图像去雾增强算法论文
关于雾天图像增强和恢复算法的文档
关于雾天图像的增强和复原现状：国内外已有很多研究人员将大气对成像的影响进行了分析和评估。
散射理论在分析大气的影响中发挥了巨大的作用，由于单射模型不能准确表现实际复杂介质的影响，多射模型得到了广泛的关注。
在光和大气介质交互问题的研究中，或多或少地借鉴了物理学科的知识，其中输运理论很常见，并被广泛应用于恶劣天气条件对图像退化的建模。
在研究尘雾等恶劣天气条件对成像影响模型的基础上，对退化图像进行复原处理取得了较大的进展。
当场景深度已知和大气条件的精确信息己知时，消除一幅图像的天气条件的影响已被证明是可行的；在计算机视觉方面，算法已经发展到不用已知大气及场景深度信息，通过处理至少两张在恶劣天气条件下拍摄的图像可以自动地计算出场景的结构和恢复场景的色度及对比度。
目前，对雾图进行清晰化处理的方法大体上有两类:基于模型的和非模型的算法。
其中，基于模型的算法通过了解图像退化的内在原因而进行逆运算来改善图像的对比度;非模型的算法并不要求知道图像退化原因的信息。
用非模型的方法处理图像我们称之为图像增强；用基于模型的方法处理图像我们称之为图像恢复，这类算法更加可靠，因为它们利用了图像退化的物理机理，其目的在于提高退化图像的保真度。
近年来，上述两个方面的研究都取得了较大的进展，特别是基于物理模型的复原问题，吸引了越来越多研究者的注意，以下分别就其研究现状做简要的介绍。
●图像增强处理的研究现状图像增强是图像处理的基本手段，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的处理方法。
图像对比度增强是图像处理领域中的一个传统的话题，同时又一直是较为活跃的研究领域，不断有新方法与新手段引入使该领域保持旺盛的生命力，并不断有新成果面世。
●图像恢复处理的研究现状近年来，不少学者在大气散射物理模型的基础上，对恶劣大气条件下的成像机理进行了深入的分析，并提出了一些新的雾天图像增强方法。
与传统图像增强相比，这些方法是建立在雾天成像的物理过程之上的，因此更具有针对性，处理效果也较为理想。
基于偏振特性的图像去雾算法研究
基于偏振特性的图像去雾算法探究摘要：雾霾天气严峻影响人们的视觉观感和摄影作品的质量，因此，图像去雾技术越来越受到探究者的关注。
在过去的几十年里，人们提出了多种图像去雾算法，但是这些算法在一些特定场景中依旧存在一些问题。
本文基于偏振特性对图像去雾算法进行了探究，通过分析图像的偏振信息，提出了一种新的去雾算法，并进行了试验证明其有效性。
1. 引言在雾霾天气条件下，光线与雾粒子互相作用，导致图像质量下降，细节模糊。
图像去雾算法的目标是从有雾图像中恢复出真实场景的细节和颜色。
2. 相关探究在过去的几十年里，探究者们提出了多种图像去雾算法，主要分为物理模型方法和统计模型方法。
物理模型方法将雾霾作为光传播过程的模型，并利用物理方程对图像进行去雾。
统计模型方法则通过分析图像的统计特性来恢复图像细节。
3. 偏振特性分析偏振特性可以提供光线传播过程的重要信息。
我们通过对带有雾的图像进行偏振分析，发此刻不同区域的偏振状态会发生变化，这种变化与雾强度和距离成反比。
这为我们探究图像去雾提供了新的思路。
4. 基于偏振的图像去雾算法我们提出了一种基于偏振的图像去雾算法。
起首，我们对输入图像进行偏振分析，得到图像的偏振状态信息。
然后，我们依据偏振信息预估雾强度和雾深。
最后，我们通过使用预估得到的雾强度和雾深对图像进行去雾处理。
试验证明，我们的算法可以在不损失细节的状况下有效地去除图像中的雾霾。
5. 试验结果与分析我们对不同场景下的雾霾图片进行了试验，并与其他经典的图像去雾算法进行了对比。
试验结果表明，基于偏振的图像去雾算法能够更好地恢复真实场景的细节和颜色，相比其他算法具有较好的性能。
6. 结论与展望本文基于偏振特性进行了图像去雾算法的探究，并提出了一种新的算法。
试验证明，我们的算法在去雾效果和图像细节恢复方面具有一定的优势。
然而，目前的算法还存在一些局限性，我们将进一步深度探究，改进算法的性能和稳定性。
