【图像去雾算法概述5900字】

图像去雾算法概述图像去雾算法概述 1 11.1.1图像增强方法去雾 11.1.2图像增强算法 2 3 3 31.1.3暗通道先验算法分析 41.3几种算法对比 7 71.3.2图像复原过程简介 71.3.3两者对比 7 8近年来出现了许多图像去雾算法，这些去雾算法按照是否是基于模型来进行去雾的可以分为图像增强和模型去雾两大类。基于图像增强算法的技术是其中一种，这种算法并不在意图像降质的缘由，仅仅关注增强图像的对比度、边缘梯度等细节信息，这类方法通常会导致去雾不彻底，也极其容易产生色彩偏移的情况；另一种技术是基于图像复原算法的技术，这种算法以大气散射的物理模型为基础，通过提出假设或先验信息等来求解模型中的参数，从而达到使含雾图像恢复到无雾图像状态的目的。利用图像增强方法进行图像去雾处理是基于含雾图像本身进行的去雾处理，并不考虑雾气导致的图像降质的问题，而是直接通过某种图像增强的算法对图像进行去雾处理。对位于图像中的有价值的信息进行图像增强其实是一个失真过程，它主要目的就是对图像的视觉效果进行改善，使其符合图像的应用的场合。带有目的性对图像的整体特性或是局部特性进行强调，可以将原来模糊的图像变得清晰可见或者强调某些人们感兴趣的特征，通过扩大图像中不同的物体的特征之间的区别，抑制某些人们不感兴趣的特征，从而达到使图像的质量得到改善、图像信息量得到丰富，加强图像的判读以及识别的效果，以此来满足某些特殊分析的需求。图像增强算法主要可以被分为全局化图像增强及局部化图像增强两种。(1)全局化图像增强算法全局化图像增强去雾算法包含：1)全局直方图均衡化算法，其实现程序十分简单，特别容易在嵌入式系统中得到实现，传统的直方图均衡算法就是利用一个变换函数来将输入图像的灰度级映射到输出图像，使得输出图像的各灰度级处于相对均匀分布的状态，得到使图像的对比度得到增强的效果；2)小波分析的方法，可以利用小波分析和多尺度分析对图像进行去雾；3)基于Retinex算法的图像去雾方法，该算法理论的是基于颜色恒常性原理进行的图像去雾处理。(2)局部化图像增强算法局部化图像增强去雾算法主要包括：增强图像的局部细节，局部方法可以分为子块不重叠、子块重叠与子块部分重叠2)局部对比度增强算法；3)局部方差增强算法。1.1.2图像增强算法基于直方图均衡化的算法基于概率论的一种方法，其中利用灰度变换的方法来达到图像增强的目的，是图像增强中较为常见的算法。把原始图像灰度直方图从较为集中的某个灰度区间转换成在所有灰度范围内均匀分布的情况是直方图均衡化处理含雾图像的“核心思想”。(1)图像灰度直方图一个灰度级在范围[0,L-1]的数字图像，其直方图是一个离散函数：n是图像的像素总数，nk是图像第k个灰度级的像素总数，k是第k个灰度(2)直方图变换的理论基础假设连续图像的概率分布计算为：其中r为灰度，A为图像的面积。(3)直方图均衡化的算法步骤1)列出原始图像和变换后图像的灰度级：I,J=0,1,……,L-1,其中L是灰2)统计原始图像各灰度级的像素个数n;3)计算原始图像直方图：P(i)=n;/N4)利用灰度变换函数计算变换后的灰度值，并四舍五入：j=INT[(L-1)P(i)+0.5](2-4)5)确定灰度变换关系i→j,根据此将原图像的灰度值f(m,n)=i修正为g(m,n)=j统计变换后各灰度级的像素个数n;;6)计算变换后图像的直方图：1.1.1图像复原方法去雾化”现象则主要是指成像系统在受到各种因素的影响，比如像成像系统的散焦、天图像复原的方法以及基于偏微分方程的雾天图像复原和基于先验信息的雾天1.1.2暗通道先验算法去雾个较为清晰的无雾图像，但是去雾结果极易出现色调饱和的现象。Fattal提出假验信息先进行透射率的粗略估计，然后采用软抠图算法对透射率进行细化处理。但是由于进行软抠图的计算会消耗很多时间，所以He等提出了基于导向滤波的导致天空等明亮的区域易产生颜色失真和偏移，并且会使去雾图像的整体偏暗。