谢 勇 贾惠珍 王同罕 雷初聪 徐铠珈 陈 青
（1.东华理工大学江西省放射性地学大数据技术工程实验室 南昌 330013）（2.宁波大学计算机科学技术研究所 宁波 315211）（3.南昌工学院人工智能学院 南昌 330108）
由于气候变化、空气污染等原因，含雾图像的产生不可避免。在各类室内外雾、霾场景中存在着不同程度悬浮微粒（比如水气、粉尘等），图像各方面的质量都容易因此大幅度下降。光线在传播过程中，由于空气微粒的存在，光线被散射、吸收，从而衰减了目标物体的反射光，与此同时，周围大气光也受空气微粒的散射而成为最终成像的一部分。进而导致最终得到的成像图片不可避免地发生颜色衰减以及对比度下降，模糊程度上升，细节丢失等现象，不同程度降低视觉效果，这对于图像处理的后续工作是非常不利的。因此，对含雾图像进行有效去雾处理是十分必要的。
图像去雾算法，不言而喻，是利用一定的流程对含雾图像进行去噪处理，消除雾对目标物体的不良影响，从而得到视觉效果更佳的清晰图像。现今，图像去雾主流的算法根据实现思想的不同，可大致分为图像增强、物理模型以及深度学习的去雾算法三类。
2.1 直方图均衡化
2.1.1 概念
直方图均衡化，因其具有简单高效等优点，在图像处理中被广泛认可并加以运用。其主要算法思想为非线性地对图像进行拉伸，实现灰度值的再次分配，进而实现一定范围灰度值内包含的像素个数大致一致。
由上可知，直方图均衡化实现去雾，即对含雾图像进行直方图均衡处理。由于含雾图像的灰度直方图对比清晰图的灰度直方图分布较为集中不均匀，从而造成含雾图像较清晰图像亮度更低。于是考虑对含雾图像灰度直方图进行拉伸均匀处理，实现提高对比度。在这一过程中，对含雾图像灰度直方图进行均匀处理，使其分布到整个图像灰度空间，进而实现含雾图像对比度增强的效果，实现对含雾图像细节的突出，提高含雾图像清晰度。
2.1.2 基本理论
通常，取灰度级r的范围为[0,L-1]，r=0 代表的是黑色，r=L-1代表的是白色，灰度映射关系具体表达如下：
式（1）中，s代表的是输出图像灰度值，r代表的是s所对应的像素。当满足以下两个条件：1）T(r)在[0,L-1]单调递增；
2）如果r∊[0,L-1]，则T(r)∊[0,L-1]，那么可以进一步得出：
此时，式（1）的条件转换为(a)T(r)在[0,L-1]上严格单调递增。
条件1）限制了灰度映射函数在其定义域内是单调递减的，即输入灰度级≤输出灰度级，同时又解决了式（2）可能诱发的人为缺陷。对于条件2），表示的是，在一幅图像灰度化之后，在通过对直方图进行均衡化映射变换后，输入灰度级与输出灰度级属于同一值域。式（2）的条件1）使得对灰度变化进行逆变换处理时不会出现二义性，实现一一对应。
又因r∊[0,L-1]，且r∊Z，所以灰度映射变换时，对最终结果应进行取整。
灰度级属于[0,L-1]的一幅灰度图像，其灰度级可视为一个随机取值的变量。通过概率密度函数对随机变量进行描述，经变换的两个对应灰度级具体表示如下：
式中，Pr(r)代表的是灰度级r所对应概率密度函数，Ps(s)代表的是灰度级s所对应概率密度函数。基于概率论，当Pr(r)与T(r)已知，且T(r)在某值域中连续并可微成立时，式（3）成立。
进一步引入累计分布函数，其具体如下：
式中，ω代表积分假变量，则式（4）代表r累积分布函数。因其函数值域均大于0，则s>0，且为函数图像与坐标构成图像的面积。当r=L-1，s=1，即面积为1。
由Newton-Leibniz准则进一步得出：
由式（6）可知，Ps(s)为均匀的概率密度函数。
对于非连续的离散值，一幅数字图像各灰度级rk显示的概率可以近似表达为
式（7）中，mn代表的是图像的像素总数，nk代表的是灰度级rk所对应的像素数量，L图像中灰度级总数。与rk对应的Pr(rk) 即为直方图。对式（4）进行离散变换，可得：
式（8）中，T(rk) 即为直方图均衡，在这个过程中，完成了原图像各灰度级rk到灰度级sk的映射转换。
