【正文】 duces the concept and image enhancement algorithm to enhance the classification, processing method from the image histogram equalization, histogram normalization processing method and image smoothing method three aspects of image enhancement algorithms are discussed and studied, and the application and prospects of the image enhancement technology. Keyword： Image contrast。 Grayscale transformation。 Grayscale images。霧天對(duì)交通的影響是尤為嚴(yán)重的，很多事故的發(fā)生，往往是在大霧天氣。隨著計(jì)算機(jī)視覺與圖像處理技術(shù)的發(fā)展，一些戶外導(dǎo)航系統(tǒng)的研究與應(yīng)用也在飛速增長(zhǎng)。因此，霧天圖像增強(qiáng)算法的研究是尤為重要的。 大氣、水分子和空氣中的塵粒在一起 ,與水分子之間相互結(jié)合 ，就會(huì)形成較大的小水滴懸浮在大氣中的半徑較大的小水滴對(duì)可見光的散射作用很明顯，是隨距離的增加其散射效應(yīng)將成指數(shù)增長(zhǎng)，所以才造成了霧天可見性降低的，所有的景物都被 灰霾 所遮住，而難以辨別。 2 第二章 霧天圖像增強(qiáng)概述 圖像增強(qiáng)技術(shù) 圖像增強(qiáng)是數(shù)字圖像處理的基本內(nèi)容之一。這類處理是為了某種應(yīng)用目的去改善圖像質(zhì)量，處理的結(jié)果更適合于人的視覺特性或機(jī)器識(shí)別系統(tǒng)，圖像增強(qiáng)處理并不能增加原始圖像的信息，而只能增強(qiáng)對(duì)某種信息的辨識(shí)能力，使處理后的圖像對(duì)某些特定的應(yīng)用比原來(lái)的圖像更加有效。前者把圖像看成一種二維信號(hào)，對(duì)其進(jìn)行基于二維傅里葉變換的信號(hào)增強(qiáng)。具有代表性的空間域算法有局部求平均值法和中值濾波（取局部鄰域中的中間像素值）法等，它們可用于去除或減弱噪聲。在圖像增強(qiáng)過程中，不分析圖像降質(zhì)的原因，處理后的圖像不一定逼近原始圖像?；诳沼虻乃惴ㄌ幚頃r(shí)直接對(duì)圖像灰度級(jí)做運(yùn)算基于頻域的算法是在圖像的某種 銅陵學(xué)院畢業(yè)設(shè)計(jì) 3 變換域內(nèi)對(duì)圖像的變換系數(shù)值進(jìn)行某種修正，是一種間接增強(qiáng)的算法。點(diǎn)運(yùn)算算法即灰度級(jí)校正、灰度變換和直方圖修正等，目的或使圖像成像均勻，或擴(kuò)大圖像動(dòng)態(tài)范圍，擴(kuò)展對(duì)比度。平滑一般用于消除圖像噪聲，但是也容易引起邊緣的模糊。銳化的目的在于突出物體的邊緣輪廓，便于目標(biāo)識(shí)別。 圖像增強(qiáng)的幾個(gè)方面及方法： :線性變換、非線性變換 ：圖像卷積運(yùn)算、平滑、銳化 ：?jiǎn)尾ǘ尾噬儞Q、多波段彩 色運(yùn)算、 HIS ： KL 變換、 KT 變換 ：插值運(yùn)算、比值運(yùn)算、分形算法 圖像增強(qiáng)技術(shù)發(fā)展?fàn)顩r 圖像增強(qiáng)技術(shù)國(guó)外發(fā)展?fàn)顩r 20 世紀(jì) 20 年代圖片第一次通過海底電纜從倫敦傳往紐約。