基于matlab的圖像去霧算法詳細講解與實現(xiàn)-附matlab實現(xiàn)源代碼

1、精選優(yōu)質(zhì)文檔-傾情為你奉上本文主要介紹基于Retinex理論的霧靄天氣圖像增強及其實現(xiàn)。并通過編寫兩個程序來實現(xiàn)圖像的去霧功能。1 Rentinex理論Retinex（視網(wǎng)膜“Retina”和大腦皮層“Cortex”的縮寫）理論是一種建立在科學實驗和科學分析基礎上的基于人類視覺系統(tǒng)（Human Visual System）的圖像增強理論。該算法的基本原理模型最早是由Edwin Land（埃德溫蘭德）于1971年提出的一種被稱為的色彩的理論，并在顏色恒常性的基礎上提出的一種圖像增強方法。Retinex 理論的基本內(nèi)容是物體的顏色是由物體對長波（紅）、中波（綠）和短波（藍）光線的反射能力決定的，而

2、不是由反射光強度的絕對值決定的；物體的色彩不受光照非均性的影響，具有一致性，即Retinex理論是以色感一致性（顏色恒常性）為基礎的。根據(jù)Edwin Land提出的理論，一幅給定的圖像S(x,y)分解成兩幅不同的圖像：反射物體圖像R(x,y)和入射光圖像L(x,y)，其原理示意圖如圖8.3-1所示。圖-1 Retinex理論示意圖對于觀察圖像S中的每個點(x,y)，用公式可以表示為： S(x,y)=R(x,y)×L(x,y) （1.3.1）實際上，Retinex理論就是通過圖像S來得到物體的反射性質(zhì)R，也就是去除了入射光L的性質(zhì)從而得到物體原本該有的樣子。2 基于Retinex理論的

3、圖像增強的基本步驟步驟一: 利用取對數(shù)的方法將照射光分量和反射光分量分離，即：S(x, y)=r(x, y)+l(x, y)=log(R(x, y)+log(L(x, y)；步驟二：用高斯模板對原圖像做卷積，即相當于對原圖像做低通濾波，得到低通濾波后的圖像D(x,y)，F(xiàn)（x, y）表示高斯濾波函數(shù)：D(x, y)=S(x, y) *F（x, y）；步驟三：在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的圖像G（x, y）： G(x,y)=S(x, y)-log(D(x, y) ；步驟四：對G(x,y)取反對數(shù)，得到增強后的圖像R(x, y)： R(x,

4、y)=exp(G(x, y)；步驟五：對R(x,y)做對比度增強，得到最終的結(jié)果圖像。3 多尺度Retinex算法 D Jobson等人提出了多尺度Retinex算法，多尺度算法的基本公式是： 其中，是Retinex的輸出，表示3個顏色譜帶，是高斯濾波函數(shù)，表示尺度的權重因子，表示使用尺度的個數(shù)，=3，表示彩色圖像，。=1，表示灰度圖像。從公式中可以看出：MSR算法的特點是能產(chǎn)生包含色調(diào)再現(xiàn)和動態(tài)范圍壓縮這兩個特性的輸出圖像。 在MSR算法的增強過程中，圖像可能會因為增加了噪聲而造成對圖像中的局部區(qū)域色彩失真，使得物體的真正顏色效果不能很好的顯現(xiàn)出來，從而影響了整體視覺效果。為了彌補這個缺點，

5、一般情況下會應用帶色彩恢復因子C的多尺度算法（MSRCR）來解決。帶色彩恢復因子C的多尺度算法(MSRCR)是在多個固定尺度的基礎上考慮色彩不失真恢復的結(jié)果，在多尺度Retinex算法過程中，我們通過引入一個色彩因子C來彌補由于圖像局部區(qū)域?qū)Ρ榷仍鰪姸鴮е聢D像顏色失真的缺陷，通常情況下所引入的色彩恢復因子C的表達式為其中,表示第個通道的色彩恢復系數(shù)，它的作用是用來調(diào)節(jié)3個通道顏色的比例，表示的是顏色空間的映射函數(shù)。帶色彩恢復的多尺度Retinex算法（MSRCR）通過色彩恢復因子C這個系數(shù)來調(diào)整原始圖像中三個顏色通道之間的比例關系，從而通過把相對有點暗的區(qū)域的信息凸顯出來，以達到消除圖像色彩失

