无人机遥感图像中不均匀雾霾的去除算法研究

测绘与空间地理信息

ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹ

Ｖｏｌ.４２ꎬＮｏ.１Ｊａｎ.ꎬ２０１９

无人机遥感图像中不均匀雾霾的去除算法研究

杜漫飞ꎬ孙华生

(辽宁工程技术大学测绘与地理科学学院ꎬ辽宁阜新１２３０００)

摘要:由于雾霾的存在ꎬ无人机(ＵｎｍａｎｎｅｄＡｅｒｉａｌＶｅｈｉｃｌｅꎬＵＡＶ)获取的图像受到严重影响ꎮ利用单一算法很难

有效地去除无人机遥感图像中不均匀的雾霾ꎮ本文提出了一种新的去雾算法ꎬ该方法将图像分割技术与暗原色方法结合起来ꎬ实现不均匀雾霾的综合去除ꎮ该方法的具体处理过程如下:首先ꎬ利用图像分割技术将原图像根据雾的浓度分为淡雾、浓雾两部分ꎻ其次ꎬ依据暗原色先验理论ꎬ获取比较准确的大气光ꎬ分别求取大气光的模、方向ꎻ再次ꎬ利用引导联合双边滤波细化透射率ꎬ针对浓雾部分利用局部视网膜皮层理论(Ｒｅｔｉｎａ－ｃｏｒｔｅｘｔｈｅｏｒｙꎬＲｅｔｉｎｅｘ)增强进一步处理ꎬ最终得到恢复的图像ꎮ实验结果表明ꎬ相比于Ｈｅ和Ｒｅｔｉｎｅｘ算法ꎬ本文算法在图像细节还原、色彩保真等方面具有更好的处理效果ꎮ

关键词:去雾处理ꎻ无人机遥感图像ꎻ图像分割ꎻ暗原色法

中图分类号:Ｐ２３７　　　文献标识码:Ａ　　　文章编号:１６７２－５８６７(２０１９)０１－０１７４－０３

ＲｅｓｅａｒｃｈｏｎＤｅｈａｚｅＡｌｇｏｒｉｔｈｍｏｆＨｅｔｅｒｏｇｅｎｅｏｕｓＨａｚｅｉｎ

ＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅ

(ＳｃｈｏｏｌｏｆＧｅｏｍａｔｉｃｓꎬＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙꎬＦｕｘｉｎ１２３０００ꎬＣｈｉｎａ)