7. 致谢在本文的撰写过程中，我们得到了许多人的援助和支持，特此致以真诚的谢意。
基于透射率优化的图像去雾算法研究
基于透射率优化的图像去雾算法研究基于透射率优化的图像去雾算法研究摘要：图像去雾技术是近年来计算机视觉领域的研究热点之一。
在真实世界中，由于大气悬浮物质的存在，图像中出现雾霾现象。
这不仅影响了图像的视觉质量，还给图像处理任务带来了很多挑战。
本文基于透射率优化的算法，对图像去雾技术进行了研究。
一、引言图像去雾技术是一种计算机视觉技术，通过对图像中的雾霾进行分析和处理，使得图像恢复到真实世界的视觉效果。
近年来，随着无人机、自动驾驶等应用的兴起，图像去雾技术得到了广泛的应用。
二、相关工作综述图像去雾算法主要分为传统方法和深度学习方法两种。
传统方法主要从物理模型出发，通过估计透射率来消除图像中的雾霾。
深度学习方法则通过训练神经网络，利用大量的数据来学习图像去雾的映射关系。
三、透射率优化的图像去雾算法透射率在图像去雾算法中起到了关键作用，它表示了光线在大气中传播的程度。
透射率较高的区域表示雾霾较轻，透射率较低的区域表示雾霾较重。
传统方法中，透射率的估计通常通过计算图像的亮度来获得。
然而，这种方法容易受到光照变化的干扰，估计结果不准确。
因此，本文提出一种基于透射率优化的图像去雾算法。
1. 透射率初始化首先，对输入的雾霾图像进行预处理，将其转换为灰度图像。
然后，根据图像的灰度值计算透射率的初始估计。
这里采用的是Dark Channel Prior方法，通过计算图像的暗通道来估计雾霾图像的透射率。
2. 透射率优化基于初始估计的透射率，结合图像的亮度约束和边缘保持约束，对透射率进行优化。
亮度约束可以使得透射率估计更准确，边缘保持约束可以保持图像的细节。
3. 去雾恢复通过优化后的透射率，对输入的雾霾图像进行去雾恢复。
具体方法是使用大气散射模型，将雾霾图像中的透射率作用于原始图像，从而得到去雾图像。
四、实验结果与分析本文在多个输入图像上进行了实验，并与其他图像去雾算法进行了比较。
实验结果表明，基于透射率优化的图像去雾算法在提高图像清晰度和去雾效果方面取得了较好的效果。
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。
室外图像去雾的改进Retinex-Net算法
室外图像去雾的改进Retinex-Net算法室外图像去雾的改进Retinex-Net算法摘要：随着现代社会的发展，人们对于图像质量的需求越来越高。
然而，在室外拍摄过程中，常常会受到雾霾天气的影响，导致照片的质量下降。
因此，研究室外图像去雾算法具有重要的现实意义。
本文针对现有的Retinex-Net算法在室外图像去雾时存在的一些问题，对其进行了改进，提出了一种更加高效和准确的算法。
第一章绪论1.1 研究背景随着城市化进程的加快和工业化的发展，雾霾天气日益严重，成为人们生活中的一大困扰。
雾霾天气不仅会造成空气污染，也会对室外拍摄的图像质量产生显著影响，导致图像变得模糊、低对比度，甚至难以辨认。
因此，如何对室外图像进行去雾处理成为了研究的热点之一。
1.2 研究意义室外图像去雾是图像处理领域的重要研究方向之一。
它不仅能够提升图像的质量和清晰度，还可以帮助人们更好地观察和分析图像中的内容。
在国内外学术界和工业界都有很多研究者致力于室外图像去雾算法的研究和应用，但是仍然存在一些问题，如处理效果不稳定、计算复杂度高等。
因此，对于Retinex-Net算法的改进具有重要的实际应用价值。
1.3 本文结构安排本文共分为四个章节。
第一章为绪论，主要介绍了本文的研究背景、研究意义以及本文的结构安排。
第二章为相关技术介绍，主要介绍了图像去雾的基本原理以及现有的一些经典算法。
第三章为算法设计，详细介绍了改进的Retinex-Net算法的设计思路和流程。
第四章为实验结果与分析，通过对比实验验证了本文算法的优越性。
最后，第五章为总结与展望，对本文的研究工作进行总结，并对未来的研究方向进行展望。
第二章相关技术介绍2.1 图像去雾基本原理图像去雾的基本原理是通过对图像的像素值进行调整，减少由于雾霾天气造成的光强衰减效应。
