MATLAB典型去雾算法代码教学总结Word格式.docx

MATLAB典型去雾算法代码教学总结Word格式.docx

《MATLAB典型去雾算法代码教学总结Word格式.docx》由会员分享，可在线阅读，更多相关《MATLAB典型去雾算法代码教学总结Word格式.docx（16页珍藏版）》请在冰豆网上搜索。

1.3.2基于Retinex理论的图像增强的基本步骤

步骤一:

利用取对数的方法将照射光分量和反射光分量分离，即：

S＇（x,y）=r（x,y）+l（x,y）=log（R（x,y））+log（L（x,y））；

步骤二：

用高斯模板对原图像做卷积，即相当于对原图像做低通滤波，得到低通滤波后的图像D（x,y），F（x,y）表示高斯滤波函数：

D（x,y）=S（x,y）*F（x,y）；

步骤三：

在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G（x,y）：

G（x,y）=S＇（x,y）-log（D（x,y）） 

；

步骤四：

对G（x,y）取反对数，得到增强后的图像R（x,y）：

R（x,y）=exp（G（x,y））；

步骤五：

对R（x,y）做对比度增强，得到最终的结果图像。

1.3.3多尺度Retinex算法

DJobson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的输出，表示3个颜色谱带，是高斯滤波函数，表示尺度的权重因子，表示使用尺度的个数，=3，表示彩色图像，。

=1，表示灰度图像。

从公式中可以看出：

MSR算法的特点是能产生包含色调再现和动态范围压缩这两个特性的输出图像。

在MSR算法的增强过程中，图像可能会因为增加了噪声而造成对图像中的局部区域色彩失真，使得物体的真正颜色效果不能很好的显现出来，从而影响了整体视觉效果。

为了弥补这个缺点，一般情况下会应用带色彩恢复因子C的多尺度算法（MSRCR）来解决。

带色彩恢复因子C的多尺度算法（MSRCR）]是在多个固定尺度的基础上考虑色彩不失真恢复的结果，在多尺度Retinex算法过程中，我们通过引入一个色彩因子C来弥补由于图像局部区域对比度增强而导致图像颜色失真的缺陷，通常情况下所引入的色彩恢复因子C的表达式为

其中,表示第个通道的色彩恢复系数，它的作用是用来调节3个通道颜色的比例，表示的是颜色空间的映射函数。

带色彩恢复的多尺度Retinex算法（MSRCR）通过色彩恢复因子C这个系数来调整原始图像中三个颜色通道之间的比例关系，从而通过把相对有点暗的区域的信息凸显出来，以达到消除图像色彩失真的缺陷。

处理后的图像局域对比度提高，而且它的亮度与真实的场景很相似，图像在人们视觉感知下显得极其逼真。

因此，MSR算法具有较好的颜色再现性、亮度恒常性以及动态范围压缩等特性。

1.3.4例程精讲

例程1.3.1是基于Retinex理论进行雾霭天气增强的MATLAB程序，读者可结合程序及注释对基于Retinex理论进行雾霭天气增强的基本原理进行进一步分析，该程序的运行结果如图1.3-2所示。

例程1.3.1

****************************************************************************************

clear;

closeall;

%读入图像

I=imread（'

wu.png'

）;

%取输入图像的R分量

R=I（:

:

1）;

[N1,M1]=size（R）;

%对R分量进行数据转换,并对其取对数

R0=double（R）;

Rlog=log（R0+1）;

%对R分量进行二维傅里叶变换

Rfft2=fft2（R0）;

%形成高斯滤波函数

sigma=250;

F=zeros（N1,M1）;

fori=1:

N1

forj=1:

M1

F（i,j）=exp（-（（i-N1/2）^2+（j-M1/2）^2）/（2*sigma*sigma））;

end

end

F=F./（sum（F（:

）））;

%对高斯滤波函数进行二维傅里叶变换

Ffft=fft2（double（F））;

%对R分量与高斯滤波函数进行卷积运算

DR0=Rfft2.*Ffft;

DR=ifft2（DR0）;

%在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像

DRdouble=double（DR）;

DRlog=log（DRdouble+1）;

Rr=Rlog-DRlog;

%取反对数，得到增强后的图像分量

EXPRr=exp（Rr）;

%对增强后的图像进行对比度拉伸增强

MIN=min（min（EXPRr））;

MAX=max（max（EXPRr））;

EXPRr=（EXPRr-MIN）/（MAX-MIN）;

EXPRr=adapthisteq（EXPRr）;

%取输入图像的G分量

G=I（:

2）;

[N1,M1]=size（G）;

%对G分量进行数据转换,并对其取对数

G0=double（G）;

Glog=log（G0+1）;

%对G分量进行二维傅里叶变换

Gfft2=fft2（G0）;

%对G分量与高斯滤波函数进行卷积运算

DG0=Gfft2.*Ffft;

DG=ifft2（DG0）;

DGdouble=double（DG）;

DGlog=log（DGdouble+1）;

Gg=Glog-DGlog;

EXPGg=exp（Gg）;

MIN=min（min（EXPGg））;

MAX=max（max（EXPGg））;

EXPGg=（EXPGg-MIN）/（MAX-MIN）;

EXPGg=adapthisteq（EXPGg）;

%取输入图像的B分量

B=I（:

3）;

[N1,M1]=size（B）;

%对B分量进行数据转换,并对其取对数

B0=double（B）;

Blog=log（B0+1）;

%对B分量进行二维傅里叶变换

Bfft2=fft2（B0）;

%对B分量与高斯滤波函数进行卷积运算

DB0=Gfft2.*Ffft;

DB=ifft2（DB0）;

DBdouble=double（DB）;

DBlog=log（DBdouble+1）;

Bb=Blog-DBlog;

EXPBb=exp（Bb）;

MIN=min（min（EXPBb））;

MAX=max（max（EXPBb））;

EXPBb=（EXPBb-MIN）/（MAX-MIN）;

EXPBb=adapthisteq（EXPBb）;

%对增强后的图像R、G、B分量进行融合

I0（:

1）=EXPRr;

2）=EXPGg;

3）=EXPBb;

%显示运行结果

subplot（121）,imshow（I）;

subplot（122）,imshow（I0）;

1.3-2例程1.3.1的运行结果

例程1.3.2是基于Retinex理论进行雾霭天气增强的MATLAB程序，读者可结合程序及注释对基于Retinex理论进行雾霭天气增强的基本原理进行进一步分析，该程序的运行结果如图1.3-3所示。

例程1.3.2

%分别取输入图像的R、G、B三个分量，并将其转换为双精度型

%对R分量进行对数变换

%形成高斯滤波函数（sigma=128）

sigma=128;

Rr0=Rlog-DRlog;

%形成高斯滤波函数（sigma=256）

sigma=256;

%对高斯滤波函数进行二