基于retinex的图像去雾算法

I=imread('1.jpg');

R = I(:, :, 1);

G = I(:, :, 2);

B = I(:, :, 3);

R0 = double(R);

G0 = double(G);

B0 = double(B);

[N1, M1] = size(R);

Rlog = log(R0+1);

Rfft2 = fft2(R0);

sigma1 = 128;

F1 = fspecial('gaussian', [N1,M1], sigma1); Efft1 = fft2(double(F1));

sigma2 = 256;

F2 = fspecial('gaussian', [N1,M1], sigma2); Efft2 = fft2(double(F2));

sigma3 = 512;

F3 = fspecial('gaussian', [N1,M1], sigma3); Efft3 = fft2(double(F3));

DR0 = Rfft2.* Efft1;

DR = ifft2(DR0);

DRlog = log(DR +1);

Rr1 = Rlog - DRlog;

DR0 = Rfft2.* Efft2;

DR = ifft2(DR0);

DRlog = log(DR +1);

Rr2 = Rlog - DRlog;

DR0 = Rfft2.* Efft3;

DR = ifft2(DR0);

DRlog = log(DR +1);

Rr3 = Rlog - DRlog;

Rr = (Rr1 + Rr2 +Rr3)/3;

a = 125;

II = imadd(R0, G0);

II = imadd(II, B0);

Ir = immultiply(R0, a);

C = imdivide(Ir, II);

C = log(C+1);

Rr = immultiply(C, Rr);

EXPRr = exp(Rr);

MIN = min(min(EXPRr));

MAX = max(max(EXPRr));

EXPRr = (EXPRr - MIN)/(MAX - MIN);

EXPRr = adapthisteq(EXPRr);

Glog = log(G0+1);

Gfft2 = fft2(G0);

DG0 = Gfft2.* Efft1;

DG = ifft2(DG0);

DGlog = log(DG +1);

Gg1 = Glog - DGlog;

DG0 = Gfft2.* Efft2;

DG = ifft2(DG0);

DGlog = log(DG +1);

Gg2 = Glog - DGlog;

DG0 = Gfft2.* Efft3;

DG = ifft2(DG0);

DGlog = log(DG +1);

Gg3 = Glog - DGlog;

Gg = (Gg1 + Gg2 +Gg3)/3;

Ig = immultiply(G0, a);

C = imdivide(Ig, II);

C = log(C+1);

Gg = immultiply(C, Gg);

EXPGg = exp(Gg);

MIN = min(min(EXPGg));

MAX = max(max(EXPGg));

EXPGg = (EXPGg - MIN)/(MAX - MIN); EXPGg = adapthisteq(EXPGg);

Blog = log(B0+1);

Bfft2 = fft2(B0);

DB0 = Bfft2.* Efft1;

DB = ifft2(DB0);

DBlog = log(DB +1);

Bb1 = Blog - DBlog;

DB0 = Bfft2.* Efft2;

DB = ifft2(DB0);

DBlog = log(DB +1);

Bb2 = Blog - DBlog;

DB0 = Bfft2.* Efft3;

DB = ifft2(DB0);

DBlog = log(DB +1);

Bb3 = Blog - DBlog;

Bb = (Bb1 + Bb2 +Bb3)/3;

Ib = immultiply(B0, a);

C = imdivide(Ib, II);

C = log(C+1);

Bb = immultiply(C, Bb);

EXPBb = exp(Bb);

MIN = min(min(EXPBb));

MAX = max(max(EXPBb));

EXPBb = (EXPBb - MIN)/(MAX - MIN); EXPBb = adapthisteq(EXPBb);

result = cat(3, EXPRr, EXPGg, EXPBb); imwrite(result,'1.png');

subplot(121), imshow(I);

subplot(122), imshow(result);

实验效果图：

图像去雾霭算法及其实现..

图像去雾霭算法及其实现 电气工程及其自动化 学生姓名杨超程指导教师李国辉 摘要雾霭等天气条件下获得的图像，具有图像不清晰，颜色失真等等一些图像退化的现象，直接影响了视觉系统的发挥。因此，为了有效的改善雾化图像的质量，降低雾霭等天气条件下造成户外系统成像的影响，对雾霭图像进行有效的去雾处理显得十分必要。 本设计提出了三种图像去雾算法，一种是基于光照分离模型的图像去雾算法；一种是基于直方图均衡化的图像去雾算法；还有一种是基于暗原色先验的图像去雾算法。并在MATLAB的基础上对现实生活的图像进行了去雾处理，最后对不同的方法的处理结果进行了简要的分析。 关键词：图像去雾光照分离直方图均衡化暗原色先验

Algorithm and its implementation of image dehazing Major Electrical engineering and automation Student Yang Chaocheng Supervisor Li Guohui Abstract Haze weather conditions so as to obtain the image, the image is not clear, the phenomenon of color distortion and so on some image degradation, directly influence the exertion of the visual system. Therefore, in order to effectively improve the atomization quality of the image, reduce the haze caused by outdoor weather conditions such as imaging system, the influence of the haze image effectively it is necessary to deal with the fog. This design introduced three kinds of algorithms of image to fog, a model is based on the separation of light image to fog algorithm; One is the image to fog algorithm based on histogram equalization; Another is based on the dark grey apriori algorithms of image to fog. And on the basis of MATLAB to the real life to deal with the fog, the image of the processing results of different methods are briefly analyzed. Key words:Image to fog Light separation histogram Dark grey

