ｌ）＝ｅｘｐ（－（ｉ－ｋ）２＋（ｊ－ｌ）２２σ２ｄ－ｆ（ｉ，ｊ）－ｆ（ｋ，ｌ） ２２σ２ｒ），（２）其中，函数ｆ（ｘ，ｙ）表示要处理的图像；ｆ（ｉ，ｊ）表示图像在点（ｉ，ｊ）处的像素值；（ｉ，ｊ）为模板窗口的其它系数的坐标；（ｋ，ｌ）为模板窗口的中心坐标；σｒ为高斯函数的标准差㊂（３）拉普拉斯金字塔图像增强㊂图像增强的核心是图像的细节增强，而双边滤波器降噪会造成边缘信息的丢失㊂使用双边滤波器处理后的图像作为拉普拉斯金字塔的输入图像，该方法可以较好地增强图像的边缘和细节信息㊂改进的拉普拉斯金字塔算法首先向下采样，根据２个不同比例尺度得到２层高斯金字塔并进行微分，再得到拉普拉斯金字塔细节图像㊂将预设细节权重系数λ（λ＞１）添加到双边滤波图像中，获得拉普拉斯金字塔的详细图像㊂此时会用到如下数学公式：ＬＬｉ（ｘ，ｙ）＝λ㊃ＬＰＬａｙｅｒｓｉ＋Ｂｆｉ，（３）㊀㊀其中，λ是细节权重系数㊂参数的选择基于大量的实验结果，例如ｌａｙｅｒｓ＝３，则λ＝２．５㊂（４）伽玛校正过程㊂根据高斯卷积得到光照图像，直接对原始图像除去光照可能会造成过度的增强㊂为了解决这一问题，将校正后的照明添加回反射分量作为一个互补，实现光照补偿，确保增强后的图像颜色自然恒定，并补偿由图像对比度引起的图像失真㊂伽玛算法主要用于校正图像的亮度，以此改善图像对比度㊂经典的伽玛校正算法是通过全局范围内的固定参数分配像素值，由于每个图像的校正参数都不同，故手动去设置参数难以提高图像的４９智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１０卷㊀质量㊂因此，应通过像素值的变化自适应地改变γ的值㊂经典的伽玛校正公式可表示为：Ｌ＇＝Ｗ（ＬＷ）１γ，（４）㊀㊀其中，γ是可调参数；Ｌ 是校正像素值；Ｌ是当前像素值；Ｗ是８位图像中的最大像素值（通常设置为２５５）㊂为了避免手动设置参数带来的缺陷，提出了一种快速伽玛校正算法㊂该算法是通过图像像素值㊁照明像素值的平均值以及比率Ｎ确定参数γ的值㊂运算时可参考如下数学公式：ｓｕｍ＝ｍ㊃ｎ㊃ｑ，（５）γ＝ðｍｘ＝１ðｎｙ＝１ðｑｚ＝１Ｌ（ｘ，ｙ，ｚ）ｓｕｍ㊃Ｎ，（６）Ｇａｉ＝Ｌｉ＇（ｘ，ｙ）＝ｃ［Ｌｉ（ｘ，ｙ）］γ，（７）㊀㊀其中，γ是校正参数；Ｌｉ（ｘ，ｙ）是照明图像的通道；ｓｕｍ是图像Ｌ中的像素总数；ｍ和ｎ是照明图像的行和列；ｑ是图像的通道数，ｑ＝３是彩色图像，ｑ＝１是灰度图像；Ｎ是判断图像亮度的阈值（通常设置Ｎ为１２７）㊂为了保持图像的色彩保真度，将校正后的照明图像添加到反射图像中㊂校正后的图像表达式具体如下：Ｓｉ＇（ｘ，ｙ）＝Ｇａｉ（ｘ，ｙ）㊃ＬＬｉ（ｘ，ｙ），（８）㊀㊀（５）线性加权融合㊂首先通过ＭＳＲ算法获得增强后的Ｒ，Ｇ，Ｂ通道的ＲＭＳＲ，ＧＭＳＲ，ＢＭＳＲ，通过双边滤波器获得Ｒ，Ｇ和Ｂ通道去噪的ＢｆＲ，ＢｆＧ，ＢｆＢ，通过拉普拉斯金字塔描述ＲＧＢ颜色的每个通道，获得ＬＬＲ，ＬＬＧ，ＬＬＢ，通过伽玛校正得到校正后的各颜色通道ＧａＲ，ＧａＧ和ＧａＢ，将校正后的颜色通道添加回反射分量得到ＳＲ，ＳＧ和ＳＢ，将增强和校正后的ＲＧＢ颜色通道空间进行线性加权融合㊂对应的数学公式见如下：ＳＲ（ｘ，ｙ）＝α㊃ＬＬＲ（ｘ，ｙ）＋（１－α）㊃Ｓ＇Ｒ（ｘ，ｙ），（９）ＳＧ（ｘ，ｙ）＝α㊃ＬＬＧ（ｘ，ｙ）＋（１－α）㊃Ｓ＇Ｇ（ｘ，ｙ），（１０）ＳＢ（ｘ，ｙ）＝α㊃ＬＬＢ（ｘ，ｙ）＋（１－α）㊃Ｓ＇Ｂ（ｘ，ｙ）．