【正文】 系的霧天圖像復(fù)原 降質(zhì)圖像的場(chǎng)景深度信息是復(fù)原霧天圖像的一條重要線索 。 此后，為了消除圖像去霧恢復(fù)的不確定性，基于模糊邏輯的霧天圖像對(duì)比度增強(qiáng)算法得到了研究者們的重視［ 18］ 。 這一方法已經(jīng)被廣泛地應(yīng)用到圖像編輯，自然場(chǎng)景圖像景物提取等領(lǐng)域中 。 因此，如何在增強(qiáng)細(xì)節(jié)和抑制噪聲方面找到較好的折中點(diǎn)是該方法需要進(jìn)一步研究的問(wèn)題 。 該算法通過(guò)有飽和度分量和亮度分量的局部相關(guān)性來(lái)確定反饋的極性和程度，從而使飽和度反饋算法具有了自適應(yīng)能力 。 該算法求得霧天圖像的局部均值并設(shè)定比例常數(shù)，在霧天圖像的每個(gè)像素位置上根據(jù)變換函數(shù)放大圖像的局部變化 。 此外， Kim 等人提出了非重疊子塊直方圖均衡化的算法［ 14］， Zimmerman 等人提出了插值直方圖均衡化方法［ 15］，翟藝書(shū)等人采用塊重疊直方圖均衡化實(shí)現(xiàn)了對(duì)霧天圖像的清晰化處理［ 16］ 。 而在實(shí)際應(yīng)用中常常需要對(duì)圖像某些局部區(qū)域的細(xì)節(jié)進(jìn)行增強(qiáng)，但這些局部區(qū)域內(nèi)的像素?cái)?shù)量相對(duì)于整幅圖的像素?cái)?shù)量往往較小，在參與整幅圖的計(jì)算時(shí)其影響常被忽略掉，并且從整幅圖像得到的函數(shù)也不能保證這些所關(guān)心的局部區(qū)域得到所需的增強(qiáng)效果 。 當(dāng)?shù)玫较闰?yàn)信息時(shí)，通過(guò)預(yù)測(cè)公式計(jì)算出相應(yīng)的湍流調(diào)制傳遞函數(shù)和氣溶膠調(diào)制傳遞函數(shù)，再由前兩者的乘積得到總的大氣調(diào)制傳遞函數(shù) 。 曲波是一種在小波變換基礎(chǔ)上發(fā)展起來(lái)的新的多尺度分析方法，由于它特別適合于各向異性奇異性特征的信號(hào)處理，因此能夠很好地彌補(bǔ)小波變換在圖像的曲線邊緣增強(qiáng)方面的局限性 。 Retinex 是一種描述顏色不變性的模型，它具有動(dòng)態(tài)范圍壓縮和顏色不變性的特點(diǎn)，對(duì)由于光照不均而引起的低對(duì)比度彩色圖像具有很好的增強(qiáng)效果 。 3 ) 小波方法 。 大 部分文獻(xiàn)在進(jìn)行去霧算法對(duì)比時(shí)均以直方圖均衡化的去霧效果作為參照 。 基于圖像處理的霧天圖像增強(qiáng) ① 全局化的圖像增強(qiáng)方法 全局化的霧天圖像增強(qiáng)方法是指對(duì)灰度值的調(diào)整是由整幅霧天圖像的統(tǒng)計(jì)信息決定的，與被調(diào)整點(diǎn)所處的區(qū)域無(wú)關(guān) 。在此基礎(chǔ)上提出一種基于單尺度 Retinex 的霧天圖像增強(qiáng)方法。 1. 1 圖像去霧技術(shù)分類(lèi) 目前對(duì)于霧天圖像的處理方法主要分為兩類(lèi) : 霧天圖像增強(qiáng)和霧天圖像復(fù)原 霧天圖像的增強(qiáng)方法不考慮圖像降質(zhì)原因， 適用范圍廣， 能有效地提高霧天圖像的對(duì)比度， 突出圖像的細(xì)節(jié)， 改善圖像的視覺(jué)效果， 但對(duì)于突出部分的信 息可能會(huì)造成一定損失 霧天圖像復(fù)原是研究霧天圖像降質(zhì)的物理過(guò)程， 并建立霧天退化模型， 反演退化過(guò)程， 補(bǔ)償退化過(guò)程造成的失真， 以便獲得未經(jīng)干擾退化的無(wú)霧圖像或無(wú)霧圖像的最優(yōu)估計(jì)值， 從而改善霧天圖像質(zhì)量 這種方法針對(duì)性強(qiáng)， 得到的去霧效果自然， 一般不會(huì)有信息損失， 處理的關(guān)鍵點(diǎn)是模型中參數(shù)的估計(jì) 對(duì)于每一類(lèi)方法， 按照去霧方法的相似性進(jìn)一步歸納為不同的子類(lèi)方法 : 基于圖像處理的霧天圖像增強(qiáng)方法分為全局化的圖像增強(qiáng)方法和局部化的圖像增強(qiáng)方法 。 