王健

【摘要】本文基于小波變換理論，通過小波層的分解，并對分界層數(shù)I、閾值δ、權(quán)重w進(jìn)行合適選擇，能有效去除云霧，達(dá)到突出景物信息、提高其清晰度的目的。

【關(guān)鍵字】去云霧 小波分解

一、引言

遙感技術(shù)對現(xiàn)代的科學(xué)研究和應(yīng)用有很大的幫助，但是遙感技術(shù)自身存在一定的局限性。本文針對遙感圖像中由于有云霧的干擾，導(dǎo)致拍攝的圖像模糊不清，無法達(dá)到可利用的要求，提出用MATLAB軟件，進(jìn)行去云霧的處理。通過本論文去云霧的方法，使得原本模糊不清，對比度低的圖片更真實(shí)的還原本來的樣子。使得無法進(jìn)行科學(xué)分析和研究的圖像又可以再次利用起來。

二、算法流程圖

原始圖像經(jīng)小波分解后，得到近似系數(shù)和細(xì)節(jié)系數(shù)。細(xì)節(jié)系數(shù)分為高層細(xì)節(jié)和低層細(xì)節(jié)。對于高層細(xì)節(jié)，需要重構(gòu)后再進(jìn)行云區(qū)閾值和加權(quán)。對于低層細(xì)節(jié)是進(jìn)行小波包分解去除云霧，再加權(quán)和重構(gòu)。最后把處理后的各個數(shù)據(jù)加乘得到最終結(jié)果。（圖1）

2.1 參數(shù)的選擇

本文算法中，要選擇的參數(shù)有分界層數(shù)I、閾值δ、權(quán)重W，以及小波函數(shù)。采用均值、標(biāo)準(zhǔn)差、熵、平均梯度等客觀評價方法，定量考察這些參數(shù)對處理效果的影響。

2.2 參數(shù)的確定

首先確定l，令小波分解層數(shù)為n，為將景物、云霧和背景信息區(qū)分到低層、高層和近似系數(shù)中，從小到大改變l的值，對于每個l，去掉高層細(xì)節(jié)系數(shù)，保留低層和近似系數(shù)，然后重構(gòu)，考察去云霧效果。其中以信息熵為標(biāo)準(zhǔn)，值最大時的l最佳。

第二步確定閾值δ。先將亮度歸一化為0-1，閾值以0.1為步長。依據(jù)最佳1值，低層細(xì)節(jié)系數(shù)、近似系數(shù)保持不變，高層細(xì)節(jié)系數(shù)重構(gòu)后，作閾值處理，三部分重構(gòu)，考察處理質(zhì)量。閾值很小時，高層細(xì)節(jié)系數(shù)中云全部去除，同時景物信息也有所減少，因此總體信息量較少。隨閾值增大，云區(qū)外景物信息逐漸保留，因此信息熵不斷增加。但當(dāng)閾值增大到一定程度，云區(qū)外景物信息不再增多，而云噪聲開始增大，此時信息量又將減少。因此最大信息熵對應(yīng)的閾值為最佳參數(shù)。

第三步確定細(xì)節(jié)系數(shù)權(quán)重w。高層細(xì)節(jié)系數(shù)處理后的恢復(fù)圖像，除少量殘留云外，主要包含景物信息，設(shè)置權(quán)重有利于增加景物對比度和清晰度。細(xì)節(jié)系數(shù)頻率較高，因此權(quán)重越大，細(xì)節(jié)越突出，清晰度提高，標(biāo)準(zhǔn)差和平均梯度必然越大。但權(quán)重很大，景物與原始信息不符，造成失真，信息丟失。此處以熵值來決定細(xì)節(jié)系數(shù)權(quán)重的最佳選擇。

三、實(shí)驗(yàn)結(jié)果

利用本文算法，對云較多的圖像、云較少的圖像、主要是霧的圖像這三類進(jìn)行實(shí)驗(yàn)。從去云處理的實(shí)際效果來看，結(jié)果令人滿意，達(dá)到預(yù)期目標(biāo)。不同的分層層數(shù)變換，其亮度，對比度，熵，梯度在內(nèi)部比較，具有一定的規(guī)律性。

四、結(jié)束語

本文提出了對于典型的云霧遙感圖像以熵值為合理選擇分界層數(shù)、閾值、權(quán)重的依據(jù)，隨參數(shù)變化，圖像中有用信息變化的趨勢與熵值變化一致，實(shí)驗(yàn)數(shù)據(jù)也證明熵判據(jù)最合理。

圖象處理實(shí)驗(yàn)驗(yàn)證，本文算法能顯著削弱遙感光學(xué)圖像中云覆蓋，突出景物信息，效果明顯優(yōu)于同態(tài)濾波和Retinex算法。