图像去雾技术研究毕业设计

图像去雾技术研究毕业设计内容摘要：

的场景点的亮度 E 的数学表达式： )1(Re21 dd eEEEE    (1) 其中， dRe 是晴天下被观测点的亮度记为 1E ； )1( deE   是大气光产生的亮度记为 2E ；场 景点对应的图像点的亮度 E 为它们的和； E 是天空的亮度； R 是场景点在晴天的辐射度； β ∈ (0,1) 是大气的散射系数； d 是场景点的深度。 在大气模型中，假设散射系数 β 对所有波长都是相同的。 从以上模型可以看到，利用该散射模型进行图像复原，其本质就是图像增强，即以天空的辐射强度为参考，根据大气的退化程度和景物深度进行指数对比度增强，从而复原雾天退化图像。 因此，天空辐射强度 E 的选取是处理效果好坏的关键之 一。 ② 天空区域划分及辐射强度的确定 为了得到大气光的平均亮度，必须划分图像中的天空区域。 由于雾对光线有较强的散射作用，因此天空区域的灰度值比较高，虽然整个天空区域灰度值不是恒定的常值，但是其灰度都在一定的变化范围之内。 在雾天图像的灰度直方图中，灰度值较大的地方均有一个比较陡峭 灰度 的峰。 与此峰值所在区域对应的是天空区域的灰度变化范围。 考虑到一幅图像中天空部分的深度可近似认为是相同的，因此，其灰度值的分布应该满足正态分布 [1]。 为了便于对图像中天空部分的划分，可以对原始图像的灰度变换图像先进行全局直方 图均衡化处理。 然后，从右向左扫描所得直方图，将所找到的最高峰值点记为 ),( maxmax ph ，以该点的横坐标(即级数 )作为初始正态分布的灰度均值 )( maxh ，根据任意给定的标准差  得到如下一个正态分布： 图像去雾的 MATLAB 实现 8 22 )(max  hepy (2) 式 (2)为一个一 维高斯函数，其中， maxp 为幅值；  为均值；  为标准差。 正态分布曲线与灰度分布曲线的偏差为 :  2 550 )(),(h hphye  (3) 其中， h为灰度级； ),( hy 为高斯函数在第 h个灰度级上的取值； p(h) 为第 h个灰度级的灰度频数。 通过搜索找到的满足以下性能指标的方差  ,即为最佳近似正态分布的方差：   2550 )(),(m in)( h hphyJ  (4) 搜索步骤为： (1)任意给定一个偏小的方差 0 ，代入式 (2)即得到初始的正态分布 y ，计算式 (3)。 (2)令   0 ，再代入式 (2)计算新的正态分布 y ，同时再次计算式 (3)中的 e。 (3)判断是否为 e e0 ，如果是，则令 e =e0，回到步骤 (1)；否则所得到的以  为均值，以  为方差的正态分布即为最佳近似正态分布。 按照正态分布的性质，由于在天空区域内灰度的变化较小，因此将天空进行阈值分割，当  22  h 时，因为其概率分布为总分布的 95%左右，所以取灰度级[h1,h2 ]，其中，  21 h ；  22 h 为天空区域的灰度分布范围。 由于雾的退化效果，雾中的景物呈现灰色或白色，因此可以假定在不同天气条件下天空的辐射强度是相同的，天空区域的亮度平均值可作为天空的辐射强度 E。 ③ 场景点的深度与大气散射系数的获取 式 (1)中的场景深度 d 是一个重要的参数，以往通常采用深度启发法计算 d。 即沿着图像中深度增加的方向选择一个景物消失的近似位置，称为消失点，场景点的深 度与它们在图像上对应的像点到消失点的距离成反比。 由于普通图像传感器对小范围内微小天气变化并不敏感，因此只要估计出景点深度 d 的变化趋势，就能有效消除天气的退化影响，但消失点的近似位置须通过人眼主观判定 [6]。 大气的散射系数 β 是式 (1)中另一个重要的参数，同样以往在去雾过程中该参数须根据实际图像的衰减程度人为指定 β ∈ (0,1) ，为了取得较好的去雾效果，通常需多次试验。 