（１１）㊀㊀其中，ＳＲ（ｘ，ｙ），ＳＧ（ｘ，ｙ），ＳＢ（ｘ，ｙ）分别表示Ｒ，Ｇ和Ｂ通道的增强图像，α是权重系数并设置αɪ（０，１）㊂３㊀实验结果与分析为了验证本文中提出的优化算法，将本文算法与基于Ｒｅｔｉｎｅｘ理论的其它算法进行性能对比㊂研究后，可得多幅去雾图像经过各种算法处理后的效果图如图１所示㊂（ａ）原图（ａ）Ｏｒｉｇｉｎａｌｉｍａｇｅ（ｂ）ＳＳＲ算法（ｂ）ＳＳＲａｌｇｏｒｉｔｈｍ（ｃ）ＭＳＲ算法＋去噪（ｃ）ＭＳＲａｌｇｏｒｉｔｈｍ＋ｄｅｎｏｉｓｉｎｇ（ｄ）本文算法（ｄ）Ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ图１㊀算法效果对比图Ｆｉｇ．１㊀Ａｌｇｏｒｉｔｈｍｅｆｆｅｃｔｃｏｍｐａｒｉｓｏｎｄｉａｇｒａｍ㊀㊀由图１中可以看出，图１（ｂ）经过处理后，图像的清晰度得到了很大的改善，但图像有出现失真或过曝的现象，这是由于ＳＳＲ处理结果与尺度参数密切相关，尺度参数的选择直接影响去雾的效果，所以针对去雾图像要反复试验，确定一个最优的尺度参数㊂图１（ｃ）经过ＭＳＲ算法以及去噪处理后，图像整体变清晰，图像中的物体均可以辨认，光晕效果不明显，但存在对比度不足，与原去雾图像的背景出现了色偏㊂由图１（ｄ）可以很明显地看出，本文的方法可以有效地对图像进行除雾处理，提高了图像的对比度，复原了图像的模糊细节㊂由于拉普拉斯金字塔算法具有提取全局轮廓信息和局部细节纹理的优点，采用拉普拉斯金字塔算法对全局细节进行增强，可以有效地突出细节特征㊂采用标准差㊁平均梯度㊁信息熵这三个指标对上述的去雾算法进行评定［９］，评定结果见表１ 表３㊂５９第２期郑敏：基于Ｒｅｔｉｎｅｘ理论的图像去雾去噪算法表１㊀第一组图指标评定结果Ｔａｂ．１㊀Ｔｈｅｆｉｒｓｔｇｒｏｕｐｏｆｉｎｄｉｃａｔｏｒｓｅｖａｌｕａｔｉｏｎｒｅｓｕｌｔｓ标准差平均梯度信息熵原图５０．１２５３３．４３５７７．４２１３ＳＳＲ算法５１．１７４８５．８５６４７．４８６９ＭＳＲ算法＋去噪５４．９６３４７．４１６９７．５２３１本文算法５６．９９６３８．１２４９７．６４１７表２㊀第二组图指标评定结果Ｔａｂ．２㊀Ｔｈｅｓｅｃｏｎｄｇｒｏｕｐｏｆｉｎｄｉｃａｔｏｒｓｅｖａｌｕａｔｉｏｎｒｅｓｕｌｔｓ标准差平均梯度信息熵原图３０．５６４２３．２４５１６．５４６９ＳＳＲ算法３４．５２０２４．６９８４６．７５１２ＭＳＲ算法＋去噪４０．４５１７５．２３４５７．４６２９本文算法４６．２３８５５．８４１２７．７５６９表３㊀第三组图指标评定结果Ｔａｂ．３㊀Ｔｈｅｔｈｉｒｄｇｒｏｕｐｏｆｉｎｄｉｃａｔｏｒｓｅｖａｌｕａｔｉｏｎｒｅｓｕｌｔｓ标准差平均梯度信息熵原图２７．０８５４３．２８９１６．２２３７ＳＳＲ算法３１．２５６８５．６３８１６．７３３９ＭＳＲ算法＋去噪４１．２６３４６．３２１８７．４２９５本文算法４６．３３２８７．０３６５７．５１４８㊀㊀由表１ 表３中可以看出，３种算法对去雾图像均有明显的复原效果，标准差越大证明图像的质量就越好㊂因而由表１ 