常见的图像去雾方法包括暗通道先验方法、Retinex算法等。
2.2 经典的图像去雾算法暗通道先验方法是一种基于雾霾图像中暗通道图谱的去雾方法，通过对图像中较暗区域进行分析，得到雾的浓度信息，并根据浓度信息进行去雾处理。
基于暗通道先验原理的偏振图像去雾增强算法研究
第50卷第4期#2020年4月#激光与红外LASER&INFRAREDVod50,No.4Apid2020文章编号：1001-5078(2020)04-0493-08-图像与信号处理-基于暗通道先验原理的偏振图像去雾增强算法研究游江，刘鹏祖,容晓龙，李斌,徐韬祜（中国华阴兵器试验中心，陕西华阴714200）摘要:在装备试验与测试中，常规光学成像系统极易受气象环境（如雾霾、沙尘等）影响，导致探测距离、成像效果、测量精度等受到大幅限制，从而严重影响目标成像效果及关键参数获取。
如何增强雾霾条件下光学探测识别能力及成像质量，成为了当前急需解决的关键问题。
本文利用偏振成像优势，结合暗通道先验原理，提出了基于暗通道先验原理的偏振图像去雾增强算法。
该算法首先利用采集到的偏振图像提取偏振特征，计算偏振度和偏振角；同时，采用基于区域增长算法自动提取出天空区域，对天空区域进行大气光参数估计，获取大气光偏振度及偏振角相关参数估计；然后，结合暗通道先验原理，获取无穷远处大气光强，进而计算各像素点的大气光强；最后，建立在大气物理退化模型基础上，实现图像去雾增强。
实例分析与验证中，通过主观评价与客观评价两种方法，对比本文提出的方法和常见其他方法，实际结果表明，本文算法去雾增强能力较强，能有效提升光学系统的探测识别能力及成像质量,对雾霾条件下武器装备关键参数获取具有重要意义。
关键词：暗通道先验原理;偏振图像；去雾增强算法；大气散射模型;探测识别中图分类号:TP391文献标识码:A DOI：10.3969/j.dsn.1001-5078.2020.04.019Dehazing and enhancement research of polarized image based ondark channel priori principleYOU Jiang,LIU Peny-zu,RONG Xiao-long,LI Bin,XU Tao-hu(Huayin Weapon Test Center of China,Huayin714200,China)Abstract:In equipment test,convenPonai opPcai imaging system is very vulnerable to meteorological environment(such ashaze,sand and dust),which eesuatsin thedetection distance,imaginge o ectand measueementaccueacsbe-inggeeatasaimited, thusseeiousasa o ectingtheimaginge o ectoothetaegetand theacquisition ookespaeametees.Howtoenhancetheopticaadetection and eecognition abiaitsand imagingquaaitsundeehazeconditionshasbecomeakes problem to be solved uryently.In this paper,based on the advantage of polarization imaging and dark channel prioripeincipae, apoaaeization imagede-ooggingenhancementaagoeithmispeoposed.Fiest,thepoaaeization chaeacteeisticsaeeeiteacted oeom theco a e cted poaaeization images,and thepoaaeization degeeeand poaaeization