针对以往算法的缺陷，本文从信息失真角度出发，通过求解最小失真意义下的最优参数，从而一次性自动获取 de 的取值，较好地复原了雾天图像去雾的 MATLAB 实现 9 降质图像。 ④ 最小失真准则 设 f (x, y) 是所求的原始未退化图像，也就是式 (1)中场景点在晴天的辐射度 R ，它可以看作是二维欧式空间 R2中域 D 上的一个未知函数，而将雾天降质图像设为 g(x, y)，它是原始图像 f (x, y)经雾衰减得到的退化图像，用 p(x, y) 表示退化图像的先验估计，而式 (1)的二色大气散射模型就是原始图像 f (x, y)满足的约束条件，用 iii dC  , i＝ 1,2,⋯,n 表示，但仅从已有的退化图像 ，无法获知散射模型中的散射系数、场景点深度等条件，故约束条件不足以唯一地确定原始图像 f (x, y)。 因此，在所有与约束条件一致的容许函数集合 1Q 中找出一个函数 f作为对 f 的后验估计，并使 f在信号失真意义上是最优的。 对于失真D(•,•) 的一般具体形式为  dxxwpqhpqD )(),(),( (5) 其中， w 是一恒正函数。 而函数 f 在所有与约束条件 一致的容许集合函数中与 p 有最小失真，即 ),(m in),( pqDpfD  (6) ),(m in pqDA rgf  (7) 该准则从先验估计 p(x, y) 已知的角度是合理的，但它并没有反应 f 与被估计对象 f 之间的失真。 因此，对每一组约束数据 {Ci = (β i ,di ),i = 1,2,�,n}和 p(x, y) ，令 D(q, p) 最小时的解组成集合 T。 为了使 f也是 T 中与原始信号 f 有最小失真，故有： ),(m i n)()(),(m i n tfDA r gxtxfpqDA r g   (8) 对于满足上述条件的失真，如果把 f 与 f 之间的失真看作是一种距离，则意味着 f 是 T 中与 f 有最短距离的函数，因此，信息论上把这种失真称作是投影失真。 事实上，这种性质良好的投影失真是存在的，并且有特定的形式 : 当且仅当 h( y, z)具有以下形 式： )()()()().( zjyzzJyJzyh  (9) 其中 , dudJuj )( ,当 dudjuj  )( 存在、连续且恒正时， h( y, z)对应的失真度量 D(•,•) 才是投影失真。 也就是说，如果存在函数 h 满足式 (9)，则在满足约束条件的情况下，与原始信号 f 的先验估计 p 具有最小失真的函数 q ，同时也与 f 图像去雾的 MATLAB 实现 10 具有最小失真，因此，称 q 是原始信号 f 在最小失真意义下的最优估计。 ⑤ 算法实现 取满足式 (9)的函数 )lg()( uuJ  ，则 uuuuJ  )lg()( 因此， D 的离散表示为   )(lglg),( iiiii qppqqpqD （ 10） 其中， p(x) 是对 f 的一个先验估计，即雾天降质图像； q是满足约束条件的函数，由式 (1)给出，求解使得式 (10)具有最小值的 q ，即为 f 的最优估计。 将 p , q 带入式 (10)，设 idi eX  ，显然，只有 Xi 未知，因此，求解使式 (10)取得最小值的 q等价于求解使式 (10)取得最小值的 Xi，故有： 0),( idXdD （ 11） 解得： 1 11 iNidi NeNeXii （ 12） 其中，EEN ii ； Ei为已知的雾天降质图像中像素点亮度 ； E∞ 为上文已求得的天空辐射强度，这样就获得了参数 ide 的值。 代入式 (1)，即可复原雾天降质图像。 偏振成像去雾算法 ① 算法的假设前提 对尘雾等恶劣天气来说，大气湍流、大气对光的吸收和散射、各种天气因素(如气温、气压、风速、相对湿度、云层、沙尘 )都会对成像产生一定影响，为简化模型，把图像退化的主要原因归结为信号的衰减和大气光的影响。 