表３中就能清晰地看出，本文算法可以更好地提高图像的质量㊂平均梯度指的是图像的灰度变化率，平均梯度越大，图像的层次就越丰富，图像也就更加清晰㊂使用本文算法相较于其他算法，很好地改善了图像的模糊程度㊂对于图像信息熵，本文算法和ＭＳＲ算法与去噪算法的组合明显优于ＳＳＲ算法㊂４㊀结束语本文结合基于Ｒｅｔｉｎｅｘ理论的ＭＳＲ算法㊁双边滤波器以及拉普拉斯金字塔算法的优点，提出了一种基于Ｒｅｔｉｎｅｘ理论的图像去雾去躁算法㊂首先使用多尺度算法估算出图像的光照分量及反射分量，并对光照分量进行伽马校正，使用双边滤波器对其进行降噪处理，并引入拉普拉斯金字塔增强图像的局部细节，最终结果与反射图像线性加权㊂使用本文算法对多组图像进行了去雾处理，通过分析处理后的结果可知，本文算法不仅高效，而且还有着较为显著的优势㊂本文算法有效地增强了图像的边缘和细节部分，保持了图像的颜色一致性㊂参考文献［１］徐健，吴曙培，林皓琨．基于暗通道先验去雾算法的优化［Ｊ］．电子测量技术，２０１９，４２（１４）：９８．［２］肖玉丽．去雾算法及其在车牌检测中的应用研究［Ｄ］．西安：西安电子科技大学，２０１１．［３］郭璠．图像去雾方法和评价及其应用研究［Ｄ］．长沙：中南大学，２０１１．［４］王响平，王玲，陆谱进．基于调和模型神经网络的彩色图像复原研究［Ｊ］．计算机工程与应用，２０１５，５１（４）：１８８．［５］吴俊杰．海雾图像清晰化算法研究［Ｄ］．哈尔滨：哈尔滨工程大学，２０１７．［６］洪平．基于ＲＥＴＩＮＥＸ理论的图像去雾研究［Ｄ］．上海：上海交通大学，２０１３．［７］周剑华．改善数码照片的几种质量问题的算法研究［Ｄ］．哈尔滨：哈尔滨工业大学，２０１０．［８］陶颖．基于Ｒｅｔｉｎｅｘ的夜间彩色图像增强技术的研究［Ｄ］．长春：长春理工大学，２０１８．［９］ＧＵＯＦａｎ，ＴＡＮＧＪｉｎ，ＣＡＩＺｉｘｉｎｇ．Ａｎｏｂｊｅｃｔｉｖｅａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｆｏｒｉｍａｇｅｄｅｆｏｇｇｉｎｇｅｆｆｅｃｔｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｕｔｏｎｏｍｏｕｓａｎｄＡｄａｐｔｉｖｅＣｏｍｍｕｎｉｃａｔｉｏｎｓＳｙｓｔｅｍｓ（ＩＪＡＡＣＳ），２０１５，８（２／３）：１８０．（上接第９２页）４㊀结束语本文通过对系统进行层次分析确定系统的可靠性评估指标，并利用层次分析法计算组合权重确定奖励系数，采用马尔科夫奖励过程考虑不同衰减系数建立地铁列车牵引系统可靠性评估模型，最终研究确定衰减系数γ＝０．２，奖励系数Ｍ＝０．２作为可靠性评估最优参数，该分析方法对地铁列车的维护保障㊁维修决策具有重要的参考意义㊂参考文献［１］赵峰，李渊琴，陈鲜，等．动车组牵引传动系统健康状态评估［Ｊ］．铁道科学与工程学报，２０１８，１５（６）：１３９１－１３９８．［２］曹茜，赵峰，王开铭，等．ＣＲＨ３型动车组牵引传动系统可靠性分析［Ｊ］．中国安全科学学报，２０１６，２６（５）：４１．［３］孟辉苓，刘志刚，刁利军，等．城轨列车牵引逆变系统可靠性评估［Ｊ］．铁道学报，２０１４，３６（９）：３４．［４］宋永丰，陆阳，李杰波，等．ＣＲＨ３Ｃ型动车组牵引传动系统可靠性建模与指标分配［Ｊ］．铁道机车车辆，２０１３，３３（５）：７５．［５］赵琼．牵引供电系统接触网可靠性分析研究［Ｄ］．兰州：兰州交通大学，２０１４．［６］郑彦涛．基于层次分析法的ＣＲＨ３８０Ｂ动车组维修可靠性分析与研究［Ｄ］．北京：清华大学，２０１３．［７］张志华．可靠性理论及工程应用［Ｍ］．北京：科学出版社，２０１２．［８］何正友．复杂系统可靠性分析在轨道交通供电系统中的应用［Ｍ］．北京：科学出版社，２０１５．［９］邱星慧．地铁车辆牵引传动系统可靠性建模与寿命评估［Ｄ］．北京：北京建筑大学，２０１８．［１０］张友鹏，杨金凤．模糊灰色聚类和组合赋权法在铁路信号系统可靠性评估中的应用［Ｊ］．安全与环境学报，２０１７，１７（２）：４２６．６９智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１０卷㊀。
