当前位置：文档库 › 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

像去雾效果尚可，但是用于视频去雾时帧之间的过渡就不很自然。王燕等[12]使用中值滤波去雾，其有一定的去雾能力，但图像周边会出现明显的分界。何凯明等[13]提出的暗通道先验去雾算法，可以得到精细的透射率，去雾效果优于大多数的去雾算法，已成为去雾领域的经典。去雾后的图像在景深变化大的地方会产生光晕现象，而导致这一问题的原因是在暗通道计算过程中使用了最小值滤波。在求取暗通道过程中，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，从而使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，本文利用形态学理论知识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。为了加快处理速度，本文在降采样图像里寻找大气光，并使用暗点优先膨胀算法求暗通道。另外原文求取大气光值的方法在一些情形下并不是很合理，尤其是场景中出现白色物体时，而使用四叉树细分的分层搜索方法却没有这种问题。实验表明，改进的去雾算法去雾效果更佳，且去雾速度更快。

本文图像去雾流程：求取大气光值→粗略透射率估计→透射率精细化→图像复原。

1 暗通道先验去雾

2 算法改进

2.1 大气光值求取

文献[13]方法过程如下：①从暗通道图中按照亮度大小取前0.1%的像素；②对于这些像素位置，在原始有雾图像I 中寻找对应的具有最高亮度的像素点的值，作为A值。

很多去雾相关论文都沿用了这种方法，然而这种取法在一些情况下并不太合理，比如图像中含有白色物体时，往往会在白色物体区域取得大气光值，而不是在真正的浓雾区域取得，这样会造成处理后的图像出现偏色现象。

图像有雾区域像素变化通常比较小，即对比度低。基于四叉树细分的分层搜索方法可以准确地找到浓雾区域并取得合理的大气光值，过程如图1所示，首先将一幅图像等分成4个矩形区域，然后分别用每个矩形区域内所有像素值的平均值减去它们的标准差得到一个结果值，选择结果值最大的那个区域并将它进一步等分成4个更小的区域。重复这一过程直到选择区域的大小比预先指定的阈值小。图1中红色块是最后选择的区域，在该区域，选择能够最小化与纯白光向量（255，255，255）距离的颜色向量作为大气光值，即选取最明亮颜色向量作为大气光值。

2.2 粗略透射率修正

2.2.1 透射率腐蚀处理

在暗通道计算过程中，首先会得到原图RGB三原色最小通道值，然后对最小暗通道值进行最小值滤波处理。对于较

小的值，以它为中心的滤波窗口内的点值都会受其影响，如图3（b）所示（正中间数据“198”位置会被赋予较小的数据值50），造成暗色向外扩张。由式（4）可知，明亮区域透射率会相应扩大。这样在景深变化明显的地方，去雾后的“光晕”现象就较明显。为了减弱光晕效应，可以使用形态学腐蚀的方法，将扩张变大的区域进行缩小，达到修复的作用，如图3（c）、（d）所示。实验表明，使用圆形结构元素，半径为透射率图长度和宽度最小值的1%来腐蚀透射率图可以得到较好的去雾效果。

2.3 处理时间优化为了降低处理时间，在求取大气光值时采取在降采样的图像上寻找，这样并不会降低最后寻找到的大气光值的准确性，因为求取目标是要在最浓雾的区域找大气光值，而要寻找大气光值的周围邻近的像素点值通常都是相同或非常接近的，所以跟在原图上找到的值是一致的，而寻找时间却大大缩短。在暗通道求取过程中，最小值滤波处理比较耗时，本文使用文献[15]提出的暗点优先膨胀算法代替最小值滤波处理，这样可有效降低运算时间。

基于暗点优先膨胀的暗通道计算过程如下：①取得原图RGB三原色最小通道值，形成一幅灰度图；②对灰度图像素值进行排序；③选取一个最小值，将以其点为中心的指定窗口大小内的所有点都设为此值，并记录已处理的点；④依次选择次小的点值进行相同操作，并忽略已处理的点，这样就

