【《直方图均衡化的图像去雾方法实现与设计案例分析》2300字】

直方图均衡化的图像去雾方法实现与设计案例分析目录TOC\o"1-3"\h\u28771直方图均衡化的图像去雾方法实现与设计案例分析 1259411.1直方图均衡化的图像去雾 1259011.2Retinex算法 2197881.3暗原色先验去雾 448382.算法概述 51.1直方图均衡化的图像去雾直方图均衡化方法的思想源于对雾天图像的分析。使用直方图将其均衡的方式，这样能够让整个灰度值在所有恢复领域内能够匀称的进行排布，进而能够获得更大的图像动态领域，进而能够达成将雾天图像提高对比度的目的。下图对于直方图均衡化的结果进行了详细的展示：（2）（3）（4）图1.1直方图均衡化直方图均衡化的算法步骤如下：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是灰度级的个数；2）、统计原图像各灰度级的像素个数ni;3）、计算原始图像直方图：P(i)=ni/N,N为原始图像像素总个数；4）、利用灰度变换函数计算变换后的灰度值，并四舍五入。5）、确定灰度变换关系,根据此将原图像的灰度值修正为统计变换后各灰度级的像素个数。6）、计算变换后图像的直方图。直方图均衡化所采用的方法是利用累积分布函数作为图像灰度值的变化曲线。根据计算区域的不同，根植于直方图均衡化的运算方法能够将其分为两种均衡化的方法：首先是全局直方图均衡化。这种方法主要是经过匀称的将直方图予以矫正，进而能够提高图像之间的灰度间距，所以能够将整个图像变得更为清楚；其次是局部直方图均衡化的方法，这种方法的思想大概是把其计算分解到图像的局部位置，进而能够经过局部的计算的叠加方式，随后能够完善的将局部信息完善的表达出来，主要适合的场景是多变景深，或者对于雾天图像的对比度较小的情形。MATLAB当中能够使用histeq函数达到直方图均衡化的目的，并且函数使用的方式表示为： （3-1） 该函数主要是对灰度图像I加以改变，并且返回具有N级灰度的图像J。1.2Retinex算法Retinex方法主要是Land和McCann从人眼对颜色的感知特性出发建立起来的，它的根源就是Retinex理论，其实质就是从图像中抛开照射光的影响来获取物体的反射性质，是一种描述颜色不变性的理论。Retinex理论分析认为在整个视觉信息发生的进程当中，人们的视觉系统对整个信息会加以各种处理，将很多不确保的要素给除去，比如照射不均匀等，并且仅仅将可以反射出物体本身特点的信息保存下来，像反射系数等。该理论在结合了物体本身不具有颜色而是通过环境光和物体相互作用表现出了不同的颜色的描述后变得更加接近现实[12]。

Retinex理论示意图如图1.2所示：

图1.2

Retinex理论示意图

用公式可以表示为：

S(x,y)=R(x,y)L(x,y)

其中，R(x,y)的含义是反射分量；L(x,y)的含义是照度分量；S(x,y)表达的是能够被接受的图像。对于Retinex理论，如果可以找到把F(x,y)中估计出L(x,y)的方式，并且将反射分量经过光照含量里进行完善的分离，进而可以将入射分量给图像的干扰进行减少，进而能够完成图像的提高的目的。基于Retinex理论的图像增强的基本步骤：

（1）:

利用取对数的方法将照射光分量和反射光分量分离。

（2）：用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D(x,y)，F（x,y）表示高斯滤波函数。

（3）：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G（x,y）：

（4）：对G(x,y)取反对数，得到增强后的图像R(x,y)：

（5）：对R(x,y)做对比度增强，得到最终的结果图像。Retinex方法不但能够将图像的清晰度和对比度的提高，还能够将灰度动态范围进行减少，能够将光线较小的区域的图像细节进行提高，对于彩色图像的增强和去雾处理有很大的优势。多年来，Retinex算法从单尺度也发展成了多尺度算法，这种算法是以单尺度为根基，进而能够维持图像的真实，并且还能够实现色彩增强局部，全局动态范围压缩。1.3暗原色先验去雾暗通道先验方法由何恺明等人提出。黑暗原色先验依赖于室外没有云雾的图像资料库中的统计定律。它主要是经过观察以后得到的一个重要的理论依据，许多室外的无雾图像在每一个局部地带的区域中至少能够达到一个颜色通道强度极低的像素值。在这种遭受空气云雾影响的光图像内，这些深色原色的强度值将变得更高，并确定透射率的大小，从而可以很好地估计透射率。深色原色点主要存在于对象的局部阴影，自然景观的投影等中。关于造成深色原色的原因，何玉明对此进行了解释：红色，蓝色和绿色是三种主要的光学色。1.暗原色先验模型（1）估测透射率分透射率反映了空气中光透射的重要特征。假设一个影像的大气是均匀的,则对于整个影像在某一特定时刻,总散射系数β是一个固定的值,因此影像上各个节点之间的散射退化程度也可能是不相同的,这主要依赖于传播的距离,亦即景深。基于对暗原色进行先验知识以及和整个雾影响加以模拟，进而可以预估其在成像过程中的雾密度,从而准确地估计得出透射比

t

。首先,如果在大气内的光分量A已经被提前预知，而且给局部区域Ω中，拥有着不变的透射率，则：已知图像暗原色的值趋近于零，且A≠0，可知透射率公式为：（2-15）这样就可以粗略的估计透射率图。（2）复原物体光线经过投影以后，能够将图像进行还原，如果t（x）逐渐向0靠拢，那么J（x）t（x）也会逐渐向0靠拢，而且会经过恢复以后得到先前的图像也会向包含噪声靠拢。所以设置了下限t0。最终的恢复J（x）由以下表达式实现：（2-16）(3)估测大气光通常情况下，大气光用图像内颜色最为鲜亮的值来进行预估的，因为很多灰霾会造成发亮的颜色，不过在这类计算方法的使用下，本身鲜亮的物体就会被选取，比如说白色建筑物，白色车子等，所以会造成不应该当作大气光参考值的结论被当作了大气光的预估，为了能够确保大气光的预估准确，一般使用的都是在灰蒙蒙领域内的像素或者深色原色来估计大气光值A。2.算法概述能够展现出来的步骤有以下几条：首先，通过输入的带雾图像将其分解成为诸多块状，一般是15*15的块状，进而能够得出所有的暗原色图；其次，使用软件进行透射率图的划分；再次，