【文章內(nèi)容簡介】 附錄 灰色版clc。clear all。close allimg=imread(39。E:\Matlab\R2008a\abc\39。)。img=rgb2gray(img)。img=imresize(img,[256,256])。% figure(1)。 imshow(img),title(39。原始圖片39。)。img=im2double(img)。%將圖片img轉(zhuǎn)換成double型k1=8。k2=8。r=161。% alf=1600。% alf=161。alf=20。nn=floor((r+1)/2)。 % nn=81為尺度C，取80最合適for i=1:r %從1循環(huán)到81 for j=1:r% h(i,j) =exp(((inn)^2+(jnn)^2)/(k1*alf))/(k2*pi*alf*10000)。 %高斯函數(shù) h(i,j) =exp(((inn)^2+(jnn)^2)/(2*alf^2)) 。 %高斯函數(shù) endendgauss = h/sum(sum(h))。%R=conv2(img,gauss,39。same39。)。 %灰度R=log(R)。S=log(img)R。% T=S+R。% K2=exp(T)。%取指數(shù) % K2=uint8(K2)。% figure,imshow(K2)%% V變換% V1=load(39。39。)。% V1=。% Fimg1=V1*R*V139。% Fimg2=V1*S*V139。%% 傅里葉變換Fimg1=fft(R)。%傅里葉變換Fimg2=fft(S)。%傅里葉變換%%[M,N]=size(Fimg1)。% figure(2)。% imshow(uint8(abs(P)),[]),title(39。濾波前的頻譜圖像39。)。%繪制源圖像的頻譜的幅度譜x0=floor(M/2)。%向下取整數(shù)y0=floor(N/2)。%同態(tài)濾波參數(shù)設(shè)置D0=3。c=。Hh=。Hl=。%Hh1,Hl1for u=1:M for v=1:N D(u,v)=sqrt((ux0)^2+(vy0)^2)。H(u,v)=(HhHl)*(1exp(c*(D(u,v)^2/D0^2)))+Hl。%同態(tài)濾波器函數(shù)end endY1=Fimg1.*H。Y2=Fimg2.*H。%% 傅里葉逆變換Q1=ifft(Y1)。Q2=ifft(Y2)。%%Q=Q1+Q2。J=exp(Q)。%取指數(shù) J=im2uint8(J)。figure,imshow(J),title(39。去霧后的圖片39。)J1=double(J)。[SD,ENTR,AVEGRAD]=Sd(J1) 彩色版clc。clear all。close allimg=imread(39。E:\Matlab\R2008a\aaa\39。)。img=imresize(img,[256,256])。 imshow(img),title(39。原始圖片39。)。 Y=zeros(256,256,3)。for ii=1:3 L=img(:,:,ii)。img1=im2double(L)。%將圖片img轉(zhuǎn)換成double型k1=8。k2=8。r=161。% alf=1600。% alf=161。alf=20。nn=floor((r+1)/2)。 % nn=81為尺度C，取80最合適for i=1:r %從1循環(huán)到81 for j=1:r% h(i,j) =exp(((inn)^2+(jnn)^2)/(k1*alf))/(k2*pi*alf*10000)。 %高斯函數(shù) h(i,j) =exp(((inn)^2+(jnn)^2)/(2*alf^2)) 。 %高斯函數(shù) endendgauss = h/sum(sum(h))。%R=conv2(img1,gauss,39。same39。)。 %灰度R=log(R)。S=log(img1)R。% T=S+R。% K2=exp(T)。%取指數(shù) % K2=uint8(K2)。% figure,imshow(K2)%% V變換% V1=load(39。39。)。% V1=。% Fimg1=V1*R*V139。% Fimg2=V1*S*V139。%% 傅里葉變換Fimg1=fft(R)。%傅里葉變換Fimg2=fft(S)。