MATLAB基于Retinex理论的雾霭天气图像增强

最新推荐文章于 2023-12-24 20:36:26 发布
最新推荐文章于 2023-12-24 20:36:26 发布
阅读量1k 收藏 21
点赞数
文章标签： 算法 计算机视觉 matlab 机器学习 opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/matlab1998_vx/article/details/122980542
版权

1.3.1 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。


9bc9a49bf9bcaabf525c90b4d5e133ad.png


图 1.3-1 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。

1.3.2 基于Retinex理论的图像增强的基本步骤

9f01da50f20e8ba8718d14ee7ec1adf8.png

08b6152c1903a86288927219b14d5757.png

1.3.3 多尺度Retinex算法

6a512c25c9dcd15d6da7b885a50aa958.png

553713d18f4e57ed93a2a069d7f81956.png

例程1.3.1

****************************************************************************************
clear;
close all;
% 读入图像
I=imread('wu.png');
% 取输入图像的R分量
R=I(:,:,1);
[N1,M1]=size(R);
% 对R分量进行数据转换,并对其取对数
R0=double(R);
Rlog=log(R0+1);
% 对R分量进行二维傅里叶变换
Rfft2=fft2(R0);
% 形成高斯滤波函数
sigma=250;
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
% 对高斯滤波函数进行二维傅里叶变换
Ffft=fft2(double(F));
% 对R分量与高斯滤波函数进行卷积运算
DR0=Rfft2.*Ffft;
DR=ifft2(DR0);
% 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
DRdouble=double(DR);
DRlog=log(DRdouble+1);
Rr=Rlog-DRlog;
% 取反对数，得到增强后的图像分量
EXPRr=exp(Rr);
% 对增强后的图像进行对比度拉伸增强
MIN = min(min(EXPRr));
MAX = max(max(EXPRr));
EXPRr = (EXPRr-MIN)/(MAX-MIN);
EXPRr=adapthisteq(EXPRr);

% 取输入图像的G分量
G=I(:,:,2);
[N1,M1]=size(G);
% 对G分量进行数据转换,并对其取对数
G0=double(G);
Glog=log(G0+1);
% 对G分量进行二维傅里叶变换
Gfft2=fft2(G0);
% 形成高斯滤波函数
sigma=250;
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
% 对高斯滤波函数进行二维傅里叶变换
Ffft=fft2(double(F));
% 对G分量与高斯滤波函数进行卷积运算
DG0=Gfft2.*Ffft;
DG=ifft2(DG0);
% 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
DGdouble=double(DG);
DGlog=log(DGdouble+1);
Gg=Glog-DGlog;
% 取反对数，得到增强后的图像分量
EXPGg=exp(Gg);
% 对增强后的图像进行对比度拉伸增强
MIN = min(min(EXPGg));
MAX = max(max(EXPGg));
EXPGg = (EXPGg-MIN)/(MAX-MIN);
EXPGg=adapthisteq(EXPGg);

% 取输入图像的B分量
B=I(:,:,3);
[N1,M1]=size(B);
% 对B分量进行数据转换,并对其取对数
B0=double(B);
Blog=log(B0+1);
% 对B分量进行二维傅里叶变换
Bfft2=fft2(B0);
% 形成高斯滤波函数
sigma=250;
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
% 对高斯滤波函数进行二维傅里叶变换
Ffft=fft2(double(F));
% 对B分量与高斯滤波函数进行卷积运算
DB0=Gfft2.*Ffft;
DB=ifft2(DB0);
% 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
DBdouble=double(DB);
DBlog=log(DBdouble+1);
Bb=Blog-DBlog;
EXPBb=exp(Bb);
% 对增强后的图像进行对比度拉伸增强
MIN = min(min(EXPBb));
MAX = max(max(EXPBb));
EXPBb = (EXPBb-MIN)/(MAX-MIN);
EXPBb=adapthisteq(EXPBb);
% 对增强后的图像R、G、B分量进行融合
I0(:,:,1)=EXPRr;
I0(:,:,2)=EXPGg;
I0(:,:,3)=EXPBb;
% 显示运行结果
subplot(121),imshow(I);
subplot(122),imshow(I0);
****************************************************************************************


7b013c27f693c17ed23e0208bf6cbf3a.png


1.3-2 例程1.3.1的运行结果

例程1.3.2是基于Retinex理论进行雾霭天气增强的MATLAB程序，读者可结合程序及注释对基于Retinex理论进行雾霭天气增强的基本原理进行进一步分析，该程序的运行结果如图1.3-3所示。

