城市彩色航空影像的边缘模糊Retinex 阴影消除
retinex算法c语言
retinex算法c语言【最新版】目录1.Retinex 算法简介2.C 语言编程环境搭建3.Retinex 算法的实现步骤4.C 语言实现 Retinex 算法的示例代码5.总结正文【1.Retinex 算法简介】Retinex 算法是一种基于图像退火过程的图像去噪方法，主要用于去除图像中的椒盐噪声。
Retinex 算法的全称是 Retinex-inspired algorithm，其灵感来源于生物视觉系统中的视网膜神经元。
该算法具有良好的去噪效果和保持图像细节的特点，被广泛应用于图像处理领域。
【2.C 语言编程环境搭建】C 语言是一种广泛应用的编程语言，适合实现 Retinex 算法。
要开始编写 C 语言程序，首先需要搭建一个 C 语言编程环境。
常见的 C 语言编译器有 GCC（GNU Compiler Collection）和 Visual Studio。
根据个人喜好和操作系统选择合适的编译器，然后安装相应的集成开发环境（IDE），如 Code::Blocks、Eclipse 等。
【3.Retinex 算法的实现步骤】Retinex 算法主要包括以下三个步骤：(1) 构建图像的二值化版本，以突显图像中的椒盐噪声。
(2) 对二值化图像进行形态学操作，以消除噪声并保留图像的边缘信息。
(3) 对形态学操作后的图像进行平滑处理，以恢复图像的细节信息。
【4.C 语言实现 Retinex 算法的示例代码】以下是使用 C 语言实现 Retinex 算法的简单示例代码：```c#include <stdio.h>#include <stdlib.h>#include <math.h>#include <image.h>// 定义图像的宽度和高度#define WIDTH 256#define HEIGHT 256// 定义图像的像素值unsigned char image[WIDTH][HEIGHT] = {// 初始化图像像素值};// 实现 Retinex 算法unsigned char retinex_image[WIDTH][HEIGHT] = {0};void retinex_algorithm(unsigned char *src, unsigned char *dst, int width, int height) {// 1.构建图像的二值化版本//...// 2.对二值化图像进行形态学操作//...// 3.对形态学操作后的图像进行平滑处理//...}int main() {// 读取图像文件//...// 实现 Retinex 算法retinex_algorithm(image, retinex_image, WIDTH, HEIGHT);// 保存 Retinex 后的图像//...return 0;}```【5.总结】本篇文章介绍了 Retinex 算法的基本原理和实现步骤，并给出了一个简单的 C 语言实现示例。
视觉边缘模糊处理算法实现
视觉边缘模糊处理算法实现
视觉边缘模糊处理算法是一种图像处理技术，用于减少图像中的噪点和细节，使得图像边缘更加平滑和柔和。
下面是一个常见的视觉边缘模糊处理算法的实现详情：
1. 导入所需库和图像：首先，需要导入相关的图像处理库，例如OpenCV。
然后，加载待处理的图像。
2. 灰度转换：将彩色图像转换为灰度图像。
这可以通过将RGB颜色通道进行加权平均来实现，或者使用更高级的色彩空间转换方法。
3. 边缘检测：使用边缘检测算法来识别图像中的边缘。
常用的边缘检测算法包括Sobel、Canny等。
这些算法会计算图像中每个像素点的梯度，并根据梯度强度确定边缘位置。
4. 模糊处理：对边缘进行模糊处理，以减少噪点和细节。
常用的模糊处理算法包括高斯模糊、均值模糊等。
这些算法通过对图像中的像素进行加权平均来实现模糊效果。
5. 边缘增强：通过将原始图像和模糊处理后的边缘图像进行加权叠加，可以增强图像的边缘。
这可以通过简单的逐像素相加或者使用更复杂的卷积运算来实现。
6. 结果显示：将处理后的图像显示出来，以便观察效果。
需要注意的是，以上只是一个基本的视觉边缘模糊处理算法的实现概述。
在实际应用中，可能还会涉及参数调整、边缘优化等更加复杂的步骤，以达到更好的效果。
1。
融合边缘信息的单尺度Retinex海雾去除算法
