直方图均衡化去雾算法（直方图均衡化对有些图片不能达到好的效果， 为什么）

本文目录

• 直方图均衡化对有些图片不能达到好的效果， 为什么
• 模糊图像复原方法
• [除去遥感影像薄云雾的探讨]薄薄的云雾
• opencv中有没有提供限制对比度的自适应直方图均衡化

直方图均衡化对有些图片不能达到好的效果， 为什么

我来说一下

首先直方图均衡化的公式为sk对nj/n在j由0到k求和，正如楼主你所说，它所起到的作用是把原本分布不均的灰度直方图在整个灰度级别内均匀分布。

呵呵，一定要抓住这一点，即均衡化是由公式实现的，你想一想，对于一幅很暗的图片，既是它的灰度直方图全都集中在低灰度区，即比如灰度值由0-255，灰度值是2，3，5等的低灰度的频数就会很大，即它们的频率好高，因为这幅画很暗。好，现在咱们把这幅画均衡化，看那个公式的定义，根据公式得来的数据，即均衡化后的直方图中，低灰度区，比如5这一灰度级所对应的频数是不是很大，因为现在的是把原图中低灰度区，即正如上面所假设的2，3，5这些频率很大的灰度级相加而得，当然加后所得更大，即在均衡化后，仅5这一点得频数就已经很高，即频数很大，即灰度级很大，可想而知，越往后加，灰度级都很大，对应的，灰度级大了，当然直方图就集中在高灰度区，相应的图像就发白或很亮。特别亮的也是一个道理。

对于这种情况，应该用直方图规定化（匹配）来处理。

对于马赛克，很简单，你想想，先画一个8*8格，拿不同深度的铅笔，比如H，2H，B，2B之类的，你想在只拿一种深度的把四个格都涂满，是不是黑乎乎一片，然后拿两种笔涂，是不是有了区别。你用的铅笔深度种类越多，整个格所构成的图画细节越明显。同理，当你把很暗的图均衡化后，灰度级别都集中在高灰度区，就相当于笔的种类很少来画这幅画，当然也有马赛克。

