数字图像(图像去雾)
- 格式：doc
- 大小：791.00 KB
- 文档页数：10
目 录
一. 课程设计任务................................................... 2
二. 课程设计原理及设计方案......................... 错误!未定义书签。
三. 课程设计的步骤和结果........................................... 5
四. 课程设计总结................................................... 7
五. 设计体会....................................................... 8
六. 参考文献....................................... 错误!未定义书签。
一. 课程设计任务
由于大气的散射作用，雾天的大气退化图像具有对比度低、景物不清晰的特
点，给交通系统及户外视觉系统的应用带来严重的影响。但由于成像系统聚焦模
糊、拍摄场景存在相对运动以及雾天等不利环境，使得最终获取的图像往往无法
使用。为了解决这一问题，设计图像复原处理软件。
要求完成功能：
1、 采用直方图均衡化方法增强雾天模糊图像，并比较增强前后的图像和直
方图；
2、 查阅文献，分析雾天图像退化因素，设计一种图像复原方法，对比该复
原图像与原始图像以及直方图均衡化后的图像；
3、 设计软件界面
二. 课程设计原理及设计方案
2.1 设计原理
在雾、霾等天气条件下, 大气中悬浮的大量微小水滴、气溶胶的散射作用导
致捕获的图像严重降质,随着物体到成像设备的距离增大, 大气粒子的散射作用
对成像的影响逐渐增加. 这种影响主要由两个散射过程造成: 1) 物体表面的反
射光在到达成像设备的过程中, 由于大气粒子的散射而发生衰减;2) 自然光因
大气粒子散射而进入成像设备参与成像. 它们的共同作用造成捕获的图像对比
度、饱和度降低, 以及色调偏移, 不仅影响图像的视觉效果, 而且影响图像分析
和理解的性能.
在计算机视觉领域中, 常用大气散射模型来描述雾、霾天气条件下场景的成
像过程.Narasimhan 等给出雾、霾天气条件下单色大气散射模型(Monochrome
atmospheric scat-tering model), 即窄波段摄像机所拍摄的图像灰度值可表示
为
（1）
式中, x 为空间坐标, A 表示天空亮度(Skylight), ρ为场景反照率, d 为场景
的景深, β为大气反射系数。图像去雾的过程就是根据获得的有降质的图像，即
I（x）来推算出ρ的过程。
但由于该物理模型包含3 个未知参数, 从本质上讲, 这是一个病态反问题.
在只有单幅图像的条件下，我们可以考虑用假设以及推算的方式使其中的几个量
固定，然后求解。
2.2 设计方案
2.2.1 白平衡
WP (White point) 算法, 也称为Max-RGB 算法, 利用R、G、B 颜色分量的
最大值来估计光照的颜色。我们用天空亮度A来取代最大值。对于A，如果直接用
图像中最亮的灰度估计的话会受到高亮噪声或白色物体的干扰，因此我们首先对
图像颜色分量进行最小滤波，然后选择阀值为0.99，大于此值的认定为天空区域，
然后取平均值为我们估计的天空亮度A。然后方程（1）变为
（2）
2.2.2 估计大气耗散函数
)1()(deAdeAxI
dedeAI
1/
为了简化（2），我们设则 deXV1)( （2）变为
（3）
V（x）称为大气耗散函数。根据（3）容易发现V（x）满足0
其中p为恢复系数，去[0,1]中的值（一般为0.9—0.95）。
2.2.3 场景反射率的恢复
通过以上步骤我们获得了A以及V（x），至此方程（1）仅含有一个未知量，
即我们要求的场景反射率
2.2.4 色调映射
映射关系为其中G为求的去雾后的图像灰度最大值。
2.2.5 与直方图去雾效果对比
使用matlab中的histeq函数对图像的亮度和对比度进行直方图均衡化处理
)())(1(/'xVxVAII
)0),,max(min()()(WpBVAWmedianABWmedianA
)1/()'(VVI
))/11(1/(GT
三. 课程设计的步骤和结果
3.1原图像与直方图
global im;
global orig;
[filename, pathname]=uigetfile(['*.jpg'],'insert image');
im=[pathname filename];
orig = imread(im);
Q = rgb2gray(orig);
figure;
subplot(1, 2, 1); imshow(orig); title('原图像')
subplot(1, 2, 2); imhist(Q, 64); title('原图像直方图')
3.2原图像与均衡后图像
global orig;
global U;
I = rgb2hsv(orig);
H = I(:,:,1);
S = I(:,:,2);
V = I(:,:,3);
M = histeq(S); % 对饱和度直方图均衡化
N = histeq(V); % 对亮度直方图均衡化
U = hsv2rgb(H, M, N);
figure;
subplot(2, 2, 1); imshow(orig); title('原图像')
subplot(2, 2, 2); imshow(U); title('均衡后图像')
Q = rgb2gray(orig);
W = rgb2gray(U);
subplot(2, 2, 3); imhist(Q, 64); title('原图像直方图')
subplot(2, 2, 4); imhist(W, 64); title('均衡变换后的直方图')
3.3原图与去雾图像对比
global im;
im1=double(imread(im))/255.0;
sv=2*floor(max(size(im1))/25)+1;
res=visibresto1(im1,sv,0.95,-1);
figure;imshow([im1, res],[0,1]);
四. 课程设计总结
首先，由于本方法是基于单幅图像输入来进行去雾处理，因此无法像多幅图
像条件下那样综合同一场景的不同降质条件来估算天空亮度，因此难免会存在偏
差。而且白平衡过程是对整幅图像进行的，这样对于简单场景（天空与景物有明
显的分界）来说误差较小，但对于存在很多细节的图像（如茂盛的树木，天空也
景物难以区分）以及场景中有很多白色景物时，会在边缘出现模糊。
其次，本方法使用的是变形的中值滤波器来估算大气耗散函数，而中值滤波
器虽然能较好的保持边缘，但对于直角以及线这样的细节的处理存在固有缺陷，
因此当场景中存在这样的景物（如高楼、车辆等），处理后的图像会在景物的边
缘出现明显的模糊。
五. 设计体会
在本次课程设计过程中，收获颇丰。
首先，这次实践让我又重新温习了一遍数字图像处理课程的相关知识，并在
此过程中对所学知识进行了一次检验，加深了度数字图像处理这门课程的理解，
让我深感数字图像处理这门课程的博大精深。
然后，通过本次课程设计的体验，提高了综合运用数字图像处理各方面知识
的能力，并从中发现了自己的许多不足之处，有待提高。
最后，通过对matlab这个工具软件的运用，我又掌握了它的一些功能，这对
我以后的学习和工作是一个莫大的帮助。
六. 参考文献
[1]数字图像处理（第二版） 冈萨雷斯 电子工业出版社
[2]基于物理模型的单幅图像快速去雾方法 禹晶、李大鹏、廖庆敏 自动化学
报
[3]Fast Visibility Restoration from a Single Color or Gray Level Image
Jean-Philippe Tarel、Nicolas Hautiere IEEE
附：实验用图
