燕山大学毕业设计：雾霾天气条件下监控图像清晰化方法的研究
雾天降质图像的清晰化技术研究
雾天降质图像的清晰化技术研究雾天降质图像的清晰化技术研究引言雾天降质图像是指在雾霾等恶劣环境中拍摄的图像，由于大气散射和光线的交互作用，图像会出现模糊、失真等降质现象，降低了图像的清晰度和视觉效果。
随着现代科技的发展和图像处理技术的成熟，对于雾天降质图像的清晰化技术的研究和应用具有重要的意义。
1. 雾霾成因及对图像质量的影响雾霾主要是由于大气中的细颗粒物质和水汽的聚集，导致光线被散射和吸收，使得远处的目标物体无法清晰地显示在图像中。
这种大气散射现象会引起图像的模糊、失真、边缘模糊和细节丢失等问题，严重影响了图像质量和可视性。
2. 雾天降质图像清晰化技术2.1 图像增强图像增强是最常见的一种清晰化技术，通过调整图像的亮度、对比度、色彩等参数来提高图像的整体质量。
其中，直方图均衡化、灰度拉伸和颜色校正是常用的增强方法。
这些方法可以有效地改善雾天降质图像的视觉效果，使得图像的细节更加清晰可见。
2.2 大气光照估计大气光照估计是在雾天降质图像中获得大气光照分布的一种方法。
通过计算图像中的全局光照分布，可以将图像中的大气散射效应减弱，提高图像的清晰度。
该方法需要从图像中估计出雾霾的程度，并计算出光照衰减因子，进而恢复出真实的目标物体信息。
2.3 多尺度图像分解多尺度图像分解是将图像分解成多个分辨率的子图像，分别处理不同尺度的图像细节，再将其合并为重构的清晰图像。
常见的多尺度图像分解方法有小波变换和金字塔分解方法。
这些方法可以有效地降低大气散射对图像细节的影响，提高图像的清晰度。
3. 雾天降质图像清晰化技术的应用雾天降质图像清晰化技术在许多领域都有广泛的应用，如交通监控、图像识别、无人驾驶等。
在交通监控中，通过清晰化处理雾天图像可以提高交通事故的预警能力。
在图像识别中，清晰化处理可以提高图像的分析和识别能力，对于人脸识别、物体检测等任务有重要的影响。
在无人驾驶中，清晰化处理可以提高车辆对前方障碍物的识别能力，减少交通事故的发生。
雾霾天气条件下的机器视觉图像清晰化研究
雾霾天气条件下的机器视觉图像清晰化研究陈俊君;徐冰【期刊名称】《计算机工程》【年(卷),期】2017(043)002【摘要】针对机器视觉图像清晰度在雾霾天气条件下受到严重影响的问题,提出一种基于暗原色先验的机器视觉图像去雾算法.以大气散射模型和暗原色先验理论为基础,在带雾图像的暗原色图上指定某一灰度区间,选取其中出现频率最高的亮度值作为大气光亮度值.将带雾图像转为灰度图像,采用直方图均衡化的方法对其进行增强,尽可能多地展现带雾图像所包含的结构信息,进而以增强后的灰度图像作为引导图像进行导向滤波,进一步优化透射率,加快运行速度.实验结果表明,该算法可获得较好的去雾效果,同时具有较高的运算效率.%Aiming at restrictions of machine vision image under fog and haze weather conditions,a machine vision image defogging algorithm is proposed based on dark channel prior.It is based on atmospheric scattering model and dark channel prior principle.It uses a new method to estimate the atmospheric brightness by specifying a gray zone in the dark channel chart of fog image and then selects the