给你截的图是均衡化后的，你仔细想想．

呵呵

模糊图像复原方法

图像复原-模糊图像处理解决方案机器视觉智能检测 2017-06-16造成图像模糊的原因有很多，且不同原因导致的模糊图像需要不同的方法来进行处理。从技术方面来讲，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。本文将从这三方面切入剖析。　　智能化设备管理技术是利用系统管理平台软件的设备管理服务，对所有的监控设备包括摄像机、云台、编码器和系统服务器进行不间断的实时监测，当发现故障时能及时通过各种方式告警，提示维护人员及时处置。一个系统可以按照网络拓扑结构部署多台设备管理服务器，分区域对设备进行实时的巡检，这样可以大大提高系统的维护效率，尽可能做到在设备发生故障时，在不超过10分钟的时间内被监测到并告警。　　建设目标　　本方案拟应用先进的机器学习和计算机视觉技术，仿真人类的视觉系统，针对某市公共安全图像资源前端摄像头出现的雪花、滚屏、模糊、偏色、画面冻结、增益失衡和云台失控等常见摄像头故障以及恶意遮挡和破坏监控设备的不法行为做出准确判断，并自动记录所有的检测结果，生成报表。以便用户轻松维护市公共安全图像资源系统。　　技术路线　　将视频故障分成视频信号缺失、视频清晰度异常、视频亮度异常、视频噪声、视频雪花、视频偏色、画面冻结、PTZ运动失控八种类型。其中视频信号缺失、随着“平安城市”的广泛建设，各大城市已经建有大量的视频监控系统，虽然监控系统己经广泛地存在于银行、商场、车站和交通路口等公共场所，但是在公安工作中，由于设备或者其他条件的限制，案情发生后的图像回放都存在图像不清晰，数据不完整的问题，无法为案件的及时侦破提供有效线索。经常出现嫌疑人面部特征不清晰、难以辨认、嫌疑车辆车牌模糊无法辨认等问题，这给公安部门破案、法院的取证都带来了极大的麻烦。随着平安城市的推广、各地各类监控系统建设的进一步推进，此类问题将会越来越凸显。　　模糊图像产生的原因　　造成图像模糊的原因很多，聚焦不准、光学系统的像差、成像过程中的相对运动、大气湍流效应、低光照、环境随机噪声等都会导致图像模糊。另外图像的编解码、传输过程都可能导致图像的进一步模糊。总体来说，造成图像模糊的主要原因如下：　　· 镜头聚焦不当、摄像机故障等;　　· 传输太远、视频线老化、环境电磁干扰等;　　· 摄像机护罩视窗或镜头受脏污、受遮挡等;　　· 大雾、沙尘、雨雪等恶劣环境影响;　　· 由视频压缩算法和传输带宽原因导致的模糊;　　· 摄像机分辨率低，欠采样成像;　　· 光学镜头的极限分辨率和摄像机不匹配导致的模糊;　　· 运动目标处于高速运动状态导致的运动模糊等;　　……　　模糊图像常用解决方案　　对于模糊图像处理技术，国内大学和科研机构在多年以前就在研究这些理论和应用，相关文献也发布了不少，已经取得了一些很好的应用。美国 Cognitech软件是相当成熟的一套模糊图像恢复应用软件，在美国FBI及其他执法机构中已有多年实际应用，其恢复出的图像可以直接当作法庭证据使用，可见模糊图像处理技术已经取得了相当的实际应用。　　前面提到，造成图像模糊的原因有很多，要取得比较好的处理效果，不同原因导致的模糊往往需要不同的处理方法。从技术方面来讲，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。　　图像增强　　很多传统图像算法都可以减轻图像的模糊程度，比如图像滤波、几何变换、对比度拉伸、直方图均衡、空间域锐化、亮度均匀化、形态学、颜色处理等。就单个来讲，这些算法都比较成熟，相对简单。但是对于一个具体的模糊图像，往往需要上面的一种或者多种算法组合，配合不同的参数才能达到理想的效果。这些算法和参数的组合进一步发展成为具体的增强算法，比如“图像去雾”算法、“图像去噪”算法、“图像锐化”算法、“图像暗细节增强”算法等等。这些算法都不同程度提高了图像清晰度，很大程度改善了图像质量。　　综合使用形态学、图像滤波和颜色处理等算法可以实现图像去雾的算法，图1是一个去雾算法的实际使用效果，类似的图像增强算法还有很多，不再一一列举。　　图像复原　　图像复原与图像增强技术一样，也是一种改善图像质量的技术。