由以上可知，在通过灰度图像实现直方图进行均衡化之后，使得一定范围灰度值内包含地像素个数大致一致，实现非线性地对图像进行拉伸提升对比度，从而使细节得以提升，并且使得含雾图像某些光照不充分部分得到光照补偿。这一算法通过灰度化图像之后，通过均衡化图像直方图分布，均衡化的过程中实现图像对比度的提升，主要可分为两种方法，包括全局图像均衡化以及局部图像均衡化。
2.1.3 全局图像均衡化
全局图像均衡化，其首先对彩色图像的三原色RGB分别进行灰度化处理，进一步对整幅图像灰度直方图进行均衡处理，从而生成清晰度更高的新图像。实现效果具体如图1。
图1 全局图像均衡化
2.1.4 局部图像均衡化
局部图像均衡化是以全局图像均衡化为基础，其首先通过将原含雾图像的三原色RGB 在单个颜色通道上的颜色信息进行非重叠的划分成数个子块。然后对独立子块进行灰度直方图的均衡处理。最后对处理后的子块进行叠加处理，获得新图像。实现效果具体如图2。
图2 局部图像均衡化
对于以上两种去雾方法，全局图像均衡化，实现思路较为简单，即均衡化整幅图像，从而优化视觉效果。但对于局部细节的处理不到位，对于复杂场景的含雾图像处理效果并不理想，仅仅对简单场景含雾图像适用，且去雾效果并不算明显。局部图像均衡化，利用均衡化算法实现局部图像区域分散均匀，进而得到增强局部效果，对于对比度不强的含雾图像具有不错的效果。但致命的是，局部均衡化在很大程度上加剧了噪声对目标物体的影响。
2.2 Retinex增强
Retinex 这一理论同样是基于图像增强，基本原理是强调色彩恒常性的颜色理论。该理论主要认为，人眼对目标物体色彩的感知与目标物体的反射性质密切相关，即亮度与反射率成正比。对于由于光照不均匀而造成彩色图像比度低的图像，具有不错增强效果。Retinex增强可分为Retinex单尺度增强、Retinex 多尺度增强以及Retinex 色彩多尺度增强三种。
2.2.1 Retinex单尺度增强
Retinex 单尺度增强（SSR）认为含雾图像I（x，y）由两部分［1］构成，其一，入射光分量L（x，y），其二，反射光分量R（x，y），具体表达如下：
对等式两边取对数，进一步得到：
Retinex 单尺度增强（SSR）对RGB 这3 个颜色通道与环绕函数分别进行卷积处理运算，由此得到的新图像被认为是对原图的光照分量的估计［2］，具体表达为
其中∙代表的是卷积运算，i代表的是RGB 三个通道的数值，σ代表的是高斯标准差，成为尺度参数。实现效果具体如图3。
图3 Retinex单尺度增强
2.2.2 Retinex多尺度增强
对于SSR，唯一可调节的仅有σ。σ的值较小时，有利于边缘信息的保持，但在色彩保持方面效果不好，易出现颜色失真的问题。σ的值较大时，色彩保持方面效果较好，但丢失边缘信息的问题严重。为了实现在细节保持，色彩保持两方面均取得较好效果，Retinex 多尺度增强（MSR）应运而生。其算法主要思想是对SSR进行加权平均处理，具体表达如下：
其中，N代表的是尺度数量，通常情况取3，ωk代表的是每个尺度的权重，ωk之和为1，ck代表的是第k尺度上对应的高斯标准差，称为尺度参数。实现效果具体如图4。
图4 Retinex多尺度增强
2.2.3 Retinex色彩多尺度增强
Retinex 单尺度增强、Retinex 多尺度增强均基于RGB 三原色，然而，这三种颜色由较强的耦合性，从而导致经过SSR 或者MSR 处理得到的图片各颜色通道上的比值与原含雾图像的一致性难以确保。基于以上问题，Jobson 等人引入一个新的概念，恢复因子，Retinex色彩多尺度增强［3］诞生了，恢复因子表达如下：
进一步得到新的MSR具体表达如下：
实现效果具体如图5。
图5 Retinex色彩多尺度增强
对于以上三种算法，第一种，Retinex 单尺度增强，实现简单，通过对环境亮度的估计获得反射图像，无须对场景进行额外校正，但光晕现象容易出现。第二种，Retinex 多尺度增强，通过动态压缩以及利用颜色不变性实现增强，在视觉效果方面表现更好，但遗憾的是同样没有解决光晕现象。第三种，Retinex 色彩多尺度增强解决了前两种增强算法色彩损失问题，但适用性不高，主要表现在参数复杂，计算量过大等方面。
