论文部分内容阅读
【摘 要】随着手机用户的不断增加，手机的功能性也被越来越多的人开始重视，其中一项便是手机摄像，手机摄像清晰化也是需要着重研究的课题。图片需要以景物图像为输入，通过计算机视觉、图像处理等处理技术检测输入图像的。本文利用MATLAB平台着重研究图像对比度增强、异常天气图片清晰化显示、运动图像的抖动复原问题[1]。
【关键词】图像处理；大气散射模型；运动模糊
一、恶劣天气下图像清晰化设计
（一）波处理方法
波处理方法：对图像进行滤波处理主要是为了消除图像中存在的噪声。针对逆滤波图像复原算法进行研究，在已知系统退化模型的情况下，对退化图像使用逆滤波算法进行复原，再对复原后的图像进行平滑处理，使其更接近于原始图像。
维纳滤波是一种最基本的方法，优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。在维纳滤波中加入中值滤波和平滑滤波。中值滤波法是一种非线性平滑技术，基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小[2]。具体的如图1所示。
原始图像 滤波处理后图像
图1滤波处理方法方式
（二） 对比度增强的清晰化方法
RETINEX 算法：Retinex理论的基础理论是物体的颜色是由物体对长波、中波、短波光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面打到平衡，因此可以对各种不同类型的图像进行自适应的增强[3]。这种方法主要包括以下几个步骤：1、数据准备。将彩色图像划分为R ，G，B三个波段；将每个像素的值由整数转换为浮点数。2、计算每个波段内相对明暗感觉。3、数据显示。将每个波段内像素间的相对明暗关系确定的色彩值转换为RGB 值以便能在现有的设备中显示和使用。
（三）直方图均衡算法
1、全局直方图均衡算法。全局直方图均衡算法是一个图像增强的基本手段，其基本思想是通过灰度的映射来修正图像的直方图，使之具有更加平坦的分布，增加了像素灰度值的动态范围，其主要目的有两个：一是改善图像的视觉效果，提高图像成分的清晰度；二是使图像变得更有利于机器处理。在恶劣天气里，图像的对比度较低，可以通过直方图均衡化的方法达到增强图像的对比度的效果[4]。但算法灰度级变换是自动完成的，虽然图像对比度获得了提高，但是会导致暗的部分更暗，亮的部分更亮，这会损失一些图像细节；并且RGB 三个分量分别进行直方图均衡算法，最终输出图像色彩存在一定的失真；并且该算法会引入噪声，与之前滤波处理方法有所冲突。
2、局部直方图均衡算法。全局直方图均衡是基于整幅图像的，计算量小且易实现，但是难免对一些细节增强不够。在全局直方图均衡的基础上，我们采用局部直方图均衡方法来优化细节，这种方法只起到窗内局部对比度增强作用，并没有调节整幅图像动态范围，比之全局直方图均衡算法更为稳定。因此我们考虑将这两种方法结合起来，从而可以弥补各自的不足。
二、成像模型的运动模糊图像复原
（一）利用“抠图”思想的局部图像研究
“抠图”是图像处理中最常做的操作之一，将图像中需要的部分从画面中精确地提取出来，我们就称为抠图，抠图是后续图像处理的重要基础。在目标局部运动模糊图像中，背景和目标两者的交界区域内像素同时混合有背景图像和目标图像，可以认为该交界区域内的图像是背景图像和前景图像的线性组合，我们利用抠图思想把这部分从画面中提取出来[5]。 通常假定给定图像中的每一个像素点的颜色值是前景图像和背景图像的一个线性组合，局部运动模糊图像与普通的图像“抠图”技术不同之处在于，图像“抠图”技术中图像的前景部分与背景的融合区域是由图像的不透明程度决定的。
（二）图像退化的复原
成像系统受各种因素的影响，导致了图像质量的降低，称之为图像退化。通常来说解决运动模糊的方法一般有两种，第一是减小相机的曝光时间，那么这样物体在曝光时间内的运动距离就小，因此模糊会减小，但这与相机技术相关，难以实现，更方便的办法是通过数学的办法将获得的运动模糊图像经过处理复原而获得清晰的图像。而复原图像的目标是，在已知模糊图像的前提下，求出原始图像。我们可以用lucy-rechardson恢复算法来加以模型化[6]。lucy-rechardson 算法的原理可用下面的公式2所示：
上面的公式是一次迭代的过程，其中是迭代的上一次结果，当第一次迭代的时候，这个值可以取初始输入的模糊图像 g（m，n）， h（-m，-n）可以用h（HX-m，HY-n）来表示，其中HX和HY分别表示系统函数的高度和宽度，公式中的所有乘均为矩阵点乘，卷积为二维的卷积，卷积尺寸控制为图像的尺寸。将以上结果迭代多次，我们可以选择较好的结果图像作为最终的输出图像。
参考文献：
[1]刘建明.基于PC 的雾天图像和视频的清晰化算法研究与实现.上海：上海交通大学，2009
[2]杨晨.雾天图像增强算法研究.南京： 南京理工大学，2007
[3]温箐笛.基于Matlab 大雾天气下图像清晰化研究.贵州：贵州财经大学信息学院，2012
[4]杨彦.图像复原算法研究.四川大学硕士学位论文.2004
[5]冈萨雷斯， 伍兹. 数字图像处理（第二版）.电子工业出版社. 2003
