【《天气图像去噪相关技术概述》3400字】

天气图像去噪相关技术概述目录TOC\o"1-3"\h\u250521.1图像去噪 1123081.1.1图像噪声的定义和分类 1250241.1.2去噪技术的发展历史和现状 2210401.2暗通道图像去噪算法 284991.1.1估计全局大气光值 22911.1.2利用迭代思想估计透射率 3124421.3Retinex图像去噪算法 4209401.4基于深度学习的图像去噪算法 5182121.4.1神经元模型 5259251.4.2激励函数 61.1图像去噪1.1.1图像噪声的定义和分类所谓数字图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。一幅图像信息的生成难免或多或少都会伴随有噪声的产生。噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”，在理论上可定义为“不可预测，只能用概率统计方法来认识的随机误差”。它对图像信息的采集、输入以及处理的各个环节和最终的输出结果都会产生一定的影响，特别是在图像信息的输入、采集和传输过程中，若输入时伴随有较大的噪声，则必定会对其后的处理过程以及处理结果造成不利的影响。常见的图像噪声分为5种：1）加性噪声：和输入图像信号无关，比如信道噪声；2）乘性噪声：与图像信号有关，常随着图像信号的变化而变化，比如胶片中存在的颗粒噪声；3）量化噪声：与输入图像信号无关，是量化过程中产生的误差，其大小可以衡量数字图像与原始图像的差异，这是数字图像主要的噪声源；4）椒盐噪声：由于图像切割引起的噪声，比如白图像上的黑点噪声；5）高斯噪声：其概率密度函数服从正态高斯分布的噪声，包括热噪声和散粒噪声。1.1.2去噪技术的发展历史和现状图像处理的出现始于20世纪50年代。当时的电子计算机已经发展到了一定的水平，人们开始使用计算机来完成简单的图形和图像处理工作。数字图像处理形成体系，形成一门学科约开始于20世纪60年代初期。早期图像处理的目的仅仅是为了改善图像的质量便于提高人的视觉效果。数字图像处理过程中，输入的是质量较低的原始图像，输出的是改善过后有一定质量的图像。常用的图像处理方法有图像增强、复原、编码和压缩。早期由于数字图像处理领域涉及的数学理论比较浅，在很长的一段时间里，某些在特定条件下的算法的正确性没能得到很好的证明，使得数字图像处理研究的发展缓慢。近年来，由于该领域研究者数学功底的不断加强，同时该领域具有的巨大市场需求也吸引了越来越多的数学工作者的加入，使得该领域得到了前所未有的发展3）运用python编写程序实现算法，并对这些算法做出评估,通过对图像去噪算法性能的研究以达到优化的目的。4）改进算法，完成本系统的实现。1.2暗通道图像去噪算法本在计算机视觉领域，通常使用雾天图像退化模型来描述雾霾等恶劣天气条件对图像造成的影响，该模型是McCartney首先提出。该模型包括衰减模型和环境光模型两部分。模型表达式为：其其中，是图像像素的空间坐标，是观察到的有雾图像，是待恢复的无雾图像，表示大气散射系数，代表景物深度，是全局大气光，通常情况下假设为全局常量，与空间坐标无关。公式(1)中的表示坐标空间处的透射率，我们使用来表示透射率，于是得到公式（2）：由此可见，图像去雾过程就是根据求解的过程。要求解出，还需要根据求解出透射率和全局大气光。1.1.1估计全局大气光值1）将图像的亮度最大的点的灰度值作为全局大气光值。2）利用暗通道估计全局大气光值。在暗通道去雾算法中，从暗原色通道中选取最亮的0.1比例的像素值，然后选取原输入图像中这些像素具有的最大灰度值作为全局大气光值。三通道中每一个通道都有一个大气光值。3）分块递归思想估计全局大气光值。具体思想就是先将图像平均分为四个部分，然后分别求取四个部分中的平均亮度值，选取亮度值最大的块，将这个块平均分为四个块，选取最亮的块，当分解到块的大小达到一定阈值时，在这个块中选取亮度最大的点作为全局大气光。可以看到这有一个递归的过程。4）分段思量估计全局大气光值。我记得这是一个韩国小哥提出的方法，对天空具有天然的免疫性。我们观察一般的图像，天空部分一般被分配在图像的上[公式]部分，因此将图像水平分为个部分，然后在最上的部分使用暗通道估计算法估计全局大气光。5）快速估计全局大气光值。