直方图均衡化去雾（如图，数字图像处理期末小测，在线等，急！！求matlab代码！！）

本文目录

• 如图，数字图像处理期末小测，在线等，急！！求matlab代码！！
• 数字图像处理，用MATLAB实现边缘不完整图像滤除，求程序
• 机器视觉图像处理本质
• [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

如图，数字图像处理期末小测，在线等，急！！求matlab代码！！

%% 这么基本的图像处理问题都不会，上课干啥！！！我就现学现卖了。
%% 2 去雾
% he5.png类似，把下面代码的he2换成he5即可。
he2 = imread(’he2.png’); % 读图
HSI = rgb2hsv(he2); %转换到hsi空间
I = HSI(:,:,3);  % 获得I分量
Ieq = histeq(I,256);  % 直方图均衡化
HSI(:,:,3) = Ieq;
he2eq = hsv2rgb(HSI);  % 转换到rgb空间
figure; 
subplot(221);imshow(he2); title(’he2原图’)
subplot(222); imhist(I,256); title(’he2原图I分量直方图’);
subplot(223); imhist(Ieq,256); title(’he2去雾I分量直方图’);
subplot(224); imshow(he2eq); title(’he2去雾’);
 
%% 3 时域滤波
lena = imread(’lena.tif’);
lena_noise = imnoise(lena,’salt & pepper’,0.05); % 加椒盐噪声
lena_filter = medfilt2(lena_noise,);  % 中值滤波
cm = imread(’cameraman.tif’);
cm_noise = imnoise(cm,’gaussian’,0,0.003);  % 加高斯噪声
h = fspecial(’average’);
cm_filter = imfilter(cm_noise,h);  % 均值滤波
figure;
subplot(231); imshow(lena);title(’lena原图’);
subplot(232); imshow(lena_noise);title(’lena加噪图’);
subplot(233); imshow(lena_filter);title(’lena去噪’);
subplot(234); imshow(cm);title(’cameraman原图’);
subplot(235); imshow(cm_noise);title(’cameraman加噪图’);
subplot(236); imshow(cm_filter);title(’cameraman去噪’);

数字图像处理，用MATLAB实现边缘不完整图像滤除，求程序

%% 这么基本的图像处理问题都不会，上课干啥！！！我就现学现卖了。
%% 2 去雾
% he5.png类似，把下面代码的he2换成he5即可。
he2 = imread(’he2.png’); % 读图
HSI = rgb2hsv(he2); %转换到hsi空间
I = HSI(:,:,3); % 获得I分量
Ieq = histeq(I,256); % 直方图均衡化
HSI(:,:,3) = Ieq;
he2eq = hsv2rgb(HSI); % 转换到rgb空间
figure;
subplot(221);imshow(he2); title(’he2原图’)
subplot(222); imhist(I,256); title(’he2原图I分量直方图’);
subplot(223); imhist(Ieq,256); title(’he2去雾I分量直方图’);
subplot(224); imshow(he2eq); title(’he2去雾’);

%% 3 时域滤波
lena = imread(’lena.tif’);
***隐藏网址***
lena_filter = medfilt2(lena_noise,); % 中值滤波
cm = imread(’cameraman.tif’);
***隐藏网址***
h = fspecial(’average’);
cm_filter = imfilter(cm_noise,h); % 均值滤波
figure;
subplot(231); imshow(lena);title(’lena原图’);
subplot(232); imshow(lena_noise);title(’lena加噪图’);
subplot(233); imshow(lena_filter);title(’lena去噪’);
subplot(234); imshow(cm);title(’cameraman原图’);
subplot(235); imshow(cm_noise);title(’cameraman加噪图’);
subplot(236); imshow(cm_filter);title(’cameraman去噪’);

机器视觉图像处理本质

由于随机干扰，相机输入的原始图像在一般情况下不能在机器视觉系统中直接使用，因此需要对原始图像进行处理。

图像处理的作用是突出图像中对机器视觉系统而言需要的特征，而减少不需要的特征，并不考虑图像是否降质。图像处理不是目的，而是为了机器视觉系统进一步的决策做准备。

图像处理的主要方式有以下几种：

一、二值化处理

根据某个阈值，将图像（模拟图像已经转换成了数字图像）中的256个灰度级别变成只有黑（0）和白（255）两种像素的二值化图像。

这样就把图像分成了需要使用的和不需要使用两部分，因此这一方法称为二值化处理或图像分割。

在对数字图像的处理过程中，将灰度图像（包括以灰度模式显示的彩色图像）二值化，使得在对图像做进一步处理时，操作更简单，运算和存储的数据量更小，系统速度更优化。

对灰度图像或以灰度模式显示的彩色图像进行二值化处理时，可人工设定阈值，也可以由系统自动求出阈值，从而将图像二值化。比较常用的计算阈值的方法包括双峰法、P参数法、迭代法和OTSU法等。

二、灰度处理

灰度图像是RGB三种颜色的分量相同的图像。彩色图像的三原色（学名三基色）中RGB的数量级（0~255）用同一个数值表示，则把彩色图像变为以灰度图像表示，这样可以减少图像数据运算量和存储量。

这个数值就叫灰度值，彩色图像转变为灰度图像的过程就是灰度处理的过程。

常用的灰度处理方法有任意分量法、最大值法、平均值法、加权平均值法。

三、图像增强（清晰化处理）

图像在传送和转换过程中，信号会不同程度地受到干扰而衰减，图像质量有时达不到机器视觉系统的要求。这时就要对图像附加一些信息或变换数据，有选择性地突出图像中有用的特征或抑制无用的特征，这就是图像增强。比如对比度增强、直方图均衡化、去雾处理等。

图像增强和图像还原是有区别的，图像增强是不考虑图像的降质而提高图像的实用性；图像还原是考虑图像的降质而提高图像的真实性。

图像增强的方法有：1、直接对图像的像素进行处理的空间域法。2、利用某种变换将空间域变为频率域，再将频率域变为空间域的图像（傅里叶变换、小波变换等）的频率法。

四、图像滤波（图像平滑处理）

由于硬件的性能原因以及对图像的某些处理环节，图像在形成、传输、记录过程中会受到多种杂波（噪声）干扰，使图像形成亮点、暗斑，影响了图像的进一步使用。这时就要对杂波进行过滤，称为滤波。

图像滤波是图像处理中不可缺少的一步，其处理效果将直接影响后续的图像分析的有效性和可靠性。图像滤波的方法有移动平均滤波、高斯滤波、中值滤波、非线性中值滤波等。

五、图像锐化（清晰化处理）

图像锐化也称为边缘增强，起到突出图像的地物边缘、补偿图像的轮廓、使图像更清晰的作用。图像锐化和图像增强一样有空间域处理和频率域处理两个方法。

简单的边缘线就能使我们理解所要表述的物体，对于图像处理来说，边缘检测也是重要的基本操作之一。

六、图像的腐蚀和膨胀（二值图像平滑处理）

图像的腐蚀和膨胀操作是图像形态学算法处理的基础。

腐蚀的作用是消除目标图像的边界噪声点，使目标缩小（白色区域变小）；膨胀的作用是将与目标图像接触的背景点合并，填补空洞，使目标增大（白色区域变大）。

两种操作一般配合使用，先腐蚀后膨胀为开运算（清除白色外部的白点噪声，使外轮廓清晰，噪声去外白、留内黑）；

先膨胀后腐蚀为闭运算（清除白色内部的黑点噪声，使内轮廓清晰，噪声去内黑、留外白）。

为了不破坏区域间的连接性，更多的方法是使用面积法去噪声处理。

想了解更多机器视觉相关内容可登录：www.51camera.com.cn网页链接

[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 copy
Ptr《cv::CLAHE》 clahe = createCLAHE();
clahe-》setClipLimit(clipLimit);
clahe-》apply(src, dst);
2.2 增强彩色图像
view plain copy
vector《Mat》 BGR;
split(src,BGR);
Ptr《cv::CLAHE》 clahe = createCLAHE();
clahe-》apply(BGR);
clahe-》apply(BGR);
clahe-》apply(BGR);
Mat res;
merge(BGR,res);

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