图像去雾设计报告

1、课程设计一一图像去雾一、设计目的1、通过查阅文献资料，了解几种图像去雾算法，；2、理解和掌握图像直方图均衡化增强用于去雾的原理和应用；3、理解和掌握图像退化的因素，设计图像复原的方法；4、比较分析不同方法的效果。二、设计内容采用针对的有雾图像，完成以下工作：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、分析实验效果；4、写出具体的处理过程，并进行课堂交流展示。三、设计要求1、小组合作完成；2、提交报告(*.doc)、课堂交流的 PPT(*.ppt)和源代码。

2、四、设计原理（一）图像去雾基础原理1、雾霭的形成机理雾实际上是由悬浮颗粒在大气中的微小液滴构成的气溶胶，常呈现乳白色，其底部位于地球表面，所以也可以看作是接近地面的云。霭其实跟雾区别不大，它的一种解释是轻雾，多呈现灰白色，与雾的颜色十分接近。广义的雾包括雾、霾、沙尘、烟等一切导致视觉效果受限的物理现象。由于雾的存在，户外图像质量降低，如果不处理，往往满足不了相关研究、应用的要求。在雾的影响下，经过物体表面的光被大气中的颗粒物吸收和反射，导致获取的图像质量差，细节模糊、色彩暗淡。2、图像去雾算法图像去雾算法可以分为两大类：一类是图像增强；另一类是图像复原。图 1-1 介绍了图像去雾算法的分类：图

3、1-1去雾算法分类从图像呈现的低亮度和低对比度的特征考虑，采用增强的方法处理，即图像增强。比较典型的有全局直方图均衡化，同态滤波，Retinex 算法，小波算法等等。基于物理模型的天气退化图像复原方法，从物理成因的角度对大气散射作用进行建模分析，实现场景复原，即图像复原。运用最广泛、最权威的是由何凯明等人提出的暗通道先验的方法。(1)图像增强技术为了改善视觉效果或者便于人们对图像的判别和分析，根据图像的特征采取简单的改善方法或者加强特征的措施叫做图像增强。图像增强可分为两大类：频率域法和空间域法。空间域处理主要包括：点处理，模块处理即领域处理。频率域处理主要包括：高、低通滤波、同态滤波等等。图

4、像增强可分为两大类：频率域法和空间域法。空间域处理主要包括：点处理，模块处理即领域处理。频率域处理主要包括：高、低通滤波、同态滤波等等。(2)图像复原技术从广义上讲，图像复原是一个求逆问题，逆问题经常存在非唯一解，甚至无解。图像复原的目的是将所观测到的退化图像恢复到退化前的原始图像，这种恢复过程在很多图像处理中的应用十分重要。 为了更好的对图像复原的理解，图 1-2 为图像复原的流程图：图1-2图像复原流程图其中 g(x,y)为降质图像函数，f(x,y)为真实图像函数。图像复原技术可以分为以下几类：1)在给定退化模型条件下，分为无约束和有约束两大类。2)根据是否需要外界干预，分为自动和交互两大

5、类。3)根据处理所在的域，分为频率域和空间域。(二)从图像增强角度去雾基于直方图均衡化的算法以概率论为基础，用灰度变换达到图像增强的目的， 是图像增强中最常用的算法之一。直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。1、图像灰度直方图定义一：一个灰度级在范围0,L-1的数字图像，其直方图是个离散函数P(rJ=nk/nn 是图像的像素总数，4 是图像中第左个灰度级的像素总数，凄是滴 k 个灰度级，=定义二：一个灰度级在范围0,L-1的数字图像，其直方图是一个离散函数P(r*1=nkk=1由于值的增量是 1,直方图可以表示为：PW=/

6、即图像中不同灰度级像素的出现次数。2、直方图变换的理论基础设连续图像的概率分布为:Ar+Ar)-4。)AM其中 A 为图像的面积。均衡化过程分析:设 r 和 s 分别表示原图像灰度级和经直方图均衡化后的图像灰度级，为便于讨论，对 r 和 s 进行归一化，使：0 0WnsW1|1|；对于一幅给定的图像，归一化后灰度级分布在 0WFW1 范围内。对0,1区间内的任意一个 r 值进行如下变换：s=T(r)该变换式应满足条件：(1)对于 0rE1,1,有 0WsW1 1(2)在 0Wr,sl 区间内从 s 至 Ur 的反变换用下式表示 r=Lr 的概率密度为匕，(吟；s 的概率密度可由匕“)求出二rT

