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、權重w進行合適選擇，能有效去除云霧，達到突出景物信息、提高其清晰度的目的。

【關鍵字】去云霧 小波分解

一、引言

遙感技術對現(xiàn)代的科學研究和應用有很大的幫助，但是遙感技術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，導致拍攝的圖像模糊不清，無法達到可利用的要求，提出用MATLAB軟件，進行去云霧的處理。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的還原本來的樣子。使得無法進行科學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)和細節(jié)系數(shù)。細節(jié)系數(shù)分為高層細節(jié)和低層細節(jié)。對于高層細節(jié)，需要重構后再進行云區(qū)閾值和加權。對于低層細節(jié)是進行小波包分解去除云霧，再加權和重構。最后把處理后的各個數(shù)據(jù)加乘得到最終結果。（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、權重W，以及小波函數(shù)。采用均值、標準差、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，去掉高層細節(jié)系數(shù)，保留低層和近似系數(shù)，然后重構，考察去云霧效果。其中以信息熵為標準，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，低層細節(jié)系數(shù)、近似系數(shù)保持不變，高層細節(jié)系數(shù)重構后，作閾值處理，三部分重構，考察處理質量。閾值很小時，高層細節(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的閾值為最佳參數(shù)。

第三步確定細節(jié)系數(shù)權重w。高層細節(jié)系數(shù)處理后的恢復圖像，除少量殘留云外，主要包含景物信息，設置權重有利于增加景物對比度和清晰度。細節(jié)系數(shù)頻率較高，因此權重越大，細節(jié)越突出，清晰度提高，標準差和平均梯度必然越大。但權重很大，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節(jié)系數(shù)權重的最佳選擇。

三、實驗結果

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行實驗。從去云處理的實際效果來看，結果令人滿意，達到預期目標。不同的分層層數(shù)變換，其亮度，對比度，熵，梯度在內部比較，具有一定的規(guī)律性。

四、結束語

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，實驗數(shù)據(jù)也證明熵判據(jù)最合理。

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