基于matlab的图像去雾算法详细讲解与实现-附matlab实现源代码

本文主要介绍基于Retinex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1 Rentinex理论 Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Edwin Land（埃德温?兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。 根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。 图-1 Retinex理论示意图 对于观察图像S中的每个点(x,y)，用公式可以表示为： S(x,y)=R(x,y)×L(x,y) （1.3.1） 实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。 2 基于Retinex理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即： S＇(x, y)=r(x, y)+l(x, y)=log(R(x, y))+log(L(x, y))； 步骤二：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： D(x, y)=S(x, y) *F（x, y）； 步骤三：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）：

《科研诚信与学术规范》期末考试答案95分

一、单选题（题数：50，共50.0 分） 1 关于实验室设备的合理放置，以下哪一种要求并非完全必要： （1.0 分） A、设备放置不能影响自身的操作。 B、设备的使用不能影响其他的设备运行。 C、设备放置应该符合实验室负责人的审美观。 D、设备放置不得有安全隐患。我的答案：C 2 关于同行评议的诚信准则，以下说法错误的是： （1.0 分） A、及时回应，在要求的时间内完成，以免耽搁所评议的研究的发表和应用。 B、严谨客观，依据较高的学术标准、研究惯例和诚信规范，对研究方法、实验与理论、数据与引证、论文文稿、解释与说明等内容进行客观评估。 C、 消除偏见，避免因评议对象的背景、研究方向或研究方法的争议以及自己的利益冲突、个人成见和专业倾向等影响评议的客观性。 D、评议人可以以任何方式复制、保留或使用被评审材料。我的答案：D 3 《赫尔辛基宣言》以及其他相关国际性文件，为涉及人类受试者的生物医学研究确立了更加全面、具体和完善的伦理原则和限制条件，但不包括以下哪个方面： （1.0 分） A、目的正当性 B、 程序科学性 C、 受试者的知情同意权 D、可伤害受试者的条件我的答案：D 4 以下属于低水平重复的行为的是： （1.0 分） A、 在没有创新思想的时候，在实验参量、控制条件上做一些细微的修改就用来做一篇新论文的素材。 B、 将一篇基于同一组数据、内在为整体的文章分割为若干部分发表，以增加文章发表数量，或使更多的人有机会成为第一作者。 C、 利用他人已发表成果中的创意、研究方法、数据、图像、结果或文字表述而未通过恰当的引注与说明对他人的贡献予以相应的承认，自己署名发表。 D、 在研究中有意对原始调查数据或实验数据、图像或图表进行改动、挑选使用或随意增删数据，使其原始性和完整性不能得到准确反映，从而发表符合自己预期目标的论文或研究报告。我的答案：A 5

贝叶斯框架下的单幅图像去雾算法

第22卷第10期2010年10月 计算机辅助设计与图形学学报 Journal o f Computer A ided Desig n &Co mputer Gr aphics V ol.22N o.10Oct.2010 收稿日期:2009-11-10;修回日期:2010-04-15.基金项目:中国博士后科学基金资助项目.王多超(1982 ),男,硕士,主要研究方向为数字图像处理;王永国(1965 ),男,学士,副教授,硕士生导师,论文通讯作者,主要研究方向为数值计算、图像处理、数据库应用(ygw ang21@https://www.wendangku.net/doc/2e2645973.html,);董雪梅(1979 ),女,博士,主要研究方向为小波分析、机器学习及统计分析;胡晰远(1984 ),男,博士研究生,主要研究方向为图像与信号处理、图像配准;彭思龙(1971 ),男,博士,研究员,博士生导师,主要研究方向为小波理论及应用、模式识别、图像处理等. 贝叶斯框架下的单幅图像去雾算法 王多超1),王永国 1)* ,董雪梅2),胡晰远2),彭思龙 2) 1)(安徽大学数学科学学院 合肥 230039) 2)( 中国科学院自动化研究所国家专用集成电路设计工程技术研究中心 北京 100190) (splade2009@https://www.wendangku.net/doc/2e2645973.html,) 摘要:在有雾天气条件下拍摄的图像,由于光线在传播过程中受到空气中悬浮颗粒的散射,导致图像内容模糊不 清,颜色偏灰白色.为了恢复出清晰的图像,根据大气散射物理模型,利用图像的稀疏先验知识,在贝叶斯框架下提出一种单幅图像去雾算法.该算法用图像梯度稀疏性先验来约束优化结果,并认为图像成像噪声服从零均值的高斯分布,然后用IRL S 方法对其求解.实验结果表明,该算法能够很好地恢复图像的对比度和保持图像的真实颜色,噪声小,便于应用. 关键词:去雾;贝叶斯框架;稀疏先验;大气散射模型中图法分类号:T P391.41 Single Image Dehazing Based on Bayesian Framework Wang Duo chao 1),Wang Yongg uo 1)*,Dong Xuem ei 2),H u Xiy uan 2),and Peng Silo ng 2) 1)(S chool of M athematica l S cie nces ,A nhui Univ er sity ,H e f ei 230039) 2)(N ational A S IC Design Eng ineering Ce nter ,I nstitu te o f A utomation ,Chine se Ac ade my o f S cience s,Beij ing 100190) Abstract :Because o f light scattered by the suspended particles in the atm osphere,pho to graphs taken in the fo gg y day lo ok g ray and are lack of visibility.In order to unv eil the clear imag e s structures and colors,w e pr opo se a new algor ithm based o n the atm osphere scattering m odel using a single imag e and the image sparsity prior in Bayesian framewo rk.The fog remov al r esult is optimized under the constraint of the prior of the image gr adient sparsity and the noise in the fogg y imag e being the normal distributio n w ith zero mean,and then the o ptimization functio n is com puted using the IRLS alg orithm.In our ex periments,the alg orithm has a g ood effect on resto ring the clear image s co ntents and preserving the image s true co lors.T he no ise in the output im age is very w eak that has advantag e for many applicatio ns. Key words :dehazing;Bay esian framew ork;spar sity prior;atmosphere scattering m odel 对户外场景进行普通光学成像时经常会受到有雾天气的影响.在有雾天气条件下,从物体表面反射的光线到达成像设备之前,会受到大气中悬浮颗粒的影响发生散射,散射的程度和悬浮颗粒的种类、大小、形状及其在大气中的聚集程度,即雾的浓度以及光的波长有关[1] .当雾较浓时,成像设备所得到的图像的对比度较低,颜色偏向灰白色,导致图像中的物体辨认不清,直接影响到大多数基于计算机视觉算 法的自动化图像系统的正常工作,如交通运输、户外监视、地形侦测系统等.因此,图像去雾算法的研究有着现实和理论的迫切需要. 在已有的文献中,人们提出了多种去雾方法.一种方法是利用相机附带的偏振光滤波器,以及同一场景点在不同偏振光条件下获得的图像,实现多幅图像去雾[2];该方法的缺点是对动态场景处理效果不好.另一种方法是利用同一场景在不同雾强度下