angaeaeecaacuaated.Atthesametime,theskseegion isautomatica a seiteacted based on theeegion geowth aagoeithm,and theatmospheeicaightpaeameteesaeeestimated ooetheskseegion,then theatmospheeicaightpoaaeization degeeeand poaaeization angaepaeameteesaeeestimated.Then,theatmospheeicaightintensitsatinoinitedistancesisobtained bscombiningthedaekchanneapeioeipeincipae,and then theatmospheeicaightintensitsatinoinitedistancesTheatmospheeicaightintensitsoo each piieaiscaacuaated.Fina a s,based on theatmospheeicphssicaadegeadation modea,imagedehazingand enhancement are realized.In case analysis and verification,through subjective evaluation and objective evaluation,the methodpeopos d in thispap eiscompaed with oth ecommon m thods.Th actuaaesuatsshowthat,th aagoeithmhassteongabiaitsoooogemoeaaand nhanc m nt,and itcan o ctie asimpeoe th d tction and ecognition abiaitsand imaging quality of the ophcai system.It is of great significance for acquiring key parameters of weapon equipment underhazeconditions.Keywords:dark channel priori principle；polarization image；fog removal enhancement；atmospheric scattering model；detection and eecognition基金项目：军内重点科研基金项目资助。
图像去雾算法研究
图像去雾算法研究图像去雾技术是数字图像处理中一个重要的研究领域，它涉及到计算机视觉、计算机图形学和图像处理等多个学科领域。
图像去雾技术是指对雾霾干扰下的图像进行修复和恢复，消除雾霾对图像的影响，提高图像的质量和清晰度。
目前，图像去雾技术已经被广泛地应用于气象、交通、航空、地理等多个领域，并取得了令人瞩目的成果。
图像去雾算法的研究已经经历了多个阶段，其中传统算法主要采用物理模型和传统滤波器来去除单色雾霾和灰烬，但对于颜色雾霾和复杂的照明条件，传统算法存在严重的限制，效果十分有限。
因此，针对这些问题，学者们积极探索研究了一系列基于深度学习的图像去雾算法，这些算法具有较高的去雾效果和鲁棒性，成为当前图像去雾研究的热点。
深度学习算法在图像去雾领域的应用近年来，深度学习算法被广泛应用于图像去雾领域。
深度学习算法通过学习图像中的特征，可以自动提取雾霾和背景之间的差异，然后将这种差异转化为可见的图像。
与传统算法相比，深度学习算法的优势在于可以灵活地处理复杂的场景，在保持较高处理效率的同时，具有更好的去雾效果和图像质量。
下面介绍一些代表性的深度学习算法。
1. Retinex-based deep network(RDN)RDN是一种最新的深度学习算法，是Retinex理论和深度学习的结合体。
Retinex理论是一种基于颜色恒常性的图像增强方法，通过将图像分解为反射和亮度两个部分来改善图像质量。
