最新MATLAB典型去雾算法代码.doc

《最新MATLAB典型去雾算法代码.doc》由会员分享，可在线阅读，更多相关《最新MATLAB典型去雾算法代码.doc（53页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-dateMATLAB典型去雾算法代码MATLAB典型去雾算法代码本节主要介绍基于Retinex理论的雾霭天气图像增强及其实现。1.3.1 Rentinex理论Retinex（视网膜“Retina”和大脑皮层“Cortex”的缩写）理论是一种建立在科学实验和科学分析基础上的基于人类视觉系统（Human Visual System）的图像增强理论。该算法的基本原理模型最早是由Ed

2、win Land（埃德温兰德）于1971年提出的一种被称为的色彩的理论，并在颜色恒常性的基础上提出的一种图像增强方法。Retinex 理论的基本内容是物体的颜色是由物体对长波（红）、中波（绿）和短波（蓝）光线的反射能力决定的，而不是由反射光强度的绝对值决定的；物体的色彩不受光照非均性的影响，具有一致性，即Retinex理论是以色感一致性（颜色恒常性）为基础的。根据Edwin Land提出的理论，一幅给定的图像S(x,y)分解成两幅不同的图像：反射物体图像R(x,y)和入射光图像L(x,y)，其原理示意图如图8.3-1所示。图 1.3-1 Retinex理论示意图对于观察图像S中的每个点(x,y

3、)，用公式可以表示为： S(x,y)=R(x,y)L(x,y) （1.3.1）实际上，Retinex理论就是通过图像S来得到物体的反射性质R，也就是去除了入射光L的性质从而得到物体原本该有的样子。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

4、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 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

5、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

6、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

7、1.3.1*clear;close all;% 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);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(:);% 对高斯滤波函数进

8、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=adapthis

9、teq(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);% 形成高斯滤波函数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(:);% 对高斯滤波函数进行二维傅里叶变换Ffft=fft2(double(F);% 对G分量与高斯滤波函数进行卷积运算DG0=

10、Gfft2.*Ffft;DG=ifft2(DG0);% 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DGdouble=double(DG);DGlog=log(DGdouble+1);Gg=Glog-DGlog;% 取反对数，得到增强后的图像分量EXPGg=exp(Gg);% 对增强后的图像进行对比度拉伸增强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

11、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);% 形成高斯滤波函数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(:);% 对高斯滤波函数进行二维傅里叶变换Ffft=fft2(double(F);% 对B分量与高斯滤波函数进行卷积运算DB0=Gfft2.*Ffft;DB=ifft2(DB0);% 在对数域中，用原图像减去低通滤波后的图像，得到

12、高频增强的图像DBdouble=double(DB);DBlog=log(DBdouble+1);Bb=Blog-DBlog;EXPBb=exp(Bb);% 对增强后的图像进行对比度拉伸增强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;I0(:,:,2)=EXPGg;I0(:,:,3)=EXPBb;% 显示运行结果subplot(121),imshow(I);subplot(1

13、22),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*clear;close all;I=imread(wu.png);% 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R=I(:,:,1);G=I(:,:,2);B=I(:,:,3);R0=double(R);G0=double(G);B0=double(B); N1,M1=size(R);% 对R分量进行对数

14、变换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=128）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(:);% 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，

15、得到高频增强的图像DRdouble=double(DR);DRlog=log(DRdouble+1);Rr0=Rlog-DRlog;% 形成高斯滤波函数（sigma=256）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(:);% 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

16、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);Rr1=Rlog-DRlog;% 形成高斯滤波函数（sigma=512）sigma=512; 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(:);% 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.*Fff

17、t;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);Rr2=Rlog-DRlog;% 对上述三次增强得到的图像取均值作为最终增强的图像Rr=(1/3)*(Rr0+Rr1+Rr2); % 定义色彩恢复因子Ca=125;II=imadd(R0,G0);II=imadd(II,B0);Ir=immultiply(R0,a);C=imdivide(Ir,II);C=log(C+1); % 将增强后的R分量乘以色彩恢复因子，并对其进行反对数变换Rr=immultiply(C,R

18、r);EXPRr=exp(Rr);% 对增强后的R分量进行灰度拉伸 MIN = min(min(EXPRr);MAX = max(max(EXPRr);EXPRr = (EXPRr-MIN)/(MAX-MIN);EXPRr=adapthisteq(EXPRr); N1,M1=size(G);% 对G分量进行处理，步骤与对R分量处理的步骤相同，请读者仿照R分量处理的步骤进行理解。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

19、/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);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

20、(double(F); DG0=Gfft2.*Ffft;DG=ifft2(DG0); DGdouble=double(DG);DGlog=log(DGdouble+1);Gg1=Glog-DGlog; sigma=512; 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);DGl

21、og=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,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); % 对B分量进行处理，步骤与对R分量处

22、理的步骤相同，请读者仿照R分量处理的步骤进行理解。 N1,M1=size(B); B0=double(B);Blog=log(B0+1); Bfft2=fft2(B0);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); DB0=Bfft2.*Ffft;DB=ifft2(DB0); DBdouble=double(DB);DBlog=log(DBdouble+

23、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(:); Ffft=fft2(double(F); DB0=Bfft2.*Ffft;DB=ifft2(DB0); DBdouble=double(DB);DBlog=log(DBdouble+1);Bb1=Blog-DBlog; sigma=512; F = zeros(N1,M1);for i=1:N1 for j=1:

24、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=Rfft2.*Ffft;DB=ifft2(DB0); DBdouble=double(DB);DBlog=log(DBdouble+1);Bb2=Blog-DBlog; Bb=(1/3)*(Bb0+Bb1+Bb2); a=125;II=imadd(R0,G0);II=imadd(II,B0);Ir=immultiply(R0,a);C=imdivide(Ir,II);C=log(C+1); Bb=immultiply(C,Bb);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;I0(:,:,2)=EXPGg;I0(:,:,3)=EXPBb; % 显示运行结果subplot(121),imshow(I);subplot(122),imshow(I0);*1.3-3 例程1.3.2的运行结果-