【CN110211052A】一种基于特征学习的单幅图像去雾方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910246074.6 (22)申请日 2019.03.29 (71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园100号 申请人 思凯凌克（北京）科技有限公司 (72)发明人 赵德群　董皓辰　邓钱华　孙光民　 (74)专利代理机构 北京思海天达知识产权代理 有限公司 11203 代理人 沈波 (51)Int.Cl. G06T 5/00(2006.01) G06T 3/40(2006.01) (54)发明名称一种基于特征学习的单幅图像去雾方法(57)摘要本发明公开了一种基于特征学习的单幅图像去雾方法，该方法根据雾气图像的某些特征如暗通道特征、最大颜色对比度等预估计出透射图，然后再基于大气散射模型得到大气光强度值并恢复出无雾图像。为了提高算法的自适应性，本发明对传统的物理模型进行改进，使用深度学习方法来预测出透射图，改进了传统的基于假设的方法，得出更加真实的的透射图。图像去雾的核心是估计出透射图，而深度学习有强大的特征提取和学习能力，可以训练出雾气图像和透射图之间的映射模型。利用深度学习模型预测出雾气图像的透射图像后，再根据大气散射模型即可恢复出无雾图像，同时提高了去雾算法的自适应调整能力，获得较高的去雾质量，并有较低的复杂 度。权利要求书1页 说明书4页 附图2页CN 110211052 A 2019.09.06 C N 110211052 A

权　利　要　求　书1/1页CN 110211052 A 1.一种基于特征学习的单幅图像去雾方法，该方法的实现步骤如下： S1搭建去雾图像I的预训练模型，通过预训练模型对待去雾图像I进行特征提取； S2预训练模型利用卷积神经网络实现，其中为提高卷积神经网络在图像处理上的特征学习能力，使用三组不同尺度的卷积神经网络组来构建透射图像预测的深度学习模型； S3通过S2中的三组不同尺度的卷积神经网络逐步优化得到暗通道图像；使用Maxout非线性激活函数模拟出极值滤波器，从输入大气散射模型的图像中提取暗通道特征； 根据暗通道先验知识，利用原去雾图像I的和暗通道图像，求解出大气光A； S4使用深度学习方法来预测出透射图t：深度模型的编码阶段，使用SENet154作为基础结构；解码阶段通过修改常规FPN网络，将雾气图像的透射图像t进行分割；利用FPN融合多分辨率特征，提高小区域雾气图像的分割精度；在FPN的基础上，引入了hypercolumn模块，进一步融合大气光A的多分辨率特征；在编码器的最后加入全局平均池化层和分类头；此外，在分割网络中，引入分类辅助损失；在解码器每一分辨率的层级，引入分割辅助损失，进一步调整每一层级参数的训练，最终实现预测出透射图t； S5根据S4输出的映射模型以及S3中的大气光照值A，搭建出大气散射模型J(x)＝(I (x)-A)/t(x)+A； S6对搭建出大气散射模型进图像的暗通道特征提取后，再并行通过三组不同尺度的卷积核，然后进行池化和非线性激活，复原得到无雾图像。 2.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：端到端的网络模型中，即输入端和输出端都是图像。 3.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：S2.1基于Alex Net模型改进得到第一组CNN，并且改变其输出层结构，使Alex Net模型成为端到端的网络模型； S2.2增加两组不同尺度的CNN。 4.根据权利要求1所述的一种基于特征学习的单幅图像去雾方法，其特征在于：图片文件来自视频，将视频接入模块获得的视频，转换为一帧帧的图片，调用去雾模块动态库，进行去雾处理；加载需要处理的图片集，连接到数据库按钮，可以直接从数据库获取数据；去雾处理完的图片通过保存图片，将处理后的图片保存； 对图片能够进行左右上下拖拽，可进行放大缩小等操作；当多张图片被选中后，通过验证，符合设计需求； 从数据库导入图片，如点击链接数据库，对数据库配置进行参数选择； 连接成功后，将导入一系列图片选中图片后，可点击图像菜单按钮，点击图像去雾按钮。 2

