CN101448170A - 基于小波照度估计的雾天图像清晰化方法 - Google Patents

Abstract

基于小波照度估计的雾天图像清晰化方法，其特征是在对数域把输入的模糊雾天图像看成反射图像分量和照度图像分量之和，其中反射图像分量对应于图像中清晰的场景，照度图像分量对应于引起清晰图像模糊的因素，并使用小波分析方法计算出照度图像分量，再从输入的模糊雾天图像中减去在对数域中的照度分量，获取反射图像分量，实现对雾天图像的清晰化效果的增强。本发明方法运行速度快、效果好，不仅能解决多景深问题，而且不需要手工调节参数，具有很好的通用性。

Description

基于小波照度估计的雾天图像清晰化方法

技术领域

本发明涉及图像清晰化方法，更具体地说是一种基于小波照度估计的雾天图像清晰化方法。

背景技术

在雾天条件下，户外景物图像的对比度和颜色都会被改变或退化，图像中所蕴含的许多特征都会被覆盖或模糊。这对户外视频监控系统带来了很大的干扰。为保证户外视频监控系统能够在雾天下正常工作，必须借助计算机信息处理方法对雾天图像进行清晰化处理。

针对雾天图像的清晰化已有主要为两种方法，一种是基于大气物理模型的图像复原方法，另一种是图像增强方法。目前，国内外关于雾天图像清晰化的研究主要集中在基于大气物理模型的图像复原方法上。该类方法需要建立和求解较为复杂微分方程，算法计算量很大，一般无法用于实时场合，实用价值较低。图像增强是指按实际的需要突出图像中感兴趣的信息，去除或抑制不需要的信息，以改善图像的视觉效果。

目前关于图像增强的研究主要是针对低照度图像、医学图像和高动态范围图像；针对雾天图像的图像增强方法主要采用直方图均衡化方法和Retinex方法。这两种方法都有一定的局限性。雾天获取的景物图像在视觉感受上不清晰，反映在数据上就是原本较低的灰度值被加强、原本较高的灰度值被削弱，导致象素点灰度值的分布过于集中，使得对比度发生退化。图像退化的程度跟场景的深度成非线性关系，图像中不同区域有着不同的退化程度。景深越深的图像区域，其退化就越严重。

直方图均衡化图像增强方法一般对整幅图像进行增强，没有考虑到针对图像不同的景深区域采用不同的增强策略，因此不能直接用于对雾天图像的增强。局部的直方图均衡化方法，即AHE方法，虽然可以解决不同景深问题，但是该方法计算量非常大，不实用。AHE的改进算法，如POSHE算法、插值直方图均衡化方法等虽然在一定程度上减少了计算量，但降低了清晰化的效果一般会出现棋盘效应。

Retinex方法是根据图像的构成模型所提出的图像增强方法。局部Retinex算法(SSR方法、MSR方法及MSRCR方法)虽然能在一定程度上解决不同景深问题，但是该方法对雾天图像的清晰化效果一般不理想，例如会存在光晕伪影现象等，而且对不同的图像采用不同的参数值，需要通过手工对这些参数值进行调节。因此，该方法仅适合于某些特定的图像，难以推广到一般情形。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种运行速度快，不仅能解决多景深问题，而且不需要手工调节参数，具有很好的通用性的基于小波照度估计的雾天图像清晰化方法。

本发明解决技术问题采用如下技术方案

本发明基于小波照度估计的雾天图像清晰化方法的特点是：

在对数域把输入的模糊雾天图像看成反射图像分量和照度图像分量之和，其中反射图像分量对应于图像中清晰的场景，照度图像分量对应于引起清晰图像模糊的因素，并使用小波分析方法计算出照度图像分量，再从输入的模糊雾天图像中减去在对数域中的照度分量，获取反射图像分量，实现对雾天图像的清晰化效果的增强。

本发明方法的特点也在于：

所述使用小波分析方法计算出照度图像分量是：首先选取小波基函数对输入图像进行八级小波分解，得到一系列小波系数；其中低频系数集中了图像的能量，反映了图像的整体轮廓，高频系数反映了图像的细节；然后分别采用高斯函数和类蔓叶曲线调整低频系数和高频系数，最后通过小波反变换对调整过后的小波系数，包括低频系数和高频系数进行小波重构得到照度图像分量。