可以很快完成暗通道的计算过程。

图解示意过程如图4所示，图中最上部分为原图RGB最小通道值形成的灰度图，值从小到大排序为A82≤A77≤…。选择最小的值并以其点位置为中心的3×3窗口内的所有点

都设为此值，并记录处理过的点，接下来依次选择次小的值进行相同处理，这样就很快获得了暗通道。

最后将精细化透射率及求得的大气光值代入式（5），就可到得到最后的复原图。

3 实验

实验软硬件环境如下：操作系统为32位Windows7，CPU 为酷睿i3-2100双核（3.10GHz），RAM内存为2G，使用32

位matlab2010b编码实现。运行文献[13]和改进算法程序对

几种雾图分别进行了测试。

实验图片归一化为420×297大小，名称分别为road.jpg、tree.jpg、mount.jpg，结果比较如图5、6、7、8所示。主观上对比可以看到改进算法减轻了处理后的图像明亮区域偏

色现象及景深变化区域的光晕效应，并在细节上更好地保持了原图结构。

在客观评价上选择PSNR和SSIM两个性能指标进行实验，得到的数据如表1、表2所示。PSNR即峰值信噪比，其值越大，则说明处理后的去雾图像失真越小，SSIM可以衡量原图和去雾图的结构相似性，其数值越大说明去雾图对原图结构

改变越小，同时光晕效应越弱。比较可知，改进算法取得了更好的去雾效果。

4 结语

暗通道先验去雾是近年来出现的一种优秀去雾算法，然而在暗通道计算过程中的最小值滤波处理会使得暗色扩张，进而引起去雾图产生光晕效应。为了减弱光晕效应，本文利用形态学理论对得到的粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率；同时对大气光值的求取方法进行了改造，对不符合暗通道先验的明亮区域透射率进行了修复，并使用多种方法优化处理速度。实验表明，改进后的算法在去雾效果和速度方面都有很大提升，后续会在此基础上继续优化改进，使得该算法能够应用于实时视频去雾中。

参考文献：

[1]KIM T K，PAIK J K，KANG B S.Contrast enhancement system using spatially adaptive histogram equalization with temporal filtering[J].IEEE Transactions on Consumer Electronics，1998，44（1）：82-87.

[2]LAND E H.The retinex[J].American Scientist，1964，52（2）：247-264.

[3]LAND E H.The retinex theory of color vision[J]. Scientic America，1977，237（6）：108-128.

[4]JOBSON D J，RAHMAN Z，WOODELL G A.Properties and

performance of a center/surround retinex[J].IEEE Transactions

on Image Processing，1997，6（3）：451-462.

[5]RAHMAN Z，JOBSON D J，WOODELL G A.Muti-scale retinex for color image enhancement[C].Lausanne：Proceedings of the 1996 International Conference on Image Processing，1996：1003-1006.

[6]RAHMAN Z，JOBSON D J，WOODELL G A.Retinex processing for automatic image enhancement[J].Journal of Electronic Imaging，2004，13（1）：100-110.

[7]NARASIMHAN S G，NAYAR S K.Vision and the atmosphere[J].International Journal of Computer Vision，2002，48（3）：233-254.

[8]TAN R T.Visibility in bad weather from a single

image[C].Anchorage：Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition，2008：1-8.

[9]FATTAL R.Single image dehazing[C]. New York：Proceedings of the 2008 ACM Transactions on Graphics （TOG），2008，27（3）：1-9.

[10]J H KIM，J Y SIM，C S KIM.Single image dehazing based on contrast enhancement[C].IEEE ICASSP，2011：1273-1276.

[11]刘倩，陈茂银，周东华.基于单幅图像的快速去雾算法[C].第25届中国控制与决策会议，2013.

[12]王燕，伍博，谷金宏.一种单幅图像去雾方法[J].电光与控制，2011，18（4）：65-67.

[13]KAIMING HE，JIAN SUN，XIAOOU TANG.Single image haze removal using dark channel prior[C].IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2009：1956-1963.