6、真的缺陷。處理后的圖像局域?qū)Ρ榷忍岣撸宜牧炼扰c真實的場景很相似，圖像在人們視覺感知下顯得極其逼真。因此，MSR算法具有較好的顏色再現(xiàn)性、亮度恒常性以及動態(tài)范圍壓縮等特性。4 例程精講例程1是基于Retinex理論進行霧靄天氣增強的MATLAB程序，讀者可結(jié)合程序及注釋對基于Retinex理論進行霧靄天氣增強的基本原理進行進一步分析，該程序的運行結(jié)果如圖-2所示。例程1：clear;close all;% 讀入圖像I=imread('wu.png');% 取輸入圖像的R分量R=I(:,:,1);N1,M1=size(R);% 對R分量進行數(shù)據(jù)轉(zhuǎn)換,并對其取對數(shù)R0=doub

7、le(R);Rlog=log(R0+1);% 對R分量進行二維傅里葉變換Rfft2=fft2(R0);% 形成高斯濾波函數(shù)sigma=250;F = zeros(N1,M1);for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:);% 對高斯濾波函數(shù)進行二維傅里葉變換Ffft=fft2(double(F);% 對R分量與高斯濾波函數(shù)進行卷積運算DR0=Rfft2.*Ffft;DR=ifft2(DR0);% 在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的

8、圖像DRdouble=double(DR);DRlog=log(DRdouble+1);Rr=Rlog-DRlog;% 取反對數(shù)，得到增強后的圖像分量EXPRr=exp(Rr);% 對增強后的圖像進行對比度拉伸增強MIN = min(min(EXPRr);MAX = max(max(EXPRr);EXPRr = (EXPRr-MIN)/(MAX-MIN);EXPRr=adapthisteq(EXPRr);% 取輸入圖像的G分量G=I(:,:,2);N1,M1=size(G);% 對G分量進行數(shù)據(jù)轉(zhuǎn)換,并對其取對數(shù)G0=double(G);Glog=log(G0+1);% 對G分量進行二維傅里葉

9、變換Gfft2=fft2(G0);% 形成高斯濾波函數(shù)sigma=250;for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:);% 對高斯濾波函數(shù)進行二維傅里葉變換Ffft=fft2(double(F);% 對G分量與高斯濾波函數(shù)進行卷積運算DG0=Gfft2.*Ffft;DG=ifft2(DG0);% 在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的圖像DGdouble=double(DG);DGlog=log(DGdouble+1);Gg=Glog

10、-DGlog;% 取反對數(shù)，得到增強后的圖像分量EXPGg=exp(Gg);% 對增強后的圖像進行對比度拉伸增強MIN = min(min(EXPGg);MAX = max(max(EXPGg);EXPGg = (EXPGg-MIN)/(MAX-MIN);EXPGg=adapthisteq(EXPGg);% 取輸入圖像的B分量B=I(:,:,3);N1,M1=size(B);% 對B分量進行數(shù)據(jù)轉(zhuǎn)換,并對其取對數(shù)B0=double(B);Blog=log(B0+1);% 對B分量進行二維傅里葉變換Bfft2=fft2(B0);% 形成高斯濾波函數(shù)sigma=250;for i=1:N1 for

11、 j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:);% 對高斯濾波函數(shù)進行二維傅里葉變換Ffft=fft2(double(F);% 對B分量與高斯濾波函數(shù)進行卷積運算DB0=Gfft2.*Ffft;DB=ifft2(DB0);% 在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的圖像DBdouble=double(DB);DBlog=log(DBdouble+1);Bb=Blog-DBlog;EXPBb=exp(Bb);% 對增強后的圖像進行對比度拉伸增強MIN = min(mi

12、n(EXPBb);MAX = max(max(EXPBb);EXPBb = (EXPBb-MIN)/(MAX-MIN);EXPBb=adapthisteq(EXPBb);% 對增強后的圖像R、G、B分量進行融合I0(:,:,1)=EXPRr;I0(:,:,2)=EXPGg;I0(:,:,3)=EXPBb;% 顯示運行結(jié)果subplot(121),imshow(I);subplot(122),imshow(I0);*圖-2 例程1的運行結(jié)果例程2是基于Retinex理論進行霧靄天氣增強的MATLAB程序，讀者可結(jié)合程序及注釋對基于Retinex理論進行霧靄天氣增強的基本原理進行進一步分析，該程序

13、的運行結(jié)果如圖-3所示。例程2：*clear;close all;I=imread('wu.png');% 分別取輸入圖像的R、G、B三個分量，并將其轉(zhuǎn)換為雙精度型R=I(:,:,1);G=I(:,:,2);B=I(:,:,3);R0=double(R);G0=double(G);B0=double(B); N1,M1=size(R);% 對R分量進行對數(shù)變換Rlog=log(R0+1);% 對R分量進行二維傅里葉變換Rfft2=fft2(R0);% 形成高斯濾波函數(shù)（sigma=128）sigma=128;F = zeros(N1,M1);for i=1:N1 for j=1

