天氣圖像去噪相關(guān)技術(shù)概述目錄TOC\o"1-3"\h\u250521.1圖像去噪 1123081.1.1圖像噪聲的定義和分類 1250241.1.2去噪技術(shù)的發(fā)展歷史和現(xiàn)狀 2210401.2暗通道圖像去噪算法 284991.1.1估計(jì)全局大氣光值 22911.1.2利用迭代思想估計(jì)透射率 3124421.3Retinex圖像去噪算法 4209401.4基于深度學(xué)習(xí)的圖像去噪算法 5182121.4.1神經(jīng)元模型 5259251.4.2激勵(lì)函數(shù) 61.1圖像去噪1.1.1圖像噪聲的定義和分類所謂數(shù)字圖像處理就是利用計(jì)算機(jī)對(duì)圖像信息進(jìn)行加工以滿足人的視覺(jué)心理或者應(yīng)用需求的行為。一幅圖像信息的生成難免或多或少都會(huì)伴隨有噪聲的產(chǎn)生。噪聲可以理解為“妨礙人們感覺(jué)器官對(duì)所接收的信源信息理解的因素”，在理論上可定義為“不可預(yù)測(cè)，只能用概率統(tǒng)計(jì)方法來(lái)認(rèn)識(shí)的隨機(jī)誤差”。它對(duì)圖像信息的采集、輸入以及處理的各個(gè)環(huán)節(jié)和最終的輸出結(jié)果都會(huì)產(chǎn)生一定的影響，特別是在圖像信息的輸入、采集和傳輸過(guò)程中，若輸入時(shí)伴隨有較大的噪聲，則必定會(huì)對(duì)其后的處理過(guò)程以及處理結(jié)果造成不利的影響。常見(jiàn)的圖像噪聲分為5種：1）加性噪聲：和輸入圖像信號(hào)無(wú)關(guān)，比如信道噪聲；2）乘性噪聲：與圖像信號(hào)有關(guān)，常隨著圖像信號(hào)的變化而變化，比如膠片中存在的顆粒噪聲；3）量化噪聲：與輸入圖像信號(hào)無(wú)關(guān)，是量化過(guò)程中產(chǎn)生的誤差，其大小可以衡量數(shù)字圖像與原始圖像的差異，這是數(shù)字圖像主要的噪聲源；4）椒鹽噪聲：由于圖像切割引起的噪聲，比如白圖像上的黑點(diǎn)噪聲；5）高斯噪聲：其概率密度函數(shù)服從正態(tài)高斯分布的噪聲，包括熱噪聲和散粒噪聲。1.1.2去噪技術(shù)的發(fā)展歷史和現(xiàn)狀圖像處理的出現(xiàn)始于20世紀(jì)50年代。當(dāng)時(shí)的電子計(jì)算機(jī)已經(jīng)發(fā)展到了一定的水平，人們開(kāi)始使用計(jì)算機(jī)來(lái)完成簡(jiǎn)單的圖形和圖像處理工作。數(shù)字圖像處理形成體系，形成一門(mén)學(xué)科約開(kāi)始于20世紀(jì)60年代初期。早期圖像處理的目的僅僅是為了改善圖像的質(zhì)量便于提高人的視覺(jué)效果。數(shù)字圖像處理過(guò)程中，輸入的是質(zhì)量較低的原始圖像，輸出的是改善過(guò)后有一定質(zhì)量的圖像。常用的圖像處理方法有圖像增強(qiáng)、復(fù)原、編碼和壓縮。早期由于數(shù)字圖像處理領(lǐng)域涉及的數(shù)學(xué)理論比較淺，在很長(zhǎng)的一段時(shí)間里，某些在特定條件下的算法的正確性沒(méi)能得到很好的證明，使得數(shù)字圖像處理研究的發(fā)展緩慢。近年來(lái)，由于該領(lǐng)域研究者數(shù)學(xué)功底的不斷加強(qiáng)，同時(shí)該領(lǐng)域具有的巨大市場(chǎng)需求也吸引了越來(lái)越多的數(shù)學(xué)工作者的加入，使得該領(lǐng)域得到了前所未有的發(fā)展3）運(yùn)用python編寫(xiě)程序?qū)崿F(xiàn)算法，并對(duì)這些算法做出評(píng)估,通過(guò)對(duì)圖像去噪算法性能的研究以達(dá)到優(yōu)化的目的。4）改進(jìn)算法，完成本系統(tǒng)的實(shí)現(xiàn)。1.2暗通道圖像去噪算法本在計(jì)算機(jī)視覺(jué)領(lǐng)域，通常使用霧天圖像退化模型來(lái)描述霧霾等惡劣天氣條件對(duì)圖像造成的影響，該模型是McCartney首先提出。該模型包括衰減模型和環(huán)境光模型兩部分。