早期的圖像增強(qiáng)技術(shù)往往涉及硬件參數(shù)的設(shè)置，如打印過程的選擇和亮度等級(jí)的分布等問題。在這一時(shí)期由于引入了一種用編碼圖像紙帶去調(diào)制光束達(dá)到調(diào)節(jié)底片感光程度的方法，使灰度等級(jí)從 5 個(gè)灰度級(jí)增加到 15 個(gè) 灰度等級(jí)，這種方法明顯改善了圖像復(fù)原的效果。 1964 年，研究人員在美國(guó)噴氣推進(jìn)實(shí)驗(yàn)室(JPL)里使用計(jì)算機(jī)以及其它硬件設(shè)備，采用幾何校正、灰度變換、去噪聲、傅里葉變換以及二維線性濾波等增強(qiáng)方法對(duì)航天探測(cè)器“徘徊者 7 號(hào)”發(fā)回的幾千張?jiān)虑蛘掌M(jìn)行處理，同時(shí)他們也考慮太陽(yáng)位置和月球環(huán)境的影響，最終成功地繪制出了月球表面地圖。這些成績(jī)不僅引起世界許多有關(guān)方面的注意而且 JPL 本身也更加重視對(duì)數(shù)字圖像處理地研究和設(shè)備的改進(jìn)，并專門成立了圖像處理實(shí)驗(yàn)室 IPL。從此數(shù)字圖像增強(qiáng)技術(shù)走進(jìn)了航空航天領(lǐng)域。 X 射線是最早用于成像的電磁輻射源之一，在 1895 年 X 射線由倫琴發(fā)現(xiàn)。 X 射線穿過身體并由位于對(duì)面環(huán)中的相應(yīng)檢測(cè)器收集起來(lái)。當(dāng)物體沿垂直于檢測(cè)器的方向運(yùn)動(dòng)時(shí)就產(chǎn)生一系列的切片，這些切片組成了物體內(nèi)部的再現(xiàn)圖像。許多能獲得三維圖像的設(shè)備和分析處理三維圖像的系統(tǒng)已經(jīng)研制 4 成功了，圖像處理技術(shù)得到了 廣泛的應(yīng)用。計(jì)算機(jī)程序用于增強(qiáng)對(duì)比度或?qū)⒘炼染幋a為彩色，以便解釋 X 射線和用于工業(yè)、醫(yī)學(xué)及生物科學(xué)等領(lǐng)域的其他圖像。在考古學(xué)領(lǐng)域中使用圖像處理方法已成功地復(fù)原模糊圖片。直方圖均衡處理是圖像增強(qiáng)技術(shù)常用的方法之一。在文章中 Kim 提出了保持亮度特性的直方圖均衡算法 (BBHE)。在 1999 年 Wan 等人提出二維子圖直方圖均衡算法 (DSIHE)。為了保持圖像亮度特性，許多學(xué)者轉(zhuǎn)而研究局部增強(qiáng)處理技術(shù)，提出了許多新的算法：遞歸均值分層均衡處理(RMSHE)、遞歸子圖均衡算法 (RSIHE)、動(dòng)態(tài)直方圖均衡算法、保持亮度特性動(dòng)態(tài)直方圖均衡算法 (BPDHE)、多層直方圖均衡算法、亮度保持簇直方圖均衡處理 (BPWCHE)等等。總體來(lái)說(shuō)，圖像增強(qiáng)技術(shù)的發(fā)展大致經(jīng)歷了初創(chuàng)期、發(fā)展期、普及期和應(yīng)用期 4 個(gè)階段。在這一時(shí)期由于圖像存儲(chǔ)成本高，處理設(shè)備造價(jià)高，因而其應(yīng)用面很窄。到了 20 世紀(jì) 80 年代，圖像增強(qiáng)技術(shù)進(jìn)入普及期，此時(shí)的計(jì)算機(jī)已經(jīng)能夠承擔(dān)起圖形圖像處理的任務(wù)。 在生物醫(yī)學(xué)工程方面，運(yùn)用圖像增強(qiáng)技術(shù)對(duì) X 射線圖像、超聲圖像和生物切片顯微圖像等進(jìn)行處理，提高圖像的清晰度和分辨率。