[6]陈天华.数字图像处理.清华大学出版社.2007
【关键词】图像处理；大气散射模型；运动模糊
一、恶劣天气下图像清晰化设计
（一）波处理方法
波处理方法：对图像进行滤波处理主要是为了消除图像中存在的噪声。针对逆滤波图像复原算法进行研究，在已知系统退化模型的情况下，对退化图像使用逆滤波算法进行复原，再对复原后的图像进行平滑处理，使其更接近于原始图像。
维纳滤波是一种最基本的方法，优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。在维纳滤波中加入中值滤波和平滑滤波。中值滤波法是一种非线性平滑技术，基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小[2]。具体的如图1所示。
原始图像 滤波处理后图像
图1滤波处理方法方式
（二） 对比度增强的清晰化方法
RETINEX 算法：Retinex理论的基础理论是物体的颜色是由物体对长波、中波、短波光线的反射能力来决定的，而不是由反射光强度的绝对值来决定的，物体的色彩不受光照非均匀性的影响，具有一致性。不同于传统的线性、非线性的只能增强图像某一类特征的方法，Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面打到平衡，因此可以对各种不同类型的图像进行自适应的增强[3]。这种方法主要包括以下几个步骤：1、数据准备。将彩色图像划分为R ，G，B三个波段；将每个像素的值由整数转换为浮点数。2、计算每个波段内相对明暗感觉。3、数据显示。将每个波段内像素间的相对明暗关系确定的色彩值转换为RGB 值以便能在现有的设备中显示和使用。
（三）直方图均衡算法
1、全局直方图均衡算法。全局直方图均衡算法是一个图像增强的基本手段，其基本思想是通过灰度的映射来修正图像的直方图，使之具有更加平坦的分布，增加了像素灰度值的动态范围，其主要目的有两个：一是改善图像的视觉效果，提高图像成分的清晰度；二是使图像变得更有利于机器处理。在恶劣天气里，图像的对比度较低，可以通过直方图均衡化的方法达到增强图像的对比度的效果[4]。但算法灰度级变换是自动完成的，虽然图像对比度获得了提高，但是会导致暗的部分更暗，亮的部分更亮，这会损失一些图像细节；并且RGB 三个分量分别进行直方图均衡算法，最终输出图像色彩存在一定的失真；并且该算法会引入噪声，与之前滤波处理方法有所冲突。
2、局部直方图均衡算法。全局直方图均衡是基于整幅图像的，计算量小且易实现，但是难免对一些细节增强不够。在全局直方图均衡的基础上，我们采用局部直方图均衡方法来优化细节，这种方法只起到窗内局部对比度增强作用，并没有调节整幅图像动态范围，比之全局直方图均衡算法更为稳定。因此我们考虑将这两种方法结合起来，从而可以弥补各自的不足。
二、成像模型的运动模糊图像复原
（一）利用“抠图”思想的局部图像研究
“抠图”是图像处理中最常做的操作之一，将图像中需要的部分从画面中精确地提取出来，我们就称为抠图，抠图是后续图像处理的重要基础。在目标局部运动模糊图像中，背景和目标两者的交界区域内像素同时混合有背景图像和目标图像，可以认为该交界区域内的图像是背景图像和前景图像的线性组合，我们利用抠图思想把这部分从画面中提取出来[5]。 通常假定给定图像中的每一个像素点的颜色值是前景图像和背景图像的一个线性组合，局部运动模糊图像与普通的图像“抠图”技术不同之处在于，图像“抠图”技术中图像的前景部分与背景的融合区域是由图像的不透明程度决定的。
（二）图像退化的复原
成像系统受各种因素的影响，导致了图像质量的降低，称之为图像退化。通常来说解决运动模糊的方法一般有两种，第一是减小相机的曝光时间，那么这样物体在曝光时间内的运动距离就小，因此模糊会减小，但这与相机技术相关，难以实现，更方便的办法是通过数学的办法将获得的运动模糊图像经过处理复原而获得清晰的图像。而复原图像的目标是，在已知模糊图像的前提下，求出原始图像。我们可以用lucy-rechardson恢复算法来加以模型化[6]。lucy-rechardson 算法的原理可用下面的公式2所示：
上面的公式是一次迭代的过程，其中是迭代的上一次结果，当第一次迭代的时候，这个值可以取初始输入的模糊图像 g（m，n）， h（-m，-n）可以用h（HX-m，HY-n）来表示，其中HX和HY分别表示系统函数的高度和宽度，公式中的所有乘均为矩阵点乘，卷积为二维的卷积，卷积尺寸控制为图像的尺寸。将以上结果迭代多次，我们可以选择较好的结果图像作为最终的输出图像。
参考文献：
[1]刘建明.基于PC 的雾天图像和视频的清晰化算法研究与实现.上海：上海交通大学，2009
[2]杨晨.雾天图像增强算法研究.南京： 南京理工大学，2007
[3]温箐笛.基于Matlab 大雾天气下图像清晰化研究.贵州：贵州财经大学信息学院，2012
[4]杨彦.图像复原算法研究.四川大学硕士学位论文.2004
[5]冈萨雷斯， 伍兹. 数字图像处理（第二版）.电子工业出版社. 2003
[6]陈天华.数字图像处理.清华大学出版社.2007