[14]蒋建国，侯天峰，齐美彬.改进的基于暗原色先验的图像去雾算法[J].电路与系统学报，2011，16（2）：6-11.

[15]刘夏，陈和平，陈黎，顾进广.一种计算图像暗通道的优化算法[J].计算机应用与软件，2014（7）：137-140.

[16]HE K M，SUN J，TANG X O.Guided image

filtering[C].Berlin：Proceedings of the 2010 Conference on Computer Vision，2010：1-14.

（责任编辑：孙娟）

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

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、设计内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、

基于引导滤波的去雾算法

基于引导滤波的实时去雾算法组员1：李阳组员2：刘玉舸组员3：江建军

摘要户外空气中经常会有大量的水蒸气和微尘等颗粒物，这些颗粒物会导致光在传输过程中被折射、散射、吸收从而损失大量能量。自然界中的雾、灰霾等天气现象就是由于这种原因而产生的。户外拍摄的图像经常由于雾、灰霾等天气导致场景光在传输过程中能量衰减，图像对比度下降。对有雾图像进行去雾处理提高图像质量是对图像进行进一步处理和利用的必需步骤，具有非常重要的价值。本文通过对暗通道先验知识的分析，延用kaiming He博士的基于bilateral?lter的改进，通过利用图像自身作为一种引导滤波，从而使图像能够高效实时地去雾，并且该算法拥有良好的边缘保持性，在细节增强方面有不错的指导意义。关键词图像去雾暗通道bilateral?lter引导滤波边缘保持

目录第一章问题分析1 1研究目的 (1) 2研究现状与前景 (1) 3研究方向 (2) 4研究结果预测 (2) 第二章算法原理3 1环境变量及视觉原理 (3) 2暗通道处理简要分析 (4) 3引导滤波 (4) 3.1引导滤波的定义及算法 (4) 3.2边缘保持优越性的分析验证 (7) 第三章实验结果8 1暗通道和引导滤波效果对比 (8) 2原始图像和处理图像细节对比 (8) 3边缘检测方法验证引导滤波 (9) 4引导滤波创新点 (9) 第四章实验结论11 1实验分析 (11) 2实验体会 (11) 第五章参考文献12 References (13) 第六章实验代码14

第一章问题分析 1研究目的空气中除了氧气等基本成分，往往还会含有水蒸汽，微尘等颗粒物，这些颗粒物导致场景光在传输到相机的过程中发生折射、散射等，导致能量衰减，同时大气光会经过颗粒物的折射、散射等作用进入相机，导致相机拍摄得到的照片不仅包含我们所需要的场景光，同时也包含一部分大气光，因此图像会出现模糊现象，对比度下降，细节信息丢失，如图所示。退化的图像往往不能满足应用的需要。因此，有效处理退化后的模糊图像，使之变得清晰，从中恢复出尽可能多的有效信息变得极具意义，在消费电子、计算机图像以及计算机视觉领域都有重要价值。 2研究现状与前景去雾算法作为基础图像处理的重要算法，在过去十几年中取得了一定进展。未知的深度信息是图像去雾算法的一大约束条件，对于单幅图像，我们很难确定其场景深度。Y.Y.Schechner,S.G. Narasimhan等提出了基于极化的图像去雾方法，该类方法通过对同一场景拍摄两幅或者多幅不同极化角度的图像来获取图像场景深度信息。Y.Y.Schechner,S.G.Narasimhan等人提出了一类通过获得同一场景在同一角度不同天气条件下的多幅图像，然后估计场景深度信息的方法。这些方法由于需要提供同一场景的多幅图像或者需要人为提供场景深度信息，在大多数情况下不具有可行性，因此不具有广泛应用的价值。近年来，针对单幅图像的去雾算法取得了一定突破。研宄者们提出了一些基于较强先验知识或者假设的方法。观察发现无雾图像比有雾图像具有更高的对比度，并基于这一现象通过使图像局部对比度最大化来恢复出清晰图像。Fattal提出一种基于传输系数和表面阴影局