Ａｂｓｔｒａｃｔ:ＴｈｅｅｘｉｓｔｅｎｃｅｏｆｈａｚｅｓｅｖｅｒｅｌｙａｆｆｅｃｔｅｄｔｈｅｉｍａｇｅａｃｑｕｉｒｅｄｂｙＵＡＶ(ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ).ＩｔｉｓｄｉｆｆｉｃｕｌｔｔｏｅｆｆｅｃｔｉｖｅｌｙｒｅｍｏｖｅｔｈｅｈｅｔｅｒｏｇｅｎｅｏｕｓｈａｚｅｉｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｏｆｔｈｅＵＡＶｂｙｕｓｉｎｇａｓｉｎｇｌｅａｌｇｏｒｉｔｈｍ.Ｔｈｅｒｅｆｏｒｅꎬｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅａｎｅｗｄｅｈａｚｅａｌｇｏｒｉｔｈｍꎬｗｈｉｃｈｗａｓａｄｖａｎｃｅｄｔｈａｔｃｏｍｂｉｎｅｓｔｈｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｔｅｃｈｎｉｑｕｅｗｉｔｈｔｈｅｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒｉｔｙ.Ｔｈｅｓｐｅｃｉｆ￣ｐａｒｔｓ(ｍｉｓｔａｎｄｄｅｎｓｅｆｏｇ)ａｃｃｏｒｄｉｎｇｔｏｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅ.Ｓｅｃｏｎｄｌｙꎬａｃｃｏｒｄｉｎｇｔｏｔｈｅｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒｉｔｙｔｈｅｏｒｙꎬｔｈｅｍｏｄｅａｎｄｄｉ￣ｉｃｐｒｏｃｅｓｓｏｆｔｈｉｓｍｅｔｈｏｄｉｓａｓｆｏｌｌｏｗｓ:Ｆｉｒｓｔｌｙꎬｔｈｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｔｅｃｈｎｉｑｕｅｉｓｕｓｅｄｔｏｄｉｖｉｄｅｔｈｅｃｏｎｃｅｎｔｒａｔｉｏｎｏｆｔｈｅｆｏｇｉｎｔｏｔｗｏｒｅｃｔｉｏｎｏｆａｔｍｏｓｐｈｅｒｉｃｌｉｇｈｔａｒｅｏｂｔａｉｎｅｄｒｅｓｐｅｃｔｉｖｅｌｙｉｎｏｒｄｅｒｔｏｇｅｔｔｈｅａｃｃｕｒａｔｅａｔｍｏｓｐｈｅｒｉｃｌｉｇｈｔ.ＵｓｉｎｇｇｕｉｄｅｄｊｏｉｎｔｂｉｌａｔｅｒａｌｆｉｌｔｅｒｔｏｒｅｆｉｎｅｔｒａｎｓｍｉｔｔａｎｃｅａｎｄＲｅｔｉｎｅｘｆｏｒｔｈｅｄｅｎｓｅｆｏｇｆｕｒｔｈｅｒｐｒｏｃｅｓｓｉｎｇꎬｆｉｎａｌｌｙｇｅｔｔｈｅｒｅｃｏｖｅｒｙｉｍａｇｅ.Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｉｍａｇｅａｎｄｐｒｅｓｅｒｖｉｎｇｔｈｅｃｏｌｏｒｉｎｆｏｒｍａｔｉｏｎ.

Ｋｅｙｗｏｒｄｓ:ｄｅｈａｚｅꎻＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅꎻｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎꎻｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒ

ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅＫａｉｗｅｎ'ｓａｌｇｏｒｉｔｈｍａｎｄＲｅｔｉｎｅｘａｌｇｏｒｉｔｈｍꎬｔｈｅａｌｇｏｒｉｔｈｍｐｒｏｐｏｓｅｄｈａｓａｂｅｔｔｅｒｅｆｆｅｃｔｉｎｒｅｓｔｏｒｉｎｇｔｈｅｄｅｔａｉｌｓｏｆｔｈｅ

ＤＵＭａｎｆｅｉꎬＳＵＮＨｕａｓｈｅｎｇ

０　引　言

尽管无人机航拍的高度只距地面几十米到几百米ꎬ但是其获取的图像仍然会受到雾霾的影响ꎮ这严重地降低了图像的质量ꎬ对图像的应用ꎬ尤其是定量化的应用产生了很大影响ꎮ如果雾霾的影响程度大体相同ꎬ雾气浓度分布也相对均匀ꎬ目前ꎬ很多去雾霾的算法都可以很好地实现去除效果ꎮ现存的去雾算法主要分为基于物理模

收稿日期:２０１７－０９－１５

型和非物理模型ꎮ基于物理模型的算法ꎬ主要是使用大气散射模型ꎬ利用数学方法求解图像降质逆过程ꎬ最终达到恢复清晰图像的目的ꎮＦａｔｔａｌ等通过假设透射率和场景表面投影局部不相关ꎬ用独立成分分析法估计反射率ꎬ从而得到去雾处理后的彩色图像ꎬ但是该算法在浓雾情况下会因雾图缺少足够的颜色信息导致去雾效果不理想[１]ꎻＯａｋｌｅｙ和Ｂｕ的算法假设景深已知ꎬ提出多参数统计模型ꎬ通过估计的像素点散射值和透射率进行去雾ꎬ虽

