改进多尺度Retinex算法提升云雾下图像质量：基于衰减模型与信息熵优化

本文主要探讨了在自由空间中光信息传输模型如何改善图像质量，尤其是在云雾天气条件下。在恶劣的天气下，图像质量会因为大气散射现象而受到影响，导致图像失真。文章首先分析了大气散射的机理，这是影响图像质量的关键因素，包括衰减模型和大气光模型。衰减模型描述了光在穿过大气时的衰减过程，而大气光模型则描绘了光线在大气中的散射分布情况。 针对没有精确天气数据和景深信息的情况，研究人员提出了一个方法来恢复退化的图像。这个方法的核心步骤是利用改进型多尺度Retinex算法。Retinex算法是一种经典的图像处理技术，它试图恢复图像的局部对比度。通过先将原图像进行色彩反转，再使用改进的算法增强暗区域，然后再反转回去，可以有效地去除云雾造成的噪声。这种方法特别适用于彩色遥感图像，因为它能够有效地处理云层带来的复杂光照影响。 为了确保尽可能少地丢失图像的景物信息，文中引入了图像信息熵作为评估标准。信息熵是衡量图像信息不确定性的指标，一个较高的信息熵意味着图像细节更丰富。实验结果显示，对于带有厚云的彩色遥感图像，最佳的去云噪声效果出现在亮度平均值附近，标准差为1.5±0.1倍的范围内的拉伸操作，此时图像的信息熵达到最大，表明复原后的图像质量最优。 这篇论文提供了一种基于自由空间中光传输模型的图像处理策略，利用衰减模型、大气光模型和改进型多尺度Retinex算法，有效地去除了云雾对图像质量的影响，提高了遥感图像的可用性。同时，通过信息熵的计算，为实际应用中的图像恢复提供了量化评估手段。这项工作对于遥感领域、气象监测以及图像处理技术的发展具有重要意义。