brightness of the highest frequency as the atmospheric brightness.Then it converts the fog image is converted to grayscale image and the histogram equalization method is used to enhance it.So that the structural information contained in the fog image can be shown as much as possible.The running time is reduced by using guided filtering to optimizethe transmission.Experimental results show the proposed algorithm can get better defogging effects and improve operational efficiency.【总页数】7页(P280-285,292)【作者】陈俊君;徐冰【作者单位】山西大学自动化系,太原030013;山西大学自动化系,太原030013【正文语种】中文【中图分类】TP391【相关文献】1.北方雾霾天气条件下大气气溶胶光学特性研究 [J], 倪江楠;华显立2.雾霾天气下图像清晰化算法研究 [J], 屈青青;李刚3.基于暗原色先验的雾霾天气图像清晰化算法 [J], 马啸;邵利民;徐冠雷4.低能见度条件下图像清晰化处理研究 [J], 贾娜;王玉坤5.雾霾天气下图像清晰化系统的设计与实现 [J], 刘颜东因版权原因，仅展示原文概要，查看原文内容请购买。
雾霾天气下图像增强算法的研究
雾霾天气下图像增强算法的研究雾霾天气下图像增强算法的研究近年来，由于工业化进程的快速发展和大气污染的日益严重，雾霾天气成为我国许多城市面临的严峻问题之一。
雾霾天气不仅对人们的健康造成威胁，也给交通运输、环境监测等方面带来了极大的困扰。
在这种情况下，如何从雾霾天气中提取出有用的信息成为了研究者们关注的焦点之一。
图像增强作为一种处理图像质量的技术，能够改善图像的视觉质量，提高图像的细节信息，使人眼更轻松地感知图像。
在雾霾天气下，由于大气中的悬浮颗粒物的存在，图像容易受到散射和吸收的影响，导致图像质量下降，细节信息无法清晰地展示出来。
因此，研究雾霾天气下的图像增强算法具有重要的理论和应用价值。
目前，许多图像增强算法已经被提出并应用于雾霾天气下的图像处理中。
其中，一个常用的图像增强算法是Retinex理论。
Retinex算法基于光通量恢复模型，可以有效地还原图像的亮度和颜色。
然而，由于Retinex算法对灰度分布和光照变化的敏感性较强，在处理雾霾天气下的图像时，经常会产生过增强或欠增强的现象。
为了改进Retinex算法在雾霾天气下的应用效果，一些研究者提出了改进的Retinex算法。
例如，基于颜色空间的Retinex算法可以利用颜色信息，对雾霾天气下的图像进行增强。
这种算法首先将图像从RGB颜色空间转换到HSI颜色空间，然后利用图像在I通道上的亮度信息进行恢复处理。
这种算法可以一定程度上减小光照变化对增强结果的影响，实现更好的增强效果。
此外，一些研究者通过引入雾霾天气下的图像先验信息，进一步提升Retinex算法的增强效果。
例如，基于先验知识的全变分正则化模型可以对图像的边缘和纹理特征进行保护，提高图像细节的可见性。
这种算法在进行图像增强时，不仅考虑图像的全局信息，还充分利用图像的局部特征，使得增强结果更加自然和真实。
除了Retinex算法，其他一些图像增强算法也被用于处理雾霾天气下的图像。
