图像的增强算法--图像去雾

Paperman...

已于 2024-08-29 08:57:28 修改

阅读量786

点赞数 25

文章标签：算法信号处理信息与通信 matlab

于 2024-08-29 08:54:02 首次发布

本文链接：https://blog.csdn.net/qq_67716835/article/details/141662445

版权

1.背景

早期的图像去雾方法主要基于图像处理技术，如直方图均衡化、对比度增强等。这些方法虽然在一定程度上能够改善图像的视觉效果，但往往无法从根本上解决图像去雾问题。

近年来，随着深度学习技术的快速发展，基于深度学习的图像去雾方法取得了显著的突破。这些方法通过构建深度神经网络模型，从大量有雾图像中学习到去雾的规律，从而实现图像去雾的自动化和智能化。随着计算机视觉和数字图像处理技术的发展，图像去雾技术在实际应用中变得越来越重要。雾霾天气会导致拍摄的图像质量下降，影响视觉效果和后续的图像处理任务。在自动驾驶、远程监控、卫星遥感等领域，图像去雾技术可以有效提高图像的清晰度和可辨识度，从而提升系统的整体性能和可靠性。因此，研究和实现有效的图像去雾算法具有重要的理论和实际意义。

2.基本原理

2.2.1基本概念

图像去雾的基本概念来源于大气散射模型。大气散射模型描述了在有雾环境下，光在大气中传播时受到的吸收和散射现象。根据大气散射模型，图像中的每个像素可以表示为：

I(x) = J(x)t(x) + A(1 - t(x))

其中：I(x) 是观测到的雾天图像；J(x) 是无雾的清晰图像；t(x) 是透射率，表示光在大气中传播的衰减程度；A 是大气光值，代表背景光的强度。图像去雾的目标是从观测到的雾天图像 I(x) 中恢复出无雾的清晰图像 J(x) 。

2.2.2基本策略：

图像去雾算法的基本策略通常包括以下几个步骤：

（1）估计大气光值 A ：

大气光值通常可以通过图像中亮度最高的区域来估计。这些区域往往对应于天空或远处的物体。

（2）估计透射率t(x)：

透射率的估计是图像去雾的核心步骤之一。常用的方法包括基于暗原色先验的方法和基于图像滤波的方法。

暗原色先验：假设无雾图像中的局部区域大多数像素的最小值非常接近于零。利用这个假设，可以从观测图像中估计透射率。

（3）恢复清晰图像 J(x) ：

一旦得到了透射率和大气光值，可以通过逆大气散射模型恢复无雾的清晰图像：

J(x) = frac{I(x) - A}{t(x)} + A

（4）后处理：

为了进一步提升去雾效果，可以对恢复后的图像进行一些后处理，如对比度增强、边缘保留滤波等。

通过以上步骤，可以有效地去除图像中的雾霾，恢复出清晰的图像。在实际应用中，针对不同的雾天情况，可以选择适当的参数和方法进行优化。

图1 去雾前后对比图

3.源代码

%简单来说，我的大概思路为：

%读取第一张图片----读取图片R分量----高斯滤波得到低频图像----原图减去低频图像得到高频图像----直方图均衡化----对G、B分量进行类似的处理----将处理后的分量进行合并----处理下一张图片直至全部处理完。过程中还涉及到了精度的转换，归一化，傅里叶变换（在频域进行处理）。

clear; % 清除工作区中的所有变量
close all; % 关闭所有图形窗口
% 输入和输出文件夹路径

inputFolder = '输入文件夹路径';
outputFolder = '输出文件夹路径';
% 获取输入文件夹中的所有图像文件
imageFiles = dir(fullfile(inputFolder, '*.jpg'));%列出文件夹内容
% 处理每一张图像
for k = 1:length(imageFiles)
% 读取图像
inputFile = fullfile(inputFolder, imageFiles(k).name);
I = imread(inputFile);