图像复原是根据图像退化的先验知识建立一个退化模型，然后以此模型为基础，采用各种逆退化处理方法逐步进行恢复，从而达到改善图像质量的目的。　　图像复原和图像增强是有区别的，两者的目的都是为了改善图像的质量。但图像增强不考虑图像是如何退化的，只有通过试探各种技术来增强图像的视觉效果，而图像复原就完全不同，需要知道图像退化过程的先验知识，据此找出一种相应的逆过程方法，从而得到复原的清晰图像。图像复原主要取决于对图像退化过程的先验知识所掌握的精确程度。　　对由于离焦、运动、大气湍流等原因引起的图像模糊，图像复原的方法效果较好，常用的算法包括维纳滤波算法、小波算法、基于训练的方法等。图3是使用维纳滤波解决运动模糊图像的例子，取得了很好的复原效果。在知道退化模型的情况下，相对图像增强来说，图像复原可以取得更好的效果。　　　　图像超分辨率重构　　现有的监控系统主要目标为宏观场景的监视，一个摄像机，覆盖一个很大的范围，导致画面中目标太小，人眼很难直接辨认。这类由于欠采样导致的模糊占很大比例，对于由欠采样导致的模糊需要使用超分辨率重构的方法。　　超分辨率复原是通过信号处理的方法，在提高图像的分辨率的同时改善采集图像质量。其核心思想是通过对成像系统截止频率之外的信号高频成分估计来提高图像的分辨率。超分辨率复原技术最初只对单幅图像进行处理，这种方法由于可利用的信息只有单幅图像，图像复原效果有着固有的局限。序列图像的超分辨率复原技术旨在采用信号处理方法通过对序列低分辨率退化图像的处理来获得一幅或者多幅高分辨率复原图像。由于序列图像复原可利用帧间的额外信息，比单幅复原效果更好，是当前的研究热点。　　序列图像的超分辨率复原主要分为频域法和空域法两大类，频域方法的优点是：理论简单，运算复杂度低，缺点是：只局限于全局平移运动和线性空间不变降质模型，包含空域先验知识的能力有限。空域方法所采用的观测模型涉及全局和局部运动、空间可变模糊点扩散函数、非理想亚采样等，而且具有很强的包含空域先验约束的能力。常用的空域法有非均匀插值法、迭代反投影方法（IBP）、凸集投影法（POCS）、最大后验估计法（MAP）、最大似然估计法 （ML）、滤波器法等，其中，MAP和POCS二方法研究较多，发展空间很大。对于具体的算法，不是本文的重点，这里不做详细介绍。图五是一个使用多帧低分辨率图像超分辨率重构的例子。　　模糊图像处理技术的关键和不足　　虽然很多模糊图像的处理方法在实际应用中取得了很好的效果，但是当前仍然有一些因素制约着模糊图像处理的进一步发展，主要如下。　　算法的高度针对性　　绝大部分的模糊图像处理算法只适用于特定图像，而算法本身无法智能决定某个算法模块的开启还是关闭。举例来说，对于有雾的图像，“去雾算法”可以取得很好的处理效果，但是作用于正常图像，反而导致图像效果下降，“去雾算法”模块的打开或者关闭需要人工介入。　　算法参数复杂性　　模糊图像处理里面所有的算法都会包含大量的参数，这些参数的选择需要和实际的图像表现相结合，直接决定最终的处理效果。就目前的算法，还没有办法智能地选择哪些是最优的参数。　　算法流程的经验性　　由于实际图像非常复杂，需要处理多种情况，这就需要一个算法处理流程，对于一个具体的模糊视频，采用什么样的处理流程很难做到自动选择，需要人工选择一个合适的方法，只能靠人的经验。　　结语　　由于环境、线路、镜头、摄像机等影响，监控系统建成并运营一段时间后，都会出现一部分的视频模糊不清的问题。　　总体来说，虽然模糊图像处理算法已经取得了非常广泛的应用，但是图像算法毕竟有局限性，不能将所有问题都寄希望于图像算法，对于不同种类的模糊问题，要区别对待。对于由镜头离焦、灰尘遮挡、线路老化、摄像机故障等造成的模糊或者图像质量下降，在视频诊断系统的帮助下，一定要及时维修，从源头上解决问题。对于低光照等优先选择日夜两用型高感光度摄像机，对于雨雾、运动和欠采样等造成的图像质量下降，可以借助于“视频增强服务器”包含的各种模糊图像处理算法来提升图像质量。　　喜欢此内容的人还喜欢17个教师常用网站推荐给你，再也不用到处找资源了17个教师常用网站推荐给你，再也不用到处找资源了 ...高校教师服务工作室 不喜欢不看的原因确定内容质量低 不看此公众号什么是水磨石？被设计师玩出新高度什么是水磨石？被设计师玩出新高度 ...联盟设计库 不喜欢不看的原因确定内容质量低 不看此公众号