例程1.3.2

****************************************************************************************

clear;
close all;
I=imread('wu.png');
% 分别取输入图像的R、G、B三个分量，并将其转换为双精度型
R=I(:,:,1);
G=I(:,:,2);
B=I(:,:,3);
R0=double(R);
G0=double(G);
B0=double(B);
 
[N1,M1]=size(R);

% 对R分量进行对数变换
Rlog=log(R0+1);
% 对R分量进行二维傅里叶变换
Rfft2=fft2(R0);
% 形成高斯滤波函数（sigma=128）
sigma=128;
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
sigma=256;
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
% 对高斯滤波函数进行二维傅里叶变换
Ffft=fft2(double(F));
% 对R分量与高斯滤波函数进行卷积运算
DR0=Rfft2.*Ffft;
DR=ifft2(DR0);
% 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
DRdouble=double(DR);
DRlog=log(DRdouble+1);
Rr1=Rlog-DRlog;

% 形成高斯滤波函数（sigma=512）
sigma=512;
 F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
% 对高斯滤波函数进行二维傅里叶变换
DRlog=log(DRdouble+1);
Rr2=Rlog-DRlog;

% 对上述三次增强得到的图像取均值作为最终增强的图像
Rr=(1/3)*(Rr0+Rr1+Rr2);
 
% 定义色彩恢复因子C
a=125;
II=imadd(R0,G0);
II=imadd(II,B0);
Ir=immultiply(R0,a);
C=imdivide(Ir,II);
C=log(C+1);
 
% 将增强后的R分量乘以色彩恢复因子，并对其进行反对数变换
Rr=immultiply(C,Rr);
EXPRr=exp(Rr);

% 对增强后的R分量进行灰度拉伸 
MIN = min(min(EXPRr));
MAX = max(max(EXPRr));
EXPRr = (EXPRr-MIN)/(MAX-MIN);
EXPRr=adapthisteq(EXPRr);
 
[N1,M1]=size(G);
% 对G分量进行处理，步骤与对R分量处理的步骤相同，请读者仿照R分量处理的步骤进行理解。
G0=double(G);
Glog=log(G0+1);
 

Gfft2=fft2(G0);
sigma=128;
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
 
Ffft=fft2(double(F));
 
DG0=Gfft2.*Ffft;
DG=ifft2(DG0);
 
DGdouble=double(DG);
DGlog=log(DGdouble+1);
Gg0=Glog-DGlog;
 
F = F./(sum(F(:)));
 
Ffft=fft2(double(F));
 
DG0=Gfft2.*Ffft;
DG=ifft2(DG0);
 
DGdouble=double(DG);
DGlog=log(DGdouble+1);
Gg1=Glog-DGlog;
 
 
sigma=512;
 
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
 
Ffft=fft2(double(F));
 
DG0=Gfft2.*Ffft;
DG=ifft2(DG0);
 
DGdouble=double(DG);
DGlog=log(DGdouble+1);
Gg2=Glog-DGlog;
 
Gg=(1/3)*(Gg0+Gg1+Gg2);
 
 
a=125;
II=imadd(R0,G0);
II=imadd(II,B0);
Ir=immultiply(R0,a);
C=imdivide(Ir,II);
C=log(C+1);
 
Gg=immultiply(C,Gg);
 
 
EXPGg=exp(Gg);
 
MIN = min(min(EXPGg));
MAX = max(max(EXPGg));
EXPGg = (EXPGg-MIN)/(MAX-MIN);
EXPGg=adapthisteq(EXPGg);
 
% 对B分量进行处理，步骤与对R分量处理的步骤相同，请读者仿照R分量处理的步骤进行理解。
 [N1,M1]=size(B);
 
B0=double(B);
Blog=log(B0+1);
 
Bfft2=fft2(B0);
sigma=128;
 
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
 
Ffft=fft2(double(F));
 
DB0=Bfft2.*Ffft;
DB=ifft2(DB0);
 
DBdouble=double(DB);
sigma=256;
 
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
 
Ffft=fft2(double(F));
 
DB0=Bfft2.*Ffft;
DB=ifft2(DB0);
 
DBdouble=double(DB);
DBlog=log(DBdouble+1);
Bb1=Blog-DBlog;
 
 
sigma=512;
 
F = zeros(N1,M1);
for i=1:N1
       for j=1:M1
        F(i,j)=exp(-((i-N1/2)^2+(j-M1/2)^2)/(2*sigma*sigma));
       end
end
F = F./(sum(F(:)));
 
Ffft=fft2(double(F));
 
DB0=Rfft2.*Ffft;
DB=ifft2(DB0);
 
DBdouble=double(DB);
DBlog=log(DBdouble+1);
Bb2=Blog-DBlog;
 
Bb=(1/3)*(Bb0+Bb1+Bb2);
 
a=125;
II=imadd(R0,G0);
II=imadd(II,B0);
Ir=immultiply(R0,a);
C=imdivide(Ir,II);
C=log(C+1);
 
Bb=immultiply(C,Bb);
EXPBb=exp(Bb);
 
MIN = min(min(EXPBb));
MAX = max(max(EXPBb));
EXPBb = (EXPBb-MIN)/(MAX-MIN);
EXPBb=adapthisteq(EXPBb);

% 对增强后的图像R、G、B分量进行融合
I0(:,:,1)=EXPRr;
I0(:,:,2)=EXPGg;
I0(:,:,3)=EXPBb;
 
% 显示运行结果
subplot(121),imshow(I);
subplot(122),imshow(I0);
****************************************************************************************


2844d145aa09bdaceea29b14631deeb2.png
1.3-3 例程1.3.2的运行结果

matlab汪汪队
关注
  • 0
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab 图片雾化代码,雾化效果图片制作代码汇总
weixin_34049168的博客
03-18 752
雾化效果图片制作代码汇总一.圆形纵向雾化效果二.圆形横向雾化效果圆形雾化效果代码style="FILTER: Alpha(opacity=100,style=2)" height=图片高度cellSpacing=0 cellPadding=0 width=图片宽度 align=center background=图片地址border=0>三.方形横向雾化效果四.方形纵向雾化效果方形雾化效果代...
matlab 图像合成_用MATLAB做图像合成加雾的处理
weixin_35719260的博客
01-31 1632
众所周知，现在有很多算法来对图像进行去雾处理。但反之，对图像增加雾的代码却少之又少，本代码就是基于Matlab实现了对图像的加雾处理。该方法可用做雾天图像的合成数据集。代码公开如下：clear;clc; % close all; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%i...
层次分析matlab代码-FogComputingSim:雾计算模拟器
05-23
层次分析matlab代码雾计算模拟 雾计算模拟器 相关连结 抽象的 随着对移动IoT服务的高复杂度和质量的普遍需求的激增，出现了新的计算范例。 在云计算中经历了长期且不可预测的端到端通信延迟以及移动流量的快速增长的推动下，雾计算成为支持实时应用程序并通过使用它来提高效率的最全面，最自然的范例。数据发送到云。 从执行的分析来看，在客户端和雾节点这两个动态环境中缺乏研究是显而易见的。 而且，大多数现有的提议方案仅考虑了很少的用于系统优化以及静态计算资源的特定目标。 在当前的工作中，已经设计并评估了新颖的雾计算架构，其目的是找到上述问题的解决方案。 还提出了一种新颖的优化问题公式，以匹配所提出体系结构的特征。 开发了一组优化算法来解决所提出的问题。 此外，已在合适的已开发仿真工具包中成功实施了所建议的体系结构。 使用提供给客户端的QoS和系统提供商的目标作为主要指标，在不同的静态和移动场景中评估了优化算法的性能。 可以看出，所提出的体系结构在满足系统提供者目标的同时，有效地帮助改善了在移动和静态环境中为其用户提供的QoS。 建筑学 聚氯乙烯 下载IBM学生版 chmod + x cplex_
matlab朦胧的去雾、加雾算法
零碎@流年絮语 的博客
04-28 7168
为何要研究图像去雾技术 ? 雾霾严重频发,图像获取带雾的情况越来越多 带雾的图像很多特征被掩饰和模糊 ,导致很多细节信息不容易识别 图像的对比度和颜色鲜艳度受到极大削弱 图像增强技术是关去雾的关键技术 ,主要包括频域处理法和空域处理法，频域处理法基于卷积定理，通过小波变换或者傅里叶变换来实现。空域处理方法直接对像素进行处理，以图像灰度映射变换为基础采用所需的映射变换，例如图像对比度增强和灰度层...
matlab给图像加云,matlab怎么给图像加雾
weixin_39598094的博客
03-17 673
该楼层疑似违规已被系统折叠隐藏此楼查看此楼% --------------------------------------------------------------------% 雾化处理% --------------------------------------------------------------------functio...
基于matlab的Retinex图像增强算法仿真+代码仿真操作视频