% 处理图像的R分量
R = I(:,:,1); % 提取图像的R分量
[N1,M1] = size(R); % 获取R分量的尺寸
R0 = double(R); % 将R分量转换为double类型
Rlog = log(R0 + 1); % 对R分量进行取对数操作
Rfft2 = fft2(R0); % 对R分量进行二维傅里叶变换
sigma = 150; % 设置高斯滤波函数的标准差
F = zeros(N1, M1); % 初始化高斯滤波函数矩阵
for i = 1:N1
for j = 1:M1
F(i,j) = exp(-((i - N1/2)^2 + (j - M1/2)^2) / (2 * sigma * sigma)); 
% 生成高斯滤波函数
end
end
F = F ./ sum(F(:)); % 对高斯滤波函数进行归一化
Ffft = fft2(double(F)); % 对高斯滤波函数进行二维傅里叶变换
DR0 = Rfft2 .* Ffft; % 对R分量与高斯滤波函数进行卷积运算
DR = ifft2(DR0); % 对卷积结果进行逆傅里叶变换
DRdouble = double(DR); % 将结果转换为double类型
DRlog = log(DRdouble + 1); % 对结果进行取对数操作
Rr = Rlog - DRlog; % 用原图像减去低通滤波后的图像，得到高频增强的图像
EXPRr = exp(Rr); % 取反对数，得到增强后的图像分量
MIN = min(EXPRr(:)); % 找到增强后图像的最小值
MAX = max(EXPRr(:)); % 找到增强后图像的最大值
EXPRr = (EXPRr - MIN) / (MAX - MIN); % 对增强后的图像进行归一化
EXPRr = adapthisteq(EXPRr); % 对增强后的图像进行对比度自适应直方图均衡化

% 处理图像的G分量
G = I(:,:,2); % 提取图像的G分量
G0 = double(G); % 将G分量转换为double类型
Glog = log(G0 + 1); % 对G分量进行取对数操作
Gfft2 = fft2(G0); % 对G分量进行二维傅里叶变换
for i = 1:N1
for j = 1:M1
F(i,j) = exp(-((i - N1/2)^2 + (j - M1/2)^2) / (2 * sigma * sigma)); % 生成高斯滤波函数
end
end
F = F ./ sum(F(:)); % 对高斯滤波函数进行归一化
Ffft = fft2(double(F)); % 对高斯滤波函数进行二维傅里叶变换
DG0 = Gfft2 .* Ffft; % 对G分量与高斯滤波函数进行卷积运算
DG = ifft2(DG0); % 对卷积结果进行逆傅 里叶变换
DGdouble = double(DG); % 将结果转换为double类型
DGlog = log(DGdouble + 1); % 对结果进行取对数操作
Gg = Glog - DGlog; % 用原图像减去低通滤波后的图像，得到高频增强的图像
EXPGg = exp(Gg); % 取反对数，得到增强后的图像分量
MIN = min(EXPGg(:)); % 找到增强后图像的最小值
MAX = max(EXPGg(:)); % 找到增强后图像的最大值
EXPGg = (EXPGg - MIN) / (MAX - MIN); % 对增强后的图像进行归一化
EXPGg = adapthisteq(EXPGg); % 对增强后的图像进行对比度自适应直方图均衡化

% 处理图像的B分量
B = I(:,:,3); % 提取图像的B分量
B0 = double(B); % 将B分量转换为double类型
Blog = log(B0 + 1); % 对B分量进行取对数操作
Bfft2 = fft2(B0); % 对B分量进行二维傅里叶变换
for i = 1:N1
for j = 1:M1
F(i,j) = exp(-((i - N1/2)^2 + (j - M1/2)^2) / (2 * sigma * sigma)); % 生成高斯滤波函数
end
end
F = F ./ sum(F(:)); % 对高斯滤波函数进行归一化
Ffft = fft2(double(F)); % 对高斯滤波函数进行二维傅里叶变换
DB0 = Bfft2 .* Ffft; % 对B分量与高斯滤波函数进行卷积运算
DB = ifft2(DB0); % 对卷积结果进行逆傅里叶变换
DBdouble = double(DB); % 将结果转换为double类型
DBlog = log(DBdouble + 1); % 对结果进行取对数操作
Bb = Blog - DBlog; % 用原图像减去低通滤波后的图像，得到高频增强的图像
EXPBb = exp(Bb); % 取反对数，得到增强后的图像分量
MIN = min(EXPBb(:)); % 找到增强后图像的最小值
MAX = max(EXPBb(:)); % 找到增强后图像的最大值
EXPBb = (EXPBb - MIN) / (MAX - MIN); % 对增强后的图像进行归一化
EXPBb = adapthisteq(EXPBb); % 对增强后的图像进行对比度自适应直方图均衡化

% 融合增强后的图像R、G、B分量
I0 = zeros(N1, M1, 3);%初始化增强后的图像矩阵
I0(:,:,1) = EXPRr; % 将增强后的R分量合并到输出图像中
I0(:,:,2) = EXPGg; % 将增强后的G分量合并到输出图像中
I0(:,:,3) = EXPBb; % 将增强后的B分量合并到输出图像中
% 保存结果图像
outputFile = fullfile(outputFolder, imageFiles(k).name); % 生成输出文件路径
imwrite(I0, outputFile); % 将结果图像保存到输出文件夹
End

disp('去雾图片生成完毕！');

（显然，我是分别对R、G、B三个分量进行了分别的处理，但由于处理过程相同，这里也可以用一个for循环代替简化程序。）