作者简介:杜漫飞(１９９２－)ꎬ女ꎬ满族ꎬ辽宁锦州人ꎬ测绘科学与技术专业硕士研究生ꎬ主要研究方向为无人机图像处理ꎮ

通讯作者:孙华生(１９８０－)ꎬ男ꎬ山东莒南人ꎬ副教授ꎬ博士ꎬ２００８年毕业于浙江大学农业资源利用专业ꎬ主要从事无人机摄影测量与

遥感方面的教学研究工作ꎮ

第１期

杜漫飞等:无人机遥感图像中不均匀雾霾的去除算法研究

１７５

然此方法较好地估计了大气光雾天成像模型ꎻＨｅ等通过大量实验ꎬ以最大限度地保持真实的物方辐射信息ꎬ提出的暗原色先验理论简化了ꎬ但易引起图像过度去雾[２]ꎬ

该算法在雾图满足暗原色先验条件下ꎬ对于薄雾有很好的去除效果ꎻＲｅｔｉｎｅｘꎬ但在浓雾区域会出现透射率被低估的情况

[３－４]

到相关信息的增强的效果算法是通过压缩图像颜色值的动态范围达ꎬＲｅｔｉｎｅｘ算法对于淡雾部分有很好的去雾效果ꎬ但是对于浓雾部分会导致细节丢失[５

－６]

像获取ꎮꎬ或者在云下飞行进行航拍由于无人机航拍时经常采用倾斜的方式进行图

ꎬ经常会出现雾霾分布不均匀的情况ꎬ所以有必要采用能够适应不均匀雾霾去除的算法ꎮ

１　研究数据和方法

本文实验数据采用大疆精灵３无人机拍摄的图像ꎬ镜头参数:ＦＯＶ９４°、２０ｍｍ(３５ｍｍ格式等效)、Ｆ２.８ꎬ图像尺寸为４０００×３０００ꎮ拍摄区域为辽宁省阜新市农业区ꎮ

本文提出的方法是基于雾天无人机图像退化模型ꎬ结合图像分割技术ꎬ利用暗原色先验理论估计大气光和透射率并用局部Ｒｅｔｉｎｅｘ算法增强来实现图像去雾的目的ꎮ在图像处理领域中ꎬ雾天无人机图像退化模型(雾天图像降质的物理原理)可表示为:

Ｉ(ｘ)＝Ｊ(ｘ)ｔ(ｘ)＋Ａ(１－ｔ(ｘ))

(１)

式中ꎬｘ是图像Ｉ(ｘ)的像素坐标ꎬＩ(ｘ)为输入的有雾图像ꎬＪ(ｘ)为所求的去雾后的无人机图像ꎬｔ(ｘ)为反射光的透射率ꎬＡ为大气光矢量ꎬＪ(ｘ)ｔ(ｘ)为入射光衰减部分ꎬ

Ａ(１－ｔ(ｘ))为进入相机的空气光ꎮ通过估计Ａ和ｔ(ｘ)即可得到去雾图像ꎮ

１.１　暗原色先验理论

式(１)中存在着未知量有Ｊ(ｘ)、ｔ(ｘ)以及Ａꎬ即使可以根据图像中天空区域估计出大气光Ａꎬ仍有两个未知量ꎮ因此ꎬ必须借助一些先验知识来求方程的解ꎮ

暗原色先验理论是由Ｈｅ等

[３－４]

通过观察大量无雾图

像信息的统计特征所提出的ꎬ在清晰无雾图像的非天空区域里ꎬ若把图像分为多个子块ꎬ则每个子块中都会有一定像素点的某个颜色通道的亮度接近于ｘ)＝ｍｉｎｇꎬｂ}

(ｍｉｎＪ０ꎮ

Ｊｄａｒｋ(Ｃｃ∈{ｒꎬ(ｙｙ∈)Ω(ｘ)

)≈０

(２)