1960年 4月 1日美國(guó)發(fā)射第一顆電視和紅外觀察衛(wèi)星 —— 泰羅斯衛(wèi)星，首次將電視攝像機(jī)拍攝的清晰可見(jiàn)光云圖送回地球，遙感圖像的研究受到了越來(lái)越多的研究者的重視。從信息論的角度出發(fā)，在基于物理模型的基礎(chǔ)上提出一種有約束的最優(yōu)化復(fù)原算法，從理論上證實(shí)從單幅霧天圖像中可自動(dòng)獲取 所需部圖像去霧的 MATLAB 實(shí)現(xiàn) 2 分參數(shù)。然而該模型要利用雷達(dá)等設(shè)備獲得景深信息，其成本較高、操作不便，難以在現(xiàn)實(shí)中廣泛應(yīng)用。采用局部直方圖均衡化方法進(jìn)行復(fù)原處理，但該算法運(yùn)算量很大，需處理很長(zhǎng)時(shí)間且效果并不理想。由于大氣散射，霧造成圖像色彩和對(duì)比度大幅下降，直接影響圖像特征提取，從而導(dǎo)致以提取圖像特征為基礎(chǔ)的監(jiān)控、跟蹤、智能導(dǎo)航、智能車(chē)輛等視覺(jué)應(yīng)用系統(tǒng)無(wú)法正常穩(wěn)定工作。a kind of statistics。 關(guān)鍵詞 : 圖像去霧 。它是基于一個(gè)重要的觀察結(jié)果 —— 室外無(wú)霧圖像的每一個(gè)局部區(qū)域在至少一個(gè)顏色通道內(nèi)有很低的值。誠(chéng) 信 聲 明 本人 聲明 ： 本人所呈交的畢業(yè) 設(shè)計(jì) 是在老師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果 ； 據(jù)查證，除了文中特別加以標(biāo)注和致謝的地方外，畢業(yè)設(shè)計(jì)中不包含其他人已經(jīng) 公開(kāi) 發(fā)表過(guò)的研究成果，也不包含為獲得其他教育機(jī)構(gòu)的學(xué)位而使用過(guò)的材料 ； 我承諾， 本人提交的 畢業(yè)設(shè)計(jì)中的所有內(nèi)容均真實(shí)、可信。把這種算法應(yīng)用在有霧圖像的模型中，我們可以直接估計(jì)出霧的濃度，并且還原出高品質(zhì)的無(wú)霧圖像。 一種統(tǒng)計(jì)規(guī)律 。dark channel prior。因此如何從降質(zhì)圖像中去除天氣的影響，恢復(fù)圖像的顏色、對(duì)比度已成為目前計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究 熱點(diǎn)。 (2)基于物理模型的復(fù)原方法，從大氣散射角度建立圖像的退化模型，并利用先驗(yàn)知識(shí)實(shí)現(xiàn)場(chǎng)景復(fù)原。通過(guò)處理同一場(chǎng)景下至少 2 幅不同大氣狀況的降質(zhì)圖像獲得場(chǎng)景的結(jié)構(gòu)和深度信息，恢復(fù)了場(chǎng)景的色度和對(duì)比度。通過(guò)以上分析可以看出，第 (2)類(lèi)復(fù)原方法建立在物理模型的基礎(chǔ)上，其復(fù)原效果較好。