2025《基于图像增强的去烟去雾算法概述》3600字.docxVIP

基于图像增强的去烟去雾算法概述

目录

TOC\o1-3\h\u6308基于图像增强的去烟去雾算法概述 1

203941.1全局直方图均衡化算法 1

63891.2局部直方图均衡化算法 4

177701.3基于Retinex算法 5

1.1全局直方图均衡化算法

全局直方图均衡化指依据含雾图像的总体去改变灰度值，和改变的数据点的位置没有关系。由于含雾的图像对比度普遍较小，该方法能够得到分布均匀的图像，从而达到提升对比度和增大图像的动态范畴的效果。它具备算法较简单和耗时较短的优点，可以较显著地增强轻雾图像。一个图像完成此均衡化的流程如下。

（1）计算起始雾霾图像所有灰度级的数量；

（2）计算起始图像的直方图，即所有的概率密度

(3-1)

上式中，N是起始图像的像素总计数量；

（3）统计直方图的累计分布

Pf

（4）统计最终获得的灰度级

(3-3)

上式中，是选用整数，是图像灰度级的最高值。令，，那么将式（3-3）化简成：

(3-4)

（5）再次确认直方图。利用与当中的对应干系，进而获得散布比例接近平均的最终直方图；

（6）以去烟去雾后的直方图为依据，计算去雾后图像每个灰度级。

下面解释其基本原理。针对连续图像，令r与s为起始图像与最终图像的灰度。为方便理解，后面假设将全部灰度无量纲化，换句话说r=0为黑色，r=1为白色。变换函数T（r）和起始图像概率密度函数Pr（r）两者的关系式如下：

s=Tr=0rprr

其中：r为积分变量。式（3-5）等号的右半部分能够认为是r的累积分布函数CDF，其最终积分出的便为r的函数T（r）。于[0,1]之内，T（r）单调递增，因此该变换函数符合这点，而累积函数0r

dsdr

由概率论能够了解：如果起始图像灰度级的变换函数T（r）与概率密度函数Prr已经知道了，同时T?1

Ps

最终能够导出式（3-8）：

ps

从式（3-8）能够看出，于定义域中变换后的s的概率密度散布比例是接近平均的。

由此得出，将T（r）作为变换函数，能够得到一个具有平均概率密度灰度级散布的图像。从而使像素的动态范畴得以增大。

以上的校正方式是连续图像的状况下研究的。然而于人们的生活内，我们想要更快捷地领会图像的特质，往往要谈论到离散连续图像，或者可以说实行数字处理。想要离散连续图像，我们一定要引进离散形态的式子。在我们进行直方图均衡化的过程中，概率密度和函数的积分可以通过对概率求和来得以取代。详细见（3-9）：

pr(rk)=

在上式（3-9），N为数字图像内像素数量求和的值；rk为第k级的灰度值的概率；L为灰度级数量求和的值；nk为此图像内呈现第k级的回数，换句话说是此图像内灰度级

直方图均衡化处理目的是为了获取均匀分布的直方图的图像增强方法。式（3-10）能够体现式（3-5）其均衡化后累积散布函数之离散形态：

sk=T(rk)=

它的反变换为：

rk=T

罗列灰度级rk

罗列灰度级r

统计起始直方图所有灰度级像素n

求起始直方图每级的概率pk=nk

求累计直方图sk=p

求累计直方图sk=

用pk（sk）=nk

统计新直方图灰度像素n

取整s

取整sk=int{（L-1）s

确认映射关系r

图1.1全局直方图均衡化算法流程图

我们能够从上面的讲解得出结论，概念和原理的体系上，连续图像经历上述均衡化后获得的直方图必须是一条规范的水平线，然而于实践上，如果离散图像，获得的直方图却非一条规范的水平线。另外，我们可以观察到，于HE操作之后，灰度级数量少于起始的，此情况叫做“简并”。

如果要达到使处理后的直方图可以真正均衡化的目的，则需要按照图3.2的改进过的流程来操作。令f（i，j），g（i，j），（i=1,2,……M；j=1,2,……N）是起始图像与操作后图像两者的像素值，而所有的灰度范畴均是[0，255]，N_f=M?N是像素总计个数。

计算起始图的灰度的分布概率p

计算起始图的灰度的分布概率pf（i）=1Nf

计算起始图像[f（i，j）]M?N的灰度直方图（用256的向量h

直方图均衡化计算，得到g（i，j）=255*p

直方图均衡化计算，得到g（i，j）=255*pa

求所有灰度值的累计分布概率pa（i）=k=0k=ipf（k）

图1.2改进流程图

1.2局部直方图均衡化算法

尽管上一个算法延展了灰度动态范畴，然而其全幅图像执行的变换均是相同的，如果要在某个灰度范围内增强图像，此方法效果便不太好，此外，实际操作时，此诸局部区域拥有的像素总计数量仅是全范围像素总计数量的九牛一毛，当直方图均衡化时通常会忽略对整个图像的影响，所以通常也无法实现