首先求取输入图像RGB三通道中的最小值，即求取暗原色通道图像，然后对暗原色通道图像进行均值滤波，然后求取其中灰度值最大的点，接着求取输入图像RGB三通道中值最大的通道图像，然后求取出灰度值最大的点，然后将两个点的灰度值的平均值作为全局大气光。是1.1.2利用迭代思想估计透射率这个算法非常有意义，本人还没来得及复现，先来看看原理。首先，如果想获得更好的去雾效果，就要求去雾后的图像对比度高，并且失真度小。然后对上面的公式(2)做一个变换可以得到：(2-2-1)可以发现，和在坐标轴上对应一条直线，其中直线和轴的交点是(0,，和轴的交点是(,0)。可以看到随着在(0,255)的范围内进行变化，会对应的产生负数或者超过255，这就导致了图像失真。因此为了改善这一缺点，使用下面的等式来衡量失真度。(2-2-2)1.3Retinex图像去噪算法视网膜皮层理论始于20世纪60年代作出的一系列贡献，其基本思想是人感知到某点的颜色和亮度并不仅仅取决于该点进入人眼的绝对光线，还和其周围的颜色和亮度有关.Retinex这个词是由视网膜（视网膜）和大脑皮层（皮层）两个词组合构成的。之所以设计这个词，是为了表明不清楚视觉系统的特性究竟取决于此两个生理结构中的哪一个，抑或是与两者都有关系。视网膜皮层模型是建立在以下的基础之上的：首先，真实世界是无颜色的，我们所感知的颜色是光与物质的相互作用的结果我们见到的水是无色的，但是水膜-肥皂膜却是显现五彩缤纷，那是薄膜表面光干涉的结果。其次，每一颜色区域由给定波长的红，绿，蓝三原色构成的。此外，三原色决定了每个单位区域的颜色。Retinex理论的基本内容是物体的颜色是由物体对长波（红），中波（绿）和短波（蓝）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，即Retinex理论是以色感一致性（颜色恒常性）为基础的。如下图所示，观察者所看到的物体的图像小号是由物体表面对入射光大号反射得到的，反射率R由物体本身决定，不受入射光大号变化。Retinex理论的基本假设是原始图像小号是光照图像大号和反射率图像[R的乘积，即可表示为下式的形式：(2-3-1)基于Retinex的图像的增强的目的就是从原始图像小号中估计出光照L，从而分解出R，消除光照不均的影响，以改善图像的视觉效果，正如人类视觉系统那样。在处理中，通常将图像转至对数域，即，从而将乘积关系转换为和的关系(2-3-2)1.4基于深度学习的图像去噪算法1.4.1神经元模型神经元是组成神经网络结构最基本的信息处理单元，如图2-1所示，是一个神经元简单结构示意图，神经元模型主要包括三种基本信息处理结构：突触单元：每一个都由其权重参数作为基本信息，简单地讲，就是在连接到神经元的突触单元上输入的信号和的突触权重参数值相乘。求和单元：用于对输入信号与神经元的相应突触权重进行加权累加。激励单元：用来限制神经元的输出值，通常，神经元的输出值区间为。图2-4-1标记为的神经元非线性结构模型图2-4-1中的神经元模型引入一个外部偏置信号输入，其主要的作用是对信号累加值进行约束，使得激励函数的输入更加符合需求。神经元信息结构数学表达式如公式（2-4-2）、（2-4-3）所示。(2-4-2)(2-4-3)其中，是输入信号，是神经元的突触权重参数，是输入信号的线性累加求和的输出，为外部偏置信号，激励函数为，是神经元的输出信号。神经元的激活函数输入信号如公式（2-4-4）所示。(2-4-4)结合公式（2-4-2）、（2-4-3）和（2-4-4）可得的数学表达如公式（2-4-5）所示，的数学表达式表示如公式（2-4-6）所示。(2-4-5)(2-4-6)在神经元结构中添加一个新的突触结构，其输入如公式（2-4-7）所示，权值如公式（2-4-8）所示。(2-4-7)(2-4-8)通过这一改进即可得到一个新的神经元模型结构，如图2-4-9所示，外部偏置有两个作用：首先，增加一个新的恒定输入权重；其次，添加和外部偏置相等的突触权重参数。图2-4-9神经元的另一种非线性模型1.4.2激励函数激励函数，用表示，通过中间输出权值表示神经元的输出，本文在实际的人脸检测模型中主要用到如下几种激励响应函数：（1）阶跃函数，其函数图像示意图如图2-4-11所示，具体的数学表达是如公式（2-4-10）所示。(2-4-10)其中，若一个非负值，则输出1；反之，若是负数，则输出0。图2-4-11阶跃函数图像示意图相应地，在神经元上使用该激励函数，其输出数学表达如公