隨著衛(wèi)星數(shù)量的增多，遙感圖像廣泛應(yīng)用于軍事、國(guó)防以及農(nóng)業(yè)、林業(yè)、地質(zhì)、地理、水文、氣象、海洋、城市工程等各個(gè)領(lǐng)域。 基于物理模型的霧天圖像復(fù)原方法則包括基于偏微分方程的霧天圖像 復(fù)原 基于深度關(guān)系的霧天圖像復(fù)原和基于先驗(yàn)信息的霧天圖像復(fù)原。該算法首先把圖像從 RGB 彩色空間轉(zhuǎn)換到 HSV 空間，保持色調(diào)分量不變，采用中心可自適應(yīng)調(diào)節(jié)的雙曲正切函數(shù)增強(qiáng)圖像的全局亮度，局部細(xì)節(jié)非線性變換處理進(jìn)一步提高圖 像的局部對(duì)比度，運(yùn)用線性拉伸對(duì)飽和度進(jìn)行調(diào)圖像去霧的 MATLAB 實(shí)現(xiàn) 3 整，實(shí)現(xiàn)顏色補(bǔ)償。 由于霧天下場(chǎng)景的退化程度與其深度相關(guān)，而一幅圖往往包含復(fù)雜的深度信 息，所以全局化的處理方法往往不能得到理想的效果，但當(dāng)霧天圖像的場(chǎng)景相對(duì)簡(jiǎn)單時(shí)，不失為一種有效的途徑 。 2) 同態(tài)濾波算法 。 小波與多尺度分析在對(duì)比度增強(qiáng)上的應(yīng)用取得了很大進(jìn)展 。 近年來(lái)受到研究者的很大關(guān)注，包括單尺度 Retinex 算法( SingleScale Retinex， SSR ) 和多尺度 Retinex 算法 ( MultiScale Retinex，MSR) 的應(yīng)用都取得了很大的成功 。 Brian Eriksson 利用曲波變 換的圖像去霧的 MATLAB 實(shí)現(xiàn) 4 優(yōu)勢(shì)，采用基于曲波的消失點(diǎn)檢測(cè)對(duì)霧天圖像進(jìn)行了自動(dòng)去霧處理 。 然后利用大氣調(diào)制傳遞函數(shù)在頻域內(nèi)對(duì)天氣退化圖像進(jìn)行復(fù)原，并對(duì)戶外景物圖像中由大氣調(diào)制傳遞函數(shù)造成的衰減進(jìn)行補(bǔ)償 。因此，需要根據(jù)所關(guān)心的局部區(qū)域的特性來(lái)計(jì)算變換或轉(zhuǎn)移函數(shù)，并將這些函數(shù)用于所關(guān)心的區(qū)域，以得到所需的增強(qiáng)效果 。 王萍等人利用插值自適應(yīng)直方圖均衡化算法很好地解決了霧天圖像的低對(duì)比度問(wèn)題［ 3］ 。 b) 飽和度反饋算法 。 3) 基于局部方差的增強(qiáng)方法 。 基于物理模型的霧天圖像復(fù)原 ① 基于偏微分方程的霧天圖像復(fù)原 由于利 用大氣信息條件或場(chǎng)景深度復(fù)原霧天圖像的方法不能局部修正恢復(fù)結(jié)果，所以對(duì)于場(chǎng)景深度變化較大的圖像，部分區(qū)域的對(duì)比度仍然比較低，不能很好滿足應(yīng)用要求 。 針對(duì)霧天圖像處理，可借助大氣散射模型，建立戶外圖像全局去霧和局部去霧的能量最優(yōu)化模型，推導(dǎo)相應(yīng)的包 含圖像梯度和場(chǎng)景景深的偏微分方程 。 該算法通過(guò)對(duì)降質(zhì)圖像進(jìn)行規(guī)范化預(yù)處理，降低不同霧況對(duì)灰度級(jí)分布范圍的影響，并對(duì)規(guī)范化后的圖像，根據(jù)大氣散射對(duì)對(duì)比度衰減的影響規(guī)律，在模糊域內(nèi)實(shí)現(xiàn)對(duì)比度增強(qiáng)處理 。 根據(jù)場(chǎng)景深度信息是否已知可將此種復(fù)原方法分為兩類(lèi) 。 另一類(lèi)是用輔助信息進(jìn)行場(chǎng)景深度提取的方法 。 