07-13
2.内容：基于matlab的Retinex图像增强算法仿真+代码仿真操作视频 3.用处：用于Retinex图像增强算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的...
基于Retinex算法图像增强的MATLAB实现.docx
12-01
基于Retinex算法图像增强的MATLAB实现.docx
MATLAB课程设计-基于Retinex理论的图像去雾算法研究.zip
10-20
MATLAB课程设计-基于Retinex理论的图像去雾算法研究 MATLAB课程设计-基于Retinex理论的图像去雾算法研究 MATLAB课程设计-基于Retinex理论的图像去雾算法研究 MATLAB课程设计-基于Retinex理论的图像去雾算法研究 ...
基于retinex与matlab的图像对比度增强算法，MATLAB
10-12
基于retinex与matlab的图像对比度增强算法，MATLAB
基于Retinex理论改进的低照度图像增强算法
06-07
针对光照不均匀、光线暗等环境导致图像采集单元采集到的图像视觉效果差、噪声大等问题，本文提出一种基于视网膜和皮层(Retinex)理论改进的低照度图像增强算法去恢复图像原有的视觉特征。将低照度图像从红、绿、蓝...
图像增强Matlab代码总结（6种）
04-23
这是图像增强代码的整理，也是基础常见的图像增强代码，共六种：Retinex图像增强（3种）、灰度拉伸、直方图均衡化、自适应直方图均衡化等，代码均可正常运行，省去了你去到处搜索的时间，更专注于自己的实验。
常用且经典的图像增强去雾MATLAB代码（全部可用，可用于实验对比）.rar
05-25
较全面的经典的图像增强对比去雾算法，可用于论文实验的对比，全部为MATLAB代码，主要包括RETINEX的各类图像增强代码，直方图各类代码，同态滤波的各类代码等，全部可用！！！！
rentinex图像增强算法
10-16
基于rentinex的图像增强技术，函数代码，在主函数中调用即可，有相应注释。
MATLAB课程设计-基于Retinex理论的图像去雾算法研究
10-12
本文的研究基于后者，提出了一种基于Retinex理论图像增强去雾算法，对于传统的去雾算法得到的问题，将受到雾霾天气影响的图片用Retinex算法进行处理，获得清晰图像。根据Retinex算法先构建高斯环绕函数利用高斯环绕...
基于Retinex理论的图像增强Matlab代码(单尺度Retinex)
12-01
《数字图像处理高级应用》中的代码，注意是单尺度的Retinex呦~
【视频图像增强】基于改进的Retinex算法图像增强研究（Matlab代码实现）
最新发布
Ke_Yan_She的博客
12-24 1059
经典的Retinex算法旨在纠正感知上的图像亮度，但其受到许多内在问题的影响，例如图像全局对比度的不一致性和颜色平衡的失调。因此，本研究采用改进的Retinex算法来提高视频图像的质量和保真度。综上，本研究在视频图像增强领域进行了探索，采用改进的Retinex算法和对比度增强等技术，提高了视频图像质量和保真度。[3]谭跃.基于Retinex理论的图像增强算法研究[J].技术与市场, 2009(12):2.DOI:10.3969/j.issn.1006-8554.2009.12.002.行百里者，半于九十。
【烟雾检测】基于matlab背景模糊模型视频烟雾检测【含Matlab源码 153 期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
01-23 2248
背景模糊模型视频烟雾检测 完整代码，直接运行，适合小白！可提供运行操作视频！
基于Matlab实现图像处理相关案例：数字水印、图像识别、增强、压缩、融合、拼接、分割、去雨、去雾、去噪、去模糊等等（附上100个案例源码）
热门推荐
m0_62143653的博客
04-04 2万+
基于Matlab实现图像处理相关案例：数字水印、图像识别、增强、压缩、融合、拼接、分割、去雨、去雾、去噪、去模糊等等（附上100个案例源码）
MATLAB实现利用图像深度信息合成不同浓度的雾【Cityscapes_foggy数据集】
qq_41708908的博客
02-08 2129
为了实现在恶劣天气下的自动驾驶环境感知，大量工作通过人工合成雨、雾的方式来生成恶劣天气数据集。图像合成雾代码实现基于论文Semantic Foggy Scene Understanding with Synthetic Data（基于合成数据的语义雾景理解），它是在Cityscapes数据集的基础上进行合成，生成了Cityscapes_foggy数据集。
基于matlab的retinex理论低照度图像增强
06-08
下面是基于Matlab的Retinex理论低照度图像增强的步骤： 1. 将低照度图像转换为灰度图像。 2. 实现Retinex算法，可以使用多种Retinex算法，如多尺度Retinex（MSR）、多尺度Retinex与颜色恢复（MSRCR）等。这里以MSR...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值