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）：

【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

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)) ;

基于改进暗通道先验的图像去雾算法研究

---------------------------------------------------------------最新资料推荐------------------------------------------------------ 基于改进暗通道先验的图像去雾算法研究 OpenCV 耦合改进暗通道先验的图像去雾算法研究王帮元（安徽经济管理学院信息工程系，安徽合肥，230051）摘要：在雾境下,由于大气粒子的散射作用导致图失真严重,直接影响后期图像数据的分析，因此对雾天图像进行去雾处理,以提高图像的清晰度，是非常有必要的。而当前的图像去雾算法不稳定，当大雾天气很严重时，去雾质量较差。对此，本文提出了基于 OpenCV 耦合改进暗通道先验的图像去雾算法与实现机制。首先分析暗通道先验理论与雾图形成模型；然后对先验理论进行改进，推算出本文的去雾公式。最后引入 OpenCV 实现机制，增强系统运行效率。最后测试了本文机制性能，结果表明：与普通的图像去雾算法相比，在大雾天气很严重时，本文机制具有更好的去雾效果，准确还原了图像的清晰度，失真度较小。关键词：图像去雾；暗通道先验；雾图形成模型；OpenCV；中图分类号： TP391 文献标识码： A 0 引言随着通信、电子技术、图像处理算法的蓬勃发展，视频监控、视频目标识别已运用在各个领域，并且已取得很大的发展， 1 / 9

推动了科技和社会的前进 [1] 。然而，在实际生活中，由于雾天原因，导致安全监控目标的清晰度收到破坏，严重影响了目标识别精度。因此，图像去雾功能非常重要。图像去雾技术成为很多大型设备或者系统正常运作的先决条件。为了取得良好的图像去雾效果，诸多学者进行了研究，并提出了许多不同的图像去雾算法。王一帆等人 [2] 提出，首先在计算暗通道函数时,定义了一类暗区域对图像边缘的低强度像素点进行描述,该区域像素点的暗原色中值取其三原色通道的最小值,以代替原来的中值滤波运算值.此滤波方法不仅能有效去除 Halo 效应,而且避免了黑斑效应;然后基于大气散射物理模型定义一种伪去雾图,将其与原去雾图进行像素级融合对原图进行色度校正,实现了柔性去雾,改善了现有方法易出现过去雾的缺陷，实验结果表明该算法去雾后图像具有较好清晰度及色彩恢复度,去雾鲁棒性强.在大雾和图像色彩失真严重的情况下,仍可有效恢复图像。郭璠等人 [3] 提出融合策略无需依靠大气散射模型或场景结构信息,只需通过原始衰退图像来获取其输入图与权重图，其中 2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强,而 3 幅权重图则突显了图像雾气较浓区域的细节信息。融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像 [4] 。

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;