式中ꎬΩ(ｘ)是ｘ的邻域ꎬＪＣ

是图像Ｊ(ｘ)的一个通道ꎬ

Ｊ

ｄａｒｋ

代表图像的暗原色图ꎬ按照暗原色先验理论ꎬ其值近

似等于０ꎮ这是由图中景物在背向光的一面产生阴影、颜色较深的物体和具有鲜艳颜色的物体导致的ꎮ

１.２　图像分割

在含有雾的图像中ꎬ雾的颜色是灰白色ꎬ导致图中本应该很小的暗原色部分的亮度值变大ꎬ因此从视觉效果上来看ꎬ图像的整体亮度相比于常规无雾图像要高一些ꎮ从图１(ａ)、图１(ｂ)可以直观地看出:图１(ａ)中浓雾区域与图(ａ)１(ｂ)暗原色中的像素呈白色的部分大致接近ꎬ图１越亮中的雾浓度越大ꎬ因此通过暗原色图可以判断雾的浓度ꎬ图１(ｂ)中对应区域的暗原色值就ꎬ即暗原色图

中灰白点的密集程度ꎮ

使用光谱差异分割算法ꎬ根据雾的浓度将暗原色图像粗分割为淡雾(图１(ｂ)中黑色区域)、浓雾(图１(ｂ)中白色区域)ꎮ图１(ａ)至图１(ｃ)依次为原图像、暗原色图像、分割后图像ꎮ

图１　图像分割过程Ｆｉｇ.１　Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｃｅｓｓ

１.３　大气光矢量的估计

无人机航拍图像的特点之一就是图像中一般不存在天空区域ꎬ对大气光估计的影响就很小ꎮ大气光矢量Ａ可以表示为以下两个部分:

Ｙ＝Ｙ×Ｖ

(３)

式中ꎬ｜Ｙ｜为大气光矢量模ꎬＶ为大气光矢量方向ꎮ准确估计大气光作为获取清晰图像的首要步骤ꎬ然

后分别求取大气光矢量的模和方向[７]１.３.１　ꎮ针对无人机所获取的图像为多通道的彩色图像大气光矢量的模

ꎬ通

过对能量函数[３]改进ꎬ表达如下:

Ｓｋρｐ－ρ－

ｘｐｘ

２

ｍｃ(λｒꎬλｇꎬλｂ)＝

１

ｋｐ∈{∑ＲꎬＧꎬＢ}

∑

ｘ＝１

(ρ－ｐ

×ｘ－λｐ

)

ｅｘｐ{

ｋ－

３１ｋｐ∈{∑ＲꎬＧꎬＢ}

ｘ＝１

－λｐ)２

}

(５)

其中ꎬρＲ∑ｌｎ(ρｐｘｘ、ρＧｘ、ρＢ

ｘ分别为像素ｘ在Ｒ、Ｇ、Ｂ通道上的

值ꎬＫ为总的像素个数ꎬρ－

Ｒｘ、ρ－

Ｇ－

ｘ、ρＢ

ｘ代表３个通道的低通

１.３.２　滤波图像在像素根据数学中矢量方向的求法大气光矢量的方向

ｘ处的值ꎬ(λＲ、λＧ、λＢ)即为所求ꎮ

１０ꎬ把图像划分成大小为

量进行主成分分析得到对应的特征向量×１０的若干图像块ꎬ将得到小图块的每个像素的颜色矢ꎮ利用图像块权值函数计算每个图像块的权值ꎬ选取权值最大的１０个图像块即可ꎮ每个小图像块可得１０条图像块直线ꎬ由此构造出１０个平面ꎬ这些平面经过两两相交ꎬ得到了４５条参考直线ꎬ计算出每条参考直线到１０条图像块直线的欧式距离并求和ꎬ则最小距离直线的方向为所求方向[７]１.４　透射率的求解