模型表達(dá)式為：其其中，是圖像像素的空間坐標(biāo)，是觀察到的有霧圖像，是待恢復(fù)的無(wú)霧圖像，表示大氣散射系數(shù)，代表景物深度，是全局大氣光，通常情況下假設(shè)為全局常量，與空間坐標(biāo)無(wú)關(guān)。公式(1)中的表示坐標(biāo)空間處的透射率，我們使用來(lái)表示透射率，于是得到公式（2）：由此可見(jiàn)，圖像去霧過(guò)程就是根據(jù)求解的過(guò)程。要求解出，還需要根據(jù)求解出透射率和全局大氣光。1.1.1估計(jì)全局大氣光值1）將圖像的亮度最大的點(diǎn)的灰度值作為全局大氣光值。2）利用暗通道估計(jì)全局大氣光值。在暗通道去霧算法中，從暗原色通道中選取最亮的0.1比例的像素值，然后選取原輸入圖像中這些像素具有的最大灰度值作為全局大氣光值。三通道中每一個(gè)通道都有一個(gè)大氣光值。3）分塊遞歸思想估計(jì)全局大氣光值。具體思想就是先將圖像平均分為四個(gè)部分，然后分別求取四個(gè)部分中的平均亮度值，選取亮度值最大的塊，將這個(gè)塊平均分為四個(gè)塊，選取最亮的塊，當(dāng)分解到塊的大小達(dá)到一定閾值時(shí)，在這個(gè)塊中選取亮度最大的點(diǎn)作為全局大氣光?？梢钥吹竭@有一個(gè)遞歸的過(guò)程。4）分段思量估計(jì)全局大氣光值。我記得這是一個(gè)韓國(guó)小哥提出的方法，對(duì)天空具有天然的免疫性。我們觀察一般的圖像，天空部分一般被分配在圖像的上[公式]部分，因此將圖像水平分為個(gè)部分，然后在最上的部分使用暗通道估計(jì)算法估計(jì)全局大氣光。5）快速估計(jì)全局大氣光值。首先求取輸入圖像RGB三通道中的最小值，即求取暗原色通道圖像，然后對(duì)暗原色通道圖像進(jìn)行均值濾波，然后求取其中灰度值最大的點(diǎn)，接著求取輸入圖像RGB三通道中值最大的通道圖像，然后求取出灰度值最大的點(diǎn)，然后將兩個(gè)點(diǎn)的灰度值的平均值作為全局大氣光。是1.1.2利用迭代思想估計(jì)透射率這個(gè)算法非常有意義，本人還沒(méi)來(lái)得及復(fù)現(xiàn)，先來(lái)看看原理。首先，如果想獲得更好的去霧效果，就要求去霧后的圖像對(duì)比度高，并且失真度小。然后對(duì)上面的公式(2)做一個(gè)變換可以得到：(2-2-1)可以發(fā)現(xiàn)，和在坐標(biāo)軸上對(duì)應(yīng)一條直線，其中直線和軸的交點(diǎn)是(0,，和軸的交點(diǎn)是(,0)?？梢钥吹诫S著在(0,255)的范圍內(nèi)進(jìn)行變化，會(huì)對(duì)應(yīng)的產(chǎn)生負(fù)數(shù)或者超過(guò)255，這就導(dǎo)致了圖像失真。因此為了改善這一缺點(diǎn)，使用下面的等式來(lái)衡量失真度。(2-2-2)1.3Retinex圖像去噪算法視網(wǎng)膜皮層理論始于20世紀(jì)60年代作出的一系列貢獻(xiàn)，其基本思想是人感知到某點(diǎn)的顏色和亮度并不僅僅取決于該點(diǎn)進(jìn)入人眼的絕對(duì)光線，還和其周圍的顏色和亮度有關(guān).Retinex這個(gè)詞是由視網(wǎng)膜（視網(wǎng)膜）和大腦皮層（皮層）兩個(gè)詞組合構(gòu)成的。之所以設(shè)計(jì)這個(gè)詞，是為了表明不清楚視覺(jué)系統(tǒng)的特性究竟取決于此兩個(gè)生理結(jié)構(gòu)中的哪一個(gè)，抑或是與兩者都有關(guān)系。視網(wǎng)膜皮層模型是建立在以下的基礎(chǔ)之上的：首先，真實(shí)世界是無(wú)顏色的，我們所感知的顏色是光與物質(zhì)的相互作用的結(jié)果我們見(jiàn)到的水是無(wú)色的，但是水膜-肥皂膜卻是顯現(xiàn)五彩繽紛，那是薄膜表面光干涉的結(jié)果。其次，每一顏色區(qū)域由給定波長(zhǎng)的紅，綠，藍(lán)三原色構(gòu)成的。此外，三原色決定了每個(gè)單位區(qū)域的顏色。Retinex理論的基本內(nèi)容是物體的顏色是由物體對(duì)長(zhǎng)波（紅），中波（綠）和短波（藍(lán)）光線的反射能力決定的，而不是由反射光強(qiáng)度的絕對(duì)值決定的;物體的色彩不受光照非均性的影響，具有一致性，即Retinex理論是以色感一致性（顏色恒常性）為基礎(chǔ)的。