RDN中采用了一个多层卷积神经网络结构，具有高度的非线性表征和稳健的特性。
RDN不仅在单一场景下表现出了较好的效果，而且在同类算法中效果最佳。
2. Dehaze-NetDehaze-Net是基于CNN的端到端的去雾算法。
它通过卷积神经网络来提取图像的深度特征，并通过重建图像来对背景和前景进行分离和去除雾霾的影响。
Dehaze-Net的最大特点在于对背景和前景的分离是无监督的，不需要预先标注背景和前景的位置，可以对任意复杂场景进行处理。
图像去雾算法研究
图像去雾算法研究近年来，随着计算机视觉和图像处理技术的迅速发展，图像去雾算法逐渐成为研究的热点。
图像去雾是指通过对雾霾图像进行处理，提取出原始图像中被雾霾遮挡的细节和信息，从而还原出更清晰、更真实的图像。
图像去雾算法的研究主要包括传统方法和深度学习方法两个方向。
传统方法主要基于物理模型，通过对图像中的雾霾进行建模，再根据雾霾的特性进行去除。
典型的传统方法包括暗通道先验算法和雾图估计算法。
暗通道先验算法基于一个观察：在绝大多数户外自然图像中，至少存在一个像素点它的R、G和B三个通道中的最小值近似为零。
该算法通过检测暗通道来估计图像中的雾浓度，进而去除雾霾。
雾图估计算法则通过对图像中的雾霾进行建模和估计，然后根据估计结果进行去雾处理。
然而，传统方法在处理复杂场景、大范围雾化以及雾霾密度不均匀的图像时存在一定的局限性。
为了克服这些问题，深度学习方法应运而生。
深度学习方法通过训练神经网络，从大量的数据中学习图像去雾的模式和特征，达到更好的去雾效果。
典型的深度学习方法包括基于卷积神经网络（CNN）的去雾算法和生成对抗网络（GAN）的去雾算法。
基于CNN的去雾算法通过训练一个深度卷积神经网络，从输入的雾霾图像中提取特征，然后生成去雾图像。
该算法能够在一定程度上恢复出原始图像中的细节和颜色信息。
而基于GAN 的去雾算法则通过将生成器网络和判别器网络相互对抗的方式，不断优化生成的去雾图像，使其尽可能接近真实图像，从而达到更好的去雾效果。
综上所述，图像去雾算法的研究在提高图像质量、改善视觉感受等方面具有重要意义。
未来，随着深度学习技术的不断发展和优化，图像去雾算法有望在各个领域得到更广泛的应用，为我们提供更清晰、更真实的视觉体验。
基于物理先验和对比学习的图像去雾算法
基于物理先验和对比学习的图像去雾算法基于物理先验和对比学习的图像去雾算法摘要：随着计算机视觉和图像处理技术的发展，图像去雾算法成为一个热门研究方向。
本文介绍了一种基于物理先验和对比学习的图像去雾算法。
该算法利用雾霾现象的物理特性，并通过对比学习来提高去雾效果。
实验结果表明，该算法在去雾效果和时间效率方面都具有很好的表现。
1. 引言图像去雾是计算机视觉和图像处理领域的重要任务之一。
在很多场景下，由于自然因素或者人为干扰，图像会产生雾霾效果，降低了图像的质量和可视化效果。
因此，研究图像去雾技术对于实际应用有着重要的意义。
2. 相关工作目前，已经有许多图像去雾算法被提出，包括传统的基于局部对比度和多尺度分析等方法，以及基于深度学习的方法。
然而，传统方法往往需要大量的计算资源和长时间的处理过程，而深度学习方法需要大量的训练数据和模型训练时间。
因此，需要提出一种更加高效和准确的算法来解决图像去雾的问题。
3. 算法原理基于物理先验和对比学习的图像去雾算法在算法原理上具有创新性。
首先，该算法利用雾霾现象的物理特性，对图像进行去雾预处理。
其次，通过对比学习来提高去雾效果。
对比学习是一种无监督的学习方法，由于图像去雾任务往往缺乏清晰图像的真实标签，因此适合应用在图像去雾任务中。
4. 实验结果本文对基于物理先验和对比学习的图像去雾算法进行了一系列实验。
实验使用了多个数据集，比较了该算法与传统方法和深度学习方法的去雾效果和时间效率。
实验结果表明，基于物理先验和对比学习的图像去雾算法在去雾效果和时间效率方面都具有很好的表现。
5. 结论和展望本文提出了一种基于物理先验和对比学习的图像去雾算法，并进行了实验验证。
实验结果表明，该算法在去雾效果和时间效率方面具有很好的表现。
