复杂天气条件下图像清晰化技术研究

发布时间：2020-08-04 10:27

【摘要】：在雾霾等复杂天气条件下,大气光受到空气中微小粒子的散射作用使得参与成像的光发生衰减,导致所获取图像的对比度降低,图像质量下降。不仅严重影响了图像的视觉效果还增加特征信息提取的难度。严重时,使得户外监视系统无法正常运行。因此,研究复杂天气下图像清晰化处理技术具有重要的现实意义。现有的雾霾图像清晰化技术主要分为两大类:基于非物理模型的图像增强技术和基于物理模型的图像复原算法。图像增强方法仅从低对比度和低亮度特征出发,按照特定需求突出图像中感兴趣的部分信息,同时抑制不需要的信息,算法实时性高,应用范围广,但易造成图像颜色失真;而图像复原方法是从雾霾成像的物理机理出发,尽可能利用先验信息,求解模型参数,以获取清晰图像。这种方法去雾,图像纹理细节复原较好,但算法复杂度高,图像亮度和色度低。因此,在雾霾图像清晰化处理过程中,不仅要兼顾图像增强程度和细节信息恢复的问题,还要关注去雾后图像颜色失真的问题。基于以上认识,针对上述两类去雾方法存在的问题,提出了改进的清晰化处理方法,我们主要做了以下研究工作:通过深入分析已有两类去雾模型存在的不足,我们提出了一种改进的基于线性模型参数优化搜索的去雾方法。首先,从模型机理上着手,根据两类方法原理的线性本质,并考虑图像获取过程中的噪声影响,给出了统一的线性模型描述形式。进而,在模型方程的求解问题上,借助估计参数的先验,充分利用遗传算法自身具有的寻优能力,将雾霾图像的复原问题转化为对原始未退化图像的参数最优估计问题,实现对模型参数的最优搜索。最后,将最优参数带入线性模型方程并且复原出最佳去雾图像。实验结果表明,该算法处理后的图像边缘细节清晰、场景自然、颜色信息丰富。通过对已有去雾方法效果的比对,并对其进行图像质量评价。针对不同类别雾霾图像清晰化效果存在的普适性差问题,我们提出了一种基于清晰度判决的自适应单幅图像去雾算法。首先,对输入图像计算清晰度判决函数并将雾霾图像分类。进而自适应调用去雾算法依次进行去雾处理。为了使去雾图像的色度和对比度均能达到最优,这里我们对图像质量评价结果引入编码决策方法。最后,输出多种方法结果比较的最优结果,实现去雾系统的整体最优化。实验结果表明,经该算法去雾后图像对比度高,视觉效果好,算法普适性强,该算法能够很好的实现雾霾图像清晰化。
【学位授予单位】：河南工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41
【图文】：

直方图均衡化

(c)HE 算法结果 (d)直方图均衡化直方图图 6 直方图均衡化处理从图 6 可以看出，通过直方图均衡化方法可以增强图像对比度，然而也存在一些缺点。直方图变换后的图像灰度级数量减少，使得图像的某些局部细节信息丢失，经过处理后像素数量较多的灰度级容易出现过增强现象。2.4.2 自适应直方图均衡化方法自适应直方图均衡化算法(Adaptive Histogram Equalization, AHE)通过计算图像局部区域的直方图，并对该区域的直方图进行均衡化处理，使得图像局部像素灰度重新分布，最终输出一幅效果较佳的增强图像。该算法对直方图均衡化方法进行改进，其目的是充分利用图像的局部信息，达到改善图像对比度，增强视觉效果。直方图均衡化算法使用一种单一的直方图变换函数对整幅图像进行全局变换。该方法针对像素分布不均匀的部分图像效果不佳，自适应直方图均衡化算法通过对局部区域执行相应的直方图均衡化处

直方图,直方图均衡化,区域选择,直方图

镜像填充处理，然后对填充后的整个区域采用直方图均衡化处理。上图中蓝色区域和绿色区域位于图像内部可直接利用直方图均衡化方法进行处理。另外，局部区域大小的选择也是一个制约算法性能的决定性参数，区域选择小，则对比度高，区域选择大，则对比度低。当某个区域内包含的像素值非常相似时直方图上像素增多，变换后的直方图将会出现某些灰度级上像素数量剧增。这将导致经过直方图均衡化处理后，部分灰度级变化缓慢的区域的像素伴随少量噪音过度放大，如图 8 所示。(a)原图像 (b)原图直方图

直方图,直方图,方式,斜度

河南工业大学硕士学位论文法的基础上进行改进，主要是将其图像直方图进行限幅处理，主要针对每个子增强之后的直方图进行限幅处理。变换函数的斜度决定像素值周边对比度的放大与否。利用预先定义的阀值来裁。这样即可以限制累计分布函数的斜度又可以限制变换函数的斜度。一般情况直方图时容易忽略掉一些超过裁剪限幅的部分，这样会使图像信息量减少，需掉的部分均匀的补充到整个灰度分布直方图上，如图 9 所示。

【相似文献】