在公共安全方面 ，人像、指紋及其他痕跡的處理和識(shí)別，以及交通監(jiān)控、事故分析等都在不同程度上使用了圖像增強(qiáng)技術(shù)。 隨著對(duì)圖像技術(shù)研究的不斷深入和發(fā)展，新的圖像增強(qiáng)方法不斷出現(xiàn)。同時(shí)利用直方圖均衡技術(shù)的圖像增強(qiáng)也有許多新的進(jìn)展：例如提出了多層直方圖結(jié)合亮度 保持的均衡算法、動(dòng)態(tài)分層直方圖均衡算法。 銅陵學(xué)院畢業(yè)設(shè)計(jì) 5 第三章 霧天圖像增強(qiáng)算法 3． 1 介紹 近年來(lái)，隨著計(jì)算機(jī)軟件技術(shù)的快速發(fā)展，對(duì)霧天圖像增強(qiáng)處理已經(jīng)成為可能，這反過來(lái)也對(duì)去除霧圖像的清晰度和真實(shí)感提出了新的要求。事實(shí)上，圖像去霧一 直是計(jì)算機(jī)視覺領(lǐng)域研究的重要內(nèi)容，主要應(yīng)用在地形勘測(cè)、視頻監(jiān)控和自動(dòng)駕駛等領(lǐng)域，因此，自動(dòng)性和實(shí)時(shí)性就成為了研究的重點(diǎn)。 本章主要提出一種 從一個(gè)單一的顏色或灰度級(jí)圖像的快速能見度恢復(fù) 算法，該算法的只要優(yōu)點(diǎn)就是它的速度，它的復(fù)雜度只是圖像像素?cái)?shù)的線性函數(shù)，它的速度允許能見度恢復(fù)應(yīng)用于實(shí)時(shí)處理應(yīng)用例如從車在攝像頭中進(jìn)行信號(hào)，障礙檢測(cè)。下面就來(lái)介紹一下這種算法： 在監(jiān)控，智能車輛，遙感系統(tǒng)，圖像的外觀是受天氣條件，如霾，霧和煙等影響的 ，當(dāng)有可利用的深度信息，就能利用 Koschmieder 法則去將大氣因子 k 和場(chǎng)景深度 d 的聯(lián)系分開。 Koschmieder 法則 如下關(guān)系 式： 在 L(x,y)是明顯的亮度像素 ， d(x,y)是 對(duì)象相 對(duì)的 距離與固有亮度 ,Ls 是天空的亮度和 k 表示大氣的消光系數(shù)。霧的 ?RST 效應(yīng)是一個(gè)指數(shù)衰減 函數(shù) 的固有亮度 和內(nèi)在的顏色 ，因此，降低了對(duì)象的對(duì)比度和其在場(chǎng)景的可見性。在圖像霧的存在是普遍性的一種算法設(shè)計(jì) ?出現(xiàn)晴朗天氣圖像處理時(shí)的一個(gè)來(lái)源。這種預(yù)處理可以應(yīng)用于只有當(dāng)檢測(cè)到霧，例如見 [ 4 ]，以節(jié)省更多的計(jì)算時(shí)間。事實(shí)上，大氣的 耗散 被物體的深度的函數(shù) ，一個(gè)完美的能見度恢復(fù)請(qǐng)求對(duì)物體的真實(shí)顏色估計(jì)（ ）和霧性能（ K， Ls）以及深度圖 D（ x， y）的場(chǎng)景。這種方法是非常壓抑的采集和不能用在現(xiàn)有的圖像數(shù)據(jù)庫(kù)。這些方法更 ?靈活但他們依賴于應(yīng)用程序或與專家之間的相互作用。 最近，在 [ 1， 12， 5 ]的 ?RST 時(shí)間，三的方法被提出，它的工作從一個(gè)單一的圖像，而不使用任何其他額外的信息來(lái)源。該算法是計(jì)算密集型的。特別是，它在彩色圖像和灰度圖像的作品。然而，這兩種算法的缺點(diǎn)是 5 在 處理 600400 圖像 時(shí)， 處理時(shí)間分別為 7 分鐘和 10 至 20 秒 。