7、(5)假定变换函数为s=T(r)=IpKiv)dwodrP式9=(Pr(r)-其中 r 为灰度Ip(w)dw式中：w 是积分变量，而 1 就是 r 的累积分布函数。下图为直方图均衡化的过程，体现了“均衡”的含义：即概率密度的均匀。(a)是某一图像的的灰度分布(b)是该图进行直方图均衡化后的灰度分布图1-3图像灰度分布给出灰度级也在图像中出现的概率密度统计在 MATLA 呼，imhist 函数可以显示一幅图像的直方图。其常见调用方法如下：imhist(I)其中 I 是图像矩阵，该函数返回一幅图像，显示 I 的直方图。通过把原图像的直方图通过变换函数修正为分布比较均匀的直方图，从而改变图像整体偏暗

8、或整体偏亮， 灰度层次不丰富的情况， 这种技术叫直方图均衡化。在MATLAB,用于直方图均衡化的函数是histeq,它的常见调用方式如下：J=histep(I)其中，I 为输入的原图像，J 是直方图均衡化后的图像。3、直方图均衡化的算法步骤直方图均衡化的算法步骤如下：1)列出原始图像和变换后图像的灰度级：4,二-=5 其中 L 是灰度级的个数；2）统计原图像各灰度级的像素个数；3）计算原始图像直方图：以。二门,N为原始图像像素总个数；4）利用灰度变换函数计算变换后的灰度值，并四舍五入：5）确定灰度变换关系TJ,根据此将原图像的灰度值=i 修正为g（m,n）=j 统计变换后各灰度级的像素个数,；

9、6）计算变换后图像的直方图：P。）=巧/N。图1-4直方图均衡化示意图4、直方图均衡化的优缺点（1）优点：操作相当直观并且为可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。缺点：变换后图像的灰度级减少，某些细节消失；某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。（二）从图像复原角度去雾说到图像去雾，就不得不提到由何恺明博士等人提出的基于暗通道的图像去雾算法。这个算法因其新颖的思路和理想的效果而广受关注，相关论文也曾于 2009 年荣获 CVP 朦佳论文奖，同

10、时也是该奖设立以来，首次由亚洲学者获此殊荣。随着大气污染的日益严重，设法改善自动获取的图像质量其意义不言而喻。另一方面，随着数码设备的普及，消费类电子产品的市场也催生出许多新的需求，其中人们对所拍照片质量的修正和优化就是一个显而易见的需求。首先对于有雾气象状况下的大气物理退化模型，如图 1-5 所示:图1-5大气物理退化模型通过估算参数，反演退化过程，获得退化前的场景清晰图像。场景目标反射光强经过雾区， 会受到雾霾颗粒的强散射和吸收作用， 到达探测器的光强会受到影响。1、暗通道概念在绝大多数非天空的局部区域里，某些像素总会有至少一个颜色通道具有很低的之。换言之，该区域光强度的最小值诗格很小的数

11、。下面给暗通道一个数学定义，对于任意的输入图像 J,其暗通道可以用下式表达：minminJc(y)ytfi(x)展r 国用其中表示彩色图像的每个通道，口(五)表示以像素归为中心的一个窗口。暗通道先验的理论指出，加匕 0 也就是说以像素点 X 为中心，分别取三个通道内窗口内的最小值，然后再取三个通道的最小值作为像素点工的暗通道的值，如图 1-6 所示:图1-6取暗通道值实际生活中造成暗原色中低通道值的因素有很多。例如，汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；色彩鲜艳的物体或表面，在 RGB 导三个通道中有些通道的值很低（比如绿色的草地、树木等植物，红色或黄色的花