本发明方法按如下过程进行：

a、使用小波分析方法计算出照度图像分量

设f(x₁，x₂)为输入图像，使用(1)式对其进行8级小波分解：

$w(a,b_1,b_2)=\frac{1}{a}\∫\∫f(x_1,x_2){\mathrm{\ψ}}^{*}(\frac{x_1-b_1}{a},\frac{x_2-b_2}{a}){\mathrm{dx}}_1{\mathrm{dx}}_2---\left(1\right)$

其中a是分解的级数，取2^k，k＝1，2，…，8；b₁，b₂是位移因子，以4个象素为步长进行移动；ψ(u，v)是多贝西小波基函数；

根据a，b₁，b₂的不同取值得到一系列的小波系数w(a，b₁，b₂)，按小波树对其进行排列，形成小波系数序列w_i；设小波系数的总数为N，其前

个系数为低频系数，记为A_i，其余为高频系数，记为D_j；

对于低频系数A_i，使用高斯函数对其进行调整，得到新的低频系数B_i，公式如下：

$B_i={\mathrm{cA}}_i{e}^{m\underset{j=1}{\overset{n}{\mathrm{\Π}}}(x-a_j)/b}---\left(2\right)$

其中n为低频系数的个数， $m={0.00082}^{\sqrt{n}},$ c为亮度调节因子，它与原图像的亮度均值有关，取c＝223，b＝6000；

对于高频系数D_i，使用类蔓叶函数对其进行调整，得到新的高频系数E_i，公式如下：

E_i＝0.439ln(|D_i|+1)                        (3)

新的低频系数B_i和新的高频系数E_i组成了调整后的小波系数

使用小波反变换进行重构，得到照度图像l(x₁，x₂)：

$l(x_1,x_2)=\frac{1}{c_{\mathrm{\ψ}}}{\∫}_0^{+\∞}\frac{\mathrm{da}}{a^3}\∫\∫{\hat{w}}_i\mathrm{\ψ}(\frac{x_1-b_1}{a},\frac{x_2-b_2}{a}){\mathrm{db}}_1{\mathrm{db}}_2---\left(4\right)$

其中：

$c_{\mathrm{\ψ}}=\frac{1}{4{\mathrm{\π}}^2}\∫\∫\frac{{\left|\mathrm{\ψ}({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)\right|}^2}{|{\mathrm{\ω}}_1^2+{\mathrm{\ω}}_2^2|}{\mathrm{d\ω}}_1{\mathrm{d\ω}}_2$

b、获取反射图像

使用式(5)获取反射图像r(x₁，x₂)：

r(x₁，x₂)＝logf(x₁，x₂)-logl(x₁，x₂)             (5)

其中，r(x₁，x₂)即为清晰图像。

本发明方法中所述小波基函数选用多贝西小波、symlet小波或bior小波基函数。

以上方法针对灰度图像。对于彩色图像，对RGB三个通道分别使用上述方法处理即可。

与已有技术相比，本发明方法的有益效果体现在：

本发明方法运行速度快，效果好，不仅能解决多景深问题，而且不需要手工调节参数，具有很好的通用性。选取一幅1600*1200的雾天图像进行实验对比，图1雾天图像，图2经本发明方法处理的效果，图3是直方图均衡化方法处理的效果，图4是Retinex方法处理的效果。从视觉效果上看，本发明方法对于图像的细节的增强更加有效，在纹理上和图像信息的恢复上也取得了较好的实验效果，颜色恢复也比较平滑自然，没有出现光晕伪影。

图5是小波系数比较图，从图5可以清晰看出通过本发明方法处理的结果低频系数整体上低于原图和Retinex方法处理的结果。从小波系数均值方差统计表(表1)中可以看出：本发明方法的低频系数均值最小，说明本发明方法对处理雾天图像泛白发灰的问题起到很好的效果。本发明方法的低频系数方差高于原图和Retinex方法。这说明本发明方法处理后的系数波动性增强，反映在图像上则表现为图像的轮廓更加清晰。