融合边缘信息的单尺度Retinex海雾去除算法一、引言1. 简述海雾去除技术的重要性和应用领域2. 介绍Retinex海雾去除算法及其优缺点3. 阐释融合边缘信息的重要性和作用二、相关工作1. 综述海雾去除算法的发展历程和分类2. 简要介绍边缘检测和融合算法的原理和方法三、方法提出1. 描述融合边缘信息的单尺度Retinex海雾去除算法的具体过程2. 阐释如何融合边缘信息，提升算法的性能3. 详细阐明算法的优点与局限性四、实验设计1. 介绍实验数据集的来源和处理方法2. 定量和定性评估算法的效果3. 在比较实验中与其他算法进行对比五、结论和展望1. 总结融合边缘信息的Retinex海雾去除算法2. 指出算法的优点和进一步改进的方向3. 展望海雾去除技术的未来发展和应用前景。
一、引言随着计算机技术的不断发展，图像处理技术已经成为现代信息技术中的一个关键领域之一。
其中，海雾去除技术作为一种重要的图像处理技术，已经被广泛应用于各大领域中，如电影制作、环境监测、公路交通安全等。
目前，Retinex海雾去除算法已经成为了一种经典的海雾去除算法，并在社会中得到了广泛应用。
该算法可以通过分别对图像的亮度、色度和照明分量进行操作，得到逼真的图像，并能够有效地去除海雾的影响。
但是，由于这种算法的局限性，例如计算量大、迭代次数多、结果易受影响等，导致其性能有时无法达到期望的效果，难以满足海雾去除的实际需求。
因此，一些学者提出了一些新的算法来对Retinex海雾去除算法进行改进，如结合能量优化、多尺度、局部对比度等方法，以提高算法的效果和性能。
其中，融合边缘信息的单尺度Retinex海雾去除算法是一种相对较新的算法，通过充分利用图像边缘信息，将边缘信息融入算法中，优化Retinex海雾去除算法，有效降低算法的计算复杂度，提高算法的效率和性能。
本论文将深入研究融合边缘信息的单尺度Retinex海雾去除算法，并总结其优点与局限性，为今后的算法改进和实际应用提供有益的参考。
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。
Landsat8影像中云和阴影的去除方法及应用
Landsat8影像中云和阴影的去除方法及应用
Landsat8影像中云和阴影的去除方法及应用
李红英1,3，骆成凤2，王苑1,3，杨鸿海1,3
【摘要】云的干扰严重影响了遥感影像的数据生产和应用，针对青海大面积地区无云数据严重缺乏而造成的遥感影像数据生产应用困难问题，研究Landsat8影像中云及云阴影去除的方法与流程，利用Landsat8遥感影像的光谱特征及其卷云波段，设计云及阴影区域检测模型，检测多种云覆盖情况下的云影响区域，通过多时相遥感影像的配准、相关分析、最小二乘拟合等图像运算得到消除或弱化云影响的遥感影像。
同时，应用此方法进行数据生产，为青海地区实际项目实施提供高质量的无云遥感影像数据源。
【期刊名称】地理空间信息
【年(卷),期】2017(015)004
【总页数】5
【关键词】Landsat8；光谱特征；云检测；阴影检测；云和阴影去除
光学遥感影像是大面积区域尺度的遥感反演、资源遥感监测的首要数据源，由于气候原因，频繁的云雾条件对光学传感器获得高质量的遥感影像造成了困难，尤其是广阔的西部地区，很难获取一个区域完全无云的遥感影像，大部分遥感影像在获取时都会或多或少地受到云及云在地面上投射的阴影的影响。
如何去除影像上云及阴影的影响，一直被认为是图像处理和应用中的难题。
目前，已经有不少的国内外专家和学者对此开展了广泛深入的研究，由于薄云和厚云在影像中呈现出不同的特点，在去除的过程中所采用的方法也不尽相同。
如同态滤波去云法适用于大范围存在薄云的影像[1-3]，通过把频率过滤与灰度变化结合起来，分离云与背景地物，进而从影像中去除薄云的影响，该方法在滤波过。
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。
多尺度retinex算法
多尺度retinex算法
多尺度Retinex算法是一种用于图像增强的图像处理算法，通过模拟人眼的自适应感光机制，提取图像中不同尺度下的细节和颜色信息，来改善图像的亮度、对比度和色彩平衡性。
以下是多尺度Retinex算法的一般步骤：
1.源图像预处理：在应用多尺度Retinex算法之前，通常需
要对源图像进行预处理。
这包括将图像转换到适当的色彩空间，如从RGB到Lab色彩空间，并将图像调整为合适的尺寸。
2.尺度空间分解：针对预处理后的图像，使用高斯滤波器对
其进行多尺度分解。
这可以通过在不同尺度下使用不同大小的高斯滤波器来实现。
