【《基于图像增强的单幅图像去雾算法分析》2100字】

基于图像增强的单幅图像去雾算法分析目录TOC\o"1-3"\h\u30487基于图像增强的单幅图像去雾算法分析 192161.1直方图均衡化算法 126021.2基于Retinex理论的雾图增强 2285251.2.1单尺度Retinex算法 374411.2.2多尺度Retinex算法 51.1直方图均衡化算法一幅数字图像在范围[0,G]内总共有L个灰度级，其直方图定义为离散函数。其中区间[0,G]内的第级亮度，是灰度级为的图像中的像素数。通常我们会归一化直方图，即使用所有元素除以图像中像素总数所得到的图形：其中，=1，2，……，L。由概率论基本知识可知，表示灰度级出现的频数。通过绘制和的条形图，可以把握一张图片亮度的分布规律。首先我们绘制几幅有雾图像的亮度直方图，并观察其分布规律。首先我们给出有雾图像的原图、灰度图及其直方图。从图可以看出，有雾图像的亮度直方图大多集中在[100,200]这个区间内，[0,50]以及[200,255]两个区间中的亮度分布极少，甚至可以忽略不计，由于其亮度分布过于集中在中间灰色部分，缺少亮（[200,255]区间）和暗（[0,50]区间）部分，导致画面整体模糊、对比度不高。接下来给出正常天气条件下一幅图像的原图、灰度图和直方图，观察其分布规律。然后对比有雾图像的亮度直方图，得出其优化方向。观察图4的亮度分布直方图可以看出，其亮度分布在各个区间都有分布，无论是亮（[200,255]区间）和暗（[0,50]区间）部分，还是[100,200]区间都有一定的分布，画面整体清晰度较高、对比度也比图1和图2高不少。所以，去雾的方法之一就是将亮度分布均衡化，使其尽可能的均匀分布各个亮度区间，提高对比度和清晰度。数字图像直方图均衡的公式1.2基于Retinex理论的雾图增强 1963年，Land[5]提出了一种基于物理科学和生物实验分析，Retinex理论的图像增强方法。该理论认为，人眼所感知物体的颜色是由外界物体反射红、绿、蓝光的能力决定的，与光的强度无关。换句话说，即使光的强度和空间分布不平衡，也不会影响物体反射三种原色光的能力，即Retinex具有色感一致性。Retinex理论还可以实现多种图像处理要求，如图像压缩、边缘锐化提取和增强、在动态范围内保持颜色稳定和恒定。Retinex理论算法是为保持人类对颜色感知的稳定性而建立的，也是最典型的图像增强算法。人类对颜色的感知保持稳定，即颜色的不变。人眼视觉系统HVS在处理人眼所看到的颜色变化物体时，不受外界光线的干扰。只有通过大脑皮层接收和处理物体本身的信息，人类的视觉才形成。Retinex理论经过近半个世纪的发展，先后发展出了单尺度Retinex算法、多尺度Retinex算法和颜色恢复多尺度Retinex算法。下面我们将介绍这些Retinex算法的理论推导。1.2.1单尺度Retinex算法根据Retinex算法的原理，图像可以由反射图像和入射图像组成。其数学解析表达式如下: S(x,y)是进入人眼的光线映射，L(x,y)是入射物体的光线映射，R(x,y)是被物体反射的光线映射单尺度Retinex原理图Retinex算法理论的核心思想是消除入射光对所拍摄图像的影响，聚焦于反射图像Retinex算法基本流程图对原式求对数后可得到： 进一步可得： 2-13其中为中心环绕函数 2-14是高斯环绕尺度，且有在式中，代表卷积，2-14，为归一化函数确定的系数。在公式(2-13)中，图像中辐照度分量的估计依赖于卷积的结果。通过计算像素和周边区域的加权平均来实现亮度图像的估计。最后，通过照度图像减去原图像得到目标的反射图像，以保持颜色不变。图像中的低频信息为卷积运算得到的图像辐照部分。式(2-14)中中心环绕函数F(x,y)是一个低通滤波函数。通过减去原始图像中的低频信息可以得到图像中的高频信息，对应于图像中的边缘信息。单尺度Retinex算法经过处理后，能够较好地实现图像边缘增强的效果，这主要是因为人眼对图像边缘部分的高频信息较为敏感。通过分析得到Retinex算法处理后的i色分量的反射分量，公式如下： 公式(2-12)有两个优点:一是阅读人眼亮度的类似于对数的变化曲线,如图2-6所示,另一种是在对数域是相对简单的计算,从而使算法和提高运行效率。Retinex算法专注于获取包含图像本质信息的反射图像。该方法是对入射图像进行区分，尽可能减少光照对图像的干扰，有效保留图像的细节部分。单尺度Retinex算法除雾效果图如图2-7所示。2-7单尺度Retinex算法去雾效果图单尺度Retinex算法具有能有效增强图像边缘信息的优点，被广泛应用于各种图像增强中。缺点是使用高斯函数会影响图像的动态压缩效果和对比度增强。1.2.2多尺度Retinex算法多尺度Retinex算法还与高斯环绕数学公式进行卷积数学运算，然后进行多尺度加权运算，得到去雾图像[26]。首先，对原始输入图像在所有尺度上进行高斯卷积运算，得到输出图像Li(x,y)，然后对每个尺度的输出图像进行加权: 2-17式中是图像在第个像素通道上的输出图像，是尺度，是第个尺度的权重。一般情况下，值为3,则=1/3。各权值之和为1，一般多尺度算法采用等权值进行计算。是第尺度下的高斯环绕函数: 2-18其中，是高斯尺度函数，实验研究表明，当分别取值15,80,200时，多尺度Retinex算法可以同时保留单尺度Retinex算法低、中、高三个尺度的优点，图像的处理效果良好。多尺度Retinex算法的流程图如下多尺度Retinex算法流程图此外，单尺度Retinex算法是形成多尺度Retinex算法的主要基础，多尺度Retinex算法在保留其优势的条件下发展出了许多优势，可以实现图像在动态范围内的部分或整体压缩。多尺度