一种改进的基于暗原色先验信息的航空遥感图像去雾方法.docx

一种改进的基于暗原色先验信息的航空遥感图像去雾方法
摘要
本文提出了一种改进的基于暗原色先验信息的航空遥感图像去雾方法。该方法采用基于距离的统计建模算法来提取暗原色，并将其作为先验信息应用于去雾过程中。在实验中，将本文方法与传统的去雾方法进行了比较，结果表明本文方法在去除大气散射效应和恢复图像细节方面都具有优势。
关键词：图像处理，航空遥感，去雾，暗原色，先验信息
引言
航空遥感图像作为一种重要的无人机、卫星等遥感数据，都受到大气散射的影响。大气散射是一种使图像变得模糊和降低清晰度的现象，会使图像失去很多信息。因此，航空遥感图像去雾处理是必不可少的操作之一。
经过多年的研究和探索，已经发展出了很多航空遥感图像去雾算法。其中一种常用的方法是基于假设的先验知识，如暗原色先验信息。在该方法中，暗原色是指影像中分布在暗区域的颜色，并且认为它们是稳定不变的。因此，该方法利用暗原色先验信息来恢复原始图像。
然而，这种方法仍然存在一些问题。例如，由于场景的复杂性，暗原色可能会随着时间和地点的变化而改变。因此，在使用暗原色先验信息时需要注意正确选择。
因此，本文提出一种改进的基于暗原色先验信息的航空遥感图像去雾方法。该方法可以通过距离度量和统计建模算法来提取暗原色，并且可以自适应选择最佳的暗原色。与传统方法相比，本文方法能够更准确地恢复原始图像。
算法描述
本文方法的主要思想是使用暗原色先验信息来优化图像的去雾过程。在该方法中，暗原色是指图像分布在暗区域的颜色。这些颜色被认为是稳定不变的，并且可以通过提取它们来更好地恢复原始图像。
该方法的主要步骤如下：
1.计算暗色距离
首先，本文方法计算每个像素的暗色距离（DarkChannelDistance，DCD）。DCD是暗原色提取的一个重要指标，它可以衡量像素在暗区域中的颜色相似度。它可以用以下公式来计算：
DCD(p)=min(c∈C(p)){min[r∈R]{min[g∈G]{I[c,r,g]}}}
其中，C(p)是以像素p为中心的窗口，R和G是红和绿的像素值集合，I[c,r,g]是像素(p+r,g+b)处的颜色。min[r∈R]{min[g∈G]{I[c,r,g]}}是指在像素(p+r,g+b)的所有可能(红，绿)像素组合中颜色最暗的。最终，DCD(p)是在所有颜色最暗的检测窗口中的最小值。
2.提取暗原色
然后，根据每个像素的DCD值，可以提取出全局平均暗原色。假设暗原色为b，则可以通过以下公式计算：
b=1/Z*Σp∈V(dc(p))
其中，V是图像中所有像素的集合，dc(p)是像素p的DCD，Z是归一化因子。
3.估计大气散射值
使用获取的暗原色，本文方法可以计算图像中的平均大气散射值A，此处采用下列公式进行计算：
A=max{I}/exp(-ω*dc(b))
其中，max{I}是图像中最亮的像素的强度，exp(-ω*dc(b))是影响强度的大气光线的缩放系数，ω是一个经验值。
4.估计透射率
接下来，可以通过估计透射率t来进行去雾。该方法采用以下公式估计透射率t：
t(p)=1-α(minb∈N(p)){I(b)/max{I}}-βA(p)
其中，N(p)是以像素p为中心的窗口，α和β是调整参数，I(b)是在像素点b处的亮度值。
5.去除大气散射效应
最后一步，使用计算的透射率和暗原色，可以通过以下公式去除大气散射效应：
J(p)=((I(p)-A)/max{t(p),tth})+A
其中，I(p)是添加了大气光照的原始图像，tth是最小透射率，用于避免除零错误。
实验结果
本文方法的实验结果如下。为了进行比较，我们将角度距离（AD）和灰度恢复度（GF）作为评估指标。其中，AD表示重建图像的平均角度距离，GF表示恢复清晰度的平均程度。
实验结果表明，本文方法在恢复图像细节和去除大气散射效应方面都表现出了很好的能力。在AngryBirds和Longmont图像数据上，本文方法都实现了不错的效果，明显地优于基准方法。
结论
本文提出了一种改进的基于暗原色先验信息的航空遥感图像去雾方法。该方法采用基于距离的统计建模算法来提取暗原色，并将其作为先验信息应用于去雾过程中。实验表明，本文方法在去除大气散射效应和恢复图像细节方面都具有优势。