通過(guò)確定計(jì)算深度不連續(xù)的邊界，從兩幅不同天氣條件下的灰度圖像中提取場(chǎng)景深度［ 25］ 。 這些提取場(chǎng)景深度的方法與大氣散射模型相結(jié)合，最終實(shí)現(xiàn)霧天圖像的復(fù)原 。 近年來(lái)，眾多研究者致力于如何針對(duì)單幅降質(zhì)圖像按照?qǐng)D中霧氣濃度的變化，達(dá)到徹底去霧的效果 。 由于該方法基于數(shù)理統(tǒng)計(jì)，并且要求具有足夠的顏色信息，所以當(dāng)處理濃霧天氣下顏色暗淡的圖像，該方法無(wú)法得到可信的傳播圖像，從而復(fù)原后的圖像失真較大 。 這些 “ 黑點(diǎn) ” 通常存于物體陰 影 、 黑色物體以及具有鮮艷顏色的物體中 。 即對(duì)于一幅有霧圖像，根據(jù)研究人員的判定來(lái)處理，如果采用增強(qiáng)方法改善灰度對(duì)比度的效果好，就采用增強(qiáng)方法 。從以上模型可以看到，利用該散射模型進(jìn)行圖像復(fù)原，其本質(zhì)就是圖像增強(qiáng)，即以天空的輻射強(qiáng)度為參考，根據(jù)大氣的退化程度和景物深度進(jìn)行指數(shù)對(duì)比度增強(qiáng)，從而復(fù)原霧天退化圖像。在霧天圖像的灰度直方圖中，灰度值較大的地方均有一個(gè)比較陡峭 灰度 的峰。然后，從右向左掃描所得直方圖，將所找到的最高峰值點(diǎn)記為 ),( maxmax ph ，以該點(diǎn)的橫坐標(biāo)(即級(jí)數(shù) )作為初始正態(tài)分布的灰度均值 )( maxh??? ，根據(jù)任意給定的標(biāo)準(zhǔn)差 ? 得到如下一個(gè)正態(tài)分布： 圖像去霧的 MATLAB 實(shí)現(xiàn) 8 22 )(max ????? hepy (2) 式 (2)為一個(gè)一 維高斯函數(shù)，其中， maxp 為幅值； ? 為均值； ? 為標(biāo)準(zhǔn)差。 (3)判斷是否為 e e0 ，如果是，則令 e =e0，回到步驟 (1)；否則所得到的以 ? 為均值，以 ? 為方差的正態(tài)分布即為最佳近似正態(tài)分布。即沿著圖像中深度增加的方向選擇一個(gè)景物消失的近似位置，稱為消失點(diǎn)，場(chǎng)景點(diǎn)的深 度與它們?cè)趫D像上對(duì)應(yīng)的像點(diǎn)到消失點(diǎn)的距離成反比。 ④ 最小失真準(zhǔn)則 設(shè) f (x, y) 是所求的原始未退化圖像，也就是式 (1)中場(chǎng)景點(diǎn)在晴天的輻射度 R ，它可以看作是二維歐式空間 R2中域 D 上的一個(gè)未知函數(shù)，而將霧天降質(zhì)圖像設(shè)為 g(x, y)，它是原始圖像 f (x, y)經(jīng)霧衰減得到的退化圖像，用 p(x, y) 表示退化圖像的先驗(yàn)估計(jì)，而式 (1)的二色大氣散射模型就是原始圖像 f (x, y)滿足的約束條件，用 iii dC ??? , i＝ 1,2,?,n 表示，但僅從已有的退化圖像 ，無(wú)法獲知散射模型中的散射系數(shù)、場(chǎng)景點(diǎn)深度等條件，故約束條件不足以唯一地確定原始圖像 f (x, y) 。因此，對(duì)每一組約束數(shù)據(jù) {Ci = (β i ,di ),i = 1,2,?,n}和 p(x, y) ，令 D(q, p) 最小時(shí)的解組成集合 T 。 ⑤ 算法實(shí)現(xiàn) 取滿足式 (9)的函數(shù) )lg()( uuJ ? ，則 uuuuJ ?? )lg()( 因此， D 的離散表示為 ?? ??? )(lglg),( iiiii qppqqpqD （ 10） 其中， p(x) 是對(duì) f 的一個(gè)先驗(yàn)估計(jì)，即霧天降質(zhì)圖像； q是滿足約束條件的函數(shù)，由式 (1)給出，求解使得式 (10)具有最小值的 q ，即為 f 的最優(yōu)估計(jì)。 