未来，可以进一步研究算法的优化，提高去雾效果和时间效率。
同时，可以将该算法应用于实际场景，例如无人驾驶、监控等领域，来验证其实用性和性能。
总之，基于物理先验和对比学习的图像去雾算法在图像处理领域具有重要的应用价值。
计算机视觉中的图像去雾与增强技术研究
计算机视觉中的图像去雾与增强技术研究近年来，计算机视觉技术得到了快速发展，涵盖了许多领域，其中图像去雾与增强技术是一个备受关注的研究方向。
图像去雾技术可以从雾霾、烟雾等因素中恢复图像的清晰度，而图像增强技术则可以提高图像的亮度、对比度和细节。
本文将探讨图像去雾与增强技术的研究进展和应用前景。
一、图像去雾技术图像去雾技术旨在从含有雾霾的图像中恢复出原始图像的清晰度。
雾霾是由大气中的悬浮颗粒物造成的，这些颗粒物散射和吸收了光线，使得景物的细节变得模糊不清。
图像去雾技术通过估计雾霾的密度和光线传输模型，以恢复出原始图像。
目前，图像去雾技术主要分为物理模型方法和统计模型方法两种。
物理模型方法基于光线传输模型，通过估计大气光和透射率来去除图像中的雾霾。
经典的物理模型方法包括Single Image Haze Removal（SIHR）和Dark Channel Prior（DCP）。
SIHR方法通过估计大气光和透射率来去雾，但对于低对比度的情况下效果较差；而DCP方法则基于暗通道先验原理，将雾霾图像转换为非雾霾图像来去雾。
统计模型方法则通过学习大量的去雾图像样本来建立模型，再根据模型对待去雾图像进行估计。
该方法的典型代表是基于深度学习的方法，如DehazeNet、MSCNN等。
这些方法通过卷积神经网络来自动学习雾霾图像的特征，并根据学习到的特征恢复原始图像。
二、图像增强技术图像增强技术旨在改善图像的质量，提高其亮度、对比度和细节。
在计算机视觉中，图像增强技术的应用非常广泛，如视频监控、医学图像处理等。
图像增强技术可以通过调整图像的像素值和颜色来实现，也可以通过滤波和去噪来提高图像的质量。
在图像增强技术中，对比度增强是最常见的一种方法。
对比度增强的目标是增加图像中不同区域的亮度差异度，使得图像更加鲜明和清晰。
对比度增强可以通过直方图均衡化、多尺度对比度增强等方法来实现。
直方图均衡化是一种基础的方法，通过重新分配像素值来增加图像的对比度。
- 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)。
图像去雾增强算法研究 摘要： 本文首先对目前几种常用图像去雾算法进行分析；然后根据实际应用需求，选取了计算简单且易于用硬件语言实现的自适应直方图均衡化增强算法，并在此基础上对算法进行改进，通过对比发现改进后的算法对有雾图像增强效果更为显著。 abstract： this paper first analyzes several image defogging algorithms commonly used， and then selects the adaptive histogram equalization enhancement algorithm characterized by the simple calculation and easy realization through the hardware language according to the actual application requirement. on this basis， the algorithm is further improved. the comparison results show that the improved algorithm is more remarkable in improving the fog image enhancement effect. 关键词： 去雾；图像增强；直方图均衡化 key words： defog；image enhancement；histogram equalization 中图分类号：tp39 文献标识码：a 文章编号：1006-4311（2012）32-0219-03 0 引言 对公路行车而言，由于雾天环境下能见度偏低，视线不好，由 此带来的各种交通事故频频发生。