基于Retinex模型的雾天图像清晰化算法
基于Retinex模型的雾天图像清晰化算法黄山风景区全年雨雾天气近200天，常规的视频监控系统在这种天气下，很难发挥作用。
为了解决这个问题，黄山针对雾天图像对比度降低的退化现象，提出了一种快速的对比度增强算法。
通过简单变换后发现，大气散射模型的数学表达式符合Retinex模型，因此采用Retinex算法来提高图像的对比度。
同时提出了一种新的平滑保边滤波，用来快速估计Retinex算法中的照度。
它的每次迭代仅需要三次均值滤波，时间复杂度低。
对于彩色图像，通过非线性指数增强图像的饱和度。
实验结果表明，提出的清晰化算法能有效增强雾天图像的对比度（特别是降质严重的低对比度区域），改善彩色图像的色彩，同时较好的保持图像的边缘。
标签：雾；Retinex；对比度；保边滤波；饱和度1、引言黄山，素以奇伟绝俗、灵秀多姿著称于世。
其全年雨雾天气近200天，弥漫在空中的雾气模糊了人们的视线，使得景物的能见度大幅降低，图像中蕴含的许多特征都被覆盖或模糊。
并且图像退化程度跟图像景物到摄像头的距离相关，距离越远，距离越远，退化越严重。
因此，这种退化在空间上是不均匀的。
图像去雾算法主要经历了3个研究阶段：传统图像增强方法，比如直方图处理[1][2]、小波方法[3]和retinex[4]等。
由于雾天退化图像的空间不均匀，这类方法效果有限。
基于物理模型的多图像（或多数据源）复原方法。
由于退化模型与成像距离密切相关，而基于单幅图像很难获得准确的深度信息。
因此，这类方法通过多图像（或多数据源）得到图像深度信息后利用物理模型达到复原的目的。
Narasimhna 等人提出了多种提取场景深度信息的方法，有些需要用到不同天气状态下相同景物的图像[5]，有些利用偏振光的方法[6]。
基于大气散射模型的方法能够在雾天图像增强上达到较好的效果，但要求多图像（或多数据源），因此在实际应用上具有一定的局限性。
基于物理模型的单幅图像复原方法。
由于考虑了雾天成像的物理模型和仅使用单幅图像，这类方法是近年来研究的热点和难点，取得了很大的进展。
基于Retinex的雾霾图像去雾算法
基于Retinex的雾霾图像去雾算法作者：赵苏齐吴健珍来源：《科教导刊》2016年第04期摘要本文提出了一种基于Retinex的雾霾图像的去雾增强算法，将受到雾霾天气影响的欠清晰图像用Retinex算法进行处理，获得增强图像。
针对图像处理后出现噪点的问题，使用中值滤波对图像进行滤波处理，去除噪声。
仿真实验表明该算法对受到雾霾天气影响的图像有较好的增强效果，降低噪声，画面清晰。
关键词 Retinex算法雾霾图像图像增强中图分类号：TM391.4 文献标识码：A DOI：10.16400/ki.kjdks.2016.02.0760 引言随着当代中国工业化和城镇化的快速发展，工业生产和个人驾车交通出行等产生的废气不断增多，绿化面积却由于城镇建设而呈现下跌趋势，恶劣天气频繁地出现。
在恶劣天气条件下，我们获得的图像质量会受到严重影响。
很多户外系统的正常工作都需要获得具有一定质量的图像。
