【图像处理】图像去雾、图像增强、灰度直方图均衡化研究附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在图像处理领域，图像去雾、图像增强和灰度直方图均衡化是三类重要的预处理与优化技术，广泛应用于计算机视觉、遥感监测、医疗影像、自动驾驶等领域。受限于成像设备性能、环境干扰（如雾霾、光照不足）或场景复杂性，原始图像常存在对比度低、细节模糊、噪声干扰等问题，直接影响后续分析（如目标检测、图像分割）的准确性。深入研究这三类技术，对于提升图像质量、挖掘图像有效信息具有重要的理论与实践意义。

图像去雾：还原退化场景的关键技术

雾、霾等气象条件会导致光线在传播过程中发生散射，使得成像设备捕获的图像出现对比度下降、颜色失真、细节模糊等退化现象。图像去雾技术的核心是消除散射影响，恢复场景的真实辐射信息，其研究重点在于构建精确的退化模型并设计高效的复原算法。

雾天图像退化模型

典型去雾算法

基于深度学习的方法

随着深度学习的发展，端到端的去雾网络成为研究热点。例如：

• DehazeNet：首个基于 CNN 的去雾模型，直接学习从雾图到透射率的映射，再结合大气散射模型恢复图像。

• Cycle-Dehaze：利用 CycleGAN 框架实现无监督去雾，通过构建雾图与无雾图的循环一致性损失，避免对成对训练数据的依赖。

• 基于 Transformer 的去雾模型：通过自注意力机制捕捉全局依赖关系，提升对浓雾、复杂场景的去雾鲁棒性。

挑战与难点

图像去雾仍面临诸多挑战：一是浓雾场景中透射率估计误差大，易导致恢复图像出现块效应或残留雾；二是真实雾图数据集稀缺，合成数据与真实场景存在域差异；三是动态场景（如视频去雾）中需平衡去雾效果与时间一致性，避免帧间闪烁。

图像增强：提升视觉质量与特征辨识度

图像增强的目标是通过调整图像的灰度、对比度、色彩等属性，改善图像视觉效果或突出特定特征，以适应人眼观察或机器分析需求。其与图像去雾的区别在于：去雾针对特定退化因素（散射），而增强更具通用性，可处理光照不足、噪声干扰、对比度低等多种问题。

增强目标与评价标准

增强目标因应用场景而异：在监控领域需突出目标轮廓，在医疗影像中需增强病灶细节，在遥感图像中需区分地物类型。评价标准包括主观评价（如视觉清晰度、自然度）和客观指标（如信息熵、平均梯度、结构相似性 SSIM）。

典型增强算法

基于空域的方法

• 对比度拉伸：通过线性或非线性变换扩展图像灰度范围，如线性拉伸（将灰度值映射到 [0,255]）、伽马校正（校正图像偏亮或偏暗）。

• 直方图修正：除灰度直方图均衡化外，还包括直方图规定化（将图像直方图匹配到目标分布），适用于需要特定灰度分布的场景。

• 锐化滤波：通过 Laplacian 算子或 Sobel 算子增强图像边缘，如非锐化掩模（Unsharp Masking），但可能放大噪声。

基于 Retinex 理论的方法

Retinex 理论认为图像由反射分量（物体固有属性）和光照分量（环境光照）组成，增强的核心是分离两者并调整光照分布。

• 单尺度 Retinex（SSR）：通过高斯滤波估计光照分量，适用于简单场景，但易出现光晕。

• 多尺度 Retinex（MSR）：结合不同尺度高斯滤波结果，平衡细节增强与光照平滑，广泛应用于低光照图像增强。

• MSRCR（MSR with Color Restoration）：在 MSR 基础上增加颜色恢复步骤，解决色彩失真问题，适用于彩色图像增强。

基于深度学习的方法

• 低光照增强网络：如 LLNet 通过降噪与增强结合，处理低光噪声图像；KinD 利用光照估计网络分离光照与反射分量，实现光照自适应调整。

• 场景自适应增强网络：如 ACE-Net 通过注意力机制识别图像中的关键区域（如人脸、文本），针对性优化增强策略。

挑战与难点

图像增强的核心挑战在于平衡增强效果与自然度：过度增强可能导致噪声放大、颜色失真（如 “过饱和”）；而保守增强则无法满足后续任务需求。此外，不同场景（如医疗影像、卫星图像）的增强目标差异大，通用增强算法的适应性有限。

灰度直方图均衡化：经典的对比度增强工具

灰度直方图均衡化是一种基于图像灰度分布特性的空域增强方法，通过调整灰度概率密度函数，使图像灰度值均匀分布，从而提升全局对比度。其原理简单、计算高效，是数字图像处理中的经典技术。