ꎮ

由于雾图暗原色的亮度和透射率存在一定关联性ꎬ所以ꎬ依据暗原色先验理论及无人机遥感图像雾天成像模型估计透射率是可行的ꎬ则透射率ｔ(ｘ)可表示为:

ｔ(ｘ)＝１－ωＩＣｙｍｉｎ∈Ω(ｘ)

(ｍｉｎ

(ＡＹＣ

))(６)

为使处理后的图像具有真实感ꎬ保留一定程度的雾ꎬ引入了参数ωꎬ常取０.９５ꎮ

１７６

测绘与空间地理信息　

　　　　　　　　　　　　　　　２０１９年

双边滤波[８]虽然能很好地保存边缘信息ꎬ但是对于彩色图像里的高频噪声ꎬ双边滤波器不能够干净地滤掉ꎬ因此ꎬ采用引导联合双边滤波[９]得到较好的导向图并以此来细化透射率ｔ(ｘ)全局Ｒｅｔｉｎｅｘ算法１ꎮ

[１０]对于淡雾部分有很好的去雾效

果ꎬ但是对于浓雾部分会导致细节丢失ꎬ因此针对浓雾部分采用局部Ｒｅｔｉｎｅｘ增强ꎮ

１.５　去雾后的无人机图像

经上述算法ꎬ获取到比较精确的大气光和较精细的

透射率ｔ(ｘ)去雾后的无人机图像１ꎬ将这两个量代入雾天成像模型中即可得到ꎮ

Ｊ(ｘ)＝

式中ꎬｔ是为投射率设定的下限值ｍａｘ(Ｉ(ｔｘ)(ｘ－)Ａ

１ꎬｔ０)

＋Ａ(１２)

ꎬ常取０.１ꎮ作用是

避免ｔ(ｘ)０１过小ꎬ甚至趋于０ꎬ导致上式中等号右侧的第一项过大ꎬ从而使图像整体向白场过渡ꎮ

２　结果与分析

３.２０为了证明本文算法的有效性ＧＨｚ/２Ｇ内存/Ｍａｔｌａｂ２０１２ａ环境下对无人机航拍有ꎬ在Ｉｎｔｅｌ(Ｒ)Ｃｏｒｅ(ＴＭ)

雾图像(ａ)、图(５雾分布不均匀(ａ)为实验拍摄图像)进行测试(ｂ)、ꎬ图ꎮ图２(２(ａ)、ｂ)、图图３３(ａ)、(ｂ)、图图４４

机倾斜拍摄图５(ｂ))和图为网上的无人机航拍图像２(ｃ)、图３(ｃ)、图４(ｃ)、ꎮ

图５(ｃ)(无人图２　测试图像Ｆｉｇ.２　Ｔｅｓｔｉｍａｇｅｓ

图３　Ｈｅ算法去雾后的图像Ｆｉｇ.３　ＲｅｓｕｌｔｓｏｆＨｅａｌｇｏｒｉｔｈｍ

图４　Ｒｅｔｉｎｅｘ算法去雾后的图像Ｆｉｇ.４　ＲｅｓｕｌｔｓｏｆＲｅｔｉｎｅｘａｌｇｏｒｉｔｈｍ

图５　本文算法去雾后的图像Ｆｉｇ.５　Ｒｅｓｕｌｔｓｏｆｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ

２(ｂ)、从主观来看:图２(ａ)、图３(ａ)、图４(ａ)、图５(ａ)和图

去雾效果显著图３(ｂ)、ꎬ图图２４(至图ｂ)、图５中５((ｂ)ａ)中图农田中的道路ꎬＨｅ算法对薄雾部分、田块边缘以及图２至图５中(ｂ)图房屋轮廓、道路等信息得到很好的复原ꎬ图像整体色彩较暗ꎻＲｅｔｉｎｅｘ算法则在整幅图像色彩恢复方面效果最好ꎬ边缘信息的恢复程度不高ꎮ二者在浓雾部分去雾效果都比较差ꎬ而本文算法在浓雾区域很好地恢复了边缘信息ꎬ并且具有一定的色彩恢复度和清晰度ꎬ去雾效果最好ꎮ图２、图３、图４、图５中(ｃ)图天空区域对Ｈｅ的算法影响较大ꎬ该算法对山体的薄雾部分去雾效果仍很明显Ｒｅｔｉｎｅｘꎬ他区域信息细节丢失算法较好地恢复了房屋及周围树的信息而浓雾部分存在过去雾的情况ꎻꎬ边缘信息可识别性不高ꎻ而针对图ꎬ但是其中的浓雾部分ꎬ本文算法对图像信息恢复程度最高且整体亮度适中ꎮ

选择平均梯度、边缘保持度、均值作为评价指标

[１１－１２]

像中薄雾区域都有很好的复原效果ꎮ从表１中的数据可以看出ꎬＨｅ３种去雾算法对于图

算法相比Ｒｅｔｉｎｅｘ算法的去雾效果ꎬ在细节信息恢复度方面更有优势ꎬ但是整体亮度相比于后者去雾后的图像亮度较暗ꎬ本文算法综合了二者的优势ꎬ既复原了图像信息细节ꎬ处理后的亮

度也适中ꎬ不会给人过分增强的视觉感ꎮ表２中浓雾区域的指标数据则显示本文提出的算法图像清晰程度最好ꎬ同比其他两种算法ꎬ去雾后图像的边缘恢复程度也较高ꎬ并且去雾后的像素值为１２５左右ꎬ从人的视觉角度也有更好的视觉效果ꎮ

表１　薄雾区域的评价指标

Ｔａｂ.１　Ｅｖａｌｕａｔｉｏｎｉｎｄｉｃａｔｏｒｉｎｍｉｓｔｒｅｇｉｏｎ

算法指标ＲｅｔｉｎｅｘＨｅ算法

平均梯度６.０６４边缘保持度本文算法算法５.３６７６８.２２１１１５.３２９均值

７.６５５

５３.５２９７９.１２７

１４６.３０７１２８.９２４

表２　浓雾区域的评价指标

Ｔａｂ.２　Ｅｖａｌｕａｔｉｏｎｉｎｄｉｃａｔｏｒｉｎｄｅｎｓｅｆｏｇｒｅｇｉｏｎ

算法指标边缘保持度均值

ＲｅｔｉｎｅｘＨｅ算法

平均梯度１.８６３本文算法算法１.５３９１６.３５１３.５６１

１３.８６９１５８.５６３９５.８２２３４.１１３

１３２.０７６

(下转第１８０页)

１８０

测绘与空间地理信息　

　　　　　　　　　　　　　　　２０１９年

４　结论与讨论

本文采用Ｌａｎｄｓａｔ－８ＯＬＩ焦作地区遥感数据分别基于监督与非监督中的各种算法进行土地覆盖分类ꎬ并对分类结果进行分析和精度评价ꎬ主要得出以下结论:

１)平行六面体法、最小距离法和马氏距离法对于道路的分类效果都不是太好ꎬ其中平行六面体法对于耕地、林地和部分建筑用地容易产生错分现象ꎬ分类效果最差ꎮ最小距离法和马氏距离法对于林地以及部分水系分类效果较差ꎬ但马氏距离法要优于最小距离法ꎮ最大似然法分类精度相对较高ꎬ漏分错分最少ꎬ总体分类精度达到８７.１５２％ꎮ

２)Ｋ－均值对于建筑用地、耕地和道路的分类效果比较差ꎬ道路与水体容易产生错分ꎮＫ－均值分类预先设置的类别数是十分重要的ꎬ这直接影响着分类效果的好坏ꎮＩＳＯＤＡＴＡ分类中部分建筑用地被错分到林地类别中ꎬ但是从聚类效果、漏分错分以及计算时间上综合分析要优于Ｋ－均值分类ꎮ

长补短ꎮ此外ꎬ新理论、新方法、新技术的引入ꎬ为影像分类提供了广阔的前景ꎬ然而不可能存在一种分类方法在所有情况下都优于其他方法ꎬ因此ꎬ必须根据具体情况选择合适的分类算法ꎮ

参考文献:

[１]　李爽ꎬ丁圣彦ꎬ许叔明.遥感影像分类方法比较研究[Ｊ].