如下圖所示，觀察者所看到的物體的圖像小號(hào)是由物體表面對(duì)入射光大號(hào)反射得到的，反射率R由物體本身決定，不受入射光大號(hào)變化。Retinex理論的基本假設(shè)是原始圖像小號(hào)是光照?qǐng)D像大號(hào)和反射率圖像[R的乘積，即可表示為下式的形式：(2-3-1)基于Retinex的圖像的增強(qiáng)的目的就是從原始圖像小號(hào)中估計(jì)出光照L，從而分解出R，消除光照不均的影響，以改善圖像的視覺(jué)效果，正如人類視覺(jué)系統(tǒng)那樣。在處理中，通常將圖像轉(zhuǎn)至對(duì)數(shù)域，即，從而將乘積關(guān)系轉(zhuǎn)換為和的關(guān)系(2-3-2)1.4基于深度學(xué)習(xí)的圖像去噪算法1.4.1神經(jīng)元模型神經(jīng)元是組成神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)最基本的信息處理單元，如圖2-1所示，是一個(gè)神經(jīng)元簡(jiǎn)單結(jié)構(gòu)示意圖，神經(jīng)元模型主要包括三種基本信息處理結(jié)構(gòu)：突觸單元：每一個(gè)都由其權(quán)重參數(shù)作為基本信息，簡(jiǎn)單地講，就是在連接到神經(jīng)元的突觸單元上輸入的信號(hào)和的突觸權(quán)重參數(shù)值相乘。求和單元：用于對(duì)輸入信號(hào)與神經(jīng)元的相應(yīng)突觸權(quán)重進(jìn)行加權(quán)累加。激勵(lì)單元：用來(lái)限制神經(jīng)元的輸出值，通常，神經(jīng)元的輸出值區(qū)間為。圖2-4-1標(biāo)記為的神經(jīng)元非線性結(jié)構(gòu)模型圖2-4-1中的神經(jīng)元模型引入一個(gè)外部偏置信號(hào)輸入，其主要的作用是對(duì)信號(hào)累加值進(jìn)行約束，使得激勵(lì)函數(shù)的輸入更加符合需求。神經(jīng)元信息結(jié)構(gòu)數(shù)學(xué)表達(dá)式如公式（2-4-2）、（2-4-3）所示。(2-4-2)(2-4-3)其中，是輸入信號(hào)，是神經(jīng)元的突觸權(quán)重參數(shù)，是輸入信號(hào)的線性累加求和的輸出，為外部偏置信號(hào)，激勵(lì)函數(shù)為，是神經(jīng)元的輸出信號(hào)。神經(jīng)元的激活函數(shù)輸入信號(hào)如公式（2-4-4）所示。(2-4-4)結(jié)合公式（2-4-2）、（2-4-3）和（2-4-4）可得的數(shù)學(xué)表達(dá)如公式（2-4-5）所示，的數(shù)學(xué)表達(dá)式表示如公式（2-4-6）所示。(2-4-5)(2-4-6)在神經(jīng)元結(jié)構(gòu)中添加一個(gè)新的突觸結(jié)構(gòu)，其輸入如公式（2-4-7）所示，權(quán)值如公式（2-4-8）所示。(2-4-7)(2-4-8)通過(guò)這一改進(jìn)即可得到一個(gè)新的神經(jīng)元模型結(jié)構(gòu)，如圖2-4-9所示，外部偏置有兩個(gè)作用：首先，增加一個(gè)新的恒定輸入權(quán)重；其次，添加和外部偏置相等的突觸權(quán)重參數(shù)。圖2-4-9神經(jīng)元的另一種非線性模型1.4.2激勵(lì)函數(shù)激勵(lì)函數(shù)，用表示，通過(guò)中間輸出權(quán)值表示神經(jīng)元的輸出，本文在實(shí)際的人臉檢測(cè)模型中主要用到如下幾種激勵(lì)響應(yīng)函數(shù)：（1）階躍函數(shù)，其函數(shù)圖像示意圖如圖2-4-11所示，具體的數(shù)學(xué)表達(dá)是如公式（2-4-10）所示。(2-4-10)其中，若一個(gè)非負(fù)值，則輸出1；反之，若是負(fù)數(shù)，則輸出0。圖2-4-11階躍函數(shù)圖像示意圖相應(yīng)地，在神經(jīng)元上使用該激勵(lì)函數(shù)，其輸出數(shù)學(xué)表達(dá)如公