[除去遥感影像薄云雾的探讨]薄薄的云雾

　　摘?要 本文探讨云雾对图像的影响，对相关文献进行了探讨总结，分别介绍了现有的各种薄云薄雾去除方法的主要原理和研究现状等，包括有基于物理模型和基于图像处理的薄雾去除方法，光谱图像去云、图像融合去云、同态滤波去云方法，并讨论了各处理方法的优势和局限。最后，对云雾去除图像处理方法进行了展望，提出了进一步的研究方向。 　　关键词 薄云去除；薄雾去除；遥感图像 　　中图分类号 TN914 文献标识码 A 文章编号 1673-9671-(2012)072-0232-01 　　云和雾的存在使大气能见度降低，使基于遥感平台获取的图像模糊不清，分辨率下降，无法从所获得的图像中获得清晰的地物信息，从而严重影响图像中的信息提取，这将给监测、目标跟踪等方面带来很大的困难。所以，为有效提高图像的运用率，研究怎样有效去除云雾的影响，成为提高图像数据运用率的重要手段。 　　1 云雾对遥感图像的影响 　　云雾都是空气中水汽凝结或者凝华的结果，低层云和雾和其它云类在辐射特性、图像纹理特点等方面具有较明显的相似性，同时也存在一些差异。在可见光黑白云图上，颜色的深浅代表了云雾的反照率的大小，通常深颜色表示云的反照率小；浅颜色则表示云的反照率大1。雾区一般比其它云类显得暗且亮度变化不明显，雾顶光滑，纹理较均匀，边缘也较清晰光滑；而中高层云则显得较亮，并且因为云顶高低起伏较大而显得亮度变化也很大，云中较高处显得十分明亮，较低处则灰暗，其纹理散乱，边界不规则。在红外黑白云图上，深色表示云顶的温度比较高；浅颜色表示云顶的温度比较低。低层云和雾接近地面，温度也基本和地面温度相近，温度较高；显得暗；而中高层云一般比较高，距离地面较远，温度也比较低，显得比较亮。 　　2 薄雾去除处理方法 　　2.1 基于物理模型的薄雾去除方法 　　光散射现象发生在光的传播过程中，当一束光和悬浮在空气中的粒子发生接触时，因为部分光被粒子散射，致使光强被削弱。散射不但跟粒子的大小、形状等粒子特性有关，而且还依赖于光的波长、偏光状态等。McCartney于1975年提出了著名大气散射模型，即在雾天情况下，大气散射模型中起主导作用的是其中的衰减模型和环境光模型。另外，基于物理模型1的复原方法一般需要已知场景深度或者大气条件等先验信息作为复原的前提。在场景深度和精确的大气条件已知时，运用物理模型和图像数据对密性参数进行估计，实现对场景的复原。 　　2.1.1 运用大气调制转移函数方法 　　Ropeikat用一种天气预测大气调制转移函数和景物成像距离的推理估计使由大气所致的退化图像变得清晰。首先对函数进行预测，然后运用大气调制传递函数在频域内对天气退化图像进行复原，通过对景物图像中的衰减进行补偿，就可得到近似良好天气下拍摄的复原图像。 　　2.1.2 基于Mie的大气散射理论方法 　　Oakley基于大气散射理论来对图像的对比度进行复原，这种方法用极大似然估计法估计模型参数衰减辐射量和大气光辐射量，然后运用大气散射理论增强因为散射引起的对比度的降低，使图像得到恢复。 　　Nayar2基于大气散射理论从两幅或者更多幅恶劣天气下的图像中完全复原其对比度。提出一种描绘恶劣天气是怎样影响景色亮度的单色大气散射模型。Narasimhan等提出的二色大气散射模型并基于此来探讨不同天气条件景物的彩色变化。通过2幅或者更多幅恶劣天气条件下图像计算出景物的完整的3D结构并复原出晴朗天气下景物的色彩。Narasimhan等描述了在不运用精确的天气和深度信息的情况下怎样消除一个场景的单幅图像天气效果的问题，提出了消除一副图像天气效果的3种算法。 　　2.2 基于图像处理的薄雾去除 　　2.2.1 基于直方图均衡化法 　　直方图均衡化包括全局直方图均衡化和局部直方图均衡化。全局直方图均衡化是把图像的直方图分布改成均匀分布的直方图分布，通过变换使图像信息量较大的灰度区域得到放大，达到对比度增强的目的；局部直方图均衡化使将直方图均衡化分散到图像所有局部区域，通过局部运算叠加图像中感兴趣的局部信息。Oakley用全局直方图均衡化增强图像对比度。在此基础上发展的局部直方图均衡化包括自适应直方图均衡化、广义自适应直方图均衡化、部分重叠子块直方图均衡化、内插值自适应直方图均衡化。 　　2.2.2 基于Retinex理论的增强方法 　　Retinex理论认为人类知觉到的物体表色由物体对长波、中波和短波光线的反射性质共同决定，而和投射到人眼的光的谱特性关系不大。自Retinex理论提出以来，Land等从不同的角度提出和发展了不同的Retinex算法，其中，较近的版本是Jobson等提出的单尺度Retinex(SSR)算法，和在此基础上发展的多尺度Retinex(MSR)算法。 　　3 薄云的去除处理方法 　　3.1 多光谱图像去云 　　一是在遥感平台上应用一种仅对云较敏感的传感器，专门用来探测云的信息，然后从普通传感器获得的原始图像上减去云图，得到去除云后的图像；另一种方法是不在遥感平台上添加专门的传感器，而是运用多光谱图像中的某些波段对云较强的敏感性来提取云信息，实际上这种方法和前者在机理上是一致的。这种方法的去云效果非常好，能高效地消除数字图像的云覆盖噪声而不增加任何其它副作用。但是，它要求的前提很高，需要有冗余的波段来去除薄云，在很多应用场合受到限制。 　　3.2 图像融合去云方法 　　3.2.1 基于多传感器数据融合的方法 　　多传感器数据融合的方法是随着数据融合技术的发展而兴起的一种新的方法。其原理是在现有条件下，运用不同传感器在不同时间获取的数据，来对有云层覆盖地区的影像进行替换，以消除云覆盖的影响。能较好地去除薄云的影响。但运用多传感器影响进行替换以消除石覆盖的影响。 　　3.2.2 基于小波变换的单幅图像融合方法 　　首先对图像按波段分别进行小波分解，然后针对云区主要出现的低频子带，运用其在小波分解后的低频图像数据值上的表现就是云区的低频系数值要比清晰区域的低频系数值大，应用直接将图像上云区的低频系数值减小的办法来达到对图像上有云覆盖区域的低频进行抑制的目的；因为高频区域清晰度降低，需要对图像的高频部分进行适当的补偿，应用非线性函数提升各尺度上细节分量之间的对比度；最后，对调整后的小波分解系数进行小波反变换，就能得到一幅去除了薄云的图像。 　　3.3 同态滤波去云方法 　　同态滤波是一种在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强的方法。当一幅图像的动态范围很大，而感兴趣部分的灰度又很暗，图像细节没有办法辨认时，应用一般的灰度级线性变换法不能够取得理想的处理效果。这种方法运算相对简便，不需要无云数据做参考，能直接对有云图像进行处理，特别适合处理大面积薄云的情况，或者低频部分主要是云分量的情况。 　　4 结束语 　　对于云雾影响的遥感图像处理方法还具有很大的发展空间。未来主要应当研究的改进方向为：①针对云雾天气条件下的各种情况进一步提高去除算法的有效性和实时性；②因为当前对于水平能见度下，薄云薄雾的处理有实际意义，未来，随着大气消光模型的建立和完善，对卫星遥感图像将更具广阔的应用领域。 　　参考文献 　　.中国图象图形学撤,2003,8A(9): 　　1079-1083. 　　.民航科技,2008,4:117-120. 　　作者简介 　　李宇光（1984—），女，汉族，山东黄县人，本科学历，助理工程师，从事卫星遥感工作。

