【图像去雾】颜色衰减先验图像去雾【含Matlab源码 2036期】

最新推荐文章于 2024-10-18 12:27:09 发布

Matlab武动乾坤

最新推荐文章于 2024-10-18 12:27:09 发布

阅读量477

点赞数 7

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135742938

版权

Matlab图像处理（进阶版）专栏收录该内容

897 篇文章 21 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、颜色衰减先验去雾算法简介

2015年Zhu等的颜色衰减先验去雾算法利用颜色衰减先验建立有雾图像的景深模型, 采用有监督学习的方式得到模型的参数, 结合大气散射模型得到去雾图像。具体内容如下:

1 大气散射模型
Zhu等的颜色衰减先验去雾算法利用计算机视觉和图形图像领域广泛采用的大气散射模型, 其数学表达式为
在这里插入图片描述
其中x为图像中像素点的位置, I为有雾图像, J为无雾图像, A为大气光强度, t为介质传输透射率, d为图像景深, β为大气散射系数。在大气均匀分布的条件下, 大气散射系数β被认为是恒定值[12]。

2 颜色衰减先验
Zhu等基于对有雾图像统计特性的研究, 通过大量实验发现了颜色衰减先验[9]。一幅有雾图像中, 任意像素点处雾的浓度与该像素亮度和饱和度之差成正相关, 表达式为
在这里插入图片描述
其中c (x) 为像素点处的雾浓度, v (x) 为像素亮度, s (x) 为像素饱和度。

3 图像景深复原
由于通常图像中雾的浓度与景深变化成正相关, 结合颜色衰减先验得之任意像素点处的景深与该像素亮度和饱和度之差成正相关, 因此建立如下线性模型
在这里插入图片描述
其中d (x) 为像素点处的景深, v (x) 为像素亮度, s (x) 为像素饱和度, θ0、θ1和θ2为未知线性系数, ε (x) 为用期望值为0, 方差为σ2的高斯密度函数表示的随机误差。采用有监督学习的方式得到θ0=0.121779, θ1=0.959710, θ2=-0.780245, σ=0.041337, 并利用最小滤波和引导滤波[13]对图像景深进行优化, 确定d (x) 的取值范围为[0.1, 0.9]。

4 去雾图像复原
为避免去雾图像出现噪声, 确定t (x) 的取值范围为[0.1, 0.9]。去雾图像J的表达式为
在这里插入图片描述
其中大气光强度A的估计方法为:找出前0.1%景深值大的像素对应有雾图像I的像素, 取亮度最大的像素作为A。大气散射系数β取为恒定值1.0。

5 颜色衰减先验去雾算法的不足
在Zhu等的颜色衰减先验去雾算法中, 大气散射系数β取为恒定值1.0。实际情况大气分布是不均匀的, 大气散射系数β不能被认为是恒定值。大气散射系数β取为恒定值1.0存在比实际情况偏大或偏小的问题。当偏小时导致介质传输透射率偏大, 根据公式 (5) 得到去雾图像近似于有雾图像, 去雾效果不好。当偏大时导致介质传输透射率偏小, 易导致去雾图像出现颜色失真现象。基于上述考虑, 提出动态大气散射系数的颜色衰减先验去雾算法。

⛄二、部分源代码

close all;clear;clc;
pic=imread(‘test.png’);%pic=imresize(pic,0.2);
[h_,w_,s_]=size(pic);
pic=double(pic)/255;
pic_gray=rgb2gray(pic);
tic
pic_hsv=rgb2hsv(pic);
V=max(max(pic(:,:,1),pic(:,:,2)),pic(:,:,3));%亮通道
d=0.121779+0.959710V-0.780245pic_hsv(:,:,2)+0.041337;
se=strel(‘disk’,15);
d=imerode(d,se);%深度图进行平滑滤波

r=30;
eps=0.01;
d=guidedfilter(pic_gray,d, r, eps);%引导滤波

blocksize=15;
RGB_MIN=min(min(pic(:,:,1),pic(:,:,2)),pic(:,:,3));%像素暗通道
RGB_gray=rgb2gray(pic);
se=strel(‘square’,blocksize);
dark_I=imerode( RGB_MIN,se);
% figure,imshow(dark_I);

% U=reshape(dark_I,1,h_*w_);
% U1=sort(U,2,‘descend’);
% med=round(h_*w_*0.001);
% U2=U1(1:med);
% U3=unique(U2);
% [s1,s2]=size(U3);
% km=1;
% for i=1:s2
% [x y]=find(dark_I==U3(i));
% [l1,l2]=size(x);
% for i=1:l1
% x1=x(i,1);
% y1=y(i,1);
% km=km+1;
% U4(km)=RGB_gray(x1,y1);
% end
% end
% A_channel=max(U4(😃);
%A_channel=airlight_he(pic,15);
A_channel=zeros(3,1);
A_channel(1)=est_a(d,pic(:,:,1),h_,w_);
A_channel(2)=est_a(d,pic(:,:,1),h_,w_);
A_channel(3)=est_a(d,pic(:,:,1),h_,w_);

% figure,imshow(d);colormap HOT;
t=exp(-0.95*d);t=min(max(t,0.1),0.9);figure,imshow(d);colormap HOT;
%imwrite(t,‘C:\Users\Tiger\Desktop\所有代码和文章整理\雾图集\dimage.bmp’)
J(:,:,1) = double((pic(:,:,1) - (1-t)*A_channel(1))./t)/A_channel(1);
J(:,:,2) = double((pic(:,:,2) - (1-t)*A_channel(2))./t)/A_channel(2);
J(:,:,3) = double((pic(:,:,3) - (1-t)*A_channel(3))./t)/A_channel(3);
toc
figure,subplot(211),imshow(pic);title(‘原图’)

subplot(212),imshow(J),title(‘去雾图’)
% imwrite(J,‘C:\Users\Tiger\Desktop\所有代码和文章整理\雾图集\resimage.bmp’)

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]胡雪薇,李其申.动态大气散射系数的颜色衰减先验图像去雾[J].电视技术. 2017,41(Z2)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合