图像去雾设计报告

课程设计——图像去雾 一、设计目的 1、通过查阅文献资料，了解几种图像去雾算法，； 2、理解和掌握图像直方图均衡化增强用于去雾的原理和应用； 3、理解和掌握图像退化的因素，设计图像复原的方法； 4、比较分析不同方法的效果。 二、设计容 采用针对的有雾图像，完成以下工作： 1、采用直方图均衡化方法增强雾天模糊图像，并比较增强前后的图像和直方图； 2、查阅文献，分析雾天图像退化因素，设计一种图像复原方法，对比该复原图像与原始图像以及直方图均衡化后的图像； 3、分析实验效果； 4、写出具体的处理过程，并进行课堂交流展示。 三、设计要求 1、小组合作完成； 2、提交报告（*.doc）、课堂交流的PPT（*.ppt）和源代码。

四、设计原理 （一）图像去雾基础原理 1、雾霭的形成机理 雾实际上是由悬浮颗粒在大气中的微小液滴构成的气溶胶，常呈现乳白色，其底部位于地球表面，所以也可以看作是接近地面的云。霭其实跟雾区别不大，它的一种解释是轻雾，多呈现灰白色，与雾的颜色十分接近。广义的雾包括雾、霾、沙尘、烟等一切导致视觉效果受限的物理现象。由于雾的存在，户外图像质量降低，如果不处理，往往满足不了相关研究、应用的要求。在雾的影响下，经过物体表面的光被大气中的颗粒物吸收和反射，导致获取的图像质量差，细节模糊、色彩暗淡。 2、图像去雾算法 图像去雾算法可以分为两大类：一类是图像增强；另一类是图像复原。图1-1介绍了图像去雾算法的分类: 图1-1 去雾算法分类

从图像呈现的低亮度和低对比度的特征考虑，采用增强的方法处理，即图像增强。比较典型的有全局直方图均衡化，同态滤波，Retinex 算法，小波算法等等。 基于物理模型的天气退化图像复原方法，从物理成因的角度对大气散射作用进行建模分析，实现场景复原，即图像复原。运用最广泛、最权威的是由何凯明等人提出的暗通道先验的方法。 （1）图像增强技术 为了改善视觉效果或者便于人们对图像的判别和分析，根据图像的特征采取简单的改善方法或者加强特征的措施叫做图像增强。图像增强可分为两大类：频率域法和空间域法。空间域处理主要包括：点处理，模块处理即领域处理。频率域处理主要包括：高、低通滤波、同态滤波等等。 图像增强可分为两大类：频率域法和空间域法。空间域处理主要包括：点处理，模块处理即领域处理。频率域处理主要包括：高、低通滤波、同态滤波等等。 （2）图像复原技术 从广义上讲，图像复原是一个求逆问题，逆问题经常存在非唯一解，甚至无解。图像复原的目的是将所观测到的退化图像恢复到退化前的原始图像，这种恢复过程在很多图像处理中的应用十分重要。为了更好的对图像复原的理解，图1-2为图像复原的流程图：

科研中的学术规范标准

科研中的学术规范 一、研究计划制定中的规范 一个好的研究，首先需要做好文献调研。做好充分的文献调研，不仅能够保证研究课题的创新性，同时能够避免重复的工作对研究资源的浪费以及雷同的研究结果侵犯他人的知识产权。文献调研阶段需要遵循的规范：①文献应可以准确地回溯到原始出处，以符合引用的规范。②对文献做分类研究并做出综述，当自己的论文被提出质疑时，这些研究可以有助于解疑释惑。③引用、翻译和归纳文献观点，包括引用电子资源时，也必须注意规范使用。 其次，在选题阶段，通常要遵循四个方面的规范：①首先要有科学依据，即使由于受到人类认识能力的限制，这些依据并不一定全面和彻底。②科学研究应有创新性，包括学术的创新和现实的创新。③科研人员应当对科研活动中涉及伦理的问题自行进行评估，不符合伦理规范原则的就放弃研究。对自己不能确定的，需要向有关部门申请，不能擅自开展研究。④选题必须是能够开展的，必须基于现有的主观条件和客观条件进行。 第三，在研究方案的设计阶段，我们需要注意以下行为规范：①对活体试验中的试验对象给予充分保护和尊重。②选用适当的研究方法。③设计可行的研究步骤。④研究条件的安排应当实事求是。 二、课题申请中的规范 在课题申请中，首先应确保申请材料的真实性。 (1)申请人在项目申请之前要全面地了解所要申请课题的相关政策，认真阅读基金申请指南和申请通告，判断自己是否符合条件，以及自己目前的各项研究状况是否适合申请这一课题。