opencv中有没有提供限制对比度的自适应直方图均衡化

1.CLAHE简介HE直方图增强，大家都不陌生，是一种比较古老的对比度增强算法，它有两种变体：AHE和CLAHE；两者都是自适应的增强算法，功能差不多，但是前者有一个很大的缺陷，就是有时候会过度放大图像中相同区域的噪声，为了解决这一问题，出现了HE的另一种改进算法，就是CLAHE；CLAHE是另外一种直方图均衡算法，能有效的增强或改善图像（局部）对比度，从而获取更多图像相关边缘信息有利于分割，比如在书架识别系统中的书脊切割中，使用CLAHE可以比传统的直方图增强方法达到更好的增强书脊边界直线的效果，从而有利于后续的书脊边界直线的检测和提取。还能够有效改善AHE中放大噪声的问题，虽然在实际中应用不多，但是效果确实不错。另外，CLAHE的有一个用途是被用来对图像去雾，跟何凯明的暗通道去雾效果有的一拼。CLAHE和AHE的区别在于前者对区域对比度实行了限制，并且利用插值来加快计算。2.CLAHE在OpenCV中的使用2.1 增强灰度图像 view plain copyPtr《cv::CLAHE》 clahe = createCLAHE(); clahe-》setClipLimit(clipLimit); clahe-》apply(src, dst); 2.2 增强彩色图像 view plain copyvector《Mat》 BGR; split(src,BGR); Ptr《cv::CLAHE》 clahe = createCLAHE(); clahe-》apply(BGR); clahe-》apply(BGR); clahe-》apply(BGR); Mat res; merge(BGR,res);