2.3 同态滤波
同态滤波与Retinex 增强较为接近，主要思想均为将含雾图像分为入射光以及反射光两部分，含雾图像入射光部分属于低频部分，变化缓慢；
含雾图像反射光部分属于高频部分，主要指的是变化剧烈的边缘。基于以上原理，含雾图像可具体表达如下：
其中，i(x,y)代表的是入射光，r(x,y)代表的是反射光，r(x,y)∊(0,1)，r(x,y)为0 代表的是光照全部为微粒吸收，r(x,y)为1代表的是光照全部被微粒反射，r(x,y) 主要取决于物体表面成像特性。
通过同态滤波含雾图像进行处理，即对含雾图像进行取对数，具体表达如下：
进一步做傅里叶变换，得到频域：
通过使用同态滤波函数H(u,v)，对i(x,y)的波动范围进行约束，从而衰减I(u,v)，达到增强r(x,y) 对比度的效果，进而增强R(u,v)，可得：
对S(u,v)进行傅里叶变换运算以及指数运算，得出最终去雾结果g0(x,y) ：
同态滤波进行去雾消除噪声，本质上就是增强高频部分，衰弱低频部分，从而实现提高对比度，增强图像，达到去雾效果。实现效果具体如图6。
图6 同态滤波
虽然在细节保持方面同态滤波处理之后的图像比原图光照明亮部分的细节有所加强，但对于光照较暗区域效果不佳。
2.4 其它算法及改进
除上述方法，还有基于小波变换以及偏微分的去雾算法。前者对含雾图像进行小波变换处理，将含雾图像分解成两部分，其中包括1 个低频部分以及3 个高频部分的子图像，进而增强不同频率的各系数，实现对比度的提升，实现去雾。偏微分通过将每一个像素位置的坐标作为自变量的二元函数，每个像素的对应的梯度值构成了整幅图像的对比度场，图像增强是通过实现增大其对比度场实现的。然而，由于上述两种去雾方法实现复杂，在实际去雾应用中使用较少。
全局图像均衡化，实现思路较为简单，即均衡化整幅图像，从而优化视觉效果。但对于局部细节的处理不到位，对于复杂场景的含雾图像处理效果并不理想，仅仅对简单场景含雾图像适用，且去雾效果并不算明显。局部图像均衡化，利用均衡化算法实现局部图像区域分散均匀，进而得到增强局部效果，对于对比度不强的含雾图像具有不错的效果。但致命的是，局部均衡化在很大程度上加剧了噪声对目标物体的影响。基于以上问题，KIM［4］使用双直方图进行均衡化，对原始含雾图像的直方图进行分解，得到两段直方图，分别对这两段直方图进行均衡化，在亮度保持不变的情况下，可以实现对比度的增强；
REZA［5］通过对限制对比度的直方图进行均衡化，进而平滑处理局部边界，去雾效果有很大突破，而且困扰已久的快效应问题也得到有效解决。限制对比度的直方图进行均衡化去雾效果如图7。
图7 限制自适应直方图去雾
Retinex 增强自诞生起，在NASA 成功运用Ret⁃inex单尺度增强（SSR）处理航拍图像并取得较好效果之前，很长时间内都不被重视。SSR 实现简单，通过对环境亮度的估计获得反射图像，无须对场景进行额外校正，但光晕现象容易出现。由于Ret⁃inex 单尺度增强这一方法对于不均匀光照的图像处理普遍存在光晕现象，MEYLAN［6］利用对图像光照进行自适应估计的方法，成功而有效解决了去雾处理之后的图像的光晕现象，但该算法不易实现，主要表现在计算量过大。现有的基于Retinex 增强的图像去雾算法，往往仅对薄雾图像适用，浓雾图像的处理效果差强人意。由此，高原原［7］使用多子块协同的Retinex 单尺度增强算法，其算法主要根据雾霾浓度动态地计算获得截断值，通过获取地截断值进一步动态地对高频信息进行调整，从而实现对含雾图像局部细节的增强。对于全局图像均衡化普遍存在丢失细节的现象以及Retinex 算法无法实现图像细节与图像色彩同时恢复的现象，周雪智［8］将Retinex增强和直方图均衡化两者进行结合，在图像处理过程中实现了保持细节与恢复色彩的双赢。
基于物理模型的去雾算法，从图像因雾影响发生退化的原因出发，对雾天图像退化进行物理模型的研究，从而估计模型各参数，反演退化过程，从而实现含雾图像的去雾处理，得到清晰图。现今，常用大气散射模型［9］来对雾图的成像原因进行描述。
如图8，大气散射模型对图像的描述由两部分构成，其一，传播过程中目标物体反射光在经历悬浮粒子吸收、衰减后最终被成像设备接收；
其二，周围大气光经历悬浮粒子散射而成为最终成像的一部分。对其公式可具体重写如下：
图8 大气散射模型
式中，F(t)，C(t)，L(t)分别代表雾图，无雾图，大气光值。T(t)代表各像素的透射率，t则代表整幅图像的每一个像素的位置。式（23）等号右边第一项C(t)T(t)称之为衰减项，即物体在大气中衰减后的反射光，式（23）等号右边第二项L(t)(1 -T(t))则代表在大气中散射之后被增强的大气光。
假设大气成分是均匀，即L(t)不变时，那么则可对透射率T(t)重写为
其中，β，d(t)分别代表大气衰减系数，景深。
图像去雾流程具体表现为，以输入含雾图像F(t)为起点，估计模型各参数，反向编译生成清晰图C(t)。现今，根据基于假设或先验的不同可分为如下三种算法：基于景深去雾算法、基于偏振光去雾算法以及基于知识先验去雾算法［10］。
3.1 基于景深去雾算法
基于基于景深去雾算法，对模型参数的估计是通过计算目标物体景深，反演退化过程，从而实现含雾图像的去雾处理，得到清晰图。Oaldey等［11］假设场景深度信息已知，利用高斯函数对场景中的光路进行预测，实现场景对比度地复原，与此同时，天气相关信息无需预测。但实现条件比较苛刻，需要特定硬件设备才能获取景深。Kopf 等［12］通过软硬件设备实现辅助信息地获取，从而获得景深、纹理的数据创建了一个新的系统，未解决需特定设备才能获取景深这一问题。实现效果具体如图9。
图9 基于景深去雾算法
基于景深去雾算法在一定程度上，实现了含雾图像较好的复原，但使用场景单一，通用性不强，实现硬件条件复杂或者需要额外工作，难以广泛应用。
3.2 基于偏振光去雾算法
在各类室内外雾、霾场景中，目标物体光线强度随景深距离增大而大幅度衰减，而周围环境大气光却随景深增大而大幅度上升。研究人员通常认为成像设备的偏振度主要是大气中的微粒散射造成的。这一假设的基础上，Schechner 等［13］利用大气光偏振性质，通过估计两幅以上图像各个偏振方向所对应的偏振度、大气光值、透射率等参数，从而估计模型各参数，反演退化过程，从而实现含雾图像的去雾处理，得到清晰图。这类算法，用于薄雾的场景的效果不错，但浓雾场景下去雾效果较差。实现效果具体如图10。
图10 基于偏振光去雾算法
3.3 基于先验知识或假设去雾算法
对于单幅图像去雾，在去雾过程中，仅含雾图像对研究人员是已知的。为了对单幅图像实现去雾处理，需要对模型的各个关键参数进行有效的先验知识预估、假设，从而得到模型各参数，反演退化过程，从而实现含雾图像的去雾处理，得到清晰图。Tan［14］在统计中发现，相比于含雾图，无雾图像在对比度方面的数值是较高的，于是利用实现含雾图像的局部对比度最大化进而实现对含雾图像的去雾处理。在实验中，He［15］发现，无雾图像的暗通道几乎为零，于是将暗通道作为估计透射图的工具，并且利用大气模型重新计算构造无雾图像，从而实现除雾。图像暗通道可具体表示如下：
即以像素点t作为中心点，分别在三个颜色通道μ取其最小值，最后将三个颜色通道的最小值取做t的暗通道值，如图11所示。
图11 暗通道结构
式（25）中，μ(t)代表的是图像各个像素t的邻域，即以t为中心的一块矩形区域，JC代表的是各个颜色通道，Jdark代表的是暗通道图。除了天空部分，Jdark的强度均很低并且接近于0。利用暗通道先验简化大气散射模型并假设透射率在局部保持不变，可得透射率：
式（26）中，I(t)C代表的是输入图像，即含雾图像，L(t)C代表的是全局大气光，ω代表的是雾的保留系数，通常取95%。进一步利用软抠图法对透射率进行细化，具体表达如下：
