【《无人机影像去雾的Retinex去雾算法概述》1300字】

无人机影像去雾的Retinex去雾算法概述目录TOC\o"1-3"\h\u6478无人机影像去雾的Retinex去雾算法概述 1179651.1单尺度Retinex去雾算法 1154481.1.1单尺度Retinex算法的处理过程 2136141.1.2单尺度Retinex实现流程 39211.2多尺度Retinex影像增强处理 3196471.3小结 4对于无人机影像的去雾算法，除暗通道算法以外，Retinex算法也是目前比较常用而又经典的算法REF_Ref4277\r\h[6]。本章节主要是在介绍Retinex去雾算法的两个经典的算法，首先介绍了单尺度Retinex去雾算法的原理、实现过程以及其处理流程；其次又介绍了多尺度Retinex去雾算法的相关理论。1.1单尺度Retinex去雾算法对于每一个已经确定的的影像S(x,y)都可以分解为两个不同的影像即反射影像R(x,y)和入射影像L(x,y)，其原理如下图1.1所示：入射光L发射物体R入射光L发射物体R观察者图1.1影像关系图其中，L(x,y)是入射影像，R(x,y)是反射影像，S(x,y)是原始影像。从数学的角度上来讲，求解R(x,y)并不是一个简单相反还是一个不好解决的问题，研究者们便想到了一个曲线救国的方法即利用数学上的近似方法来估计。1.1.1单尺度Retinex算法的处理过程一般我们把照射影像估计为空间平滑影像，原始影像为S(x,y)，入射影像为L(x,y),由此可以得到单尺度Retinex算法公式为：(1.1)(1.2)(1.3)其中，r(x,y)为输出影像，为卷积符号，F(x,y)为中心环绕函数，可以表示为：(1.4)c表示为高斯环绕尺度，是一个尺度，它的取值必须满足以下的条件：(1.5)可以看出，单尺度Retinex算法中的卷积可以看做是对空间中照度影像的计算REF_Ref17489\r\h[14]，其中，F(x,y)是低通函数，该函数能够估计出照射影像在原始影像中相应的低频照射部分，将其删除，这样就会留下原始影像所对应的高频照射部分REF_Ref17525\r\h[15]。而人眼对边缘部分的高频信息非常的敏感，由此而言单尺度Retinex算法的优点在于增强影像的边缘信息。1.1.2单尺度Retinex实现流程单尺度的Retinex去雾算法的实现流程图如1.2所示：首先读入原始影像S(x,y),若原始影像为灰度图，则将影像的每个像素灰度值由整数值转换为浮点数，然后转换到对数区域；若为首先读入原始影像S(x,y),若原始影像为灰度图，则将影像的每个像素灰度值由整数值转换为浮点数，然后转换到对数区域；若为彩图，则将影像的每个颜色分类再分别处理，再将每个分类像素值由整数值转换到浮点数，并转换到对数区域中，以此方便后面的数据计算。输入尺度c；在离散条件下，积分转换为求和，进一步确定参数的值；根据前面的公式，计算得到r(x,y)；若是彩图，则每一个通道均有一个将r(x,y)从对数域转换到实数域得到输出影像R(x,y);对R(x,y)进行线性拉伸并以相应的个数输出显示图1.2单尺度的Retinex去雾算法的实现流程图1.2多尺度Retinex影像增强处理多尺度Retinex影像去雾算法是研究学者对单尺度Retinex影像去雾算法进行优化改善的得到的REF_Ref19044\r\h[16]，其优点不仅针对上述算法的缺点的得到了改善即不仅可以增强影像的对比度还可以对影像的动态范围进行压缩,除此之外，多尺度Retinex去雾算法还可以实现色彩增强、局部动态范围压缩等，也可以用于X光的影像增强REF_Ref19240\r\h[17]。其计算公式如下：(1.6)上式中的k是高斯中心环绕函数的个数，而且，为了保证同时具有单尺度Retinex的高、中、低三个尺度的优点，k的通常取为3，并且：(1.7)正常情况下该算法在对影像进行估计的时候，通常是现将影像想象成缓慢变化，也就是认为影像是平滑的，但实际情况并不是这样REF_Ref19432\r\h[18]。例如，当影像所包括的范围内的亮度相差很大时，即有的区域很亮而有的区域很暗时，在影像的边缘区域，影像就不是平滑的了。因此，在这个亮度差异大的区域，多尺度Retinex增强算法的处理会导致影像的质量下降。此外，较亮区域内细节信息处理效果不佳，并且对高光区域的敏感度小等也是较为此方法常见的缺点REF_Ref19514\r\h[19]。1.3小结在无人机影像的去雾算法中，经典的额算法不仅是上一章介绍的，本章节主要是针对另外一个比较经典而且简单而有效的算法即Retinex去雾算法展开的研究，主要讲述的是该算法的两个主要而又经典去雾算法，针对单尺度Retinex去雾算法做了较为详细的介绍，介绍了单尺度Retinex去雾算法的原理，又对其实现过程做了概述，简