选取最亮的0.1%像素，消去后，对最大值对应象素三通道进行求和，再平均1.1.3暗通道先验算法分析目前基于图像复原的技术中最为常用的是何凯明博士等人提出的基于暗通图的方法来优化透射率，最后估计大气光值，从而使含雾图像恢复到无雾图像；(1)暗通道理论我们一般给暗通道一个数学定义，对于任意一个输入图像J,它的暗通道表Jdark=minyex)(mincetv,g.b)J(y其中Ω(x)表示将x作为中心的图像窗□大小，J(y)用来表示RGB图像的先要求得每个像素RGB分量中最小的值，然后存入一幅与原始图像大小相同的径，一般有WindowSize=2(2)彩色的物体或表面。因为通常彩色的物体或表面的两种颜色的通道亮度因为以上三种因素，我们所得到的户外景物图像总值较景物本身更高。那么基于前面提到的先验，在暗通道趋近于0的前提下，(2)雾的成像模型(3)暗通道理论去雾推理过程则可以得出(2-9)中等式的右边第一项为0,则(2-9)可以简化为：通过(2-11)可以求得透射率预估值。采用导向滤波对透射率进行细化处理。由于根据式(2-7)估计出的透射率值比较粗糙，导致处理后得到的图像不清晰，所以需要进一步对透射率进行细化操作。He等首先提出运用软抠图的方法对透射率t(x)进行细化，但该方法的计算复杂度和时间复杂度都比较高。所以后来其又提出采用了导向滤波代替软抠图法，该方法与软抠图法相比，大大优化了计算复杂度和时间复杂度，并且在边缘保持方面的效果较好错误!未找到引用源。o通常选择在去雾的时候保留一定程度的雾，所以可以通过在(2-11)中引入一个在[0,1]之间的因子，则(2-11)可以修正为公式：通常取w=0.8—0.95中的某个值。 一述推论中都是假设全球大气光A值是已知的.然而在实际操作中.大气光A值并不是已知的，所以我们可以通过借助暗通道图像来从有雾图像中获取全球大气光A值错误!未找到引用源。。详细步骤如下：1)从暗通道图中按照亮度的大小取亮度占前0.1%的像素。2)在这些位置中，在原始有雾图像中寻找对应的具有最高亮度的点的值，来作为A值。到这一步，我们就可以对无雾图像进行恢复了。由(2-6)可知：值很小时，就会导致J的值偏大，从而使得图像整体置一阈值T0,当t值小于TO时，令t=T0,本文中所有效果图均以T0=0.1为标1.3几种算法对比1.3.1图像增强过程简介1.3.2图像复原过程简介1.3.3两者对比以此为基础来建立一个近似的图像退化数学模型，然后我们还应当对模型进行适度的修正处理，从而对图像退化过程出现的颜色失真进行补偿处理，使得复原之后得到的清晰图像与原始图像更加趋近，最终实现图像的最优化。然而在图像的退化以及模糊的过程中，通常同时存在噪声和干扰，这就会给图像的复原处理带来许多不确定的不利影响。1.3.4暗通道先验算法简介“暗通道”顾名思义，无论天气是晴朗无云还是没有雾霾，至少在三个通道的任一通道中很小，甚至可能趋近于零的像素值，它们呈现出的颜色很灰暗，被称为暗原色，构成“暗通道”。强度的最小值是个非常小的数。那么可能造成图像暗原色的原因有：(1)阴影。如太阳照射不到的情况下，各类建筑下的影子、大树下的影子，水面的倒影。(2)彩色的物体或表面。如紫色的外套、红色的床单、色彩缤纷的小花等，都会因为其中的一个颜色通道亮度值很大，另一个颜色通道亮度值非常小，反差极大而形成暗原色。(3)暗目标。如黑色的屋顶或假山，此类表面颜色非常暗的物体。由于大气散射模型中有很多参数未知，依据基本的代数知识可以得知这是一个无解的方程，唯有通过了解一些先验信息才能求出方程固定的解。近年来，一些专家学者从这一思想出发，提出很多去雾算法，并取得了一些成就。例如，Tan统计研究发现其实无雾图像与有雾图像相比较，两者有着较高的对比度，通过最大化有雾图像局部的对比度可以得到无雾图像，但结果容易出现色调饱和。Fattal提出，假如光线传播图与场景表面的阴影部分呈局部不相关状态，那么就可以推导得出光线的传播图以及无雾图像，但无法适用于浓雾区域。He等利用暗通道先验信息粗略估计透射率，采