以何种方法来降低雾对驾驶人员造成的视觉影响，使得在雾天行车所发生交通事故的几率最大程度的减小，这是一个亟待解决的问题。 对于雾天能见度低的情况，采用雾天行车视觉增强技术进行改进。视觉增强（即：图像增强）的首要目标是对图像进行处理，通过增强技术有效地提高图像的对比度，突出图像中的细节部分，进而改善图像的视觉效果。 图像增强技术主要分为两大类：空域法和频域法。对于空间域这类方法，是以对图像的每个像素点直接进行处理为基础的，它主要有直方图处理、直接灰度变换等。频域增强技术则是以修改图像的傅氏变化作为基础，它主要有：高通滤波、低通滤波等。 对于图像增强技术，目前还不存在增强效果判定的通用标准[1]，其增强好坏主要是通过人眼的主观判断，并结合人类的视觉特性模型，由观察者进行处理效果的最后判断。因此，图像增强处理技术的研究具有多样性。但应该明确的是，用于图像增强的方法一般都具有很强针对性，即增强处理是为了某种特定的应用目的而去改善图像的质量，使其处理的结果更适合于人的视觉特性或机器的识别系统。以致于对于不同的应用，需根据自己的实际应用环境进行算法的选取。 1 常用的图像去雾算法 1.1 基于直方图的增强算法 灰度直方图[1]是图像最基本的统计信息，它是用来表示数字图像中每一个灰度级与该灰度级像素 点出现频率之间对应关系的图形。图像的灰度统计直方图可表示为一个一维的离散函数，如下式所示。 ps=（sk）=nk/n k=0，1，…，l-1 式中：ps（sk）是第k级灰度值的概率；sk是第k级灰度值；nk是灰度值sk的像素点总数目；n是图像总像素点；l是灰度的级数。 灰度直方图是对数字图像中的每一个灰度级所出现的频率进行统计，它基本上可以描述一幅图像的整体概貌，从中可以看出该图像的明暗分布情况以及对比度的情况，图像的亮度情况可以通过灰度均值来反映，而图像的对比度则可以根据灰度值的分散程度来反映。因此，可以通过对直方图的分布情况进行修改以达到图像增强的目的。 常用的直方图增强方法包括：直方图均衡化技术、直方图规定化技术、局部增强技术等。其中直方图均衡化技术的基本思想是：通过把原始图像的直方图变换成均匀分布的形式来增加像素灰度值的动态范围，从而达到增强图像整体对比度的效果。均衡化处理的过程其实就是对原图像进行非线性的拉伸，使得图像的像素值得以重新分配，如此，在一定灰度范围内的像素数量大致相同。当图像的直方图呈均匀分布时，图像所包含的信息熵最大，故经直方图均衡化处理以后图像包含的信息量最大，图像看起来也就显得清晰。 1.2 基于大气散射物理模型的增强算法 该方法利用雾天大气 散射物理模型，推导出传递函数及天空的亮度，进而对雾天拍摄的图像进行处理，得到基本无雾的图像。雾天成像的物理模型为下式所示： i（x）=j（x）t（x）+a（1-t（x）） 式中：i（x）是观察到的实际图像；j（x）是假设没有大气颗粒散射时候的真实图像；t（x）是大气散射传递函数；a 是天空的亮度。此法去雾的目标就是从i（x）中复原j（x）、 t（x）、a。进一步解释传递函数t（x）：t（x）=exp（-？茁d（x）），其中，？茁为大气颗粒散射系数，d（x）为场景深度。 1.3 基于暗原色的单一图像增强算法 在对雾天图像研究中，由香港中山大学何恺明博士提出的基于暗原色的单一图像去雾技术[2]，通过对大量图像进行统计，发现图像之中存在暗原色先验统计的物理规律，即把图像分成很多个小方块，每个方块中都有一些亮度很低的像素。这些“黑点”通常存在于物体阴影、黑色物体，以及具有鲜艳颜色的物体中。研究发现，即使是嫩绿的树木，其红色和蓝色亮度也会很低，所以也会有暗原色。而对于雾天的图像，这些暗像素则可用来对雾光的透射信息进行直接评估。在此基础上，结合雾天成像模型对图像进行数学运算，按雾气浓度局部插值法对相片各部分的颜色进行修复，通过此方法，可使雾天所拍摄的相片犹如在晴天下拍摄的一样清晰。 1.4 基于retinex理论的图像增强算法 retinex理论，也称作视网膜大脑皮层理论。