通常会选择多个尺度来捕捉图像中的不同空间频率信息。
3.反归一化：对每个尺度的图像进行归一化操作，以消除亮
度的全局变化。
这可以通过将每个尺度图像的像素值除以其平均值，并进行亮度/对比度调整来实现。
4.对比度增强：应用对比度增强操作，通过调整尺度中的局
部对比度来增强图像的细节。
常见的方法是应用拉普拉斯变换和变换函数。
5.尺度重建：将经过处理的尺度图像重新组合，以获得最终
的增强图像。
通常将不同尺度图像进行加权叠加。
多尺度Retinex算法针对不同尺度的细节和颜色信息进行处理，
可以有效地增强图像的细节和对比度，改善图像的视觉效果。
由于其对人眼视觉感知的模拟，该算法常用于图像增强、色彩平衡、去雾等图像处理任务中。
基于改进Retinex算法的含雾图像清晰化处理技术
基于改进Retinex算法的含雾图像清晰化处理技术作者：钱泽东何勇来源：《科技创新导报》 2015年第3期钱泽东何勇(国家海洋局东海标准计量中心上海 201306)摘?要：雾天条件下获取的图像由于空气中颗粒的影响导致其图像对比度低、内容模糊不清，同时有整体偏向灰白色的趋势。
含雾图像清晰化就是为了能够提高图像的对比度，恢复它的真实色彩。
该文在深入分析单尺度Retinex算法和多尺度Retinex算法的同时，提出了基于直方图均衡化调整的改进Retinex算法实现含雾图像的清晰化算法，并通过对同一含雾图像基于不同算法进行试验，验证了该文所改进算法的有效性。
关键词：含雾图像 Retinex算法去雾处理实验中图分类号：TP391文献标识码：A 文章编号：1674-098X(2015)01(c)-0225-02近年来，随着数字图像处理技术的不断发展和人们对于图像清晰化要求的不断提高，对含雾图像进行清晰化处理，已经成为计算机视觉领域中的重要研究方向。
在雾天情况下，空气中经常出现微尘和水蒸气等颗粒物质，会导致光在传输过程中出现折射、散射、反射、吸收等现象，从而导致获得的数字图像出现颜色特征和对比度衰减等现象，使图像品质下降。
对含雾图像进行清晰化处理，是为了能够提高图像的对比度，增强图像的颜色特质，从而达到能够增加图像清晰度的目的，使图像细节信息更加突出。
同时，针对目前我国周边海域整体环境的特殊性，迫切需要在特定海域采集获取清晰舰船信息，提升全天候获取海洋侵权目标的能力。
准确的获取相关海域的图像信息对于海洋维权执法、海洋防灾减灾、海洋军事侦察等实际应用领域都有非常大的作用。
1 Retinex算法原理人类视觉系统的色彩恒常性（即具有对物体颜色的感知与光照条件无关的能力）对许多表面和光照都成立。
例如：特定物体在一定光照条件下总是被看作是相同的颜色。
一般来说，彩色视觉恒常性常常会受到场景复杂性和空间深度信息的影响，基于这一点，可以说彩色感知依赖于深度感知。
- 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)。
文章编号:1007-1482(2004)01-0095-04
・论著・
城市彩色航空影像的边缘模糊Retinex阴影消除肖志级,黄建军(深圳大学信息工程学院,广东 深圳 518060)
【摘要】:分析了中心/环绕Retinex算法在阴影消除上的局限性,并提出了一种新方法———边缘模糊Retinex,用于城市彩色航空影像中的阴影消除。首先利用阴影检测算法,把图像分割为阴影区域和非阴影区域。然后对阴影边缘进行模糊化。并利用中心/环绕Retinex算法,分别处理模糊化后的图像阴影区域和非阴影区域。最后将结果合并,并去模糊。实验表明该方法取得了较好的效果。【关键字】:彩色航空影像;阴影检测;边缘模糊Retinex
【中图分类号】:TP31914 【文献标识码】:A
ShadowEliminatingUsingEdge-Fuzzied-RetinexinUrbanColoredAerialImage
XIAOZhi-ji,HUANGJian-jun(SchoolofInformationEngineering,ShenzhenUniversity,Shenzhen518060)
【Abstract】:ThelimitationoftheSSRalgorithmisanalyzedwhenapplyingtoshadoweliminating,andanew