12、朵、果实或者叶子，或者蓝色、绿色的水面）；颜色较暗的物体或者表面，例如灰暗色的树干、石头以及路面。总之，自然景物中到处都是阴影活着彩色， 这些经无图像的暗原色总是表现出较为灰暗的状态。暗原色先验是对户外无雾图像库的统计得出的规律。在不包括天空的绝大部分局部区域，总会存在一些称之为“darkpixels”的像素,至少有一个颜色通道具备很低的强度值。 在被雾干扰的图像里， 这些暗像素的强度值会被大气中的白光成分所充斥而变得较高。2、暗通道去雾的原理首先，在计算机视觉和计算机图形中，下述方程所描述的雾图像形成模型被广泛使用：其中，就是现在已经有的待去雾图像，/是要恢复的无雾图像，参数力是全球大气光成

13、分， （工） 为透射率。 现在的已知条件就是 g要求目标值八 ） 。根据基本的代数知识可知这是一个有无数解的方程。 只有在一些先验信息基础上才能求出定解。将上式稍作处理，变形为下式：(X)尸(无)，=8)3=8)3+-心)AcAL首先假设在每一个窗口内透射率乃为常数，将其定义为,并且总值已经给定，然后对上式两边求两次最小值运算，得到下式:根据前述的暗原色先验理论有:产=minminJc(y)=0可推导出r(戈)1-minmin=0把结论带回原式中，得到：t(x)=1-minycll(x)这就是透射率的预估值。透射率还可表示为 t(*)=e-做”。为大气的散射系数，该式表明景物光线是随着景物深度

14、 d 按指数衰减的。在现实生活中，即便是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响。止匕外，无得存在让人感到景深的存在，有必要在去雾的时候保留一定程度的雾。这可以通过在上式中引入一个在0,1之间的因子来实现，则上式修正为：min 乌灯Ac+1-t(x)mm3匚Acminycn(x)=tix)min口t(x)=1-3minyrU(x)yrU(x)上述推论中都是假设全球大气光温值是已知的，在实际中，可以借助暗通道图来从有雾图像中获取该值。具体步骤大致为：1)首先从暗通道图中按照亮度的大小提取最亮的前 0.1%像素；2)在原始有雾图像/中寻找对应位置上的具有最高亮度的点

15、的值，并以此作为 H 的值。当考虑投射图士值很小时，会导致/的值偏大，从而使图像整体向白场过渡，因此一般可以设置一个阈值与，当值小于。时，令因此，最终的图像恢复公式如下：/(x)VA当透射率图过于粗糙时，对应暗通道图中颜色较深的部分边缘明显不协调，为了获得更为精细的透射率图，何凯明提出了“softmatting”方法，能得到非常细腻的结果，但是该算法的一个致命弱点就是速度慢，所以何在利用导向滤波的方式来获得较好的透射率图过程中使用简单的盒子滤波相应的快速算法。五、设计步骤(一)基于直方图均衡化的图像去雾算法1、转换为灰度图像后对图像进行直方图均衡由于直方图均衡仅限于灰度图像，所以我们将输入的

16、RGES 像先转变为灰度图像，再进行图像增强。简要过程如图 2-1 所示。图2-1RGB转灰度图像进行直方图均衡化过程(1)读入图像，将彩色图像进行降维转换成灰度图像；(2)对灰度图像的直方图进行均衡化处理；(3)输出均衡化后的灰色图像。接下来我们考虑想要得到彩色图像，于是从不同空间对图像进行均衡化处理。2、在 RGB 空间对图像进行直方图均衡(流程如图 2-2)(1)读入图像，将图像存储于 RGB 空间；(2)分别对 RGB 空间的 R、G、B 三个分量的灰度直方图进行均衡化处理；(3)输出图像。图2-2在RGB空间对图像进行直方图均衡3、在 HSV 空间对图像进行直方图均衡(流程如图 2-

17、3)(1)读入图像，将图像由 RGB 空间转换到 HSV 空间；(2)对 HSV 空间饱和度和亮度分量(S、 V 分量)的灰度直方图进行均衡化处理；(3)将图像由 HSV 空间转换到 RGB 空间并输出。图2-3在HSI空间对图像进行直方图均衡4、在 YCrCb 空间对图像进行直方图均衡(流程如图 2-4)(1)读入图像，将图像由 RGB 空间转换到 YCrCb 空间；(2)对 YCrCb 空间亮度分量(Y 分量)的灰度直方图进行均衡化处理；(3)将图像由 YCrCb 空间转换到 RGB 空间并输出图像。图2-4在YCrCb空间对图像进行直方图均衡(二)基于暗通道先验的图像去雾算法根据何凯明的