从小波系数均值方差统计表可以明显看出，本发明方法处理结果的高频系数的方差明显大于原图、直方图均衡化和Retinex方法处理结果。这说明本发明方法处理后的小波系数的波动性明显增强，反映在图像上则是图像细节和纹理得到突显，细节被明显增强。高频系数与其他结果相比变化不大，这也说明，图像的高频细节系数对图像的整体能量影响并不大。

本发明方法可以广泛应用在如下场合中：

1、汽车、船只驾驶员视觉增强

在夜晚、浓雾等低能见度天气条件下，道路场景的可视性较差，驾驶员通过视觉获得道路环境信息不足，极易发生车辆碰撞等恶性交通事故。可以以本方法为算法基础，设置一种嵌入式车载视觉增强系统，满足驾驶员在夜间或雾天实时获取清晰路况信息的需求。系统通过车载前视摄像头获取路况视频，使用高性能车载DSP处理器运行上述新算法，对低照度或雾天视频做实时清晰化处理，并将处理后的清晰路况视频实时显示在车载显示屏上供驾驶员参考，预防交通事故。

车辆的刹车距离与车辆行驶速度有关，速度越快，刹车距离越远。在雾天，高速公路上经常发生多车连环相撞的交通事故，其主要原因是由于雾天导致能见度降低，驾驶员在高速行驶中发现前方有车辆或障碍物时再采取刹车、避让措施时，为时已晚。该系统能有效提高驾驶员的视觉距离，驾驶员可以提前采取刹车、避让等措施，从而避免撞车事故的发生。

另外，江、河、湖、海等是易发大雾的区域，经常发生由于大雾造成船只碰撞事故，本发明方法同样可用于船只驾驶员的视觉增强，避免撞船、撞桥等事故发生。

2、安防视频监控

在雾天条件下，景物图像的对比度和颜色都会被改变或退化，视频图像中所蕴含的许多特征都会被覆盖或模糊，这些显然降低了视频监控系统的作用。目前广泛使用的视频监控摄像机基本不具备视频增强功能。可以将本发明方法应用到摄像机内部，生产具有视频增强功能的摄像机；也可以将本发明方法应用到图像解码程序中，在接收端对视频图像进行增强处理，提高图像的视觉效果。

表1小波系数均值方差统计表

 

	低频逼近系数均值	低频逼近系数方差	高频细节系数均值	高频细节系数方差
					原图	137.2574	175.0829	-0.0582	1.1289
直方图均衡化	128.2098	4.5262×103	-0.3265	29.5822
					Retinex	140.2829	111.5210	-0.1704	15.8573
本方法	118.7998	200.5061	-0.4736	68.4984

附图说明

图1为实施例1的彩色雾天图象；

图2为经本发明方法处理的效果；

图3为直方图均衡化方法处理的效果；

图4为Retinex方法处理的效果；

图5是小波系数比较图；

图6为雾天彩色图像图1的R通道图像分量数据，用灰度图像表示；

图7为小波系数的分布(前300位系数)；

图8为调整后小波系数分布(前300位系数)；

图9为小波重构的照度图像；

图10为R分量增强图像；

图11为实施例2的彩色雾天图象；

图12为彩色雾天图像图11的R通道图像分量数据；

图13为小波系数分布(前300位系数)；

图14为调整后小波系数分布(前300位系数)；

图15为本发明方法中使用小波重构得到的照度图像；

图16为R分量增强图像；

图17为本发明方法增强后的彩色图像；

以下通过具体实施方式对本发明作进一步说明。

具体实施方式

本实施例是针对灰度图像，按如下两个步骤进行：

1、使用小波分析方法计算出照度图像分量

设f(x₁，x₂)为输入图像，使用(1)式对其进行8级小波分解：

$w(a,b_1,b_2)=\frac{1}{a}\∫\∫f(x_1,x_2){\mathrm{\ψ}}^{*}(\frac{x_1-b_1}{a},\frac{x_2-b_2}{a}){\mathrm{dx}}_1{\mathrm{dx}}_2---\left(1\right)$

