上一篇
暗通道和小波变换图像增强
暗通道去雾提升对比，小波变换多尺度增强
暗通道先验图像增强
原理
暗通道先验（DCP）基于自然图像中雾霾等模糊区域的“暗通道”特性：在无雾图像中，每个局部区域至少存在一个颜色通道（R/G/B）的像素值极低（如接近0），雾霾会导致图像亮度偏高、对比度下降,DCP通过估计透射率和大气光强来恢复原始图像。
关键步骤
- 计算暗通道图：对每个像素，取其邻域内R/G/B三个通道的最小值，得到暗通道图。
- 估计大气光：在暗通道图中选取亮度最高的若干像素（如前0.1%像素），对应原图中这些位置的均值作为大气光值。
- 计算透射率：基于暗通道图与大气光的关系，通过公式反向推导透射率。
- 图像复原：利用透射率和大气光值,修正原图像的亮度和对比度。
优势与局限
- 优势：对雾霾去除效果显著，能恢复图像细节。
- 局限：依赖参数（如窗口大小、阈值），可能过度增强导致失真；对非雾图（如天空区域）可能失效。
小波变换图像增强
原理
小波变换将图像分解为低频近似分量和高频细节分量，通过调整高频系数（如放大或阈值处理）增强边缘和纹理,再重构图像。
关键步骤
- 多尺度分解：使用小波基（如Haar、Daubechies）将图像分解为多层近似系数和细节系数。
- 系数处理：对高频细节系数进行增益调整（如乘以系数）或阈值降噪。
- 重构图像：通过逆变换合并处理后的系数,得到增强图像。
优势与局限
- 优势：多分辨率处理，可平衡细节增强与噪声抑制；适用于多种增强场景（如边缘锐化、对比度提升）。
- 局限：计算复杂度高；参数（如小波基选择、阈值）需经验调整。
方法对比
| 维度 | 暗通道先验 | 小波变换 |
|---|---|---|
| 原理 | 基于物理模型的透射率估计 | 多尺度频域分解与系数处理 |
| 适用场景 | 雾霾去除、低对比度图像 | 通用增强（边缘锐化、降噪等） |
| 参数敏感性 | 高（窗口大小、大气光估计） | 中（小波基、阈值） |
| 计算效率 | 较低（需多次滤波） | 较高（快速算法如Mallat） |
| 副作用 | 可能产生颜色失真或过度增强 | 可能引入伪影或噪声放大 |
问题与解答
问题1：暗通道先验在非雾图像中是否有效？
解答：
暗通道先验的核心假设是“自然图像中存在暗像素”，因此对非雾但对比度低的图像（如阴天、室内弱光）仍可能有效，但对于天空、白色墙壁等本身缺乏暗通道的区域，直接应用会导致颜色失真，需结合透射率修正或后处理（如保边滤波）优化。
问题2：如何选择小波变换的基函数？
解答：
小波基的选择需根据任务需求：
- Haar小波：简单快速，但平滑性差，适合基础增强。
- Daubechies（dbN）：N越大平滑性越好，适合复杂纹理（如医学图像）。
- Symlet：近似对称，减少相位失真，适合视觉敏感场景。
实际中可通过实验对比不同基函数的增强效果，优先选择
