基于多尺度小波变换的图像去雾与细节复原系统

资 源 简 介

本项目主要实现基于离散小波变换（DWT）理论的单幅图像去雾算法，旨在解决雾霾天气下图像对比度低、颜色偏移及细节模糊的问题。代码首先将输入的RGB含雾图像转换至适合处理的色彩空间（如YCbCr或HSV），接着对亮度分量进行多级离散小波分解，分离出低频近似系数和高频细节系数。针对低频分量，算法采用Retinex理论或自适应直方图均衡化来去除雾霾遮罩并提升全局亮度对比度；针对高频分量，应用非线性增益函数或高频强调滤波来增强被雾气衰减的边缘纹理信息。处理完毕后，通过离散小波逆变换（IDWT）重构图像分量，并转换回RGB空间进行色彩恢复。该系统不仅能有效去雾，还能在保持图像自然度的同时显著提升图像的清晰度和可视性，适用于交通监控、户外安防及无人机航拍等场景的图像预处理。代码中包含完整的算法实现、测试脚本以及用于评估去雾效果的客观指标计算模块（如信息熵、平均梯度等）。

详 情 说 明

项目：基于多尺度小波变换的图像去雾与细节复原系统

1. 项目介绍

本项目是一个基于MATLAB实现的图像去雾与细节增强系统。该系统采用了离散小波变换（DWT）理论，将图像分解为不同频率的分量，并针对低频和高频分量分别采用特定的增强策略。系统旨在解决雾霾天气下拍摄图像对比度低、颜色黯淡以及细节丢失的问题。通过在YCbCr色彩空间对亮度分量进行多级小波分解，结合限制对比度自适应直方图均衡化（CLAHE）与高频细节增益技术，不仅能有效去除雾气，还能显著恢复图像的边缘纹理和色彩饱和度。

2. 功能特性

• 智能图像输入：支持用户交互式选择图片；若未选择图片，系统会自动加载内置图像并应用大气散射模型模拟雾霾效果，以便进行算法演示。
• 多尺度频域处理：利用sym4小波基进行二级离散小波分解，实现图像低频信息与高频细节的精准分离。
• 混合去雾增强策略：

* 低频分量：采用CLAHE算法去除雾霾遮罩，提升全局亮度和对比度。 * 高频分量：结合软阈值去噪与加权增益技术，在抑制噪声的同时强化边缘纹理。

• 色彩保真与优化：在YCbCr空间处理亮度，保留原始色度信息；并在后期通过HSV空间进行饱和度补偿，防止去雾后图像色彩寡淡。
• 客观评价指标：内置图像质量评估模块，自动计算并对比去雾前后的信息熵和平均梯度。
• 可视化对比：提供直观的GUI窗口，并排显示原始含雾图像与处理后的清晰图像。

3. 系统要求

• MATLAB R2014a 或更高版本
• Image Processing Toolbox（图像处理工具箱）
• Wavelet Toolbox（小波工具箱）

4. 使用方法

1. 启动MATLAB环境。
2. 确保main.m文件位于当前工作路径下。
3. 在命令行窗口输入 main 并回车运行。
4. 在弹出的文件选择对话框中选择一张受雾霾影响的图片（支持jpg, png, bmp, tif格式）。
5. 点击“取消”可进入演示模式，系统将自动生成模拟雾霾图像进行处理。
6. 程序运行结束后，将弹出结果对比窗口，并在命令行显示客观评价指标。

5. 核心算法与实现逻辑

本项目的核心逻辑在main.m中严格按照以下步骤实现：

5.1 图像读取与预处理

程序首先尝试通过UI界面让用户选择图像。如果用户取消选择，系统自动读取MATLAB内置的autumn.tif，将其转换为双精度浮点型，并基于大气散射模型（设置透射率0.6，大气光0.9）生成人工合成的含雾图像，确保任何情况下程序都能运行演示。

5.2 色彩空间转换

为了避免颜色失真，算法将RGB图像转换为YCbCr色彩空间。去雾处理仅针对代表亮度的Y通道进行，而Cb和Cr色度通道保持不变，从而最大限度地保持图像原始色调。

5.3 多尺度离散小波分解 (DWT)

采用sym4作为小波基函数，对Y通道进行两级分解：

• 一级分解：得到近似系数cA1及水平、垂直、对角线细节系数cH1, cV1, cD1。
• 二级分解：基于cA1继续分解，得到低频近似系数cA2及二级细节系数cH2, cV2, cD2。

5.4 低频分量增强 (去雾)

针对包含主要能量和雾霾遮罩的低频分量cA2，算法实施以下步骤：

1. 归一化：将系数缩放至[0, 1]区间。
2. CLAHE处理：应用限制对比度自适应直方图均衡化（adapthisteq），设置裁剪限制（ClipLimit）为0.01，分布模式为瑞利分布（Rayleigh）。这一步极大地提升了基频图像的对比度，有效去除“白雾”感。
3. 逆归一化：将增强后的系数映射回原始数值范围。

5.5 高频分量增强 (细节复原)

针对包含边缘和纹理的高频系数（cH, cV, cD），不仅进行简单的放大，还考虑了噪声抑制。通过辅助函数enhance_detail处理：

• 阈值去噪：计算基于中值绝对偏差的噪声标准差，设定软阈值。
• 细节增益：使用软阈值函数提取纯净细节，然后对其应用特定的增益系数（二级细节系数增益为1.5，一级细节系数增益为2.0），并叠加回原始系数中。这种方法在锐化图像的同时避免了噪声的过度放大。

5.6 图像重构与色彩恢复

1. IDWT重构：利用增强后的低频系数和高频系数，通过两次离散小波逆变换重构出增强后的Y通道。
2. 色彩空间还原：将增强的Y通道与原始Cb、Cr通道合并，逆变换回RGB空间。
3. 饱和度补偿：为解决去雾后图像可能出现的色彩灰暗问题，算法将图像转换至HSV空间，将饱和度（S分量）提升20%（乘以1.2），然后转回RGB并截断至合理范围[0, 1]。

6. 关键辅助函数说明

enhance_detail(coef_in, gain)

这是高频系数处理的核心函数。它首先利用统计学方法（系数绝对值的中值除以0.6745）估计背景噪声水平，随后使用wthresh函数进行软阈值处理，去除微小噪声干扰。最后，按照公式 输出 = 输入 + 处理后的细节 * 增益 进行加权叠加，实现细节增强。

calc_entropy(img)

用于计算图像的信息熵。如果输入是彩色图像，先转换为灰度图。该指标反映了图像包含的平均信息量，值越大通常代表图像细节越丰富。

calc_avg_gradient(img)

用于计算图像的平均梯度。算法分别计算水平和垂直方向的差分，求得梯度幅值图，最后计算所有像素梯度的平均值。该指标主要用于衡量图像的清晰度和纹理丰富程度。