图像去雾设计报告材料

（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：

图1-2 图像复原流程图
其中g(x,y)为降质图像函数，f(x,y)为真实图像函数。
图像复原技术可以分为以下几类：
1）在给定退化模型条件下，分为无约束和有约束两大类。
2）根据是否需要外界干预，分为自动和交互两大类。
3）根据处理所在的域，分为频率域和空间域。
（二）从图像增强角度去雾
基于直方图均衡化的算法以概率论为基础，用灰度变换达到图像增强的目的，是图像增强中最常用的算法之一。直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
1、图像灰度直方图
定义一：一个灰度级在范围[0,L-1]的数字图像，其直方图是一个离散函数

n是图像的像素总数，是滴k个灰度级，。
定义二：一个灰度级在范围[0,L-1]的数字图像，其直方图是一个离散函数

由于的增量是1，直方图可以表示为：

即图像中不同灰度级像素的出现次数。
2、直方图变换的理论基础
设连续图像的概率分布为：

其中r为灰度

其中A为图像的面积。
均衡化过程分析：
设r和s分别表示原图像灰度级和经直方图均衡化后的图像灰度级，为便于讨论，对r和s进行归一化，使：；对于一幅给定的图像，归一化后灰度级分布在范围内。对[0,1]区间内的任意一个r值进行如下变换：

该变换式应满足条件：
（1）对于，有
（2）在区间内
从s到r的反变换用下式表示

r的概率密度为；s的概率密度可由求出

假定变换函数为

式中：w是积分变量，而就是r的累积分布函数。
下图为直方图均衡化的过程，体现了“均衡”的含义：即概率密度的均匀。

(a)是某一图像的的灰度分布
(b)是该图进行直方图均衡化后的灰度分布
图1-3 图像灰度分布
给出灰度级在图像中出现的概率密度统计在MATLAB中，imhist函数可以显示一幅图像的直方图。其常见调用方法如下：
imhist(I)
其中I是图像矩阵，该函数返回一幅图像，显示I的直方图。
通过把原图像的直方图通过变换函数修正为分布比较均匀的直方图，从而改变图像整体偏暗或整体偏亮，灰度层次不丰富的情况，这种技术叫直方图均衡化。
在MATLAB中，用于直方图均衡化的函数是histeq，它的常见调用方式如下：
J=histep(I)
其中，I为输入的原图像，J是直方图均衡化后的图像。
3、直方图均衡化的算法步骤
直方图均衡化的算法步骤如下：
1）列出原始图像和变换后图像的灰度级：，,其中是灰度级的个数；
2）统计原图像各灰度级的像素个数;
3）计算原始图像直方图：,N为原始图像像素总个数；
4）利用灰度变换函数计算变换后的灰度值，并四舍五入：；
5）确定灰度变换关系,根据此将原图像的灰度值修正为统计变换后各灰度级的像素个数；
6）计算变换后图像的直方图：。

图1-4 直方图均衡化示意图
4、直方图均衡化的优缺点
（1）优点：
操作相当直观并且为可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。
可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
（2）缺点： 
　　变换后图像的灰度级减少，某些细节消失； 
　　某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。 
（二）从图像复原角度去雾
说到图像去雾，就不得不提到由何恺明博士等人提出的基于暗通道的图像去雾算法。这个算法因其新颖的思路和理想的效果而广受关注，相关论文也曾于2009年荣获CVPR最佳论文奖，同时也是该奖设立以来，首次由亚洲学者获此殊荣。
随着大气污染的日益严重，设法改善自动获取的图像质量其意义不言而喻。另一方面，随着数码设备的普及，消费类电子产品的市场也催生出许多新的需求，其中人们对所拍照片质量的修正和优化就是一个显而易见的需求。
首先对于有雾气象状况下的大气物理退化模型，如图1-5所示：

图1-5 大气物理退化模型
通过估算参数，反演退化过程，获得退化前的场景清晰图像。场景目标反射光强经过雾区，会受到雾霾颗粒的强散射和吸收作用，到达探测器的光强会受到影响。
1、暗通道概念
在绝大多数非天空的局部区域里，某些像素总会有至少一个颜色通道具有很低的之。换言之，该区域光强度的最小值诗格很小的数。下面给暗通道一个数学定义，对于任意的输入图像J，其暗通道可以用下式表达：

其中表示彩色图像的每个通道，表示以像素为中心的一个窗口。
暗通道先验的理论指出

也就是说以像素点为中心，分别取三个通道内窗口内的最小值，然后再取三个通道的最小值作为像素点的暗通道的值，如图1-6所示：

图1-6 取暗通道值
实际生活中造成暗原色中低通道值的因素有很多。例如，汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；色彩鲜艳的物体或表面，在RGB得三个通道中有些通道的值很低（比如绿色的草地、树木等植物，红色或黄色的花朵、果实或者叶子，或者蓝色、绿色的水面）；颜色较暗的物体或者表面，例如灰暗色的树干、石头以及路面。总之，自然景物中到处都是阴影活着彩色，这些经无图像的暗原色总是表现出较为灰暗的状态。
暗原色先验是对户外无雾图像库的统计得出的规律。在不包括天空的绝大部分局部区域，总会存在一些称之为“dark pi