其中a是分解的级数，取2^k，k＝1，2，…，8；b₁，b₂是位移因子，以4个象素为步长进行移动；ψ(u，v)是多贝西小波基函数；

根据a，b₁，b₂的不同取值得到一系列的小波系数w(a，b₁，b₂)，按小波树对其进行排列，形成小波系数序列w_i；设小波系数的总数为N，其前

个系数为低频系数，记为A_i，其余为高频系数，记为D_j；

对于低频系数A_i，使用高斯函数对其进行调整，得到新的低频系数B_i，公式如下：

$B_i={\mathrm{cA}}_i{e}^{m\underset{j=1}{\overset{n}{\mathrm{\Π}}}(x-a_j)/b}---\left(2\right)$

其中n为低频系数的个数， $m={0.00082}^{\sqrt{n}},$ c为亮度调节因子，它与原图像的亮度均值有关，取c＝223，b＝6000；

对于高频系数D_i，使用类蔓叶函数对其进行调整，得到新的高频系数E_i，公式如下：

E_i＝0.439ln(|D_i|+1)               (3)

新的低频系数B_i和新的高频系数E_i组成了调整后的小波系数

使用小波反变换进行重构，得到照度图像l(x₁，x₂)，公式如下：

$l(x_1,x_2)=\frac{1}{c_{\mathrm{\ψ}}}{\∫}_0^{+\∞}\frac{\mathrm{da}}{a^3}\∫\∫{\hat{w}}_i\mathrm{\ψ}(\frac{x_1-b_1}{a},\frac{x_2-b_2}{a}){\mathrm{db}}_1{\mathrm{db}}_2---\left(4\right)$

其中：

$c_{\mathrm{\ψ}}=\frac{1}{4{\mathrm{\π}}^2}\∫\∫\frac{{\left|\mathrm{\ψ}({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)\right|}^2}{|{\mathrm{\ω}}_1^2+{\mathrm{\ω}}_2^2|}{\mathrm{d\ω}}_1{\mathrm{d\ω}}_2$

2、获取反射图像

使用式(5)获取反射图像r(x₁，x₂)：

r(x₁，x₂)＝logf(x₁，x₂)-logl(x₁，x₂)         (5)

其中，r(x₁，x₂)即为清晰图像。

小波基函数可以选用多贝西小波、symlet小波或bior小波基函数。

此外，对于彩色图像，对RGB三个通道分别使用上述方法处理即可。

实施例1：

对彩色图像图1进行清晰化处理。将图1分解为RGB三个通道，图6是其中的R通道图像分量数据，用灰度图像表示；

首先，对于灰度图像图6使用公式(1)做8级小波分解，选用多贝西函数作为小波基函数为，一共得到1943550个小波系数。其中1到99为低频系数，100到1943550为高频系数，图7表示其中前300位系数的分布；

然后，用公式(2)对低频部分进行计算可以得到调整后的低频系数，用公式(3)对高频部分进行计算可以得到调整后的高频系数。调整后小波系数中的前300位的数据分布如图8所示；

最后，使用公式(4)对调整后小波系数进行小波重构，提取到估计出的照度图像如图9所示；

使用公式(5)，在对数阈中用原图像减去照度图像可以得到处理后的增强(清晰化)图像，如图10所示；

以上得到R分量增强图像如图10所示。用同样的方法，可以得到G和B两个通道的增强图像。将RGB三个通道的增强图像合成后，就可以得到最终的增强后的彩色图像如图2。

实施例2：

对雾天彩色图像11进行清晰化处理。

将图11分解为RGB三个通道，图12是其中的R通道图像分量数据，用灰度图像表示。首先，对灰度图像图12使用公式(1)做8级小波分解，选用多贝西函数为小波基函数，一共得到640115个小波系数，其中1到56为低频系数，57到640115为高频系数，图13表示其中前300位系数的分布；

然后，对于低频部分，使用公式(2)可算出调整后的低频系数；对高频部分，使用公式(3)可算出调整后的高频系数。调整后小波系数的前300位的数据分布如图14所示；

最后，使用公式(4)对调整后小波系数进行小波重构，提取到估计出的照度图像如图15所示；

使用公式(5)，在对数域中用原图像减去照度图像可以得到处理后的增强(清晰化)图像，如图16所示。

以上得到R分量增强图像如图16所示；用同样的方法，可以得到G和B两个通道的增强图像。将RGB三个通道的增强图像合成后，就可以得到最终的增强后的彩色图像如图17所示。

