本站原创摘 要
遥感图像中存在的薄云薄雾在很大程度上影响着遥感图像清晰度,因此,本文针对含薄云薄雾的遥感图像分别提出了基于高维空间几何信息学的去薄云及基于Retidx算法和色度比的图像增强去雾算法.
【关 键 词】遥感图像去薄云薄雾计算机算法
1前言
云与雾是常见的自然天气现象,其能降低大气的能见度,导致遥感平台不能获取到清晰图像,最终无法读取到图像中的地物信息,降低了遥感图像的应用价值.因此,有必要对遥感图像进行去薄云去薄雾处理.
2去薄云计算机算法
2.1基于高维空间几何信息学的遥感图像去薄云算法原理
薄云引起的干扰主要集中于图像的低频位置,很大程度上削弱了遥感图像的高频信息.为了有效降低干扰,恢复高频信息的呈现,有研究者提出了高维空间几何信息学理论,以此实现去薄云目的.
将原始遥感图像视为高维几何空间中的一个点,即把图像映射为M×N高维空间中的矢量.检测设n维空间中的图像存在向量为A与B,A等于（a1,a2,a3等ak）,B等于（b1,b2,b3等bk）；其计算方法为：（1）向量A的模值：；（2）向量A,B的夹角余弦值：；（3）将向量A到向量B的投影向量记为C：；（4）向量A到向量B的垂直向量记为D：.由于遥感图像的高低频信息受薄云覆盖情况影响,因此,可引入高斯滤波器h对图像中高低频信息进行分离,其函数形式为.
首先,将原始向量与不同参数设置的滤波器进行卷积运算,得到高维空间中子空间下能够清晰显示通过滤波器分离出的近似于低频信息的低频分量；其次,利用向量C与向量D的算法将原始的遥感图像矢量向近似低频信息的低频分量方向做几何映射,以此将原始图像空间分解为低、高频子空间；最后,对高、低尺度子空间分别进行抑制与增益,恢复遥感图像的高频信息,实现去除遥感图像中薄云的目的.
2.2基于高维空间几何信息学的遥感图像去薄云算法
对低、高频子空间下的向量C与向量D分别进行抑制与增益,实现去薄云增强目的,其算法步骤为：（1）分别利用滤波器的卷积运算与高维几何分解计算,将高维空间中的图像分解至不同尺度的两个子空间下；（2）通过抑制或增益的变换方式对不同尺度的子空间进行测算.低尺度子空间图像变换关系为：,i∈[1,k],其中cmax与cmin分别为低频图像中像素的最大值与最小值,表现为z；高尺度子空间图像变换关系为,j∈[1,k],其中dmax与dmin分别为低高频图像中像素的最大值与最小值,表现为h.通过抑制与增益的变换,能更好识别图像中云的分布,使复原图像的边缘更自然,经实验证明,λL等于0.3与λH等于10时,复原图像将达到最佳显示效果.（3）将经一定变换后的两个子空间矢量置于高维空间中进行再次运算,以此得到较为清晰的云效果图像.
3卫星遥感去薄雾的算法
3.1Retidx算法
Retidx算法又分单尺度Retidx算法与多尺度Retidx算法,其中,单尺度Retidx算法可表示为：L（χ,У）等于I（χ,У）R（χ,У）,其中L（χ,У）、I（χ,У）及R（χ,У）分别表示图像中（χ,У）位置上的像素亮度值、照明强度函数及反射函数.存在较小标准差σ的图像经增色后,能有效突出图像的细节信息,但存在较大标准差σ的图像,其却只能显示出原图像的色调,因此,其去雾效果不明显；多尺度Retidx算法可表示为（l等于1,2,3）,其中,l等于1、l等于2及l等于3分别对应红色、绿色及蓝色通道,Wk与k分别表示Fk计算结果的对应权重值与尺度常数.
多尺度Retidx算法比单尺度Retidx算法的图像增强效果更理想,能呈现原图像的色调及细节信息,再现彩像.
3.2基于Retidx算法和色度比的图像增强算法
Retidx算法虽然对灰度、彩像具有一定色彩增强作用,但其无法提高含雾图像的对比度,因此,必须对Retidx算法处理过的图像直方图进行校正.当处理过的图像超出了显示设备所能显示的灰度范围,其相应的图像对比度将会降低,从而影响观察者对图像中细节信息的捕获,为此,可对其进行对比度的线性拉伸；针对分辨率为M×N的8位量化图像,可将图像的灰度范围拉伸至[0,255].
在正态分布中,若图像的灰度均值为,标准差为σ,其大部分像素将落于[-3σ,+3σ]区间内,采用多尺度Retinex算法对上述图像进行直方图的线性拉伸,尺度常数分别取15、80、250,便可实现简单去雾效果图.
多尺度的Retinex算法无法有效去除彩像中的含雾部分,导致图像色彩偏灰,因此,笔者给每个像素加入了色度比信息,检测设其尺度常数分别为15、80、250,则可计算出R、G、B三个谱段的去雾结果,对计算结果中每个谱段进行一定的线性拉伸并合成彩像,实现去雾,如下图所示：
4结束语
高维空间几何信息学下去薄云算法能有效去除薄云对图像清晰度的影响,增强图像边缘信息,基于Retinex算法和色度比的图像增强算法克服了图像色彩畸形与色彩偏灰等问题,实现去薄雾.