例如，基于直方图均衡化的算法可以通过调整图像的像素强度分布，提高图像的对比度和亮度，使得图像更加清晰。
基于大气散射模型的雾霾天道路图像清晰化
基于大气散射模型的雾霾天道路图像清晰化基于大气散射模型的雾霾天道路图像清晰化一、引言近年来，雾霾天气持续加剧，给人们的生活和交通出行带来了很大的困扰。
雾霾天气中的道路图像常常受到大气粒子的散射影响，导致图像模糊不清，给车辆驾驶和交通监控带来了安全隐患。
因此，研究如何对雾霾天道路图像进行清晰化处理，对于提高交通安全性和可视化效果具有重要意义。
二、雾霾天大气散射模型雾霾天气中的道路图像模糊常常是由大气中的颗粒物散射引起的。
大气散射模型是描述光在大气中传播过程的数学模型。
根据光在大气中的传播特性，常用的大气散射模型包括Mie散射模型和Rayleigh散射模型。
1. Mie散射模型Mie散射模型适用于颗粒物尺寸较大的情况，例如大气中的雾霾颗粒。
Mie散射模型可以描述光在颗粒上的散射和吸收过程。
在图像处理中，可以利用Mie散射模型对雾霾天道路图像进行去雾处理。
该方法主要通过估计图像中散射光的强度，消除雾霾颗粒造成的影响，使道路图像恢复清晰度。
2. Rayleigh散射模型Rayleigh散射模型适用于颗粒物尺寸远小于光波长的情况。
在雾霾天气中，颗粒物的尺寸通常较小，因此Rayleigh散射模型更适用于描述光在大气中的传播。
然而，在实际应用中，Rayleigh散射模型对雾霾天道路图像的清晰化处理效果较差。
三、基于大气散射模型的道路图像清晰化方法1. 视频图像去雾算法雾霾天气中的道路图像往往是由连续的视频图像组成的。
因此，可以利用视频图像的时空信息，结合大气散射模型进行去雾处理。
该方法首先对视频图像序列进行背景建模，估计每帧图像中的散射光分布。
然后根据大气散射模型，去除散射光的影响，最终得到清晰的道路图像。
2. 多尺度图像去雾算法基于大气散射模型的道路图像清晰化还可以利用多尺度图像处理技术。
该方法通过将道路图像分解为不同尺度的图像，分别进行去雾处理。
首先对图像进行小波变换，得到不同尺度的图像分量。
然后根据大气散射模型，对每个尺度的图像进行去雾处理。
雨雾霾天气条件下图像处理研究综述
Ｎａ ａ ［ 于大 气 散射 理 论 从 两幅 或更 ［］ＮＳ． ｐ ｉ ａ．Ａ ｓ ｓｅ Ｅｎ ｉ ｅ ｒｎ ｙ ｒ１ ３ 基 ２ Ｋｏ ｅｋ ｙ ｔｍ ｇ ｅ ｉｇ ｎ
Ａｐ ｒ ａ ｈ ｔ ｍａ ｉｇ Ｓ ｉ ｒｓ ，９ ８ ｐ ｏ ｃ ｏ ｉ ｇ ｐｅ Ｐ ｅｓ １ ９ ． ｎ 多幅 恶 劣 天 气 下 的 图像 中完 全 复 原 其 对 比 ３ ｒ ｓｍｈ ｎ Ｇ ｎ ｙ ｒ Ｓ Ｋ 度 ． 提 出一 种 描 绘 恶 劣 天 气 是 如 何影 响景 【】Ｎａ ａ ｉ ａ Ｓ ａ ｄ Ｎａ ａ ． ， Ｖｉ ｏ ｎ ｔ ｓ ｈ ｒ ［ ．Ｉ ｔｒ ａｉｎ ｌ ｓ ｎ ａ ｄ ａｍｏｐ ｅｅＪ ｎ ｅｎ ｔｏ ａ ｉ 】 色亮 度 的单 色大 气 散射 模 型 。Ｎａ ａ ｉ ａ ｒｓ ｍｈ ｎ Ｊ ｕｒ ｌ ｆ ｏ ｎａ ｏ Ｃｏｍ ｐｕ ｅｒ ｓ ｏ ｔ ｖｉｉ ｎ ２０ ２， ８ ０ ４ 和 Ｎ ｙ ｒ ］ 出 的二 色大 气 散射 模型 并 基于 ａ ａ［ ４ 提 此来分析不 同天气条件 景物的彩 色变化 。 （ ）３ －２ ４． ３２ ３ ５ 通 过 两幅 或 更 多幅 恶 劣 天 气 条 件 下 图 像 计 【】Ｎａ ａ ｉ ａ Ｓ ａ ｄ Ｎａ ａ ． ４ ｒ ｓｍｈ ｎ Ｇ ｎ ｙ ｒ Ｓ Ｋ
型
：
Ｓｃｅ ｃ ｎ Ｔ ｃ ｎ ｌ ｇ ｎ ｏ ａ ｉｎ Ｈｅ ａ ｄ ｉｎ ｅ ａ ｄ ｅ ｈ ｏ ｏ ｙ ｌｎ ｖ ｔ ｒ ｌ ｏ
工 程 技 术