Claims (4)

1、基于小波照度估计的雾天图像清晰化方法，其特征是在对数域把输入的模糊雾天图像看成反射图像分量和照度图像分量之和，其中反射图像分量对应于图像中清晰的场景，照度图像分量对应于引起清晰图像模糊的因素，并使用小波分析方法计算出照度图像分量，再从输入的模糊雾天图像中减去在对数域中的照度分量，获取反射图像分量，实现对雾天图像的清晰化效果的增强。

2、根据权利要求1所述的基于小波照度估计的雾天图像清晰化方法，其特征是所述使用小波分析方法计算出照度图像分量是：首先选取小波基函数对输入图像进行八级小波分解，得到一系列小波系数；其中低频系数集中了图像的能量，反映了图像的整体轮廓，高频系数反映了图像的细节；然后分别采用高斯函数和类蔓叶曲线调整低频系数和高频系数，最后通过小波反变换对调整过后的小波系数，包括低频系数和高频系数进行小波重构得到照度图像分量。

3、根据权利要求2所述的基于小波照度估计的雾天图像清晰化方法，其特征是按如下过程进行：

a、使用小波分析方法计算出照度图像分量

设f(x₁，x₂)为输入图像，使用(1)式对其进行8级小波分解：

$w(a,b_1,b_2)=\frac{1}{a}\∫\∫f(x_1,x_2){\mathrm{\ψ}}^{*}(\frac{x_1-b_1}{a},\frac{x_2-b_2}{a}){\mathrm{dx}}_1{\mathrm{dx}}_2---\left(1\right)$

其中a是分解的级数，取2^k，k＝1，2，…，8；b₁，b₂是位移因子，以4个象素为步长进行移动；ψ(u，v)是多贝西小波基函数；

根据a，b₁，b₂的不同取值得到一系列的小波系数w(a，b₁，b₂)，按小波树对其进行排列，形成小波系数序列_wi；设小波系数的总数为N，其前

个系数为低频系数，记为Ai，其余为高频系数，记为D_j；

对于低频系数A_i，使用高斯函数对其进行调整，得到新的低频系数B_i，公式如下：

$B_i={\mathrm{cA}}_i{e}^{m\underset{j=1}{\overset{n}{\mathrm{\Π}}}(x-a_j)/b}---\left(2\right)$

其中n为低频系数的个数， $m=0.00082^{\sqrt{n}},$ c为亮度调节因子，它与原图像的亮度均值有关，取c＝223，b＝6000；

对于高频系数D_i，使用类蔓叶函数对其进行调整，得到新的高频系数E_i，公式如下：

E_i＝0.439ln(|D_i|+1)                      (3)

新的低频系数B_i和新的高频系数E_i组成了调整后的小波系数

使用小波反变换进行重构，得到照度图像l(x₁，x₂)：

$l(x_1,x_2)=\frac{1}{c_{\text{\ψ}}}{\∫}_0^{+\∞}\frac{\mathrm{da}}{a^3}\∫\∫{\hat{w}}_i\mathrm{\ψ}(\frac{x_1-b_1}{a},\frac{x_2-b_2}{a})d{b}_1{\mathrm{db}}_2---\left(4\right)$

其中：

$c_{\mathrm{\ψ}}=\frac{1}{4{\mathrm{\π}}^2}\∫\∫\frac{{\left|\mathrm{\ψ}({\mathrm{\ω}}_1,{\mathrm{\ω}}_2)\right|}^2}{|{\mathrm{\ω}}_1^2+{\mathrm{\ω}}_2^2|}d{\mathrm{\ω}}_{1}d{\mathrm{\ω}}_2$

b、获取反射图像

使用式(5)获取反射图像r(x₁，x₂)：

r(x₁，x₂)＝logf(x₁，x₂)-logl(x₁，x₂)   (5)

其中，r(x₁，x₂)即为清晰图像。

4、根据权利要求2或3所述的基于小波照度估计的雾天图像清晰化方法，其特征是所述小波基函数选用多贝西小波、symlet小波或bior小波基函数。

Images