基于暗通道先验的图像去雾算法改进研究

龙源期刊网 https://www.wendangku.net/doc/f58419187.html, 基于暗通道先验的图像去雾算法改进研究作者：郭云云徐伯庆来源：《软件导刊》2017年第09期摘要：目前，基于暗通道先验原理的图像去雾能够取得较好效果，但仍存在图像景物交界处产生光晕、天空及白色物体区域去雾后色彩失真等问题。鉴于此，提出改进的基于暗通道先验去雾算法：首先，对暗通道图进行非重叠式滤波，消除最小值滤波导致图像交界边缘产生的光晕；然后，对输入雾霾图像进行直方图分析，能够自适应获得分割天空区域的亮度阈值；再对透射率图天空区域进行像素变换，去雾后可消除颜色失真；最后，采用非线性亮度提高的方法提升去雾图像的视觉效果。结果表明，改进算法去雾后的图像真实、天空自然。关键词：图像去雾；暗通道原理；像素变换；天空分割 DOI：10.11907/rjdk.171527 中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2017）009-0046-04 Abstract：Now， image haze removal based dark channel prior principle has acquired good effect， but there still are many problems that halo at the junction of scenery and color distortion of the sky and the white area. The improved algorithm： first compensating the dark channel image could eliminate halo at the junction of scenery caused by min filter； secondly， analysis of the haze image through its histogram could obtain brightness threshold to distinguish the sky self-adaptively；then，the pixels of transmission’s sky area are transformed， after haze removing ， color distortion is not there； finally， the nonlinear brightness increase was used to enhance visual effect of the haze removal image. Experiments show that the improved algorithm remove image haze， the image is more real， the sky is more natural. Key Words：image haze removal；dark channel prior； pixels conversion；sky division 0 引言随着科技的不断进步，计算机视觉系统在人们的生活中扮演着越发重要的角色，如交通监控、目标追踪、无人机航拍等。但近年来，由于环境变化，雾霾天气时有发生，视觉系统获得的图像清晰度不高，给社会生活造成极大不便。因此，图像去雾成为迫切需要研究的问题。去雾算法大致可分为两类：基于图像成像物理模型的去雾算法和非物理模型的去雾算法。非物理模型算法主要包括基于颜色恒常性原理的Retinex算法[2]和综合提升图像亮度、对比度的算法[3]。非物理模型算法只考虑从视觉上增强图像的清晰度和辨识度，物理模型从更加客观可靠的图像成像原理出发，逆推出被雾霾退化的原始图像。Tan[4]利用无雾图像对比度高于有雾图像，在马尔科夫随机场（MRF）模型的基础上构造边缘代价函数，使去雾图像的局部对

基于同态滤波的图像去雾方法本科毕业论文

本科毕业设计（论文）题目：基于同态滤波的图像去雾方法

基于同态滤波的图像去雾方法摘要在雾霭等天气条件下获得的图像，模糊不清、颜色失真，影响视觉效果。因此有必要对图像进行去雾研究。图像去雾是通过一定的手段去除图像中雾的干扰，达到快速有效的去雾和清晰度恢复的作用，从而得到高质量的图像。图像去雾的方法众多，同态滤波是一种在频域中进行的图像对比度增强和压缩图像亮度范围的特殊滤波方法。这种方法能减少低频并增加高频，即尽量保留低频中的灰度级（保存图像原貌），又锐化细节，从而达到去雾的效果。本文把基于同态滤波的去雾算法，与全局均衡化的图像去雾算法等方法进行对比，借鉴其他算法的优点，优化同态滤波算法，使图像去雾效果更加理想。实验结果表明，同态滤波能较好的锐化细节，同时保持原图概况。若要使图片达到更好的清晰度，需结合多种算法，叠加运行。关键词：图像去雾；图像增强；同态滤波；直方图均衡化

Image defog method based on the method of image filterin Abstract The image obtained in bad weather conditions such as fog, blur, color distortion, visual effects.Therefore, it is necessary to study images defogging.Images defogging is through a certain means of removing fog interference and achieve rapid recovery of fog and clarity of role, resulting in high quality images. Homomorphic filtering is an image in the frequency domain of contrast enhancement and special filtering method of image brightness range, homomorphic filtering can reduce the frequency and increase the frequency, that is, try to keep the low frequency of gray levels (save the original image) and sharpen details, so as to achieve the effect of fog. This fog based on homomorphic filtering method, and global equalization algorithm for images defogging method compares the advantages of other algorithms, optimizing the homomorphic filter algorithm, making the image to fog effect is more ideal. Experimental results show that the homomorphic filtering can be used to sharpen detail, while keeping the original profile. To make the image better definition, should be combined with a variety of algorithms, stacking operation. Key words: image, image enhancement, image enhancement, image enhancement, image enhancement, histogram equalization.