(2)申请人应注意自己和合作者的工作时间安排，不应超负荷申请。有的科技工作者同时参与了多个课题，应保证每年所有课题的时间加总之和不能超过12个月。 (3)申请人不应将相同或相似研究内容进行多项资助申请。 (4)申请人必须独立自行填写申请书，而不是抄袭申请同类课题的其他申请书。 (5)申请人不得故意夸大项目的学术价值和经济效益，提供有关个人以及研究积累等方面的虚假的信息。 (6)申请人在申请、评议和公示期间，不得私自接触评审人、项目管理人等，不得以任何方式拉拢、贿赂、威胁评审人、项目管理人等。 其次，要在申请材料中要注意引文规范： (1)论文要写明作者、题目、刊名、年份、卷(期)、页码。 (2)专著要写明作者、书名、出版社、年份。 (3)研究项目要写明名称、编号、任务来源、起止年月、负责或参加的情况以及与本课题的关系。 三、研究资源使用中的规范 研究中最重要的资源包括时间、资金和设备。对于这三者的使用都应当遵循相关规范。 在研究中必须遵守时间分配的相关规范：第一，应充分保证直接开展研究工作的时间。第二，合理恰当地安排各种学术活动的时间。第三，适度控制兼职工作的时间。第四，尊重和遵守任职机构的相关规定。第五，避免同时负责多项重大资助项目。第六，保证培养学术后备力量的时间。 课题经费对于研究至关重要。在课题经费的使用上，应当注意：第一，与政策相符，

基于暗通道先验的图像去雾算法改进研究

基于暗通道先验的图像去雾算法改进研究 摘要：暗通道先验去雾算法求得的的透射率比较精细， 去雾效果优于大多数去雾算法。然而在暗通道求取过程中， 最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变 大，使得去雾后的图像在边缘部分产生“光晕”现象。为了 减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理， 腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗 原色先验的明亮区域透射率，再使用引导滤波精细化透射率， 最后利用去雾模型复原图像。实验表明，改进后的算法去雾 效果更佳、去雾速度更快，具有更强的鲁棒性。 关键词：暗通道先验去雾；腐蚀；引导滤波 DOIDOI：10.11907/rjdk.161089 中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2016）005-0030-04 0 引言 雾霾天气不仅影响人们的出行，也给视频监控、自动驾 驶等涉及室外图像应用的领域带来了很大挑战，并引起了相 关研究人员的重视，如今已出现了不少研究成果。图像去雾 的研究方法可分为两大类，基于图像增强的方法和基于物理 模型的方法。早期图像去雾研究主要利用图像处理的知识来

去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法， 这种方法根据每个像素的邻域对像素进行处理，可以突出图 像的特征，但运算量较大，算法复杂度较高。Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了 一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比 度相对较高，色彩失真较小。基于图像增强的去雾方法可以 利用成熟的图像处理算法来增强图像的对比度，突出图像中 的特征信息，但这种方法会造成图像部分信息损失，导致图 像失真。图像去雾的另一类是基于物理模型的方法，该方法 研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复 原图像，恢复的图像效果更真实，图像信息能得到较好保存。Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模 型，后来基于物理模型的方法几乎均建立在此模型之上。 Tan[8]基于无雾图比雾图有更高对比度的假定来最大化有雾 图像的对比度，该算法在很大程度上能复原图像结构和细节， 然而Tan的算法趋向于过度补偿降低的对比度，容易产生光 晕效应。Fattal[9]把图像场景光分解成反射和透射两部分，然后基于独立主成成分分析来估计场景光强，这种方法可以有 效去除局部的雾但不能很好恢复浓雾的图像。Kim等[10]结合局部对比度增强和去雾模型方法，能够抑制伪影的产生，但 时间复杂度较高。刘倩等[11]使用均值滤波去雾，对单幅图

数字图像处理课程设计(图像去雾)复习进程

数字图像处理课程设计(图像去雾)

数字图像处理 课设题目：图像去雾 学院：信息与电气工程学院 专业：电子信息工程 班级： 姓名： 学号： 指导教师： 哈尔滨工业大学（威海） 年月日

目录 一. 课程设计任务 (4) 二. 课程设计原理及设计方案 (5) 三. 课程设计的步骤和结果 (7) 四. 课程设计总结 (9) 五. 设计体会 (10) 六. 参考文献 (11)

一. 课程设计任务 由于大气的散射作用，雾天的大气退化图像具有对比度低、景物不清晰的特点，给交通系统及户外视觉系统的应用带来严重的影响。但由于成像系统聚焦模糊、拍摄场景存在相对运动以及雾天等不利环境，使得最终获取的图像往往无法使用。为了解决这一问题，设计图像复原处理软件。 要求完成功能： 1、采用直方图均衡化方法增强雾天模糊图像，并比较增强前后的图像和 直方图； 2、查阅文献，分析雾天图像退化因素，设计一种图像复原方法，对比该 复原图像与原始图像以及直方图均衡化后的图像； 3、设计软件界面

