【图像去雾】基于全局直方图均衡结合暗通道优先理论实现图像去雾附Matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用             机器学习

🔥 内容介绍

雾天会导致图像对比度降低，色彩失真，严重影响图像质量和视觉效果。图像去雾技术旨在恢复雾天图像的清晰度和真实色彩，在计算机视觉、自动驾驶、遥感等领域有着广泛的应用。本文介绍了一种基于全局直方图均衡结合暗通道优先理论的图像去雾方法。该方法首先利用暗通道先验估计大气光，然后通过全局直方图均衡增强图像对比度，最后利用大气光和透射率恢复清晰图像。实验结果表明，该方法能够有效地去除雾气，提高图像质量，并保留图像细节。

1. 引言

雾是一种常见的气象现象，它会吸收和散射光线，导致图像对比度降低，色彩失真，严重影响图像质量和视觉效果。图像去雾技术旨在恢复雾天图像的清晰度和真实色彩，在计算机视觉、自动驾驶、遥感等领域有着广泛的应用。

近年来，图像去雾技术取得了显著进展，涌现出多种去雾算法。其中，暗通道先验理论是一种经典的去雾方法，它假设大多数非天空区域的暗通道图像中存在一个接近于零的像素值。基于暗通道先验，可以估计大气光并恢复图像的透射率，进而实现图像去雾。

然而，暗通道先验理论也存在一些局限性。例如，当图像中存在大面积的亮色区域时，暗通道图像中可能不存在接近于零的像素值，导致去雾效果不理想。此外，暗通道先验理论对噪声敏感，容易放大噪声。

为了克服暗通道先验理论的局限性，本文提出了一种基于全局直方图均衡结合暗通道优先理论的图像去雾方法。该方法首先利用暗通道先验估计大气光，然后通过全局直方图均衡增强图像对比度，最后利用大气光和透射率恢复清晰图像。实验结果表明，该方法能够有效地去除雾气，提高图像质量，并保留图像细节。

2. 相关工作

图像去雾技术的研究始于20世纪90年代，近年来取得了显著进展。其中，暗通道先验理论是一种经典的去雾方法，它假设大多数非天空区域的暗通道图像中存在一个接近于零的像素值。基于暗通道先验，可以估计大气光并恢复图像的透射率，进而实现图像去雾。

然而，暗通道先验理论也存在一些局限性。例如，当图像中存在大面积的亮色区域时，暗通道图像中可能不存在接近于零的像素值，导致去雾效果不理想。此外，暗通道先验理论对噪声敏感，容易放大噪声。

为了克服暗通道先验理论的局限性，近年来涌现出多种改进方法。例如，He等人提出了基于引导滤波的去雾方法，该方法利用引导滤波器平滑暗通道图像，减少噪声的影响。Tarel等人提出了基于多尺度暗通道先验的去雾方法，该方法利用不同尺度的暗通道图像估计大气光，提高去雾效果。

本文提出的方法结合了全局直方图均衡和暗通道先验理论，能够有效地去除雾气，提高图像质量，并保留图像细节。

3. 方法

本文提出的方法包括以下几个步骤：

3.1 大气光估计

暗通道先验理论假设大多数非天空区域的暗通道图像中存在一个接近于零的像素值。基于这一假设，可以估计大气光。具体步骤如下：

1. 计算暗通道图像：对于每个像素，计算其周围邻域的最小值作为该像素的暗通道值。

2. 寻找暗通道图像中最大的像素值，该像素值即为大气光。

3.2 全局直方图均衡

全局直方图均衡是一种图像增强技术，它可以提高图像对比度，使图像细节更加清晰。具体步骤如下：

1. 计算图像的直方图。

2. 将直方图映射到一个新的直方图，使得新的直方图均匀分布。

3. 根据新的直方图，调整图像像素值。

3.3 透射率估计

透射率是雾天图像中光线透过雾气的比例。基于大气光和暗通道图像，可以估计透射率。具体步骤如下：

1. 计算透射率：透射率 = 1 - 最小值(暗通道图像 / 大气光)。

2. 对透射率进行软约束，防止透射率过小或过大。

3.4 图像恢复

基于大气光和透射率，可以恢复清晰图像。具体步骤如下：

1. 计算恢复图像：恢复图像 = 原始图像 / (透射率 * 大气光)。

2. 对恢复图像进行伽马校正，提高图像亮度。

本文提出了一种基于全局直方图均衡结合暗通道优先理论的图像去雾方法。该方法能够有效地去除雾气，提高图像质量，并保留图像细节。实验结果表明，该方法优于暗通道先验方法和引导滤波方法。

⛳️ 运行结果

🔗 参考文献

[1] 王浩然.采用快速导向滤波的暗通道先验去雾算法的研究与实现[J].数字技术与应用, 2015(11):3.DOI:CNKI:SUN:SZJT.0.2015-11-091.

[2] 杨立杰.视频图像去雾算法的研究及在视频处理系统中的设计实现[D].吉林大学[2024-05-05].DOI:CNKI:CDMD:2.1018.223826.

[3] 李佐勇,周常恩,胡俊鹏,等.基于暗通道先验和自适应直方图均衡化的图像去雾方法:CN201910029550.9[P].CN109785262A[2024-05-05].

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、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、用电量预测、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

2.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

3 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、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 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、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 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

6 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

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合