例如智能交通系统中图像的拍摄，如果因为天气原因造成图像质量下降，致使无法识别车牌号码、车辆颜色，就会对智能交通系统的工作造成负面影响，导致智能交通系统无法发挥应有的功能。
在视频监控系统中，很多视频监控系统采用可见光成像技术，在光照不佳、雨雾天气下，图像亮度降低、对比度减弱、清晰度下降，导致无法看清某些细节信息，因此，监控效果不佳。
总之，雾霾天气下的图像增强处理有着广阔的前景和宽广的需求。
图像增强处理，就是根据给定图像的应用场合，根据应用需求强调或凸出图像的整体或局部特征，将不够清晰的较模糊图像变得更清晰，或突出感兴趣的特征，增强不同物体特征之间的区别，提高图像质量、增强图像识别效果。
1 基于Retinex的雾霾图像算法Retinex理论是一种建立在科学实验和科学分析基础上、基于人类视觉系统的图像增强理论。
该算法与线性和非线性变换、图像锐化等传统图像增强算法不同，这些算法只能对图像的某类特征进行增强处理，而Retinex具有大动态范围压缩、颜色恒常性、高色彩保真度等特点，适用于对受光照影响严重的图像进行补偿，能够提高图像的清晰度，使图像的颜色更接近原图像，图像增强后的视觉效果更佳。
图像快速去雾与清晰度恢复技术研究
图像快速去雾与清晰度恢复技术研究摘要：图像去雾和清晰度恢复是计算机视觉领域的热点研究方向之一。
本文基于Retinex理论和深度学习算法，综述了图像去雾与清晰度恢复的关键技术，并探讨了未来的研究方向。
一、引言在实际应用中，由于气候、传感器质量等因素的影响，图像往往会受到雾霾的干扰，导致图像质量下降，且细节不清晰。
为了提高图像质量，研究者们提出了一系列图像去雾与清晰度恢复的算法。
二、Retinex理论Retinex理论提出了图像恢复的一种解决方案。
该理论认为，人眼观察到的图像是由反射率场和光照场构成的。
基于Retinex理论，图像去雾算法在估计反射率场的同时，通过对比不同尺度下的图像信息，去除雾霾干扰并提高图像清晰度。
三、传统图像去雾算法1. 单尺度Retinex算法该算法通过估计反射率场的对数来抑制雾霾干扰。
然而，该算法对光照场的估计存在误差，导致结果不准确。
2. 多尺度Retinex算法为了提高去雾效果，研究者们引入了多尺度Retinex算法。
该算法通过分析不同尺度下的图像信息，可以更好地估计反射率场和光照场。
然而，该算法计算复杂度较高，导致实时性不足。
四、深度学习算法为了解决传统算法的不足，研究者们开始应用深度学习算法进行图像去雾与清晰度恢复。
深度学习算法可以通过学习大量的图像数据，自动提取特征并进行图像去雾。
研究表明，基于深度学习的算法可以在保持图像细节清晰的同时，有效去除雾霾。
五、未来的研究方向虽然深度学习算法在图像去雾与清晰度恢复方面取得了良好的效果，但仍存在一些挑战和未解决的问题。
例如，如何提高算法的实时性、如何应对复杂场景下的图像去雾等。
未来的研究方向可以集中在以下几个方面：1.设计更高效的深度学习模型，以提高图像去雾与清晰度恢复的速度；2.研究复杂场景下的图像去雾算法，以适应各种复杂的环境；3.探索多模态图像去雾算法，将多源数据融合起来，提高去雾效果；4.研究图像去雾与清晰度恢复的评价指标，进一步优化算法的效果。
基于暗通道先验和Retinex理论的图像去雾研究
基于暗通道先验和Retinex理论的图像去雾研究基于暗通道先验和Retinex理论的图像去雾研究摘要：本文主要介绍了基于暗通道先验和Retinex理论的图像去雾研究。