在薄雾条件下，假设大气光由光源经过微粒的一次散射到达探测器，因此，大气光为部分偏振光且偏振度不随距离而变化。 景物 辐射到达探测器的正透射光虽然偏振度没有改变，但经过衰减，能量较小，因此，到达探测器的偏振光主要由大气光贡献。 景物越远，大气光越强，正透射经过的衰减越严重；距离越近或景物反射光偏振度较大 (如光滑平面物体 )，造成的误差越大。 图像去雾的 MATLAB 实现 11 ② 算法表述 由大气散射模型可知，对景物图像进行复原就能得到景物辐射强度 objectL。 )1()(  AAAIL t o t a lo b j e c t （ 13） 其中， Itotal 可由目标任意 3 方向偏振图像融合得到； A∞ 由图像估计得到，因此，算法的关键在于得到大气光强度 A。 算法利用图像的偏振信息对大气光进行估计，并对景物图像进行复原，以达到去雾目的。 假设在同一时刻任意散射粒子的散射源来自同一个方向，则到达散射粒子的光线以及成像系统和散射粒子的连线构成一个入射平面。 可以将大气光分解成平行和垂直于入射平面的 2 个偏振分量， A⊥ 和 A∥ (A∥ A⊥ )。 大气光的偏振度可以定义为 AAAPA )(   （ 14） 相应地，偏振成像系统接收到的光 Itotal 同样可分解为平行和垂直于入射平面的 2 个偏振分量， I∥ 和 I⊥ (I∥ I⊥ )。 观测到的景物偏振度可以定义为 to ta lIIIP )(   （ 15） 假设正透射光为自然光，则透过任意方向偏振器的正透射光能量为其原来的1/2，因此，成像系统得到的 2 个正交偏 振方向的图像可以分别表示为 ADI  2 （ 16）   IDI 2 （ 17） 由式 (14)~式 (17)可以计算出大气光强度为 Atotal PpIA  （ 18） 场景的辐射强度公式可写成： At ot alAt ot alob j e c t PA pIPPIL 1)1( （ 19） 从上述分析可以看出，偏振成像系统得到图像的偏振度 p 和总光强 Itotal 可以通过 2 个以上任意偏振方向光强图像计算得到，但仍有 2 个未知量 A∞ ,PA，两者可以通过获取无穷远处大气 (如地平线处的天空 )的偏振图像进行估计。 本文在总光强图和偏振度图中选取远处天空的相应值进行估计。 ③ 算法流程 算法流程如下： (1)任意选取参考 0186。 ，获得 3 个偏振方向的图像，为简化计算，这里选取0186。 ,60186。 ,120186。 偏振方向上的图像 I(0186。 ), I(60186。 ),I(120186。 )。 图像去雾的 MATLAB 实现 12 (2)计算景物总光强 I total 和偏振度 p，其中， ))120()60()0((32 000 IIII t ot al  （ 20） 计算图像的斯托克斯参量： ))120()60((32 00 IIU  （ 21） ))120()60()0(2(32 000 IIIQ  （ 22） 将式 (21)和式 (22)带入 得到 p。 (3)利用图像中无穷远处估计无穷远处大气光强 A∞ 和大气光偏振度 PA。 (4)利用式 (18)估计大气光强度 A。 (5)利用式 (20)得到景物辐射强度。 本文采用的去雾方法 简介 这篇论文研究的问题是图像的去雾技术，它可以还原图像的颜色和能见度，同时也能利用雾的浓度来估计物体的距离， 这些在计算机视觉上都有重要应用。 但是之前人们还没找到简单有效的方法来达到这个目的。 在这篇论文里， 我们 找到了一个非常简单的，甚至说令人惊讶统计规律，并提出了有效的去雾方法。 与之前的方法不同， 我们 把注意力放到了无雾图像的统计特征上。 我们 发现，在无雾图像中，每一个局部区域都很有可能会有阴影，或者是纯颜色的东西，又或者是黑色的东西。 因此，每一个局部区域都很有可能有至少一个颜色通道会有很低的值。 我们 把这个统。