18、暗通道先验算法原理，大致的流程如图 2-6 所示。图2-6暗通道先验过程图(1)根据原始有雾图像求暗通道用 for 循环求出每个像素 RG 说量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这副灰度图使用 ordfilt2 进行最小值滤波，滤波的半径由窗口大小决定。(2)求解全局大气光照根据原理应该选择暗通道/内图像总像素点个数千分之一个最亮的像素点，并记录这些像素点坐标，再根据这些点的坐标分别在原图像 I 的三个通道内找到这些像素点并加和。考虑到这个思路在 MATLAB?现中在寻找这些像素点时，会找到不止 1000点，因为在图像中有很多值相等的像素点；为了方便计算，在求为时取最亮

19、值的点集中的某一个点。(3)求透射率首先设定原始程序中去雾系数 3=095,根据公式先对透射率有一个预估；接下来利用导向滤波(GuidedFilter)来对透射率图。以原始图像的其中一个通道为引导图，使得透射率图的细节更加准确。而为了提高计算速度，在导向滤波中使用盒子滤波器(Boxfilter),其本质是通过下采样减少像素点， 计算后再进行上采样恢复到原有的尺寸大小。(4)求解无雾图像根据公式l(x)-A/(x)=+Amaxt(x)lt0六、设计结果与分析(一)基于直方图均衡化的图像去雾算法直方图均衡化是图像增强中的一种常用方法，该算法以概率论为基础，基于空间不变思想，运用灰度运算来实现直方图

20、的变换，从而达到增强图像的目的，更适合于景物深度变化很小的图像。分为全局直方图均衡化算法和局部直方图均衡化算法(在本次实验中局部均衡方法去雾效果比较差，所以不对该方法进行赘述)。全局直方图均衡化算法实现简单，对单景深图像的复原效果较好，但对于场景深度多变的图像的复原效果好，但是对于场景深度多变的额图像，这种方法就很难反映图像中局部景物深度的变化。采用局部增强方法可以使图像的每一个区域的对比度都能得到很大的改善，但是同时这种方法也将灰度变化缓慢的区域，如天空等求解出去雾的图像即可。在初始程序中采用为标准计算。也进行了误增强，从而导致景物影像因许多噪声的干扰而表现得不自然。原始有雾图像如图 3-1

21、 所示。(a)有雾图像1(b)有雾图像2图3-1有雾图像对全局均衡结果图的效果进行分析(程序 zft.m)：对有雾图像 RGB 通道进行均衡化处理后融合的图像效果最好，清晰度较高，且颜色较符合地物颜色，但天空处有较多的块状噪声，且树叶产生了较大的畸变，结果如图 3-1。图3-1对RGB通道进行均衡化处理结果图3-2对RGB通道进行均衡化结果及其直方图前后对比将只对 HSI 空间的亮度分量I 通道和对 HSI 空间的亮度、饱和度分量I、S 通道进行均衡化，通道进行的均衡化处理的图像颜色对比度明显发生的变化，第二种颜色过于鲜艳而发生畸变，第一种较 RGB 均衡方式的颜色对比度较差，且树叶处畸变较差

22、结果如图 3-3。图3-3对HSI通道进行均衡化处理结果图3-4对HSI通道进行均衡化前后结果对比及其直方图对 YCrCb 空间的亮度分量Y 通道进行均衡处理，所得图像在天空处处理的较差，有大片空白，但是对于树叶的处理较其他几种方式都好，结果如图3-5。图3-5对YCrCb通道进行均衡化处理结果图3-6又tYCrCb通道进行均衡化结果前后对比及其直方图当考虑将 RGB 图像转变为灰度图像在进行直方图均衡化的结果如图 3-7 所示，图3-7对灰度进行均衡化结果前后对比及其直方图图3-8对灰度进行均衡化结果前后对比及其直方图如果忽略灰度图直方图均衡化的视觉效果问题，在去雾效果方面灰度变换的结果还是