河南大学学报:自然科学版ꎬ２００２ꎬ３２(２):７０－７３.[２]　桂新ꎬ戴微.ＭＡＳＫ在遥感影像水系提取中的应用[Ｊ].

测绘通报ꎬ２０１５(９):７９－８２.

[３]　刘文锴ꎬ杨磊库ꎬ梁洪有ꎬ等.Ｌａｎｄｓａｔ卫星遥感影像在[４]　刘慧平.遥感实习教程[Ｍ].北京:高等教育出版[５]　杨鑫.浅谈遥感图像监督分类与非监督分类[Ｊ].四川地

质学报ꎬ２００８ꎬ２８(３):２５１－２５４.[６]　梅安新.遥感导论[Ｍ].北京:高等教育出版社ꎬ２００１.[７]　刘国成ꎬ杨长保.遥感图像处理软件的设计与关键技术[８]　杨存建ꎬ周成虎.基于知识的遥感图像分类方法的探讨

[Ｊ].地理学与国土研究ꎬ２００１ꎬ１７(１):７２－７７.[９]　刘纪远.国家资源环境遥感宏观调查与动态监测研究

[Ｊ].遥感学报ꎬ１９９７ꎬ１(３):２２５－２３０.

社ꎬ２００１.

焦作市建成区扩展变化监测中的应用[Ｊ].河南理工大学学报:自然科学版ꎬ２００９ꎬ２８(４):４４５－４４８.

５　结束语

传统的监督与非监督遥感影像分类方法因其算法成熟、操作简单等优势ꎬ仍然是使用较广泛的分类方法ꎬ但二者从理论、过程以及使用范围条件上都不相同ꎬ各有优缺点ꎬ因此ꎬ应该根据实际分类的需求ꎬ合理灵活地运用这两类方法ꎬ甚至可以将监督与非监督分类混合使用ꎬ取

研究[Ｊ].吉林工程技术师范学院学报ꎬ２００９ꎬ２(３):７５－７７.

[编辑:刘莉鑫]

(上接第１７６页)

３　结束语

本文针对单一算法很难有效地去除无人机遥感图像中不均匀的雾霾的情况ꎬ提出了一种去雾的新方法ꎮ该方法是将图像分割技术与暗原色方法结合起来的一种优化方法ꎮ首先ꎬ利用图像分割技术将原图像根据雾的浓度分为淡雾、浓雾两部分ꎻ其次改进大气光的计算方法ꎬ避免了一些干扰因素ꎻ然后利用引导联合双边滤波优化估计透射率ꎬ针对浓雾部分利用局部Ｒｅｔｉｎｅｘ增强进一步处理ꎻ最后对比Ｈｅ算法、Ｒｅｔｉｎｅｘ算法的去雾实验结果ꎬ将平均梯度、边缘保持度、均值作为参考指标对去雾后的图像做出评价ꎬ通过评价结果验证提出方法的可行性及有效性ꎮ实验结果表明:本文方法在恢复图像细节、色彩的保持等方面具有很好的效果ꎮ在今后工作中ꎬ将把精细分割雾图的浓度、更好地估计透射率作为研究重点ꎮ

[４]　[５]　[６]　[７]　[８]　[９]　[１０]　[１１]　[１２]　

参考文献:

[１]　ＳｕｌａｍｉＭꎬＧｌａｔｚｅｒＩꎬＦａｔｔａｌＲꎬｅｔａｌ.Ａｕｔｏｍａｔｉｃｒｅｃｏｖｅｒｙ

ｏｆｔｈｅａｔｍｏｓｐｈｅｒｉｃｌｉｇｈｔｉｎｈａｚｙｉｍａｇｅｓ[Ｃ]//ＩＥＥＥＩｎｔｅｒ￣ｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔａｔｉｏｎａｌＰｈｏｔｏｇｒａｐｈｙ.ＩＥＥＥꎬ２０１４:１－１１.