雨雾 霾天气 条件 下 图像处理研 究综述
沈凤 龙 董慧颖 ’ （． １ 沈阳理工大 学信息科 学与工程 学院 辽宁沈 阳 １ １ ８ ２ 辽东学 院机 电学院 辽 宁丹东 ０ ； ． １ ６
１８ ０ ） １ ０ ３
恶劣雾霾天气退化图像的处理与优化研究
恶劣雾霾天气退化图像的处理与优化研究恶劣雾霾天气退化图像的处理与优化研究摘要：近年来，恶劣的雾霾天气给人们的生活和工作带来了严重的影响。
在这样的环境下拍摄的雾霾图像通常存在颜色失真、细节丢失和对比度降低等问题，这给后续的图像处理和分析工作带来了困难。
本文深入研究雾霾图像的处理和优化技术，探索了从颜色校正、细节增强到对比度增强等多个方面对恶劣雾霾天气退化图像的改善方法。
实验结果表明，本文提出的方法在雾霾图像处理中取得了较好的效果。
1. 引言雾霾是指空气中悬浮颗粒物质（如颗粒物、细菌、病毒、浮游生物和有机物等）过多的天气现象。
恶劣的雾霾天气给人们的生活和工作带来了严重的影响。
恶劣雾霾天气情况下的图像拍摄存在颜色失真、细节丢失和对比度降低等问题，使得图像处理和分析工作受到限制。
因此，如何有效处理恶劣雾霾天气中的图像，成为了当前研究的热点问题。
2. 雾霾图像处理方法2.1 颜色校正恶劣雾霾天气中的图像通常呈现灰暗且偏黄色调。
颜色校正旨在恢复图像的真实颜色，提高图像的视觉效果。
颜色校正的方法可以分为全局方法和局部方法两种。
全局方法通过调整图像的色调、饱和度和亮度等参数来改善图像的颜色；局部方法则根据图像的特征，通过对图像的不同区域进行颜色校正来提高整体的色彩表现。
2.2 细节增强雾霾天气中的图像往往存在细节丢失的问题。
细节增强的目标在于恢复图像中丢失的细节信息，提高图像的清晰度。
细节增强的方法主要包括锐化算法、增强边缘算法和基于图像增量模型的算法等。
这些算法通过增强图像中的高频信息来增强细节，使得图像更加锐利和清晰。
2.3 对比度增强在恶劣雾霾天气中，图像的对比度往往较低，颜色的层次感不明显。
对比度增强的目标在于提高图像中不同灰度级之间的差异，增强图像的可视化效果和信息传递能力。
对比度增强的方法包括直方图均衡化、灰度拉伸等。
这些方法通过调整图像的灰度分布来增强图像的对比度，使得图像更加鲜明和清晰。
3. 实验结果与分析本文在恶劣雾霾天气拍摄的图像数据集上进行了实验，并与其他常用的方法进行了比较。
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一、本文概述随着计算机视觉和图像处理技术的飞速发展，图像去雾与清晰度恢复技术已成为当前研究的热点之一。
在实际应用中，由于大气散射、光照条件不佳、摄像头设备质量等因素，拍摄的图像常常出现雾霾、模糊等问题，严重影响了图像的视觉效果和后续处理的准确性。
因此，研究图像快速去雾与清晰度恢复技术，对于提高图像质量、增强图像信息的可读性具有重要意义。
本文旨在探讨图像快速去雾与清晰度恢复技术的研究现状和发展趋势，分析现有算法的优点和不足，并在此基础上提出一种新型的图像去雾与清晰度恢复方法。
该方法结合了深度学习、物理模型和多尺度分析等技术，通过构建高效的去雾网络模型，实现对雾霾图像的快速去雾和清晰度提升。
本文还将对所提方法进行实验验证，并与其他经典算法进行比较分析，以验证其有效性和优越性。
通过本文的研究，不仅可以为图像去雾与清晰度恢复领域提供新的理论和技术支持，还可以为相关领域的实际应用提供有益的参考和借鉴。
本文的研究成果也将为计算机视觉、图像处理、模式识别等领域的发展提供新的思路和方向。
二、图像去雾技术原理及方法图像去雾技术的目标是消除或减弱图像中的雾气效果，恢复图像的清晰度和细节。
这项技术主要基于大气散射模型和图像增强理论。
大气散射模型描述了光线在大气中的传播和散射过程，为去雾算法提供了理论基础。