它的速度比 [ 1， 12， 5 ]由于它的復(fù)雜性是線性函數(shù)的輸入圖像的像素?cái)?shù)，并能對(duì)彩色和灰度圖像達(dá)到同樣甚至更好的結(jié)果。 3 部分為算法 [ 1， 12， 6 比較， 5 ]基于定量評(píng)價(jià)四彩色圖像，說(shuō)明了該算法的優(yōu)點(diǎn)和缺點(diǎn)。 能見度恢復(fù)算法 當(dāng)沒有深度信息是可用的 ,就不能直接利用 Koschmieder 定 律 (1)獨(dú)立 將大氣因子 k 和場(chǎng)景深度 d 的 聯(lián) 系 分開 ， 從 而 無(wú) 法 實(shí) 現(xiàn)去 霧 。因此 ,從 上式可以看出， ,就不要 試圖推斷深度圖 d(x,y)， 我們將推斷 大氣耗散強(qiáng)度 V(x,y)。 白平衡 我們假設(shè)白平衡在能見度恢復(fù)算法前進(jìn)行處理 。由于 圖像中是有 霧的存在 ,所以白平衡大多是可以簡(jiǎn)化為對(duì)于白色趨近于圖像平均值。結(jié)果 V 估計(jì)通過優(yōu)化 (3)為一個(gè)較大的 值 λ 的顯示為紅色的點(diǎn)劃。 大氣 耗散函數(shù)的推導(dǎo) 圖像恢復(fù)的第一步 就是 推斷大氣 耗散函數(shù) V(x,y)。 當(dāng)觀測(cè)圖像是 已知的 :它是 0≤V(x,y),并且 對(duì)于每一個(gè)像素 是白色的 ,它就不可能高于 I(x,y)中最小的一個(gè)元素 。 W 是在觀察圖像 I 的百度圖像。 能見度修復(fù)是一個(gè) 病態(tài)的問題 ,假設(shè)深度圖像是沿邊緣平滑的，除了大深度的跳躍，可以通過最大結(jié)果圖的對(duì)比度得到正則解。 (3)式 優(yōu)化 的 運(yùn)算量 太大 ,我們尋找另一種方式來(lái)處理 能見度恢復(fù) 這個(gè)問題 ,從而可以進(jìn)行實(shí)時(shí) 處理。注意 到文獻(xiàn)中， 第一步 是近似于對(duì) W 進(jìn)行侵蝕， 因?yàn)樗?在對(duì) 每個(gè)顏色分量侵蝕即每個(gè)分量的最小值。這就是為什么在文獻(xiàn)中要利用進(jìn)行 matting 修正。因此，尋找一個(gè)合適的濾波器，使其可以用來(lái)改善結(jié)果的魯棒性。 8 圖 33 從左到右 ,原始圖像 ,圖像和一個(gè)變焦修復(fù)后使用中值濾波、圖像和一個(gè)變焦使用我們命名的中位數(shù)過濾器中值沿直線 (使用參數(shù)在這兩種情況下 p = ,sv = 61 和 si = 1)。在圖 1 中 ,紅色點(diǎn)狀不連續(xù)曲線是得到的 V(x)，黑色連續(xù)曲線是 W(x)。這些小的值 當(dāng)當(dāng)場(chǎng)景中間是相似的距離時(shí)，是可 以合理的 。相反，這個(gè)最小值可能是由于一個(gè)黑暗的小和更接近的對(duì)象，如一只小鳥。解決這個(gè)魯棒性問題，我們提出來(lái)推斷 V(x,y)是一個(gè) W(x,y)的局部均值 和 局部 標(biāo)準(zhǔn)偏 之 差 的百分比。這個(gè)圖顯示了 當(dāng)完全平滑和對(duì)大氣耗散函數(shù)大部分區(qū)域平滑結(jié)果的差異。這意味著當(dāng)?shù)?W(x,y)的局部均值采用 平滑算法 ，從而保持沿邊緣大跳躍。 為了 邊緣保持平滑 ,利用雙邊濾波器，其比中值 濾波器 更快，因此 W 的局部均值可以計(jì)算出來(lái) ,其中 sv是中值濾波器中方形窗或者圓形窗 的 尺寸大小。 接著，強(qiáng)化輪廓，這個(gè)標(biāo)準(zhǔn)差利用一種更完善的方法。最后一步給乘上 因子 p 在 [0、 1]來(lái) 控制能見度修復(fù) 的強(qiáng)度 ?？