23、比较好的。接着再使用有雾图像 2 的直方图均衡化，结果如图 3-9 所示，图3-8对灰度进行均衡化结果前后对比及其直方图由于有雾图像 2 在前景处没有雾的影响， 在整体图像增强后虽然也起到了一定去雾的目的，但是图像效果不太好。总的来说，直方图均衡化的方法对灰度变化不大的树叶和天空处理效果较差，但是对于建筑物等灰度变化较大的区域效果还是不错的。直方图均衡化通过使用累积函数对灰度值进行“调整”以实现对比度的增强。具体说来，即把原图像对应的灰度直方图从比较集中的灰度区间通过一定的转换变成在全部灰度范围内的均匀分布。就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。通过

24、使用累积函数对灰度值进行“调整”以实现对比度的增强，一定程度上使暗的地方更暗、亮的地方更亮，从而在视觉上达到去雾的效果。但是上面的去雾效果仅仅局限于灰度图片，而不能直接对彩色图像进行处理。经过上述直方图处理后，达到均衡化图像的目的，但是图像会在原图基础上失真，即整幅图像的颜色发生改变，有时会严重偏离去雾的初衷。(二)基于暗通道先验的图像去雾算法1、实验过程结果图(1)根据原始有雾图像求暗通道图4-1有雾图像1的暗通道图像图4-2有雾图像2的暗通道图像通过两幅图的暗通道图像尤其是有雾图像 2 中可以看出在近距离的树叶处非常的暗，通过该暗通道图像去估算大气光照和透射率，建立模型就可以很好地在去雾的

25、同时尽可能保留无雾区域的特征细节。(2)求解全局大气光照求解有图像 1 和 2 的大气光照数 A:(3)求透射率图4-3图像1的透射率图图4-4图像2的透射率图通过两幅图像透射率图可以看出利用导向滤波函数求得的透射率图像较为精细，也符合大气物理退化模型中的情况。(4)求解无雾图像图4-5图像1的去雾图像有雾图像 1 的去雾结果相较于使用直方图均衡化中效果最好的对于 RGBS道进行直方图均衡化处理结果来说，去雾的程度更大，颜色更加真实，特征细节处的保持的也较好。去雾后的图像会比原始的暗，因此在处理完后最好进行一定的曝光增强，但由于视觉上的效果还不错，我们选择不进行其他操作以免影响去雾效果的观察。

26、图4-6图像2的去雾图像图 4-6 更加能够突出暗通道先验算法去雾的优点，对于无雾区域的处理将区别于有雾区域，可以减小本身不需要去雾图像区域的改变。2、影响暗通道先验算法去雾效果的参数研究计算的标准参数值如下表所示:1 去雾系数 32 滤波窗口大小（形成暗通道的滤波半径）r94 透射率下限值5eps（1）去雾系数 3粗透射率为雾越不彻底，图像越泛白。一般取 3（09098）。图4-7图像1的去雾前图像图4-8图像1的参数（r=80,w0=0.95,滤波窗口9*9）去雾后图像图4-9图像1的参数（r=80,w0=0.85,滤波窗口9*9）去雾后图像图4-10图像1的参数（r=80,w0=0.80

27、,滤波窗口9*9）去雾后图像图4-11图像1、2去雾前后对比图像（2）滤波窗口大小 x0.953 透射率窗口大小（导向半径）R800.13 越大，去雾程度越大，图像对比度显得越暗；反之3 越小，去t（）=1-minx 越小， 选取的细节越多， 暗通道构建越细致， 使得最终去雾效果越明显；但也由于其包含暗通道的概率越大，暗通道也就越黑，所得去雾图像越暗；x 越大，选取的细节少，暗通道构建越粗糙，导致最终图像越泛白，即去雾的效果越不明显。图4-12图像1改变滤波窗口去雾前后对比图像图4-14图像2改变滤波窗口去雾前后对比图像（3）透射率窗口大小（导向半径）R当 R 比较小的时候，在透射率图中基本看

28、不到什么细节信息，因此恢复处的图像边缘处不明显， 呈现明显的有雾边界， 有点类似于软抠图不精确的后果。如下图所示：图4-15图像1（导向半径r=8、40）去雾图图4-16图像1（导向半径r=80）去雾图图4-17图像（导向半径r=8）去雾图图4-18图像2（导向半径r=16）去雾图图4-19图像2（导向半径r=40）去雾图图4-20图像2（导向半径r=16）去雾图由图分析，建议这个 R 的取值不小于进行最小值滤波的半径的 4 倍，如此次实验所取的为最小滤波窗口 9*9（即滤波半径为 4）,R 即取大于 16 的值会使得去雾时边缘能够过渡得好些，提升最终去雾效果。3、该算法的不足对于提供的两幅有

