遥感图像去云雾处理

王健

【摘要】本文基于小波变换理论，通过小波层的分解，并对分界层数I、阈值δ、权重w进行合适选择，能有效去除云雾，达到突出景物信息、提高其清晰度的目的。

【关键字】去云雾 小波分解

一、引言

遥感技术对现代的科学研究和应用有很大的帮助，但是遥感技术自身存在一定的局限性。本文针对遥感图像中由于有云雾的干扰，导致拍摄的图像模糊不清，无法达到可利用的要求，提出用MATLAB软件，进行去云雾的处理。通过本论文去云雾的方法，使得原本模糊不清，对比度低的图片更真实的还原本来的样子。使得无法进行科学分析和研究的图像又可以再次利用起来。

二、算法流程图

原始图像经小波分解后，得到近似系数和细节系数。细节系数分为高层细节和低层细节。对于高层细节，需要重构后再进行云区阈值和加权。对于低层细节是进行小波包分解去除云雾，再加权和重构。最后把处理后的各个数据加乘得到最终结果。（图1）

2.1 参数的选择

本文算法中，要选择的参数有分界层数I、阈值δ、权重W，以及小波函数。采用均值、标准差、熵、平均梯度等客观评价方法，定量考察这些参数对处理效果的影响。

2.2 参数的确定

首先确定l，令小波分解层数为n，为将景物、云雾和背景信息区分到低层、高层和近似系数中，从小到大改变l的值，对于每个l，去掉高层细节系数，保留低层和近似系数，然后重构，考察去云雾效果。其中以信息熵为标准，值最大时的l最佳。

第二步确定阈值δ。先将亮度归一化为0-1，阈值以0.1为步长。依据最佳1值，低层细节系数、近似系数保持不变，高层细节系数重构后，作阈值处理，三部分重构，考察处理质量。阈值很小时，高层细节系数中云全部去除，同时景物信息也有所减少，因此总体信息量较少。随阈值增大，云区外景物信息逐渐保留，因此信息熵不断增加。但当阈值增大到一定程度，云区外景物信息不再增多，而云噪声开始增大，此时信息量又将减少。因此最大信息熵对应的阈值为最佳参数。

第三步确定细节系数权重w。高层细节系数处理后的恢复图像，除少量残留云外，主要包含景物信息，设置权重有利于增加景物对比度和清晰度。细节系数频率较高，因此权重越大，细节越突出，清晰度提高，标准差和平均梯度必然越大。但权重很大，景物与原始信息不符，造成失真，信息丢失。此处以熵值来决定细节系数权重的最佳选择。

三、实验结果

利用本文算法，对云较多的图像、云较少的图像、主要是雾的图像这三类进行实验。从去云处理的实际效果来看，结果令人满意，达到预期目标。不同的分层层数变换，其亮度，对比度，熵，梯度在内部比较，具有一定的规律性。

四、结束语

本文提出了对于典型的云雾遥感图像以熵值为合理选择分界层数、阈值、权重的依据，随参数变化，图像中有用信息变化的趋势与熵值变化一致，实验数据也证明熵判据最合理。

图象处理实验验证，本文算法能显著削弱遥感光学图像中云覆盖，突出景物信息，效果明显优于同态滤波和Retinex算法。