%傅里葉變換%%[M,N]=size(Fimg1)。% figure(2)。% imshow(uint8(abs(P)),[]),title(39。濾波前的頻譜圖像39。)。%繪制源圖像的頻譜的幅度譜x0=floor(M/2)。%向下取整數(shù)y0=floor(N/2)。%同態(tài)濾波參數(shù)設(shè)置D0=3。c=。Hh=。Hl=。%Hh1,Hl1for u=1:M for v=1:N D(u,v)=sqrt((ux0)^2+(vy0)^2)。 H(u,v)=(HhHl)*(1exp(c*(D(u,v)^2/D0^2)))+Hl。%同態(tài)濾波器函數(shù)% H(u,v)=(HhHl)*(1/(1+(D0/c*D(u,v))))^2+Hl。%巴特沃斯end endY1=Fimg1.*H。Y2=Fimg2.*H。%% 傅里葉逆變換Q1=ifft(Y1)。Q2=ifft(Y2)。%%Q=Q1+Q2。J=exp(Q)。%取指數(shù) J=im2uint8(J)。Y(:,:,ii)=J。endfigure。imshow(mat2gray(Y))。title(39。去霧以后的圖39。)。sourcePic=imread(39。E:\Matlab\R2008a\abc\39。)。 [m,n,o]=size(sourcePic)。 figure,imshow(sourcePic,[])。 title(39。原圖39。)。 %grayPic=rgb2gray(sourcePic)。 grayPic=sourcePic(:,:,1)。 gp=zeros(1,256)。 %計算各灰度出現(xiàn)的概率 for i=1:256 gp(i)=length(find(grayPic==(i1)))/(m*n)。 end newGp=zeros(1,256)。 %計算新的各灰度出現(xiàn)的概率 S1=zeros(1,256)。 S2=zeros(1,256)。 tmp=0。 for i=1:256 tmp=tmp+gp(i)。 S1(i)=tmp。 S2(i)=round(S1(i)*256)。 end for i=1:256 newGp(i)=sum(gp(find(S2==i)))。 end newGrayPic=grayPic。 %填充各像素點新的灰度值 for i=1:256 newGrayPic(find(grayPic==(i1)))=S2(i)。 end nr=newGrayPic。 grayPic=sourcePic(:,:,2)。 gp=zeros(1,256)。 %計算各灰度出現(xiàn)的概率 for i=1:256 gp(i)=length(find(grayPic==(i1)))/(m*n)。 end newGp=zeros(1,256)。 %計算新的各灰度出現(xiàn)的概率 S1=zeros(1,256)。 S2=zeros(1,256)。 tmp=0。 for i=1:256 tmp=tmp+gp(i)。 S1(i)=tmp。 S2(i)=round(S1(i)*256)。 end for i=1:256 newGp(i)=sum(gp(find(S2==i)))。 end newGrayPic=grayPic。 %填充各像素點新的灰度值 for i=1:256 newGrayPic(find(grayPic==(i1)))=S2(i)。 end ng=newGrayPic。 grayPic=sourcePic(:,:,3)。 gp=zeros(1,256)。 %計算各灰度出現(xiàn)的概率 for i=1:256 gp(i)=length(find(grayPic==(i1)))/(m*n)。 end newGp=zeros(1,256)。 %計算新的各灰度出現(xiàn)的概率 S1=zeros(1,256)。 S2=zeros(1,256)。 tmp=0。 for i=1:256 tmp=tmp+gp(i)。 S1(i)=tmp。 S2(i)=round(S1(i)*256)。 end for i=1:256 newGp(i)=sum(gp(find(S2==i)))。 end newGrayPic=grayPic。 %填充各像素點新的灰度值 for i=1:256 newGrayPic(find(grayPic==(i1)))=S2(i)。 end nb=newGrayPic。 