二. 课程设计原理及设计方案 2.1 设计原理 在雾、霾等天气条件下, 大气中悬浮的大量微小水滴、气溶胶的散射作用导致捕获的图像严重降质,随着物体到成像设备的距离增大, 大气粒子的散射作用对成像的影响逐渐增加. 这种影响主要由两个散射过程造成: 1) 物体表面的反射光在到达成像设备的过程中, 由于大气粒子的散射而发生衰减;2) 自然光因大气粒子散射而进入成像设备参与成像. 它们的共同作用造成捕获的图像对比度、饱和度降低, 以及色调偏移, 不仅影响图像的视觉效果, 而且影响图像分析和理解的性能. 在计算机视觉领域中, 常用大气散射模型来描述雾、霾天气条件下场景的成像过程.Narasimhan 等给出雾、霾天气条件下单色大气散射模型(Monochrome atmospheric scat-tering model), 即窄波段摄像机所拍摄的图像灰度值可表示为 （1） 式中, x 为空间坐标, A 表示天 空亮度(Skylight), ρ为场景反照率, d 为场景的景深, β为大气反射系数。图像去雾的过程就是根据获得的有降质的图像，即 I （x ）来推算出ρ的过程。 但由于该物理模型包含3 个未知参数, 从本质上讲, 这是一个病态反问题. 在只有单幅图像的条件下，我们可以考虑用假设以及推算的方式使其中的几个量固定，然后求解。 2.2 设计方案 2.2.1 白平衡 WP (White point) 算法, 也称为Max-RGB 算法, 利用R 、G 、B 颜色分量的最大值来估计光照的颜色。我们用天空亮度A 来取代最大值。对于A ，如果直接用图像中最亮的灰度估计的话会受到高亮噪声或白色物体的干扰，因此我们首先对图像颜色分量进行最小滤波，然后选择阀值为0.99，大于此值的认定为天空区域，然后取平均值为我们估计的天空亮度A 。然后方程（1）变为 （2） 2.2.2 估计大气耗散函数 )1()(d e A d e A x I ββρ--+-=d e d e A I β βρ--+-=1/

单幅图像自动去雾新算法(精)

第16卷第4期2011年4月 中国图象图形学报Journa l o f I m age and G raphics V o.l 16,N o .4 A pr .,2011 中图法分类号:TP391.41 文献标志码:A 文章编号:1006-8961(201104-0516-06 论文索引信息:郭璠,蔡自兴,谢斌唐琎.单幅图像自动去雾新算法[J].中国图象图形学报,2011,16(4:516-521 收稿日期:2010-01-06;修回日期:2010-02-10基金项目:国家自然科学基金项目(。 第一作者简介:郭璠(1982 ,女。中南大学计算机应用技术专业博士研究生,主要研究方向为数字图像处理、虚拟实验环境等。E-m ai:l guofancs m 。 单幅图像自动去雾新算法 郭璠,蔡自兴,谢斌,唐琎 (中南大学信息科学与工程学院,长沙 410083 摘要:针对雾天拍摄图像的退化现象,提出一种针对单幅图像的自动去雾新算法。该算法先将有雾图像从RGB 转换到Y CbC r 颜色空间后,再在亮度分量上进行多尺度R eti nex 处理,所得的亮度图在图像清晰度评价指标的调控下经过反色变换和中值滤波即可求得传播图,并进一步得到清晰化后的复原图像。实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度。 关键词:雾;清晰化;亮度分量;R e ti nex 算法;图像清晰度评价指标 New algorith m of auto m atic haze re moval for single image Guo Fan ,Ca i Zi x ing ,X i e B i n ,Tang Ji n

基于retinex的图像去雾算法

I=imread('1.jpg'); R = I(:, :, 1); G = I(:, :, 2); B = I(:, :, 3); R0 = double(R); G0 = double(G); B0 = double(B); [N1, M1] = size(R); Rlog = log(R0+1); Rfft2 = fft2(R0); sigma1 = 128; F1 = fspecial('gaussian', [N1,M1], sigma1); Efft1 = fft2(double(F1)); sigma2 = 256; F2 = fspecial('gaussian', [N1,M1], sigma2); Efft2 = fft2(double(F2)); sigma3 = 512; F3 = fspecial('gaussian', [N1,M1], sigma3); Efft3 = fft2(double(F3)); DR0 = Rfft2.* Efft1; DR = ifft2(DR0); DRlog = log(DR +1); Rr1 = Rlog - DRlog; DR0 = Rfft2.* Efft2; DR = ifft2(DR0); DRlog = log(DR +1); Rr2 = Rlog - DRlog; DR0 = Rfft2.* Efft3; DR = ifft2(DR0); DRlog = log(DR +1); Rr3 = Rlog - DRlog; Rr = (Rr1 + Rr2 +Rr3)/3; a = 125; II = imadd(R0, G0); II = imadd(II, B0); Ir = immultiply(R0, a); C = imdivide(Ir, II); C = log(C+1); Rr = immultiply(C, Rr); EXPRr = exp(Rr); MIN = min(min(EXPRr)); MAX = max(max(EXPRr)); EXPRr = (EXPRr - MIN)/(MAX - MIN); EXPRr = adapthisteq(EXPRr); Glog = log(G0+1); Gfft2 = fft2(G0); DG0 = Gfft2.* Efft1;