14、:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:);% 對高斯濾波函數(shù)進行二維傅里葉變換Ffft=fft2(double(F);% 對R分量與高斯濾波函數(shù)進行卷積運算DR0=Rfft2.*Ffft;DR=ifft2(DR0);% 在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的圖像DRdouble=double(DR);DRlog=log(DRdouble+1);Rr0=Rlog-DRlog;% 形成高斯濾波函數(shù)（sigma=256）sigma=256;F = zeros(N1,M1)

15、;for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:);% 對高斯濾波函數(shù)進行二維傅里葉變換Ffft=fft2(double(F);% 對R分量與高斯濾波函數(shù)進行卷積運算DR0=Rfft2.*Ffft;DR=ifft2(DR0);% 在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的圖像DRdouble=double(DR);DRlog=log(DRdouble+1);Rr1=Rlog-DRlog;% 形成高斯濾波函數(shù)（sigma=512）sigma=5

16、12; F = zeros(N1,M1);for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:);% 對高斯濾波函數(shù)進行二維傅里葉變換Ffft=fft2(double(F);% 對R分量與高斯濾波函數(shù)進行卷積運算DR0=Rfft2.*Ffft;DR=ifft2(DR0);% 在對數(shù)域中，用原圖像減去低通濾波后的圖像，得到高頻增強的圖像DRdouble=double(DR);DRlog=log(DRdouble+1);Rr2=Rlog-DRlog;% 對上述三次增

17、強得到的圖像取均值作為最終增強的圖像Rr=(1/3)*(Rr0+Rr1+Rr2); % 定義色彩恢復因子Ca=125;II=imadd(R0,G0);II=imadd(II,B0);Ir=immultiply(R0,a);C=imdivide(Ir,II);C=log(C+1); % 將增強后的R分量乘以色彩恢復因子，并對其進行反對數(shù)變換Rr=immultiply(C,Rr);EXPRr=exp(Rr);% 對增強后的R分量進行灰度拉伸 MIN = min(min(EXPRr);MAX = max(max(EXPRr);EXPRr = (EXPRr-MIN)/(MAX-MIN);EXPRr=a

18、dapthisteq(EXPRr); N1,M1=size(G);% 對G分量進行處理，步驟與對R分量處理的步驟相同，請讀者仿照R分量處理的步驟進行理解。G0=double(G);Glog=log(G0+1); Gfft2=fft2(G0);sigma=128;F = zeros(N1,M1);for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:); Ffft=fft2(double(F); DG0=Gfft2.*Ffft;DG=ifft2(DG0); DGdo

19、uble=double(DG);DGlog=log(DGdouble+1);Gg0=Glog-DGlog; sigma=256; F = zeros(N1,M1);for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:); Ffft=fft2(double(F); DG0=Gfft2.*Ffft;DG=ifft2(DG0); DGdouble=double(DG);DGlog=log(DGdouble+1);Gg1=Glog-DGlog; sigma=512; F

20、 = zeros(N1,M1);for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:); Ffft=fft2(double(F); DG0=Gfft2.*Ffft;DG=ifft2(DG0); DGdouble=double(DG);DGlog=log(DGdouble+1);Gg2=Glog-DGlog; Gg=(1/3)*(Gg0+Gg1+Gg2); a=125;II=imadd(R0,G0);II=imadd(II,B0);Ir=immultiply(R0

21、,a);C=imdivide(Ir,II);C=log(C+1); Gg=immultiply(C,Gg); EXPGg=exp(Gg); MIN = min(min(EXPGg);MAX = max(max(EXPGg);EXPGg = (EXPGg-MIN)/(MAX-MIN);EXPGg=adapthisteq(EXPGg); % 對B分量進行處理，步驟與對R分量處理的步驟相同，請讀者仿照R分量處理的步驟進行理解。 N1,M1=size(B); B0=double(B);Blog=log(B0+1); Bfft2=fft2(B0);sigma=128; F = zeros(N1,M1);

22、for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(:); Ffft=fft2(double(F); DB0=Bfft2.*Ffft;DB=ifft2(DB0); DBdouble=double(DB);DBlog=log(DBdouble+1);Bb0=Blog-DBlog; sigma=256; F = zeros(N1,M1);for i=1:N1 for j=1:M1 F(i,j)=exp(-(i-N1/2)2+(j-M1/2)2)/(2*sigma*sigma); endendF = F./(sum(F(: