25]。小波、曲波变换法:在基于小波理论的去雾中,普遍认为雾主要集中在图像的低频成分,高频则相对较小,基于此,对图像的高频和低频成分分别增强或者削弱以处理图像,小波去雾的算法能够锐化图像细节,从而达到去雾或者是增强图像清晰度的目的。在遥感图像去雾方面,学者们已经将基于小波分析的多尺度图像增强算法广泛的应用了[26,27],此外由Eriksson提出的基于曲波变换的去雾算法[28],是另外一种多尺度分析法,他相对于小波变换,能够更好的处理图像中物体边缘的曲线。1.2.2图像恢复的去雾方法图像增强的方式虽然能够改善图像的视觉效果,但是没有从图像雾化降质的根本原因出发,增强的去雾算法缺乏严密的数学逻辑。图像恢复的方法是基于一个大气物理散射规律,通过大气散射规律建立一种在雾霭状况下的图像退化模型,模型能够较为准确的表达大气散射对雾霭天气的影响。自从1998年Oakley等人[29]利用Mie大气散射定律对恶劣天气下图像去雾做了一些探索工作至今,并且逐渐成为图像去雾处理的研究热点。确定场景深度下的去雾。场景的深度参数在大气物理散射模型中至关重要,因而在雾化图像恢复领域中,有很多基于确定的场景深度去雾方法。基于偏微分方程的雾化图像恢复利用大气散射规律建立的图像退化模型中,由于利用了大气信息条件或者场景深度实现去雾,该图像去雾处理算法能够应用与某些对图像的色彩清晰度和对比度有较高要求的场合[30],但当场景深度变化较大时,对应的局部区域的对比度仍然比较低。通过结合多幅图像来提取场景的深度信息也是确定场景深度去雾中很具有代表性的一种,Narasimhan和Nayar[30-33]利用不同天气条件下同一场景的两幅或多幅图像,来估计场景的三维结构,进而恢复出清晰图像。由于大气散射模型中需要散射参数、天空亮度和场景深度等信息,下面的一些方法利用场景先验信息或者通过交互的获取其中需要的参数万方数据
全文预览