而图像增强技术则用于提升图像的视觉效果，使其更接近无雾状态。
目前，图像去雾的方法大致可分为两类：基于物理模型的方法和基于深度学习的方法。
基于物理模型的方法：这类方法主要依据大气散射模型，通过估计场景深度和大气光等参数，恢复图像的清晰度和颜色。
代表性的算法有暗通道先验去雾、颜色衰减先验去雾等。
这些方法通常需要在图像中选取合适的区域进行参数估计，因此对图像内容有一定的依赖性。
基于深度学习的方法：近年来，随着深度学习技术的快速发展，其在图像去雾领域也取得了显著成果。
基于深度学习的去雾方法通常通过构建深度神经网络模型，学习从有雾图像到无雾图像的映射关系。
基于深度学习的雾霾图像去雾算法研究
随着数字图像处理技术的不断发展，图像去雾技术已经成为计算机视觉领域 的一个研究热点。在雾霾天气下，由于空气中的颗粒物导致光线散射，拍摄的图 像往往呈现出模糊、对比度低等问题。因此，研究如何通过去雾算法来提高图像 的质量具有重要意义。
近年来，深度学习技术在图像处理领域取得了巨大的成功。其中，卷积神经 网络（CNN）在图像分类、目标检测、图像生成等方面表现出色。因此，我们考 虑将深度学习技术应用于单幅图像去雾算法的研究。本次演示提出了一种基于深 度学习的单幅图像去雾算法，通过对CNN的深入学习和训练，实现了对模糊图像 的高效恢复。
一、背景及意义
在过去的几十年中，随着工业化和城市化的快速发展，空气污染问题越来越 严重。雾霾是一种常见的空气污染现象，它主要是由于大气中各种颗粒物和气溶 胶的含量增加而形成的。雾霾对人们的健康和生活质量产生了严重的影响，同时 也对光学成像系统产生了干扰。因此，研究一种基于深度学习的雾霾图像去雾算 法具有重要意义。
三、研究内容及方法
本次演示提出了一种基于深度学习的雾霾图像去雾算法。具体的研究内容和 方法如下：
1、数据采集与预处理
首先，我们采集了大量的雾霾图像和对应的清晰图像作为训练数据。然后， 我们对数据进行预处理，包括灰度化、裁剪和归一化等操作，以提高算法的收敛 速度和精度。
2、卷积神经网络模型构建
3、去雾处理：将训练好的模型应用于单幅模糊图像的去雾处理。首先将输 入图像输入到训练好的模型中，得到预测的清晰图像。然后对预测的清晰图像进 行后处理，包括锐化、色彩校正等操作，以进一步提高视觉效果。
四、实验结果与分析
为了验证本次演示提出的去雾算法的有效性，我们在公开数据集上进行实验。 实验结果表明，我们的算法在去雾效果和视觉效果方面均优于传统的方法。此外， 我们还对不同场景下的模糊图像进行了测试，结果表明我们的算法具有较强的泛 化能力。
恶劣雾霾天气退化图像的处理与优化研究
恶劣雾霾天气退化图像的处理与优化研究恶劣雾霾天气退化图像的处理与优化研究1.引言近年来，雾霾天气频频发生，严重影响人们的健康与生活质量。
雾霾天气的一大特点是空气中的颗粒物增多，导致景物图像的可见度下降，使拍摄的图像出现明显的退化。
因此，对于雾霾天气退化图像的处理与优化研究具有重要的理论意义和实际应用价值。
2.雾霾天气退化图像的特点与挑战雾霾天气退化图像有以下几个主要特点和挑战：2.1 低对比度：雾霾天气中颗粒物的散射效应导致图像的对比度明显下降，使得图像中的细节难以观察和分析。
2.2 色彩失真：雾霾天气会使光线发生散射，导致图像中的颜色被混淆和失真，使得图像无法真实地再现场景的色彩。
2.3 细节模糊：雾霾天气下，图像的细节信息被颗粒物遮挡和散射，导致图像细节模糊不清，无法辨认和识别。
3.雾霾天气退化图像处理方法为了改善雾霾天气退化图像的质量，研究学者提出了一系列的处理方法，主要包括以下几种：3.1 对比度增强：通过增大图像对比度，突出图像中的细节信息，使图像更加清晰可见。