29、雾图像进行去雾完成后，当改用其他图像验证算法时发现了该算法存在的问题。对于大面积天空的有雾图像或者大面积雪景的有雾图像，去雾效果很差，出现的颜色偏移过多：图4-21雪景图像去雾对于有大面积天空区域的有雾图像，在天空中的部分，去雾效果几乎没有，雾的现象仍然很严重。在非天空区域，建筑物部分，仍可以完成去雾的。但是经过暗通道去雾后，出现颜色偏移，雪变成了紫色的。这是由于当取景对象在较大范围内和天空接近并且没有阴影覆盖的时候，暗原色的猜想不成立。（三）对比两种去雾算法直方图均衡化对于灰度图像去雾效果比较好，而暗原色先验对于彩色图像去雾效果比较明显， 图像中的特征得到很好的增强， 使人们能够很好的观测图

30、像给予的信息，并作出正确的判断。暗原色先验明显的去除雾的干扰，提高图像的清晰度，增强图像色彩和细节，复原得到高质量的图像。虽然原始图像受雾影响模糊不清、颜色不真实的图像，但经过暗通道先验算法处理后在细节上更清晰，颜色更真实，视觉效果更令人满意。这种算法适合以上各种场景的图像去雾，无论雾的分布均匀与否，雾的浓度薄或浓，场景中深度变坏如何，都能有效地去除图像中雾，有效地提高了图像的清晰度。从而很大程度上提高了雾天的能见度。但是直方图均衡化优点对去雾图像没有要求去雾后的图像或为灰缺点色图像或产生颜色失真，去雾效果不稳定暗通道先验不仅在物理上有效，而且能够处理包括在雾浓度很大情况下的远距离物体；可以减

31、小无雾区域的变样得到的去雾图像比较暗，无法处理大面积天空或类似区域该算法存在一定的局限性， 暗原色先验是一种统计的结果， 是对大量户外无雾照片的统计结果，如果目标场景内在的就和大气光类似，比如雪地、白色背景墙、大海等，则由于前提条件就不正确，因此一般无法获得满意的效果，而对于一般的风景照片这个算法能处理的不错。 另外， 由于景物退化与场景深度呈非线性关系， 由此带来的最大问题是很难保证建立的景物退化模型的正确性和宽适性。目前，大多数的图像复原方法都建立在大气散射模型的基础上，并受到了此类模型的限制。七、思考与感悟本次设计课程共历时五个半天，在这不算长的时间里，小组内的每一个成员都热情参与， 积

32、极配合。 这是一个很好的团队， 也展现出非常强大的力量，大家分工明确，各展所长。虽然过程中也遇到了一些困难和问题，但在大家的齐心协力下也逐一得到解决。本次实验中主要从图像增强和图像复原的两个角度，进行图像去雾处理，采用了直方图均衡和暗通道的方法。 其重点主要放在暗通道的实验原理和结果分析中的参数影响上， 并在观察实验结果的过程中发现了一些问题， 有的解决了，例如对透射率细化的设计理解，有的没有解决，例如雪景和天空去雾的图像的颜色变化和块状噪声。在不断采用设计验证实验的过程中收获了很多知识，感觉很满足。生活中采集到的图像还会有很多不完美的地方例如畸变、旋转、间断、雾霾、亮度不合适等等，这就需要通

33、过一系列手段来对图像进行处理，本次实验对有雾污染的图像进行了处理，希望以后还会有机会在这个优秀的团队进行相关的研究。八、附录(源代码)1、aft.m%利用直方图均衡化去雾%=closeall;clearall;课程设计图片2.bmp);%对饱和度与亮度进行直方图均衡处理%h：色度%s：饱和度%v：亮度hsv=rgb2hsv(wu);wu1=rgb2gray(wu);h=hsv(:,:,1);s=hsv(:,:,2);v=hsv(:,:,3);S=histeq(s);V=histeq(v);result_hsv=hsv2rgb(h,S,V);result_hsv1=rgb2gray(result