retinex理论的内容[3]包括两方面：其一， 物体所显示的颜色并非由反射光强度的绝对值所决定，而是由它对短波、中波以及长波三个波段光线的反射能力所决定；其二，光照的不均匀性不会影响物体的色彩，即物体的色彩具有一致性的特性。 此方法的特点是：在图像中所有像素的相对明暗关系几乎不受光源的影响，对于整体偏暗或偏亮等对比度相对较小的图像，它能够很好的消除这种因光源不均匀对图像质量所带来的影响，使得图像的视觉效果得到很好的改善。 1.5 图像去雾增强算法的选取 上面的图像去雾算法中，除了基于直方图的增强算法外，其他算法在雾天图像增强处理方面可以取得很好的主观视觉效果，但由于其数学计算模型复杂，求解过程比较困难，计算量大，不易于在fpga硬件平台上实现。考虑到本文的算法最终要使用verilog硬件描述语言进行算法的编写并在fpga验证平台上予以实现，故文中选用了基于直方图的图像增强算法。该算法简单有效，在软件中易于计算，也适用于商用硬件设备上，是最常用、最重要的图像增强技术之一。 2 改进的直方图均衡化图像去雾算法 2.1 动态分配空闲灰度级的自适应直方图均衡化[4] 传统的直方图均衡化增强算法是针对整幅输入图像进行同一处理，以此来增强图像的对比度。该方法存在一定的问题，因为它的处理是以256个灰度级别中每一灰度级出现概率的大小作为增强处理的依据，而在有雾图像中所需增强的目标部分其灰度级出现概率 较小，故进行全局均衡化增强处理时，目标图像因受背景图像的影响而出现灰度级简并现象，使得图像中需增强的细节信息出现丢失。 为克服传统处理方法所造成的简并现象，以及降低局域增强算法的运算复杂度使其更易于在硬件电路上实现，本文采用改进的“空闲灰度级动态分配的自适应直方图均衡化增强算法[4]”。 原算法是在灰度空间进行的，它只对灰度信号进行增强处理。通过统计整幅图的灰度值总和以求取全局灰度值的平均值，以该值作为图像的分割阈值；根据分割阈值将256个灰度级划分成两个灰度区间；统计[0，255]区间内的空闲灰度级，将空闲灰度级按比例分配到两个灰度区间内；分别在两个区间内进行直方图均衡化增强处理，达到图像清晰化目的。 2.2 改进的自适应直方图均衡化增强算法 通过对原算法的大量试验结果进行分析，发现直接将灰度增强算法应用于彩色图像，处理结果会出现色彩失真现象。为了保证增强处理不会造成图像色彩的失真，这里选择在rgb彩色空间对图像进行处理[5]。由于r、g、b三个色彩分量之间相关性很大，若直接对它们分别进行直方图增强处理，可能致使图像的颜色出现大的改变，即色彩失真。采用对rgb统一统计的方法，以得到图像的直方图，在此直方图的基础上进行直方图均衡化，对r、g、b三个分量使用同一非线性拉伸函数进行处理。整个增强处理过程如图1所示。 改进后算法的实现过程为： 2.2.1 色度空间转换 采用工业摄像头作为视觉传感器，其采集来的模拟视频信号经视频解码芯片解码后输出为4：2：2格式的yuv信号。由于本算法是在rgb彩色空间进行图像增强处理，故在算法处理之前需进行预处理，即完成yuv到rgb视频格式的转换。其转换公式为： r=y+1.371cr-175g=y-0.698cr-0.336cb+132 b=y+1.732cb-222 2.2.2 阈值[6]的选取 阈值法是一种最为常用的图像分割方法，它用于将图像灰度级别划分为多个部分的灰度门限值。对于一幅图像，如果只有目标信息和背景信息两大类，则只需选取一个阈值对其进行分割，这类分割称之为单阈值分割；若图像中存在多个目标，则需选取多个阈值将各个目标分开，这类分割法称之为多阈值分割。 这里采用二次迭代法进行阈值的求取，其求解过程为： ①根据下式求出初始阈值： t0=■■■（fr（i，j）+fg（i，j）+fb（i，j））i=0，1，…，w-1；j=0，1，…，h-1。 ②根据初始阈值t0将256个灰度级划分为两部分，即[0，t0]和[t0+1，255]。然后对这两部分灰度区间分别求取平均灰度值，记为tsmall和tbig，依据这两个值计算新的分割阈值：t1=（tsmall+tbig）/2，将t1替代t0作为新的全局阈值。此时整个灰度区间被划分为[0，t1]和[t1+1，255]两个部分。