现代社会已进入了读图时代,图像在我们的生活中无处不在,人们习惯了图像直观、直接、清楚的表达。面对数量庞大的图像,我们常依赖图像中的文本快速理解图像并且提取有用信息。图像中的文本检测已成为信息智能化处理的重要课题之一。随着环境的日益恶化,沙尘天气也越来越常见,沙尘图像常直接影响我们对图像的理解,限制了我们对图像中文本信息的提取。如何有效的检测沙尘图像中的文本信息已成为图像处理领域的研究热点之一。为解决沙尘天气对图像质量弱化的影响,以便更有效提取图像中的文本信息,本文主要针对沙尘图像中的文本检测问题展开研究。为了实现对沙尘图像中文本信息的有效检测,本文提出了一种先增强后检测的沙尘图像文本检测思路,该思路分为两个模块,首先对沙尘图像进行增强,然后对增强后的沙尘图像进行文本检测。因此,本文的主要研究内容包括*:(1)针对沙尘图像存在清晰度和亮度偏低,色调偏黄等问题,提出了一种基于多感知特征计算的沙尘图像增强算法。所提算法采用了一种添加阈值限制的伽马校正,解决了由于固体颗粒导致图像亮度偏低的问题;其次,通过动态阈值法校正了沙尘图像色调偏黄的问题;最后,利用所提改进去雾算法恢复了图像的清晰度。实验对比结果表明,所提算法能有效增强不同程度的沙尘图像,保留较多的图像细节,提高图像对比度,校正图像的色偏问题。(2)为了进一步降低特征参数对沙尘图像增强的影响,提高不同场景下沙尘图像的增强效果,本文又提出了一种基于颜色传递和场景Gist特征匹配的沙尘图像增强算法。该算法利用场景Gist特征在数据库中寻找与输入图像匹配的参考图像;然后将参考图像的颜色传递给输入图像;最后对图像进行局部自适应的直方图增强,得到沙尘图像的增强结果。实验结果表明,该算法具有较好的沙尘图像增强效果。同时,本文还提出了一种基于颜色绝对差的图像颜色相似度衡量指标,并通过实验证明了该指标具有一定的有效性。(3)针对沙尘图像文本特征被弱化,传统的机器学习需要对图像中所有的像素进行分类,造成计算量偏大等问题,本文提出了一种基于最大极值区域和卷积神经网络的沙尘文本检测算法。该算法首先对沙尘图像进行增强,从而实现对图像中文本特征的修复;其次通过最大极值区域检测去除图像中的非文本区域,大幅度降低了计算量;再利用训练好的卷积神经网络得到文本候选区域,然后通过游程平滑算法得到了图像中的文本行候选区域;最终通过高斯平滑和候选区域面积筛选去除非文本区域,实现了对沙尘图像的文本区域有效检测。实验结果表明,利用该算法对沙尘图像进行文本检测,检测结果较好。