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）：

基于同态滤波的图像去雾方法本科00950329

本科毕业设计（论文）题目：基于同态滤波的图像去雾方法 I

基于暗通道先验的图像去雾方法研究

基于暗通道先验的图像去雾方法研究苟婷婷1严瑾2黄凌霄1刘立波1* (1.宁夏大学信息工程学院，宁夏回族自治区银川750021; 2.宁夏回族自治区遥感测绘勘察院，宁夏回族自治区银川750021) [摘要]针对多发性的雾霾天气下获得的图像质量退化问题,雾天退化图像的去雾复原技术引起广泛关注。在充分分析雾天图像特点的前提下,研究暗通道先验算法在图像去雾中的应用并借助Matlab平台实现仿真验证。首先将采集到的雾天图像载入系统,然后使用暗通道先验算法处理图像。实验结果证明,该方法具有良好的去雾效果,处理后的图像不仅更加清晰,同时增强了细节信息,提升了图像的利用价值。 [关键词]暗通道先验;图像去雾;Matlab;直方图均衡化中图分类号:TP391.41文献标识码:A文章编号:1008-6609(2019)01-0005-04 1引言随着人类生产工业化进程的推进，空气污染尤其是雾霾天气愈发严重，这给人类生产生活带来极大不便，使得户外景象图像的对比度和颜色被改变或退化，同时也会使图像中的许多细节特征不清晰。这些降质图像不但不符合人类视觉效果，同时也给交通监控系统之类的视觉系统正常工作带来影响。所以，对于在雾霾等恶劣天气下由图像采集设备得到的降质图像，非常有必要进行去雾处理并恢复细节信息。图像去雾技术是通过一定的方法和手段去除图像中霾的干扰，从而得到高质量的图像，以便得到满意的视觉效果并获取更多有效的图像信息[1]。国内外相关研究领域围绕如何对图像去雾进行了深入研究，至今提出了多种去雾方法，这些研究方法大体可分为两大类：图像增强方法和图像复原方法。图像增强方法早期表现出优异的去雾效果，是研究相关问题的常用方法，主要有基于统计特性的直方图均衡化算法[2]和https://www.wendangku.net/doc/f58419187.html,nd等人提出的Retinex 理论[3]。该类方法重点在于改善图像对比度，针对图像中需要用到的部分进行增强即可。基于物理模型的图像复原方法通过掌握图像的退化过程，对该过程进行建模实现图像去雾[4]。该类方法中具有代表性的是何恺明提出的暗通道先验去雾算法，该方法根据暗通道统计规律复原清晰图像，去雾效果明显[5]。由于随机的天气条件具有不确定性，研究具有较高可靠性的图像去雾算法仍具有重大应用价值。本文在分析雾天图像成像过程的基础上，探讨暗通道先验算法在图像去雾过程的实际应用，解决雾天图像的降质问题。 2雾天成像分析空气中的灰尘等微小颗粒在低气压等环境下会黏结在一起，一般上午和晚上悬浮在空气中，造成雾霾天气。在这种天气下，光在介质中与空中的微粒相互作用，传播方向发生改变，产生了光的散射，使得到达接收设备的光线减少，最终获得的图像在色调、亮度、对比度等方面会发生不同程度的失真[8]。图像衰减的程度与景物距离接收设备的距离也不可分割，一般来说成指数关系，即距离越大，衰退强度也越大，反之亦然。从雾霾天气获得的图像也可以观察到，图像的对比度随着景深的增加在逐渐减小。总而言之，影响雾霭天气图像质量退化的根本原因还是大气中粒子的散射作用。震惊世界的大气散射模型由Mc-Cartney于二十世纪七十年代提出，同时也是目前图像处理领域经常使用的模型之一，如图1所示。该模型将到达镜头的光分为两部分：其一是正投影，即物体的反射光线未被散射的一部分，称之为入射光衰减模型；其二是添加到图像的各种进入视角的周围环境光线，称作者简介:苟婷婷(1995-),女,宁夏固原人,硕士,研究方向为智能信息处理、深度学习。 *通信作者:刘立波(1974-),女,宁夏银川人,博士后,教授,CCF会员(14770M),研究方向为智能信息处理、深度学习。基金项目:国家自然科学基金项目,项目编号:61862050;西部一流大学科研创新项目,项目编号:ZKZD2017005。电脑与电信· -5-