常用的方法包括直方图均衡化、拉伸变换、自适应对比度增强等。
3.2 色彩校正：通过调整图像的颜色分布，使得图像中的色彩更加真实，恢复场景中的本来色彩。
常用的方法包括白平衡校正、颜色映射等。
3.3 图像去雾：通过去除图像中的雾霾效应，使得图像的可见度得到提升。
常用的方法包括暗通道先验法、偏振滤波法、Retinex算法等。
4.雾霾天气退化图像优化研究除了对雾霾天气退化图像进行处理，还可以通过优化传感器和相机设备，提高雾霾天气下图像的采集质量。
具体的研究不仅需要从硬件层面进行优化，还需提出相应的图像处理算法。
4.1 优化传感器：通过改进传感器的结构和材料，提高传感器的敏感度和动态范围，使得传感器能够更好地适应雾霾天气的拍摄需求。
4.2 优化相机设备：通过改进相机的成像系统和图像处理算法，提高相机在雾霾天气下的成像效果和可见度。
4.3 图像复原算法：通过对雾霾天气退化图像进行复原和修复，恢复图像中的细节和色彩，提高图像的质量和可见度。
雾天退化图像的清晰化方法研究的开题报告
雾天退化图像的清晰化方法研究的开题报告题目：雾天退化图像的清晰化方法研究研究目的和意义：随着社会的发展，图像处理技术在物体识别、人机交互、虚拟现实等领域得到了广泛应用。
然而，在环境不良的条件下拍摄的图像往往存在着雾天退化现象，即图像显示模糊、色彩失真、细节模糊等，严重影响了图像的质量和增强了图像处理的难度。
因此，对于雾天退化图像的清晰化方法的研究具有重要的意义，对于提高图像质量、增强图像处理的效果具有实际应用价值。
研究内容：本文将从以下几个方面进行研究：1. 雾天退化图像的成因和特点分析：对雾天退化图像的成因进行深入的研究，以及雾天退化图像的特点进行分析，为研究清晰化方法提供基础。
2. 基于传统算法的清晰化方法：通过对基于传统算法（如直方图均衡化、中值滤波、锐化等）的清晰化方法进行研究和实验验证，给出相应的优缺点和适用范围，为后续研究提供基础。
3. 基于深度学习算法的清晰化方法：针对深度学习算法在图像处理领域的优势，结合卷积神经网络（CNN）等深度学习算法，提出对雾天退化图像进行清晰化的方法，为图像处理提高效果提供新思路。
预期结果：通过上述研究，预期可以得到以下几个结果：1. 对雾天退化图像成因和特点有更加深入的认识。
2. 对传统清晰化算法在雾天退化图像中的效果进行了充分的研究和实验验证。
3. 针对深度学习算法在图像处理领域的优势，提出基于CNN等深度学习算法的雾天退化图像清晰化方法，并得到相应的实验验证。
参考文献：1. Zhang, K., Patel, V. M., & Chellappa, R. (2018). Densely connected pyramid dehazing network. IEEE Conference on Computer Vision and Pattern Recognition.2. He, K., Sun, J., & Tang, X. (2009). Single Image Haze Removal Using Dark Channel Prior. IEEE Transactions on Pattern Analysis and Machine Intelligence.3. Berman, D., Treiber, A., & Avidan, S. (2016). Non-local Image Dehazing. IEEE Conference on Computer Vision and Pattern Recognition.。
- 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)。