图像去雾技术研究

编号 图像去雾技术研究 The research on image defogging technology 学生姓名XX 专业电子科学与技术 学号XXXXXXX 学院电子信息工程学院

摘要 本文首先简单介绍了云雾等环境对图像成像的影响，接着从图像增强的角度研究图像去雾技术的基本方法，介绍了去雾算法的原理和算法实现步骤，并对去雾算法的优缺点和适用条件进行了总结。 基于图像增强的去雾原理，本文提出了联合使用同态滤波和全局直方图均衡的改进去雾算法。先进行同态滤波使有雾图像的细节充分暴露，然后采用全局直方图均衡扩展图像的灰度动态范围。去雾效果具有对比度高，亮度均匀，视觉效果好的特点，不足的是图像的颜色过于饱和。 关键字：图像增强图像去雾同态滤波全局直方图均衡

Abstract Firstly, this paper simply introduces the influence of cloud environment of image formation, then from the enhanced image perspective of image to fog technology basic method, is introduced to fog algorithm principle and algorithm steps, and has carried on the summary to fog algorithm advantages, disadvantages and applicable conditions. As for the defogging theory based on the image enhancement, the paper puts forward the improved defogging algorithm which requires combining homomorphic filtering and global histogram equalization. We should use homomorphic filtering to get details of the fogging images clearly exposed and then use global histogram equalization to spread the images’ gray scale dynamic range. Defogging has features of high contrast ratio, uniform brightness and good visual effect. But its drawback is that the image color is too saturated. Key words: image enhancement; image defogging; homomorphic filtering; global histogram equalization;

数字图像处理课程设计(图像去雾)

数字图像处理 课设题目：图像去雾 学院：信息与电气工程学院 专业：电子信息工程 班级： 姓名： 学号： 指导教师： 哈尔滨工业大学（威海） 年月日

目录 一. 课程设计任务 (3) 二. 课程设计原理及设计方案........................ 错误！未定义书签。 三. 课程设计的步骤和结果 (6) 四. 课程设计总结 (8) 五. 设计体会 (9) 六. 参考文献...................................... 错误！未定义书签。

一. 课程设计任务 由于大气的散射作用，雾天的大气退化图像具有对比度低、景物不清晰的特点，给交通系统及户外视觉系统的应用带来严重的影响。但由于成像系统聚焦模糊、拍摄场景存在相对运动以及雾天等不利环境，使得最终获取的图像往往无法使用。为了解决这一问题，设计图像复原处理软件。 要求完成功能： 1、采用直方图均衡化方法增强雾天模糊图像，并比较增强前后的图像和直 方图； 2、查阅文献，分析雾天图像退化因素，设计一种图像复原方法，对比该复 原图像与原始图像以及直方图均衡化后的图像； 3、设计软件界面

二. 课程设计原理及设计方案 2.1 设计原理 在雾、霾等天气条件下, 大气中悬浮的大量微小水滴、气溶胶的散射作用导致捕获的图像严重降质,随着物体到成像设备的距离增大, 大气粒子的散射作用对成像的影响逐渐增加. 这种影响主要由两个散射过程造成: 1) 物体表面的反射光在到达成像设备的过程中, 由于大气粒子的散射而发生衰减;2) 自然光因大气粒子散射而进入成像设备参与成像. 它们的共同作用造成捕获的图像对比度、饱和度降低, 以及色调偏移, 不仅影响图像的视觉效果, 而且影响图像分析和理解的性能. 在计算机视觉领域中, 常用大气散射模型来描述雾、霾天气条件下场景的成像过程.Narasimhan 等给出雾、霾天气条件下单色大气散射模型(Monochrome atmospheric scat-tering model), 即窄波段摄像机所拍摄的图像灰度值可表示为 （1） 式中, x 为空间坐标, A 表示天空亮度(Skylight), ρ为场景反照率, d 为场景 的景深, β为大气反射系数。图像去雾的过程就是根据获得的有降质的图像，即 I （x ）来推算出ρ的过程。 但由于该物理模型包含3 个未知参数, 从本质上讲, 这是一个病态反问题. 在只有单幅图像的条件下，我们可以考虑用假设以及推算的方式使其中的几个量固定，然后求解。 2.2 设计方案 2.2.1 白平衡 WP (White point) 算法, 也称为Max-RGB 算法, 利用R 、G 、B 颜色分量的最大值来估计光照的颜色。我们用天空亮度A 来取代最大值。对于A ，如果直接用图像中最亮的灰度估计的话会受到高亮噪声或白色物体的干扰，因此我们首先对图像颜色分量进行最小滤波，然后选择阀值为0.99，大于此值的认定为天空区域，然后取平均值为我们估计的天空亮度A 。然后方程（1）变为 （2） 2.2.2 估计大气耗散函数 ) 1()(d e A d e A x I ββρ--+-=d e d e A I ββρ- -+- =1/