在薄霧條件下，假設(shè)大氣光由光源經(jīng)過(guò)微粒的一次散射到達(dá)探測(cè)器，因此，大氣光為部分偏振光且偏振度不隨距離而變化。 )1()( ???? AAAIL t o t a lo b j e c t （ 13） 其中， Itotal 可由目標(biāo)任意 3 方向偏振圖像融合得到； A∞ 由圖像估計(jì)得到，因此，算法的關(guān)鍵在于得到大氣光強(qiáng)度 A。大氣光的偏振度可以定義為 AAAPA )( ???? ? （ 14） 相應(yīng)地，偏振成像系統(tǒng)接收到的光 Itotal 同樣可分解為平行和垂直于入射平面的 2 個(gè)偏振分量， I∥ 和 I⊥ (I∥ I⊥ )。獲得 3 個(gè)偏振方向的圖像，為簡(jiǎn)化計(jì)算，這里選取0186。), I(60186。 (3)利用圖像中無(wú)窮遠(yuǎn)處估計(jì)無(wú)窮遠(yuǎn)處大氣光強(qiáng) A∞ 和大氣光偏振度 PA。但是之前人們還沒(méi)找到簡(jiǎn)單有效的方法來(lái)達(dá)到這個(gè)目的。因此，每一個(gè)局部區(qū)域都很有可能有至少一個(gè)顏色通道會(huì)有很低的值。 由于霧總是灰白色的，因此一旦圖像受到霧的影響，那么這些本來(lái)應(yīng)該很暗的東西就會(huì)變得灰白。薄霧，霧，煙等現(xiàn)象是由于大氣吸收和散射。由于散射量取決于距離 從相機(jī)現(xiàn)場(chǎng)點(diǎn)，其降解 為空間變體。第二，大多數(shù)計(jì)算機(jī)視覺(jué)算法，從低層次的圖像分析，以高層次的目標(biāo)識(shí)別，通常認(rèn)為，輸入圖像（后輻射校準(zhǔn)）是現(xiàn)場(chǎng)的光芒。薄霧壞形象可以善加利用。偏振為基礎(chǔ)的方法 [14， 15]刪除的薄霧影響通過(guò)兩個(gè)或多個(gè)圖像采取不同程度的兩極分化。這些方法的成功就在于用一個(gè)更強(qiáng)有力的事前或假設(shè)。 Fattal 的做法是身體健康，能生產(chǎn)令人矚目的成果。 我們 發(fā)現(xiàn)，在當(dāng)?shù)卮蟛糠值貐^(qū)不包括天空，很多時(shí)候，一些像素（稱為 “暗像素 ”）具有非常低的，至少有一個(gè)彩色（ RGB）通道的力度。 我們 的方法是有效的，是身體能夠處理即使是在重度薄霧出現(xiàn)遠(yuǎn)處的物體圖像。黑暗的通道前可能是無(wú)效的對(duì)象時(shí)，本質(zhì)上是類(lèi)似的場(chǎng)景在一個(gè)大的局部地區(qū)大氣光，沒(méi)有陰影投在對(duì)象上。朦朧化的目標(biāo)是去除從 I恢復(fù) J， A和 t。 這 現(xiàn)場(chǎng)表明，輻射呈指數(shù)衰減與現(xiàn)場(chǎng)深度四 幾何的薄霧成像方程（ 1）表示 在 RGB 色彩空間，向量 A， I（ x）和 J（ x）是共面 和他們的終點(diǎn)是共線。這方法是能夠從細(xì)節(jié)公布和結(jié)構(gòu)薄霧的形象。首先，當(dāng)?shù)胤凑章恃a(bǔ)丁是假定為常數(shù)向量河因此，所有 J（ x）的補(bǔ)丁有相同的方向。但是，由于這種方法是基于統(tǒng)計(jì)學(xué)在當(dāng)?shù)氐难a(bǔ)丁獨(dú)立的假設(shè)，它要求獨(dú)立成分顯著不同。 暗通道先驗(yàn)算法 暗通道先驗(yàn)算法 是基于以下觀察在薄霧免費(fèi)戶外圖片：在大多數(shù)非天空 補(bǔ)