摘 要 在大气的辐射影响下,雾天的物体图象会显得模糊不清,对比度也降低,对雾天物象的去云处理十分关键。本文主要采用了Python编程语言,并根据雾霾天气图像成像的基本原理,给出了基于Retinex的图像增强算法,Retinex计算中又包括了采用Retinex的单尺寸视网膜计算SSR、多尺寸视网膜增强计算MSR,以及色彩还原的多尺寸计算MSRCR,还有带色彩还原功能的多尺寸Retinex计算,关于图像的增强就是要排除光照对物体图像的影响。但是在通常情形下,由于我们无法获取当时大气环境中的入射光,于是我们就不得不利用所收集到的图象来估计当时环境中的大气光值,在经过滤波以后求到了反照光的对数成分,接着我们就必须进一步地对其采用反对因数计算,并由此求到了我们所要求的反照光图象,即不会受光线影响的清晰的图象。
目录
一、引言 1
（一）课题的研究背景和意义 1
（二）国内外研究现状 2
二、开发平台（系统） 3
三、大气散射模型和图像去雾的方法 4
（一） 大气散射模型 4
（二）图像去雾的方法 5
四、基于图像增强的去雾方法 6
（一）色彩恒常性及 Retinex理论 6
（二）几种常见的Retinex算法 9
（三）实验结果和分析 11
（四）总结 12
参考文献 14
致谢 15
附录 16
一、引言
（一）课题的研究背景和意义
科技的进步使得人类步入了信息化的时代，在信息化时代经济社会中视频和图象方面的应用也越来越多,所以人类在管理和使用视频和图象方面的要求也更多了,这便是所谓的大数据处理时期。在图象的理论领域,主要有二个重点方向:一是为了提高图象的质量,以便于人类理解和认知;二是为传递、存储和显示而对图象加以管理,以便让大处理器可以自行去管理相应的操作。在航空与航天技术领域、通信工程领域、城市自动导航领域、军队与公安领域、生物医学工程技术领域、城市交通监测系统领域,以及各应用领域的图像处理技术的使用也越来越多。所以对物体图像增强技术的研究也非常的有意义。在雾霾天气下,人们所收集到的图片和录像画面的质量也 *51今日免费论文网|www.51jrft.com +Q: ￥351916072￥ 
相对较少和模糊了,。雾霾天气下对道路交通监测系统具有非常重大的影响和干扰,因此在道路交通监测室内就必须分析从各个监测装置上传来的画面,包括了路面上所有违法车辆的车牌号、事故车型、违法行人以及大量的信息和图片,所以一个画质清晰的图象对于交通管理部门来说具有十分重大的必要性。
总而言之,图像处理技术在城市交通、电脑视觉化以及国家信息安全等方面都具有着非常巨大的重要性。在大雾天气条件下,所收集到的图片和视频画面中的能见度严重降低、有效的图像信息变少、色彩的失真、图像的质量也有所下降。而如果还是仍然采用在大雾天气条件下直接收集的图片作为城市交通监测信息系统的原始图象,将会严重的影响城市交通监测信息系统的大数据分析和数据处理,甚至还会给一个国家的国防安全带来巨大的危险隐患。所以,现阶段针对在大雾天气条件下所收集到的图象去雾的技术研究仍然是非常关键的。对图像处理科学研究的蓬勃发展、对我国经济的保障、以及我国的国家安全战略都有着十分关键的意义。
（二）国内外研究现状
现阶段图像的去雾技术大致包括二大类:一是通过图象增强的去雾计算,二是通过物理建模的场景还原计算。
1.基于图像增强的去雾算法
采用图象增强技术的去雾计算是由于提高雾化图象的反差度,从而突破或者说是控制了其中的一些信号,可以用来降低雾气对图象质量的影响,使去雾后的图象更能方便于机器辨认或是肉眼观察。不过这种方式只是降低雾气的干扰,并不能从根本上将雾气去掉,从而导致去云结果也没有很理想。不过它作为图像处理的主要分支之一,已经被广泛的研究,并获得了相应的成果。
直方图均衡化是最简洁高效的图象计算之一,也常常被作为其他去雾计算的一种参考。一般包括了局部和全局二类。全局直方图平衡的方法是把雾化图象转为具有均匀排列的直方图的像素,并完成图像去雾。通过局部直方图均衡化办法对图象中的部分区域实施直方图平衡处理,也属于一个自适应的影像强化算法。包含有Kim【1】等人使用子非块叠加的方式完成了局部直方图均衡化,翟艺书等人使用子块叠加直方图均衡化办法完成了雾化影像的增强,王萍等人则根据在大气中雾化图像对比度显著降低的情形下,给出了插值自适应均衡性方案。
基于小波分析的主要方式是对图象在多尺寸上采用反差度加强处理方法,已获得了长足的发展,在遥感图像增强方式中也获得了更普遍的运用。曲波变换和小波变换一样,由于同属于多尺度分析的方式,可以对于现场的边缘处理得最好,因此,Eriksson【2】在中使用了曲波变换来完成对消失点的测量,达到了雾化图像的手动去雾处理过程。
Retinex算法成为许多专家所探讨的目标,这种方法基于颜色不变的特点,消除受到雾的干涉而改变图像颜色的光照,来实现除雾。这种技术又分成了单尺寸Retinex(SSR)计算和多尺度Retinex(MSR)计算。
2.基于物理模型的场景复原方法
如今,最普遍采用的方式是基于物理模拟的情景恢复方式。该方案是建立在大气散射模拟的基石上的,通过使用成像装置将捕捉到的光数据反演为图像过程,并以此用来还原出清晰图片。最初Oakley等人通过使用辅助手段首先检测出场地的景深信号,随后修正光照得到了清晰图象。虽然这种方式实现了很好的去雾效应,不过这个方案仍然必须依靠辅助装置,很不便实际操作。后来,Narasimhan给出了将某个情景中在各种气候条件下的多幅图片对比计算得到整个场地景深信息的方案。陈功等人则在Narasimhan的理论基础上,使用了一张晴天的图片为先验条件,进而估计出了各个场面景深的比例关系,然后再使用大气散射模式进行了图像的去雾【3】。而这些方案通常针对于单一情景下,景深不变的情形下的去雾效果较为好,不过对于场面景深不断变化的图像则很难做出实际的去雾处理。
近年来,许多研究者都致力于运用单幅雾化图自身的制造与约束要求,来测算出大气散射模式中的基本参数,并由此可以获得理想的去霾成果。Tan等人认为无雾化图象相对于雾化图象具有很大的反差,因此采用了最大化恢复图象的高对比度方法进行图象去雾处理,但是这个方法并不能在物理模型上还原真正的场景反照率,也易造成去雾图象过于饱和和色彩的畸变。后来,Fattal等人在场景表面的颜色差异和与介质之间传递函数局部计算不相关性的理论基础上,使用数据计算和局部区域的透射性能为常矢量来作前提,并由此来估计出常矢量透射率。但是由于这种方法过分依靠输入雾化图象中的特征信号,当输入的雾化图象的色彩特性不明确时,也会使透射率的估计不精确。He给出了一个基于暗通道先验的解决方案,这种计算首先运用最小值滤波基本原理推断出了介质传播函数,接着再运用软件抠图基本原理对所测量的介质传播函数做出了最佳优化推断,结果取得了不错的去雾效应,不过由于软件抠图计算还需要很大的运算量,而且很难可以运用在实际场景中的去【4】。

原文链接：http://www.jxszl.com/jsj/wlw/608408.html