首先，介绍了图像去雾的研究背景和意义。
然后，详细介绍了暗通道先验和Retinex理论的原理和应用。
接着，探讨了基于暗通道先验和Retinex理论的图像去雾方法的优缺点。
最后，展望了该研究的发展方向和未来的研究重点。
关键词：图像去雾，暗通道先验，Retinex理论，优缺点，发展方向1. 引言随着数字图像处理和计算机视觉的快速发展，图像去雾技术受到了越来越多的关注。
图像去雾旨在恢复经大气散射衰减导致的图像细节损失。
然而，由于大气散射衰减对图像的影响十分复杂，图像去雾一直是一个相对困难的问题。
为了解决这个问题，学者们提出了许多算法和方法。
本文将重点介绍基于暗通道先验和Retinex理论的图像去雾研究。
2. 暗通道先验的原理和应用暗通道先验是一种基于观察到的统计规律的图像先验知识。
该先验基于一个观察结果：大多数自然图像的局部区域，在RGB颜色空间中至少有一个通道的像素值非常低（接近于零）。
基于这一观察，学者们提出了暗通道先验来估计大气散射因子和恢复无雾图像。
在图像去雾中，暗通道先验的应用主要分为两个步骤：估计大气散射因子和恢复无雾图像。
首先，通过计算图像的暗通道（通道最小值图）来估计大气散射因子。
然后，利用估计得到的大气散射因子和原始图像，结合一些优化算法，恢复出无雾图像。
暗通道先验通过对大气散射因子和图像的统计特性进行分析和利用，能够有效地提高图像去雾的效果。
3. Retinex理论的原理和应用Retinex理论是一种基于对人类视觉系统的理解提出的图像增强方法。
该理论认为，人类视觉系统对于光照强度变化的感知是相对稳定的，即观察者对于光照强度变化的感知是相对不变的。
基于这个假设，学者们提出了Retinex理论来对图像进行增强和显示。
在图像去雾中，Retinex理论的应用主要集中在对图像的光照强度进行估计和调整上。
三种Retinex图像去雾算法比较与分析
三种Retinex 图像去雾算法比较与分析1.引言雾气是自然环境中存在的一种常见现象，但也会对图像的质量造成一定的影响。
在照片或者其他图像应用中，需要进行去雾处理，去除图像中不必要的雾气信息，以此提高图像的清晰度和真实性。
传统的去雾方法主要有强度衰减模型和分层模型，这些方法虽然有效，但是也存在一些缺陷。
强度衰减模型往往会导致图像过度曝光或过度偏暗，同时无法有效处理图像中各种层次的雾气。
分层模型则存在对场景信息的预处理阶段，所以无法适用于实时处理环境。
近年来，Retinex 算法被引入到图像去雾领域，这种算法利用人类视觉系统的对数变换机理，对图像中的光照和颜色进行分离处理，可以有效消除图像中的雾气，提高图像的质量和视觉效果。
目前Retinex 算法在图像去雾中应用较为广泛，但其具体的表现形式和处理效果也存在差异，本篇论文将对三种Retinex 图像去雾算法进行比较和分析。
2.相关工作Retinex 算法最初被提出用于解决人类视觉系统中的色彩恒常性问题。
现有的Retinex 算法可大致分为两类：基于多尺度的Retinex 算法和基于单尺度的Retinex 算法。
基于多尺度的Retinex 算法根据图像中不同尺度的信息进行分离，从而消除图像中的雾气。
这类方法包括经典的multi-scale Retinex 和基于双边滤波器的Retinex 算法。
