基于去雾模型的红外图像对比度增强方法及应用

本文主要探讨了在密集宏蜂窝网络部署策略中，如何基于能效和用户服务质量选择合适的透射率估计方法，特别是在处理红外图像去雾和增强对比度的过程中。首先，作者提到的去雾模型是通过将环境光L(x)视为原始图像中的雾气成分，并利用对比度拉伸来分离。在透射率估计中，他们利用红外图像的模糊特性，通过r×r的均值滤波（例如3×3或更大的窗口）对图像进行预处理，得到平均灰度值Iaver(x)，然后计算透射率t(x)的一个粗略估计，公式为t(x) = 1 - η·Iaver(x)/A，其中η是一个景深调整参数。 透射率随景深的变化进行自适应调节，通过调整η值来控制图像的雾气去除程度和亮度。η值较大时，图像雾气减少，但可能会牺牲亮度；η值小时则去雾效果不明显，增强效果不显著。研究者们提出了一种自适应方法来确定η，借鉴了Dong等人区分受雾影响像素的方法，通过统计图像中低于强度正常像素阈值T和图像平均值的像素数量来进行调整。 后续步骤中，作者针对无雾图像整体亮度较暗的问题，采用背景抑制的分段对比度增强技术，以提升图像的整体视觉效果。这种方法强调了层次感和细节信息的突出，旨在改善红外图像的视觉呈现。实验结果显示，该算法能够有效地增强红外图像的对比度，且在嵌入式平台上实时处理的时间仅为28毫秒，适合于实时应用。 文章的关键词包括图像处理、红外图像增强、去雾模型以及均值滤波，这些都是核心概念，贯穿整个研究过程。该方法不仅提升了红外图像的可读性和视觉质量，也展示了在实际网络部署策略中如何平衡能效和用户体验，尤其是在处理户外模糊图像时。