基本原理

方法演进与扩展

全局直方图均衡化（GHE）

传统 GHE 对整幅图像应用同一变换函数，适用于灰度分布集中的图像（如低对比度图像）。但缺点明显：若图像中存在大面积高亮或低暗区域，均衡化后会过度增强噪声，甚至丢失细节（如医疗影像中的病灶区域）。

局部直方图均衡化（LHE）

为解决全局方法的局限性，局部直方图均衡化（如自适应直方图均衡化 AHE）将图像划分为多个子块，对每个子块单独进行均衡化。但子块间易出现边界效应，且对噪声敏感。

限制对比度自适应直方图均衡化（CLAHE）

CLAHE 是 AHE 的改进版，通过限制子块直方图的对比度斜率（即裁剪超过阈值的直方图部分），避免噪声过度放大。同时，通过双线性插值平滑子块边界，减少块效应。CLAHE 在医疗影像（如 X 射线、CT 图像）中应用广泛，能有效增强骨骼、软组织的细节。

其他扩展方法

• 平台直方图均衡化：通过设定灰度值上限（平台值），保留图像中的高亮 / 低暗区域特征，适用于遥感图像中云层与地物的区分。

• 彩色图像的直方图均衡化：通常在 HSV、YCrCb 等颜色空间中对亮度通道（如 V 通道、Y 通道）单独均衡化，避免色彩失真。

挑战与难点

灰度直方图均衡化的局限性在于对局部对比度的提升能力有限：它仅优化全局灰度分布，无法针对图像中的局部细节（如小目标、弱边缘）进行增强。此外，对于灰度分布复杂的图像（如包含多个峰值的直方图），均衡化效果往往不理想，需结合其他方法（如小波变换、形态学运算）进行改进。

三者的关联性与融合应用

图像去雾、图像增强、灰度直方图均衡化虽各有侧重，但存在紧密联系，且在实际应用中常结合使用：

• 去雾与增强的结合：去雾可视为一种特定场景的增强（消除雾导致的退化），而均衡化等增强方法可作为去雾的后处理步骤。例如，对去雾后的图像应用 CLAHE，进一步提升局部对比度（如雾天交通场景中，先去雾再增强车辆、车道线的细节）。

• 均衡化在增强中的基础作用：直方图均衡化是许多高级增强算法的基础模块。例如，Retinex 算法分离光照分量后，可对反射分量应用均衡化，增强细节特征；深度学习增强网络中，常将直方图特征作为输入或损失函数的一部分（如直方图匹配损失）。

• 多技术协同优化：在复杂场景处理中（如低光照雾天图像），需先通过去雾算法消除散射影响，再用均衡化调整灰度分布，最后结合锐化增强边缘，形成 “去雾 - 均衡化 - 锐化” 的流水线式处理策略。

典型应用案例包括：

• 智能驾驶视觉系统：通过去雾算法处理雾天图像，再用 CLAHE 增强道路标志、行人的对比度，提升目标检测算法的鲁棒性。

• 医疗影像分析：对 MRI、CT 图像先进行均衡化，改善因设备或扫描参数导致的灰度不均，再通过增强算法突出肿瘤边缘，辅助医师诊断。

总结与展望

图像去雾、图像增强与灰度直方图均衡化是提升图像质量的核心技术，从传统方法到深度学习的演进，体现了从 “基于先验” 到 “数据驱动” 的发展趋势。未来研究方向包括：

1. 跨场景通用模型：结合元学习、领域自适应技术，设计能适应雾、低光、噪声等多种退化的统一处理框架。

1. 轻量化与实时性：优化算法复杂度，满足移动端（如手机摄影）、嵌入式设备（如监控摄像头）的实时处理需求。

1. 物理模型与数据驱动的融合：将大气散射模型、Retinex 理论等物理知识嵌入深度学习网络，提升模型的可解释性与鲁棒性。

1. 评价体系的完善：建立更贴合人类视觉感知的客观评价指标，避免 “算法优化但视觉效果下降” 的矛盾。

⛳️ 运行结果

🔗 参考文献

[1] 艾明晶,戴隆忠,曹庆华.雾天环境下自适应图像增强去雾方法研究[J].计算机仿真, 2009(7):4.DOI:10.3969/j.issn.1006-9348.2009.07.062.

[2] 钟仡龙.单幅图像去雾处理算法研究及软件实现[D].西南交通大学[2025-07-27].DOI:CNKI:CDMD:2.1013.106720.

[3] 苏春莉,赵向梅.图像去雾增强算法研究[J].价值工程, 2012, 31(32):3.DOI:10.3969/j.issn.1006-4311.2012.32.098.

📣 部分代码

🎈 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 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

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、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、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、用电量预测、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

🌈图像处理方面

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

🌈 路径规划方面

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、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

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、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

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、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