式（27）中，T(t)代表精确透射率，即优化后的透射率，K代表的是Laplace抠图矩阵，τ代表的是调整系数，U代表的单位矩阵。τ设置为较小数值，一般为e-4，利用T(t)对T"(t)进行约束。
最终将透射率T"(t)与L(t)带入大气模型得出清晰图像：
实现效果具体如图12。
图12 基于暗通道先验去雾算法
软抠图法得到的透射率一般较为精确，但致命的是，该算法时间空间复杂度过高，不便于实际应用。因此，He 等为了细化透射率，进而提出GIF（Guided Image Filter）［16］，GIF 的出现很大程度上提高了算法执行效率。然而，GIF 并不适用于所有场景，比如含雾图像存在大面积天空区域，这时，暗通道先验不适用，从而导致颜色失真、细节丢失等不良现象。后续研究者针对该方法的缺陷也提出了一系列的改进算法。一些更加有效的先验算法不断涌现，如颜色衰减先验。在前人的基础上，Zhu［17］发现并利用雾的浓度与其亮度减去其饱和度的值是成正比这一规律，引入基于场景深度（景深）的线性模型来解析雾图景深，从而重新计算构造无雾图像。实现效果具体如图13。
图13 软抠图去雾算法
在图像去雾领域中，如今研究的趋势是基于知识先验，即对模型的各个关键参数进行有效的先验知识预估、假设，从而得到模型各关键参数，反演退化过程，从而实现含雾图像的去雾处理，得到清晰图。但是，基于知识先验的通用性还不高，这是下一步研究的重点。
4.1 DehazeNet算法
近年来，由于CNN 在大型图像处理（如检测、识别等方面）上取得的巨大进展，利用深度学习进行含雾图像去雾处理的方法亦不断出现。CAI 等［18］对先验特征进行分析，针对性地设计了DehazeNet模型，从而实现对透射图的更加准确预测。首先，DehazeNet 将含雾图像作为输入，将学习到的透射率等参数作为输出。进而，通过大气模型反演退化过程，从而实现含雾图像的去雾处理，得到清晰图［19~20］。
DehazeNet 结构如图14 所示，在训练模型时，充分学习含雾图像与对应的透射率之间的映射关系。在特征提取层（feature extraction）中，Deha⁃zeNet 加入了Maxout 结构［21］，这个网络的作用是将DehazeNet连接并优化暗通道先验、最大对比度、颜色衰减先验、色调差异等理论。对于透射率的输出，基于透射率的数值范围在［0，1］之间，Deha⁃zeNet引进了一种新的能够保持局部线性的激活函数，即BReLu 函数。DehazeNet 将深度学习的方法应用于图像去雾处理，打开了深度学习处理去雾工作新世界的大门。
实现效果具体如图14。显而易见：虽然从人眼主观视觉上即可很直观地看出，DehazeNet 去雾网络在一定程度可以实现除雾，但不可避免存在颜色扭曲、色彩失真、块效应等问题，细节纹理结构上保真度上不够高，去雾效果不佳。
图14 DehazeNet结构
无独有偶，Ren［22］也构建了一种用于精准预测透射图的多尺度的卷积神经网络（MSCNN），其利用两个不同尺度的神经网络模型精准实现透射图的预测。由于上述算法都忽视了预测的大气光值的合理性，Li［23］利用线性变化，对大气模型进行重构，将模型的多个中间变量融合成一个等价的变量，从而进一步引出了AOD_Net［23］，以实现无雾图像的直接预测。
4.2 生成对抗网络及其改进
生成对抗网络（即GAN）是一种深度学习模型，由Goodfellow 等［24］设计提出。GAN 主要由两部分组成，一个生成器G，一个判别器D。基于零和博弈的思想，生成器G试图在生成样本时获得尽可能真实的结果，同时判别器D尽可能将样本生成与真实样本更加精确地区分开来，即尽可能区分假图和真图。起初，GAN 刚现世的时候，以生成具有良好感知质量的图像而名噪一时，但模型坍塌以及梯度分散等问题仍存在，并没有没有得到有效解决。为了解决以上问题，Arjovsky 等［25］提出衡量不相交部分之间的距离时，JS 散度并不适用，从而利用Was⁃serstein 距离W(q,p)对生成样本和真实样本的距离进行衡量，由此进一步提出了称为WGAN 的GAN 的改进版本。对于WGAN 的损失函数，可具体表示如下：