傊?,大氣 耗散函數(shù)通過下面的式子進(jìn)行推導(dǎo)： 其中（ 4） 保角 平滑 計(jì)算 A，前面用的是經(jīng)典中值濾波器，中值濾波器可以保持邊緣，但是不能保持拐角。該濾波器可以用鈍角保持邊緣和拐角， 假設(shè) 銅陵學(xué)院畢業(yè)設(shè)計(jì) 9 在線性分割 Si 中的 nv 的先驗(yàn)集合， 1≤i≤nv 不一致的采樣位置已給出，濾波器包含在每一個(gè)像素局部處理中。對(duì)于每個(gè)像素和每 個(gè)分割塊 Si 位于當(dāng)前像素的中間。 當(dāng) mi 對(duì)每個(gè)像素和整個(gè)中心的分塊正確修正，經(jīng)過濾波器后的圖像像素可以計(jì)算出來(lái)為 mi 的中值且 1≤i≤nv。注意恢復(fù)太強(qiáng)勁 ,p = 和太光與 p = 。在右邊 ,白色斑紋接近車輛被擦除由于太小的價(jià)值相比 ,sv = 21 巷標(biāo)記大小。 圖 35 從左到右 ,原始圖像 ,圖像和一個(gè)變焦修復(fù)后沒有和平滑適應(yīng)對(duì)比 放大 (sv = 61,p = 和 si = 19)。 當(dāng)前的像素是接近邊緣 值時(shí) ,所有 mi 是接近 于當(dāng)前像素所在的區(qū)域的強(qiáng)度均值 I。當(dāng)當(dāng)前像素接近拐角 θ 時(shí)， mi 值的百分比不接近而等于 1 。這說(shuō)明相比于沿線性中值中值濾波器保持了邊緣也用鈍角保持了拐角。 圖 3 顯示了使用中位數(shù)的利益劃分中值濾波器 (nv = 5)相對(duì)于經(jīng)典的中值濾波器在圖像 ,看到特別是圍繞 trunc 樹。 p 的值控制恢復(fù) 的 強(qiáng)度 ， 通 常設(shè)置在 95%至 90 之間。這個(gè)參數(shù)是有用的 ，不過有以下問題 a)高恢復(fù)能見度 (當(dāng) p 是接近 1 時(shí) ),色彩 可能會(huì)出現(xiàn)在 過 飽和太暗 ； b)低恢復(fù)能見度時(shí)色彩會(huì)不飽和 ,從而更清晰 。任何接近白 目標(biāo)比 sv 更大的尺寸，可以 假定為白色。 這是說(shuō)明 了 圖 4 與白色車道標(biāo)記在圖片的下方。這 同樣會(huì) 導(dǎo)致噪聲和圖像壓縮 后現(xiàn)象的增加 。 為了軟化噪聲和后現(xiàn)象 ,因此需要一個(gè) 局部 平滑。 標(biāo)準(zhǔn)差 σ 的噪聲經(jīng)過圖像恢復(fù)變標(biāo)準(zhǔn)差成 γσ 的 噪聲 。 作為結(jié)果，標(biāo)準(zhǔn)差 σ、 s 等于對(duì)比度系數(shù) γ 的整數(shù)部分 。在圖 5,軟化 后現(xiàn)象是 由到適應(yīng)平滑顯示 (si = 19)。 圖 36 從左到右 ,原始圖像 ,得到了令人滿意的結(jié)果 [1],我們的結(jié)果與 p = ,sv = 41 和 si = 1。因 此，能見度恢復(fù)最后一步是色調(diào)映射，其對(duì)視覺是很重要的。由于底部三層通常對(duì)應(yīng)于圖像是無(wú)霧部分，所以底部三層很有用的。 色調(diào)映射的第一步是計(jì)算 。 比較 結(jié)果分析及對(duì) 比 能見度 恢復(fù)算法是由三個(gè)參數(shù) :p 是百分比的移除 大氣耗散函數(shù) ,sv 假定最大大小的白目標(biāo) 圖像 (見圖 4),si 的最大大小自適應(yīng)平滑軟化噪聲放大恢復(fù) (見圖 5)。利用沿線 ? 濾波器的中位數(shù)，復(fù)雜度為O