res=cat(3,nr,ng,nb)。 figure,imshow(res,[])。 title(39。處理后圖像39。)。 外文資料翻譯及原文 灰度直方圖 摘要 圖像去霧技術(shù)是利用一定的模型或算法處理的圖像去霧恢復(fù)圖像的原始特征。本文介紹了常用的霾霧的三種方法，包括基于光分離模型算法，提出了一種基于直方圖均衡化算法和基于暗原色先驗。在MATLAB平臺上設(shè)計和實現(xiàn)了一種數(shù)字圖像處理系統(tǒng)的霧，使用上述算法對霧天圖像，效果更好。 關(guān)鍵詞：圖像去霧；光分離模型；直方圖均衡化；暗通道 引言 在數(shù)字圖像處理中，一個最簡單和最有用的工具是灰度直方圖。該函數(shù)概括了一幅圖像的灰度級內(nèi)容。任何一幅圖像的直方圖都包括了可觀的信息，某些類型的圖像還可以由其直方圖完全描述。直方圖的計算是簡單的，特別是當一幅圖從一個地方被復(fù)制到另一個地方時，直方圖的計算可以用非常低的代價來完成。 定義灰度直方圖是灰度級的函數(shù)，描述的是圖像中具有該灰度級的像素的個數(shù)：其橫坐標是灰度級，縱坐標是該灰度出現(xiàn)的頻率（像素的個數(shù)），圖11為一示例。 圖11 一幅圖像及其灰度直方圖灰度直方圖也有另一種方式的定義[1]，以下的練習將更清楚地看到這種方法的用處。假設(shè)我們有一幅由函數(shù)所定義的連續(xù)圖像，它平滑地從中心的高度灰度級變化到邊沿的低灰度級。我們可以選擇定某一灰度級，然后定義一條輪廓線，該輪廓線連接了圖像上所有具有灰度級的點。所得到的輪廓線形成了包圍灰度級大于等于的區(qū)域的封閉曲線。圖12中的圖像，有一條灰度級為的輪廓線。在更高的灰度級處還畫有第二條輪廓線。是第一條輪廓線所包圍區(qū)域的面積，同樣，是第二條輪廓線所包圍的區(qū)域面積。圖12 一幅圖像的輪廓線將一幅連續(xù)圖像中被具有灰度級D的所有輪廓線所包圍的面積，稱為它的閾值面積函數(shù)。則直方圖可定義為 (1)因此，一幅連續(xù)圖像的直方圖是其面積函數(shù)的導(dǎo)數(shù)的負值。負號的出現(xiàn)是由于隨著D的增加在減小。如果將圖像看成是一個二維的隨機變量，則面積函數(shù)相當于其累積分布函數(shù)，而灰度直方圖相當于其概率密度函數(shù)。對于離散函數(shù)，我們固定為1，則等式（1）變?yōu)? (2)對于數(shù)字圖像，任一灰度級D的面積函數(shù)就是大于或等于灰度值D的像素的個數(shù)。 二維直方圖人們經(jīng)常發(fā)現(xiàn)構(gòu)造高維直方圖比一維直方圖更為有用。特別是對于研究彩色圖像。圖13是一幅經(jīng)過數(shù)字化的顯微圖像，其中含有一個白血球和幾個紅血球。圖像在白光（a），并借助濾光片在紅光（b）和藍光（c）下進行數(shù)字化，右下圖是從后兩幅圖得到的紅—藍直方圖。二維直方圖是兩個變量：紅光圖像的灰度值和藍光圖像的灰度值的函數(shù)。坐標處的值是指在紅光圖像中具有灰度值，同時在藍光圖像中同一位置具有灰度值的像素（對）的個數(shù)。這是一種多光譜的數(shù)字圖像，在每個采樣點有一個像素，每個像素有多個變量——在此處，變量的個數(shù)為2 。二維直方圖表示像素值在兩種灰度級的組合中的分布情況。如果紅光圖像和藍光圖像相同，直方圖除了在斜線位置上有值外，在其余各處值將為0 。如果每個像素（對）中紅分量大于藍分量，或者反之，直方圖的分布將分別在斜線之上或之下。在白光下，圖13中顯微鏡下的區(qū)域顯示了關(guān)于彩色的許多信息。紅血球呈現(xiàn)粉紅色，而白血球則呈現(xiàn)灰色并有一個經(jīng)染色處理而顯示深藍色的核。紅細胞在藍光下因吸收藍光而較暗，在紅光下因透過紅光而較亮。同樣核在紅光下顏色更深。紅藍直方圖有四個不同的峰值，一個由背景（B）產(chǎn)生，一個由紅細胞（R）產(chǎn)生，一個由核（N）產(chǎn)生，最后一個是由白血球細胞質(zhì)（C）產(chǎn)生。圖13 二維直方圖示例（a） 白光圖像（b）紅光圖像（c）藍光圖像（d）紅藍直方圖 直方圖的性質(zhì)當一幅圖像被壓縮為直方圖后，所有的空間信息都丟失了。直方圖描述了每個灰度級具有的像素的個數(shù)，蛋不能為這些像素在圖像中的位置提供任何線索。因此，任一特定的圖像有唯一的直方圖，但反之并不成立——極