基于单尺度的Retinex 算法则直接对图像进行处理，常用的有原始Retinex、简单拉普拉斯Retinex（SRR）和显式Retinex 算法等。
不同于传统的强度衰减模型和分层模型，Retinex 算法在处理雾气图像的同时还能够进行去色偏和增强图像细节的效果，因此在应用中表现出更好的效果。
3.三种Retinex 图像去雾算法比较3.1.Multi-scale Retinex 算法Multi-scale Retinex 算法采用了多尺度分离的思想，先对图像进行高斯模糊，然后对每个模糊的版本进行亮度和对比度的调整，从而得到多尺度Retinex 分量。
- 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)。
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;
DG = ifft2(DG0);
DGlog = log(DG +1);
Gg1 = Glog - DGlog;
DG0 = Gfft2.* Efft2;
DG = ifft2(DG0);
DGlog = log(DG +1);
Gg2 = Glog - DGlog;
DG0 = Gfft2.* Efft3;
DG = ifft2(DG0);
DGlog = log(DG +1);
Gg3 = Glog - DGlog;
Gg = (Gg1 + Gg2 +Gg3)/3;
Ig = immultiply(G0, a);
C = imdivide(Ig, II);
C = log(C+1);
Gg = immultiply(C, Gg);
EXPGg = exp(Gg);
MIN = min(min(EXPGg));
MAX = max(max(EXPGg));
EXPGg = (EXPGg - MIN)/(MAX - MIN); EXPGg = adapthisteq(EXPGg);
Blog = log(B0+1);
Bfft2 = fft2(B0);
DB0 = Bfft2.* Efft1;
DB = ifft2(DB0);
DBlog = log(DB +1);
Bb1 = Blog - DBlog;
DB0 = Bfft2.* Efft2;
DB = ifft2(DB0);
DBlog = log(DB +1);
Bb2 = Blog - DBlog;
DB0 = Bfft2.* Efft3;
DB = ifft2(DB0);
DBlog = log(DB +1);
Bb3 = Blog - DBlog;
Bb = (Bb1 + Bb2 +Bb3)/3;
Ib = immultiply(B0, a);
C = imdivide(Ib, II);
C = log(C+1);
Bb = immultiply(C, Bb);
EXPBb = exp(Bb);
MIN = min(min(EXPBb));
MAX = max(max(EXPBb));
EXPBb = (EXPBb - MIN)/(MAX - MIN); EXPBb = adapthisteq(EXPBb);
result = cat(3, EXPRr, EXPGg, EXPBb); imwrite(result,'1.png');
subplot(121), imshow(I);
subplot(122), imshow(result);
实验效果图：。