[２]　ＯａｋｌｅｙＪＰꎬＢｕＨ.ＣｏｒｒｅｃｔｉｏｎｏｆＳｉｍｐｌｅＣｏｎｔｒａｓｔＬｏｓｓｉｎ

ＣｏｌｏｒＩｍａｇｅｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２００７ꎬ１６(２):５１１－５２２.

[３]　ＨｅＫꎬＳｕｎＪꎬＴａｎｇＸ.ＳｉｎｇｌｅＩｍａｇｅＨａｚｅＲｅｍｏｖａｌＵｓｉｎｇ

ＤａｒｋＣｈａｎｎｅｌＰｒｉｏｒ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡ￣ｎａｌｙｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅꎬ２０１１ꎬ３３(１２):２３４１.ＨｅＫꎬＳｕｎＪꎬＴａｎｇＸ.Ｇｕｉｄｅｄｉｍａｇｅｆｉｌｔｅｒｉｎｇ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅꎬ２０１３ꎬ３５(６):１３９７－１４０９.

ＬａｎｄＥＨꎬＭｃｃａｎｎＪＪ.Ｌｉｇｈｔｎｅｓｓａｎｄｒｅｔｉｎｅｘｔｈｅｏｒｙ[Ｊ].ＪｏｕｒｎａｌｏｆｔｈｅＯｐｔｉｃａｌＳｏｃｉｅｔｙｏｆＡｍｅｒｉｃａꎬ１９７１ꎬ６１(１):１.吴迪ꎬ朱青松.图像去雾的最新研究进展[Ｊ].ＡｃｔａＡｕ￣ｔｏｍａｔｉｃａＳｉｎｉｃａꎬ２０１５ꎬ４１(２):２２１－２３９.

范郁锋ꎬ曹永锋.基于暗原色先验的无人机遥感图像去雾算法[Ｊ].现代计算机旬刊ꎬ２０１５(１１):４６－４９.ＰａｒｉｓＳꎬＤｕｒａｎｄＦ.ＡＦａｓｔＡｐｐｒｏｘｉｍａｔｉｏｎｏｆｔｈｅＢｉｌａｔｅｒａｌＦｉｌｔｅｒＵｓｉｎｇａＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＡｐｐｒｏａｃｈ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬ２００９ꎬ８１(１):２４－５２.

ＸｉａｏＣꎬＧａｎＪ.Ｆａｓｔｉｍａｇｅｄｅｈａｚｉｎｇｕｓｉｎｇｇｕｉｄｅｄｊｏｉｎｔｂｉ￣ｌａｔｅｒａｌｆｉｌｔｅｒ[Ｊ].ＶｉｓｕａｌＣｏｍｐｕｔｅｒꎬ２０１２ꎬ２８(６－８):７１３－７２１.

曹静.浓雾图像去雾算法研究[Ｄ].大连:大连理工大学ꎬ２０１４.

ＴａｎｇＬꎬＣｈｅｎＳꎬＬｉｕＷꎬｅｔａｌ.ＩｍｐｒｏｖｅｄＲｅｔｉｎｅｘＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔＡｌｇｏｒｉｔｈｍ[Ｊ].ＰｒｏｃｅｄｉａＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉ￣ｅｎｃｅｓꎬ２０１１ꎬ１１(ＰａｒｔＡ):２０８－２１２.

刘海波ꎬ汤群芳ꎬ杨杰.去雾图像质量客观评价方法研究[Ｊ].量子电子学报ꎬ２０１６ꎬ３３(１):２０－２８.

[编辑:张　曦]