34、_hsv);%对RGB每个通道进行直方图均衡处理%R:红色%G:绿色%B:蓝色r=wu(:,:,1);g=wu(:,:,2);b=wu(:,:,3);R=histeq(r);G=histeq(g);B=histeq(b);result_rgb=cat(3,R,G,B);%BRGB三个分量放入一个矩阵result_rgb1=rgb2gray(result_rgb);%对YCbCr的亮度进行直方图均衡处理%y：颜色的亮度，%Cb：蓝色的浓度偏移成分%Cr：红色的浓度偏移成分ycbcr=rgb2ycbcr(wu);y=ycbcr(:,:,1);cb=ycbcr(:,:,2);cr=ycbcr(:,:

35、,3);Y=histeq(y);result_ycbcr=ycbcr2rgb(cat(3,Ycb,cr);%将RGB三个分量放入一个矩阵result_ycbcr1=rgb2gray(result_ycbcr);%将京色图像转换为灰度图像京，再做直方图均衡处理whole=rgb2gray(wu);W=histeq(whole);%结果显示figure(1)subplot(2,2,1),imshow(wu),title(原始图像)subplot(2,2,2),imshow(result_hsv),title(HSV)subplot(2,2,3),imhist(wu1);subplot(2,2,4)

36、,imhist(result_hsv1);figure(2)subplot(2,2,1),imshow(wu),title(原始图像)subplot(2,2,2),imshow(result_rgb),title(RGB)subplot(2,2,3),imhist(wu1);subplot(2,2,4),imhist(result_rgb1);figure(3)subplot(2,2,1),imshow(wu),title(原始图像)subplot(2,2,2),imshow(result_ycbcr),title(YCbCr)subplot(2,2,3),imhist(wu1);subplo

37、t(2,2,4),imhist(result_ycbcr1);figure(4)subplot(2,2,1),imshow(wu),title(原始图像)subplot(2,2,2),imshow(W),title(灰度图像直方图均衡化)subplot(2,2,3),imhist(wu1);subplot(2,2,4),imhist(W);2、antongd.m%暗通道去雾算法%=%暗原色去雾算法是建立在户外自然场景暗通道优先法则的基础上的去雾方法%其实就是解一个方程：I(x)=J(x)t(x)+A(1-t(x)%其中I(x)是受到雾气污染的图像，J(x)是我们需要求的去雾后的图像%t(x)是

38、天空中云层的透射分布率，A是天空的亮度%=closeall;clearall;课程设计图片2.bmp);%原始图像I=double(img_name)/255;h,w,c=size(I);%获取图像大小w0=0.95;%去雾系数dehaze=zeros(h,w,c);%初始化结果图像win_dark=zeros(h,w);%初始化暗影通道图像%计算暗通道%将三个通道中最暗的值赋给win_dark(i,j),使得三维图变成了二维图fori=1:hforj=1:wwin_dark(i,j)=min(I(i,j,:);endendwin_dark=ordfilt2(win_dark,1,ones(9

39、,9),symmetric);%9*9最小值滤波%计算大气亮度Adark_channel=win_dark;A=max(max(dark_channel);i0,j0=find(dark_channel=A);i=i0(1);j=j0(1);A=mean(I(i,j,:);%计算透射率t(x)transmission=1-w0*win_dark/A;%透射率预估gray_I=I(:,:,3);%这里gray_I可以是RGB图像中任何一个通道p=transmission;%透射率图r=50;eps=10A-3;transmission_filter=guidedfilter(gray_I,p,r

40、,eps);%用guidedfilter对trasmissionmap做softmatting获得更为精细的透射率图t0=0.1;%设置阈值t1=max(t0,transmission_filter);%fori=1:cforj=1:hforl=1:wdehaze(j,l,i)=(I(j,l,i)-A)/t1(j,l)+A;%无雾图像恢复endendend%显示图像figuresubplot(121)imshow(win_dark);title(暗通道)subplot(122)imshow(t1);title(透射率图)figuresubplot(121)imshow(I);title(去雾前)subplot(122)imshow(dehaze);title(去雾后)3、guidedfilter.m%guidedfilter(导向滤波函数)%=%引导图：I(灰度图/单通道图像)%输入图像：p(灰度图/单通道图像)%本地窗口半径：r%正规化参数：eps%=functionq=guidedfilter(I,p,r,eps)