approacheliminatingshadowsincoloredaerialimage,calledEdge-Fuzzied-Retinex,isproposed.Thecolorimageisfirstsegmentintoshadowregionandnon-shadowregionusingashadowdetectionalgorithmwiththeregionborderfuzzied,thentheSSRalgorithmisappiedtothetworegions,respectively,finallythetwoarecominedtogether.Theresultsdemonstratethatsuchapproachworkeswell.【Keywords】:coloraerialimage;shadowdetection;edge-fuzzied-retinex
1 引言在城市彩色航空影像中,存在着大量的阴影区域,这成为城市航空影像的一个显著特点。一方面,这些阴影区域提供了某些关键地物如高大建筑物等存在的证据,可以用作检测它们的依据之一。另一方面阴影区域的存在也给数字图像的进一步处理和识别带来了困难。因此,怎样有效的补偿或者消除阴影,有着重大的意义和应用价值。阴影处理一直以来受到了较少的关注,这方面的文献也比较少。推究其原因,可能是以往的航空影像分辨率较低和计算机硬件的限制,使得影像中的阴影问题不是十分突出。近年来随着航空影像技术和有关方面应用处理技术的飞速发展。阴影问题的研究逐渐得到重视。文献中提出的阴影消除方法大致可以分为两类,一类主要利用图像颜色空间的信息,另一类主要利用图像的几何信息,诸如阴影边缘的检测和投
影计算等。G1D1Finlayson等最早提出利用彩色不变量来进行阴影检测、阴影消除1,但是这些彩色
不变量要在图像满足中性界面反射模型(Neutral
InterfaceReflectionModel,NIR)的条件下才成
立2,而我们的彩色航空影像不满足此条件。Aki2
raSuzuki等人3提出了一种基于颜色和空间概率信
息的动态阴影补偿的方法,此方法能比较有效的对阴影区域进行补偿,提高了阴影区域内的对比度。但是阴影依然存在。而且此方法计算过程中空间概率的获取需要事先利用大样本进行统计计
收稿日期:2004-03-29
基金项目:国家自然基金项目(60172066);
作者简介:肖志级(1979-),男,深圳大学信息工程学院硕士研究生;研究方向:图像处理和模式识别
59中国体视学与图像分析 2004年 第9卷 第2期CHINESEJOURNALOFSTEREOLOGYANDIMAGEANALYSISVo119No12Jun12004算,故此不能实现单张图片的实时处理。KobusBarnard等提出了一种利用颜色比率消除阴影的方法4,这种方法是基于对角光照模型的,但是大部分图像并不满足此模型。而且,其算法过于复杂,算法参数需要很多的专用设备,花费较多的时间才能获得。G1D1Finlayson等根据Retinex理论,设计了一个阴影消除算法5。但该方法存在两个显著问题,一是此方法对阴影的边缘的定位非常敏感,但精确的阴影边缘提取在目前阶段十分困难,再一个就是此方法运算量很大。针对城市彩色航空影像,本文提出了边缘模糊Retinex阴影消除算法。此方法仅利用了图像的颜色信息,可以实现单张图片的实时处理。在本文的第二部分中,我们介绍了Retinex理论和SSR(SingleScaleRetinex)算法,在第三部分中分析了SSR算法应用于阴影消除时的局限性,并提出了边缘模糊Retinex算法。最后给出了实验结果并对结果进行了分析和讨论。2 中心/环绕Retinex算法EdwinLand在四十年前提出了关于色彩视觉的Retinex理论6,此理论试图模拟人眼的视觉系统,认为人眼对色彩的感知并不仅仅依据于目标点的绝对颜色和亮度,而且还依赖于目标点的颜色与周围颜色和亮度的一种对比和平均。自从Retinex理论提出以来,Land本人和其他人先后提出了Retinex不同的变种,最新的一个版本是中心/环绕Retinex7。该方法比较以前的版本,运算速度显著提高,而且物理意义更加清楚。这种运算与人类视网膜和大脑皮层神经元的神经生理学函数相关,其形式类似于自然视觉科学中常用来模拟单个神经元感受野的高斯差分函数。Jobson等人据此提出了单尺度Retinex(SSR),其具体计算方法为: R1(x,y)=logIi(x,y) -log[F(x,y)3Ii(x,y)](1)其中Ii(x,y)代表原图象第i个颜色通道,3代表卷积运算,Ri(x,y)为最后的运算结果。F(x,y)为卷积核,其具体表达式为:F(x,y)=Ae-r2/c2(r2=x2+y2)(2)A为归一化常数A=1F(x,y)dxdy(3)其中c是SSR的一个关键参数,称为尺度参数,它直接决定着SSR的性能。c越小,SSR的动态压缩能力越强,图像中阴暗部分的细节就越能得到更好的增强。但是输出图像的颜色失真比较严重;反之,c越大,输出图像的颜色保真度越好,
