计算机视觉（基于MWORKS）课件 第四章 基于直方图优化的图像去雾技术

计算机视觉第四章基于直方图优化的图像去雾技术目录CONTENTS案例背景4.1程序实现4.2评价指标4.34.1

案例背景1、雾霾对图像质量的影响与挑战雾霾由雾滴与霾粒（沙尘、污染物等固体颗粒）造成，致光线散射吸收，引发图像清晰度、对比度降、色彩偏、细节失，影响交通监控、自动驾驶等依赖高清图像的领域。2、图像去雾技术的必要性与分类图像去雾技术对保障户外视觉系统稳定运行至关重要。目前主流方法包括基于图像增强的去雾方法（如直方图均衡化、Retinex算法）和基于图像复原的去雾方法，旨在提升图像清晰度、对比度与细节信息。3、大气散射模型与雾化干扰原理如图所示，雾化干扰的原理可通过大气散射模型来进行解释，其数学表达式为：4.2

程序实现4.2.1全局直方图均衡化1、直方图基础与定义直方图能反映图像的灰度范围、分布情况、整体亮度均值和对比度等概貌特征。对于像素总数为N的图像，灰度级rk出现的概率（相对频数）为：2、全局直方图均衡化的原理非线性拉伸，将原始图像中集中在较小区间的灰度直方图，重新分布为在整个灰度范围内更均匀的形态。使一定灰度范围内的像素数量大致相同。3、基于全局直方图均衡化的去雾算法步骤预处理：输入图像，计算其灰度直方图。计算变换表：根据输入图像的直方图，计算灰度值变换表H(x)查表变换：遍历图像每个像元，将原始灰度值x通过变换表H(x)映射为新的灰度值x′，即执行变换x′=H(x)。4.2

程序实现RGB全局直方图均衡化4.2

程序实现灰度全局直方图均衡化4.2

程序实现4.2.2局部直方图均衡化1、定义：局部直方图均衡化是为克服全局方法忽略细节、损失局部信息而改进的图像增强算法。2、核心实现步骤图像分块：将原始图像划分为多个不重叠的子块，每个子块代表一个独立的局部区域。局部均衡化：对每个子块分别进行独立的直方图均衡化处理，从而单独优化该子块内的灰度级分布。结果合成：将所有经过处理的子块重新组合，形成增强后的完整图像。3、核心优势：提升局部对比度，避免亮度不均与细节丢失，增强视觉效果。4、适用场景：尤其适合雾霾图像、光照不均或对比度差异大的图像处理，能使细节更清晰自然。4.2

程序实现RGB局部直方图均衡化4.2

程序实现RGB局部直方图均衡化4.2

程序实现灰度局部直方图均衡化4.2

程序实现灰度局部直方图均衡化4.2

程序实现4.2.3Retinex增强算法1、定义：Retinex增强算法是一种基于人类视觉感知的图像增强方法，其核心思想认为最终接收到的图像信号是由照明条件和物体表面反射特性共同决定的。2、核心目标与处理思路从图像信号I中分离出反射分量R和光照分量L，以此改善图像的视觉效果。通过将对数运算应用于原始模型，将乘法关系转换为加法关系：3、重要特性与应用领域医学成像：提高诊断图像的清晰度和准确性卫星遥感：消除大气和光照条件对图像的影响水下图像处理：改善水下光线散射造成的图像质量下降低光照条件图像：增强在不良照明环境下拍摄照片的视觉效果4.2

程序实现基于Retinex的去雾方法4.2

程序实现基于Retinex的去雾方法4.3

评价指标4.3.1峰值信噪比1、定义：用于衡量复原图像与原始参考图像之间的差异程度。2、计算公式：计算均方误差MSE计算PSNR值3、结果解读与标准值越大，质量越高：PSNR值越大，表示复原图像质量越高，所含噪声越少，与原始图像的差异越小常见质量阈值：PSNR值超过30dB通常被认为属于高质量的图像复原结果4、优缺点分析优点：计算简单，结果直观，便于不同方法间的量化比较缺点：不能很好地反映人眼对图像结构、纹理和细节的真实感知，与主观视觉质量不完全一致4.3

评价指标4.3.2结构相似度1、定义：结构相似度是一种基于结构信息的图像质量评价指标，旨在模拟人眼对图像结构的感知机制。2、计算公式：3、结果解读与标准取值范围：SSIM值介于0到1之间评价标准：值越接近1，表示两幅图像的结构相似度越高，图像质量保持得越好4、优势与评价SSIM的核心优势在于其更贴近人类视觉的主观评价，能更准确地反映图像处理（如去雾、压缩、复原等）后结构信息的保持程度，是评估图像质量的重要补充指标。4.3

评价指标4.3.3信息熵1、定义：信息熵是用于度量图像中包含信息量的一种重要指标。它基于图像的灰度直方图，通过分析每个灰度级别在图像中出现的概率，来反映图像整体的复杂度和信息含量。2、计算公式：3、在图像质量评估中的作用分析视觉复杂性：通过熵值