【图像去雾】小波变换DWT图像去雾（含前后对比）【含Matlab源码 4144期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅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：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、小波变换DWT图像去雾简介

雾是秋冬季节频发的自然天气现象，在可见光波段，雾天图像具有明显的质量退化，可视景深小，对比度差，这对图像的进一步处理和识别造成了困扰。因此，无论在目标检测、视频监控、自动导航等应用层面，还是摄影、遥感、军事、交通等行业，研究去除雾层对图像的干扰都具有重要意义。

目前的图像去雾算法主要分为两种，一种是基于物理模型的图像复原，另一种是根据雾天特点所做的图像增强。

基于物理模型的方法需要获知图像的景深信息，并根据雾的散射模型进行图像复原，对成像设备和传感设备要求较高，Oakley、Tan等人对精确的物理模型做了研究，取得了较好的去雾效果，但会造成色彩的过饱和[1,2]，何凯明[3]提出了暗通道先验模型，根据无雾图像中总存在幅值较低的颜色通道这一统计规律，可以从单幅图像中估计出雾的浓度，进而根据物理模型滤除，这种方法的计算量极大，标准清晰度图像的处理需要十几秒，限制了实际应用。

图像增强方法不依靠物理模型，根据雾层的特点，在时域或频域对图像细节和对比度进行增强。直方图均衡方法[4]运算量少且可以有效提高对比度，但会减小熵值，处理动态范围小的图像时尤其严重。在小波域处理[5,6]可以分离低频和高频能量，进而提升图像细节，但单纯对小波系数处理没有考虑到雾天图像的特点，对增强可视距离作用不大。孙晓晓[7]利用两幅图像在小波域融合，能提高各种雾天图像的清晰度，但这种方法不适用于只有单幅图像数据的情况。Retinex算法与同态滤波具有类似之处，根据颜色恒常性理论，将成像结果看作是光照和反射能量的组合，光照主要是低频能量，而物体的反射光位于高频[8]。基于Retinex的去雾算法[9]通过高斯滤波器滤除雾的散射光，保留物体本身的反射能量，去雾效果明显，但高斯核的特性使得去雾后的图像在明暗交界处产生晕影。

此外，彩色图像的去雾要求比灰度图像更高，需要在去雾的同时，保持合适全局亮度和各通道效果的平衡，要求色彩自然不失真。文献[10]研究分析了在RGB色彩空间和HIS空间进行图像增强的效果，文献[11]实验了在HIS空间应用小波变换的图像去雾增强。

1 小波变换
小波变换的概念出现于1984年，法国地球物理学家在分析地震波数据时，提出了将地震波按伸缩平移系展开的方法，随后在时频域都正交的小波基被发现。在数学上，小波变换与傅里叶变换类似，都是一种数学变换。不同的是，小波函数是由一个母函数经过伸缩变换和平移而得到的一簇函数，小波域可以体现信号的时间(空间)和频率信息[12]。

小波基的选择：
小波基具有不同的时域和频域特性，选用不同的小波基对同一幅图像进行分解处理会得到不同的结果，因此，对图像进行小波分解时，应当选择合适的小波基。
对图像进行小波变换，主要应考虑紧支性、对称性和正交性3种特性。紧支性决定了小波的时频局部化特征，紧支宽度越窄，小波局部特性越好。小波的对称性与紧支撑小波的线性相位特性等价，对称小波不会造成图像边界数据的失真。正交性反映了图像的冗余程度，正交小波能保持能量，有去除信号的相关性，但不能与对称性同时满足。Db(Daubechies)系小波是光滑紧支撑正交小波，能通过有限脉冲响应共轭镜像滤波器实现．Sym(Symlets)系小波是根据Db系小波改良得到的，差别在于Sym系小波有更好的对称性，重构时相移更少，更适合图像处理。

2 雾天图像特点
雾是悬浮在空气中的微小水滴，对可见光具有吸收、散射作用；近年来频发的霾比雾具有更大的粒子直径，同时还含有灰尘等杂质，对光线的衰减更严重。

雾对成像的影响主要在于以下几方面：1.亮度的不均匀。由于雾的散射作用，正对光源时，光源能量会弥散到很大区域，远离光源的地方亮度更低。2.对比度低。被雾遮盖的景物变得朦胧模糊，细节信息被削弱。3.动态范围小。雾气浓重的时候，整幅图像都呈现亮白色，在此之下物体原本的颜色只能占据有限的量化值。

分析不同浓度雾天图像的直方图信息可以支持以上论点。
所以图像的去雾即是要针对以上三个特点，对图像进行增强，均衡整体亮度，提高对比度，增大动态范围。

3 亮度分量小波域处理
本文的去雾算法中，首先将原始图像转换到HSI空间，利用小波分解，在亮度分量I中完成主要的去雾增强算。

⛄二、部分源代码

img_name=‘333.jpg’;
% 原始图像
I=double(imread(img_name))/255;

% 获取图像大小

[h,w,c]=size(I);
win_size = 7;
img_size=wh;
dehaze=zeros(img_sizec,1);
dehaze=reshape(dehaze,h,w,c);

figure(1), imshow(I);title(‘原始图像’);
win_dark=zeros(img_size ,1);

for cc=1:img_size
win_dark(cc)=1;
end

win_dark=reshape(win_dark,h,w);
%计算分块darkchannel
for j=1+win_size:w-win_size
for i=win_size+1:h-win_size
m_pos_min = min(I(i,j,:));
for n=j-win_size:j+win_size
for m=i-win_size:i+win_size
if(win_dark(m,n)>m_pos_min)
win_dark(m,n)=m_pos_min;
end
end
end

end

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 齐卉,孙超,苏通,马俊智,朱勇杰,丁建军.基于MATLAB的图像去雾技术研究[J].江汉大学学报(自然科学版). 2020,48(06)
[2]玛利亚木古丽·麦麦提.结合小波变换和同态滤波的医学图像增强算法[J].电子设计工程.2020.12

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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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