但是动态压缩能力也同时减弱。所以需要选择一个折衷的参数c,以期得到一个比较理想的结果。
3 边缘模糊RetinexSSR的物理意义是通过计算像素点与像素点周围区域加权平均值的比值,消除光照变化的影响。在航空图像中,太阳是唯一的光源。非阴影区域由太阳光和周围物体反射的泛光共同作用形成。而在阴影区域内,没有太阳光的作用,只存在泛光。所以在非阴影区域和阴影区域的内部,光照强度是空间缓变的,而在阴影边界附近区域内,光照强度有剧烈的变化。边界区域内的像素点所对应的求平均值的区域内既有阴影点也有非阴影点,他们对应的光照强度变化很大,所以SSR不能消除掉光照变化的影响。为了改进SSR在边界区域内的不足,我们提出了边缘模糊Retinex。只是出于计算上的考虑,
我们假设:阴影区域和非阴影区域存在着一个过渡带,过渡带中的像素只以一定的隶属度属于阴影区域。这样,当卷积模板跨过边界区域时,这个模糊化的边界区域的作用就相当于改变了卷积平均计算中各像素所对应的权重。借此来修正由于光照强度剧烈变化所造成的影响。下面给出边缘模糊Retinex的具体算法。给一幅彩色航空图像I,我们利用文献2的阴影检测算法,得到分割图像Is,在Is中,阴影区域置1,非阴影区域置0。为了实现边缘模糊化,
我们需要确定一个隶属度函数,它体现当前像素对于阴影区域的隶属度,并且隶属度值的大小是和像素到阴影边缘的距离有关的。在此我们选择一种较为简单的做法,我们采用Is与m×m大小的模板g(x,y)进行卷积得到μs=Is
3g(x,y)(4)
其中g(x,y)=1/m2。以此来作为对应象素对阴影区域的隶属度函数值。这样就可以保持阴影中心的元素对于阴影的隶属度为1,而在边缘处的元素对阴影区域的隶属度将根据其与阴影中心的距离增大而递减,达到了边缘模糊化的目的,形成过渡带。根据模糊数学的公式,我们有μμ(x,y)=1-μs(x,y)(5)
这是对应象素对于非阴影的隶属度函数值。
69中国体视学与图像分析 2004年 第9卷 第2期
用两个隶属度函数模板μs和μμ与原图象相乘,分别得到模糊加权图像S和U:S(x,y)=I(x,y)μs(x,y)(6)U(x,y)=I(x,y)μμ(x,y)(7)这样做的目的,相当于在后续的处理中,给各象素分配了合适的权重。再分别用SSR处理S和U: Rs(x,y)=logS(x,y)] -logF(x,y)3S(x,y)](8) Ru(x,y)=logU(x,y)] -logF(x,y)3U(x,y)](9)其中的F(x,y)同(2)。合并两部分的结果,得到 R(x,y)=Rs(x,y)μs(x,y) +Ru(x,y)μμ(x,y)(10)作为最后结果。最后结果的直方图一般动态范围较宽,为了便于显示,可以用正则化方法将其动态范围予以压缩,去掉两头像素较少的部分[9]。4 实验结果及讨论将本文的算法应用于图1所示彩色航空影像,计算选用了一个比较适中的参数C=80.模板g(x,y)的大小由实验确定,选为5×5。从图可以看到,阴影得到了很好的消除,而且颜色也比SSR的结果得到了更好的保持。为保证算法的有效性,笔者用多幅彩色航空图像做了大量实验,均取得了令人满意的效果。由于算法结果难以量化评价,仅在此给出几个实例。(图1～图3)由图中可以看出,此算法对于饱和度较低的灰色区域阴影消除效果比较好,对于饱和度较高的区域效果就差了一些,这是Retinex理论本身固有的缺陷造成的。根据Hurlbert等人的分析10,
Retinex理论实际上隐含了“Grayworld”假定,因为Retinex的运算只有在三个颜色通道环绕均值基本相等的情况下才不至于破坏原图像的颜色信息。若三个通道环绕均值差别较大,则算法不仅消除了光照变化的影响,也将产生颜色失真。另外值得一提的是,由于对阴影边缘进行了模糊化处理,本算法对于阴影检测的结果具有较强的鲁棒性,并不需要检测的阴影区域十分精确。
5 结论本文分析了SSR理论用在城市彩色航空影像阴影消除上的局限性,提出了边缘模糊Retinex算法用于城市彩色航空图像阴影消除。该算法利用阴影检测结果,生成边缘模糊化模板,并用此模板得到两个模糊加权图像,分别在其上用SSR算法进行处理,再对处理的结果进行合并。实验表明,该方法取得了较好的效果。