其中，∂代表一组非线性函数（满足利普希茨连续），Pg代表生成样本的数据分布，Pr代表真实样本的数据分布，训练WGAN 时，判别器D 遵循利普希茨函数的连续性，从而使判别值约等于K*W(Pr,Pg)，K代表利普希茨常数，规定了判别器梯度值的上限，W(Pr,Pg)则代表Wasserstein 距离，在WGAN 网络训练时，判别网络的权值被规定为[-c,c]，通过这一方式，权值参数的界限得以确保，从而限制其梯度信息。基于GAN 去雾实现效果具体如图15。
图15 DehazeNet去雾
图16 基于GAN去雾
以上两种方法均为基于深度学习模型的去雾算法，对准确预测的中间变量存在很强的依赖。必须认识到的是，每种雾图去雾算法，在预测中间变量这件工作上均存在不同程度的误差，而这些误差在对无雾图像进行计算重构时又会被放大［26］，从而导致图片失真。
由于GAN 的兴起，CHEN［27］等在GAN 的基础上，实现了一种端到端门学习的网络生成无雾图像。该网络使用平滑扩张处理含雾图像，以此来消除伪影。该网络以含雾图像作为输入，雾图在编码器中被编码为特征图并输出，进一步将不同级别的特征进行融合实现增强图像的处理。最后，利用平滑扩张将特征图进行解码处理成原始的图像，实现目标雾度残留的提取。在客观指标PSNR 和SSIM数值提升上表现很不错。
目前，相比之下，端到端的图像去雾算法，虽然可以实现防止这些误差的出现，但对于特征的学习依旧不够充分，图片细节丢失［28］等问题依旧存在。
主要对图像去雾领域中相关算法研究状况进行了阐述，其中包括图像增强、物理模型和深度学习三个方面对图像去雾算法的研究现状进行系统的归纳总结，以及各类去雾算法的优缺点分析。在图像处理工作中，对含雾图像进行去雾占据着举足轻重的地位。然而，图像去雾处理这一工作仍然有一些问题需要改善解决。
1）更加简单高效的去雾算法。虽然目前各类算法均能在不同程度上实现雾图的去雾处理。但去雾效果相对较好的算法，往往都存在时间空间复杂度较高等问题。因此，如何实现更加简单高效的算法实现去雾是一个颇具挑战性的问题。
2）更加稳定的去雾算法。近来，虽然涌现了数量颇丰的图像去雾算法，但大都稳定性不够强健，有些只适用于较小天空区域的图像，有些只适用于薄雾图像，应当提高算法的稳定性。
3）客观准确的评价标准。一个评价标准的准确与否，很大程度上决定了算法是否成功，评价标准不能单方面地评价某个指标，应包括主客观各方面内容，这也应当是一个急需解决的问题。
总之，虽然在图像去雾方面，进来取得了一定的进展，但由于算法的不完善，模型不可避免的误差等问题的存在，现存的算法还不能达到尽善尽美的效果，在图像去雾处理这一方面，还有很大进步空间。
猜你喜欢均衡化透射率直方图符合差分隐私的流数据统计直方图发布湘潭大学自然科学学报(2022年2期)2022-07-28噪声对相干衍射成像重构物体图像的影响武汉工程大学学报(2022年2期)2022-05-05一种改进的场景透射率修正图像去雾算法测控技术(2019年4期)2019-09-20用直方图控制画面影调摄影之友(影像视觉)(2018年12期)2019-01-28纯色太阳镜镜片耐日光辐照性能试验研究中国眼镜科技杂志(2018年13期)2018-08-11中考频数分布直方图题型展示初中生世界·八年级(2017年3期)2017-03-24PSO约束优化耦合直方图均衡化的图像增强算法现代电子技术(2016年15期)2016-12-01基于空间变换和直方图均衡的彩色图像增强方法潍坊学院学报(2016年6期)2016-04-18制度变迁是资源均衡化的关键中国卫生(2015年1期)2015-11-16直方图均衡化技术在矢量等值填充图中的算法及实现物探化探计算技术(2015年2期)2015-02-28