作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab仿真内容点击

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

内容介绍

基于双边滤波算法实现图像去雾是一种常用的方法，用于恢复由大气雾霾引起的图像模糊和低对比度问题。以下是一个基本的步骤框架：

1. 雾图像预处理：首先对输入的雾图像进行预处理，例如校正伽马校正、直方图均衡化等操作，以增强图像的动态范围。

2. 估计大气光：通过在雾图像中寻找最亮的像素点来估计全局大气光值。这些最亮像素通位于天空区域或具有很高亮度值的区域。

3. 估计透射率：利用双边滤波算法估计图像中每个像素点的透射率。双边滤波是一种考虑空间距离和灰度相似性的滤波器，能够有效降低噪声同时保留边缘信息。

4. 运用射率进行去雾：使用估计得到的透射率和大气光值，对雾图像进行去雾处理。其中，去雾公式为：I = (J - A) / t +I为去雾图像，J为输入雾图像，A为估计得的大气光，t为透射率。

5. 去雾结果后处理：对去雾结果进行后处理，例如对比度增强、锐化或色彩校正等操作，以进一步提升图像的质量和视觉效果。

需要注意的是，双边滤波算法在去雾过程中能够保留边缘细节，但在复杂场景、低光照条件或存在运动模糊时可能产生其它问题。因此，在实际应用中，可以根据具体情况和需求，采用其他图像处理技术和算法来改进和优化图像去雾的效果。

部分代码

clcclear allclose all%imageRGB = imread('picture.bmp');%imageRGB = imread('shishi.jpg');imageRGB = imread('traffic.jpg');imageRGB = double(imageRGB);imageRGB=imageRGB./255;figure;%subplot(2,1,1);imshow(imageRGB), title('原始图像');% imwrite(imageRGB(2:516,2:689,:),'D:\所有去雾程序\新建文件夹\双边滤波去雾\双边椒盐7(1)去雾截.bmp');% subplot(2,1,2);imhist(rgb2gray(imageRGB));% imageRGB=imnoise(imageRGB,'gaussian',0.02);% figure;% imshow(imageRGB);title('加噪图');sz=size(imageRGB);w=sz(2);h=sz(1);​dark=darkChannel(imageRGB);figure,imshow(dark);title('暗通道图像');% imwrite(dark,'traffic_1.jpg')[m,n,~] = size(imageRGB);%估计大气光值A，从暗通道中按亮度大小提取最亮的前0.1%像素。然后在原始有雾图像I中寻找对应位置上的具有最亮亮度的点的值，并以此作为A的值imsize = m * n;numpx = floor(imsize/1000);JDarkVec = reshape(dark,imsize,1);ImVec = reshape(imageRGB,imsize,3);​    im(:,:,ind) = imageRGB(:,:,ind)./atmospheric(ind);enddark_2=darkChannel(im);%P15页对大气光归一化以后求取暗通道t = 1-omega*dark_2;%对透射率粗估计figure,imshow(t), title('原始透射图');% imwrite(t,'traffic_2.jpg')filter=0.9*bfltGray(t,1,3,0.1);t_d = filter;figure,imshow(t_d), title('双边滤波后透射图');​A = min([minAtomsLight, max(max(dc2))]); %确定大气光强J = zeros(h,w,3);img_d = double(img);r = krnlsz*3;eps = 10^-6;filtered = guidedfilter(double(rgb2gray(img))/255, t_d, r, eps);%指导滤波t进行增强t_d = filtered;% figure,imshow(t_d,[]),title('滤波后 t');J(:,:,1) = (img_d(:,:,1) - (1-t_d)*A)./t_d;J(:,:,2) = (img_d(:,:,2) - (1-t_d)*A)./t_d;J(:,:,3) = (img_d(:,:,3) - (1-t_d)*A)./t_d;figure,imshow(uint8(J)), title('去雾图像');%}​​

运行结果

参考文献

[1] 胡薇,高银.基于边界限制的自适应双边滤波单幅图像去雾算法[J].  2020.DOI:10.3788/LOP57.241505.

[2] 王园园,黄丽琼.基于双边滤波器的雾霾天气交通标志图像去雾算法[J].舰船电子工程, 2019, 39(12):3.DOI:CNKI:SUN:JCGC.0.2019-12-031.

[3] 温立民,巨永锋,王会峰,等.基于双边滤波暗原色透射率细化的图像去雾算法[J].测控技术, 2020, 39(4):4.DOI:CNKI:SUN:IKJS.0.2020-04-013.

[4] 王一帆,尹传历,黄义明,等.基于双边滤波的图像去雾[J].中国图象图形学报, 2014, 19(3):7.DOI:10.11834/jig.20140307.

️ 代码获取关注我

️部分理论引用网络文献，若有侵权联系博主删除

️ 关注我领取海量matlab电子书和数学建模资料

仿真咨询

1.卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3.旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划

4.无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

5.传感器部署优化、通信协议优化、路由优化、目标定位

6.信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号

7.生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化

8.微电网优化、无功优化、配电网重构、储能配置

9.元胞自动机交通流 人群疏散 病毒扩散 晶体生长