Single Image Haze Removal Using Dark Channel Prior中文版剖析

Single Image Haze Removal Using Dark Channel Prior Kaiming He, Jian Sun, Xiaoou Tang The Chinese University of Hong Kong Microsoft Research Asia 基于暗原色先验的单一图像去雾方法 何恺明，孙剑，汤晓鸥 香港中文大学微软亚洲研究院

摘要 在这篇论文当中，我们提出了一种简单但是有效的图像先验规律——暗原色先验来为单一输入图像去雾。暗原色先验来自对户外无雾图像数据库的统计规律，它基于经观察得到的这么一个关键事实——绝大多数的户外无雾图像的每个局部区域都存在某些至少 一个颜色通道的强度值很低的像素。利用这个先验建立的去雾模型，我们可直接估算雾的浓度并且复原得到高质量的去除雾干扰的图像。对户外各种不同的带雾图像的处理结果表明了dark channel prior的巨大作用。同时，作为去雾过程中的副产品，我们还可获得该图像高质量的深度图。 1．引言 户外景物的图像通常会因为大气中的混浊的媒介（比如分子，水滴等）而降质，雾、霭、蒸气都因大气吸收或散射造成此类现象。照相机接收到景物反射过来的光线经过了衰减。此外，得到的光线还混合有大气光(经大气分子反射的周围环境的光线)。降质的图像的对比度和颜色的保真度有所下降，如图1所示。由于大气散射的程度和景点到照相机的距离有关，图像降质是随着空间变化的。 在消费／计算摄影业和计算机视觉领域，图像去雾有着广泛的需求。首先，去雾能显著地提高景象的清晰度并且改正因空气而带来的色移。一般的，去除雾干扰的图片看起来要更加舒服。其次，大多数的计算机视觉算法，从低级别的图像分析，到高级别的目标识别，一般会假定输入图像即景物的原始光线会聚所成。视觉算法（例如特征检测、滤波、光度分析等）的实现会不可避免地因为偏光、低对比度图像而不理想。再次，去雾可产生图像的深度信息，有助于视觉算法和高级的图像编辑。通常意义下不好的雾也能派上用场，作为深度的线索能加深人们对景像的理解。 然而，去雾是一项有挑战性的课题，因为大气中雾所依赖的深度信息是未知的。而在只有一幅图像可分析的情况下，解决这一问题又受到了制约。因此，很多使用多张图像或其他更多辅助信息的去雾方法被提出。在[14, 15] 中用多幅图像从不同程度的偏振光的角度来去除雾的干扰。在[8, 10, 12]里通过从同一景象在不同天气情况下的照片获得更多的对比度的信息来去雾。[5, 11]中基于深度的方法则需要来自对应图片或者已知的3D模型的大致深度信息。 最近，基于单一图像的去雾取得了很大的进展。这些方法的成功往往得益于一个强有力的先验或假设。Tan[16]观察到无雾图像比有雾图像具有更高的对比度，他通过扩大复原图像的局部对比度来达到去雾的效果。这样得到的结果在视觉上是很吸引人的，但实际上在光学原理上达到去雾。Fattal[2]通过假定透射率和表面投影在局部是不相关的，估算景物的反射率，来推断景物光在空气中传播时的透射率。Fattal的的做法比较准确，并且能产生很好的去雾结果。然而他的方法在雾浓度较大的时候便显得无能为力，尤其

基于matlab的图像去雾算法详细讲解与实现附matlab实现源代码

基于ｍaｔｌab的图像去雾算法详细讲解与实现-附ｍaｔｌａb 实现源代码

————————————————————————————————作者: ————————————————————————————————日期： ?

本文主要介绍基于Retiｎex理论的雾霭天气图像增强及其实现。并通过编写两个程序来实现图像的去雾功能。 1Rentinex理论 Retinex(视网膜“Ｒｅｔina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Hｕman Viｓual System）的图像增强理论。该算法的基本原理模型最早是由Ｅdｗin Ｌand(埃德温?兰德）于1９7１年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Ｒeｔｉnex 理论的基本内容是物体的颜色是由物体对长波(红)、中波（绿）和短波（蓝)光线的反射能力决定的，而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响，具有一致性，即Retｉｎex理论是以色感一致性（颜色恒常性)为基础的。 根据Eｄwin Lanｄ提出的理论,一幅给定的图像S(x,y)分解成两幅不同的图像:反射物体图像R(x,y)和入射光图像L(x,y),其原理示意图如图8.3－1所示。 图-1 Retinｅx理论示意图 对于观察图像S中的每个点(ｘ,y）,用公式可以表示为:? S(ｘ,y）＝R(x，y)×Ｌ(x，y) （1.3．1）实际上，Retinｅx理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光Ｌ的性质从而得到物体原本该有的样子。 2 基于Reｔｉｎｅｘ理论的图像增强的基本步骤 步骤一: 利用取对数的方法将照射光分量和反射光分量分离，即: S'(x，ｙ)=r(ｘ，y)+ｌ(ｘ, ｙ)＝ｌog(Ｒ(ｘ，y))+lｏｇ(Ｌ(x, ｙ))； 步骤二: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： Ｄ（ｘ，y)＝Ｓ(x, y) *F（x, y)； 步骤三: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）: G(ｘ,y)=S＇(ｘ, y)－log(D(ｘ, ｙ)) ;