1、物体的颜色是由物体对光线的反射能力决定而不是由反射光强度的 绝对值决定的。 2、物体的色彩不受光照非均匀性的影响，具有一致性，Retinex以颜 色恒常性为基础。 二、基本内容
图七 多尺度处理图四
将r(x,y）从对数域转换到实数 域得到反射图像R(x,y)。
将r(x,y)从对数域转换到实数域 得到反射图像R(x,y)。
对R(x,y)线性拉伸并将R、G、B 整合成完整的增强彩色图像。
对R(x,y)线性拉伸并将R、G、B 整合成完整的增强彩色图像。
图十 单尺度处理图四
一、清晰度 清晰度指图像上各细部影纹及其边界清晰度。 其计算公式如下：
三、 信息熵 信息熵数字图像承载信息量的大小，图像纹路越复杂则图像承载 的信息量越多，所以熵也越多。其计算公式如下：
根据Retinex理论,图像主要由2个部分组成,分别是入射光 和反射物体,表示为 图八 单尺度处理图二 图九 单尺度处理图三 I=E∙R 式中 E 代表入射光， R 代表物体的反射性质， I 代表反射 光， I 被观察者或照相机接收构成彩色图像。而事实上，入射 光 E 直接决定了一幅图像中像素能达到的动态范围 , 反射物体 R 决定了图像的内在性质。Retinex理论的目的就是为了从图像I 中获得物体的反射性质 R ，即抛开入射光的性质获得物体的本 来面貌。
仿真结果图
图像 图一 图二 图三 图四 图五
图一 晴天拍摄图像 图二 雾霾天气早晨拍摄 图三 雾霾天气中午拍摄
仿真结果数据
方差 2.7875e+003 2.4691e+003 2.5125e+003 2.5034e+003 4.3725e+003 4.2598e+003 4.4098e+003 3.8725e+003 3.9628e+003 3.7619e+003 对比度 149.0438 117.8513 119.2117 109.8513 127.7685 128.8715 115.8462 119.5136 121.4738 114.7965 信息熵 7.1055 7.0125 7.0237 6.9983 6.5463 6.3125 6.2769 6.6711 6.5455 6.5971
图 像 质 量 客 观 评 价
DEF
m xn i 1
df | | dx a 1 m *n
8
f p (i , j ) log p (i , j )
n0 i0
L 1 L 1
第二、对比度 对比度是为一幅图像的清晰程度的物理量，也 就是图像中的纹路和边缘的清晰的度的总称。公式如下：
分别在R、G、B三个通道中，针 对输入的尺度高、中、低三个尺 度确定环绕函数F(x,y),并确定 参数λ。
图四 雾霾天气傍晚拍摄 图五 多尺度处理图二 图六 多尺度处理图三 一、核心思想：
Retinex算法
将原始图像I(x,y)带入环绕函数 F(x,y)求得其在Retinex方法下 的通道输出。
将原始图像I(x,y)带入环绕函数 F(x,y)求得其在Retinex方法下 各个通道的输出。
Retinex算法处理步骤
单尺度Retinex算法处理步骤 多尺度Retinex算法的处理步骤
读入原图像I(x,y)并转换成 double变量。
输入原始图像I(x,y),并将其转 换成double型变量。
图六 图七 图八 图九 图十
分别在R、G、B三个通道中，针 对输入尺度c确定环绕函数 F(x,y)并确定参数λ。
图名 姓名 学号 导师 日期
雾霾天气条件下监控图像清晰化方法的研究 班级 燕山大学 电气工程学院
四、方差 方差是各个数据与平均数之差的平方的平均数，是图像质量评价中常 用的参数，其计算公式如下：
f
n
2 n0
L 1
L 1 L 1
p (i , j )
i0 j0
n | i j |
1 2 ( p(i, j ) ) m * n i 0 j 0
2mBiblioteka n