CN101901473A - 单帧图像自适应去雾增强方法 - Google Patents

Abstract

本发明涉及一种单帧图像自适应去雾增强的方法，属于计算机视觉领域。该方法包括：步骤(1)，由图像采集单元采集雾化图像；步骤(2)，确定所述图像的自适应环境光照，并根据所述自适应环境光照对所述图像进行去雾操作；步骤(3)，确定图像色彩还原系数；步骤(4)，根据色彩还原系数对所述去雾后的图像进行色彩还原，得到去雾增强后的清晰图像；步骤(5)，输出所述清晰图像。该方法不需要用户交互，能够自适应进行；采用单一的图像作为输入，能够满足多种场景应用需求。

Description

单帧图像自适应去雾增强方法

技术领域

本发明涉及计算机视觉领域里的有雾场景、阴霾下视频质量的改善，采用一种新的基于雾化图像物理模型的去雾方法，把真实场景从雾或阴霾中恢复出来。

背景技术

计算机视觉领域中的许多应用，都要求能适应户外场合，如目标的检测、跟踪和识别，需要高质量的输入图像来检测稳定特征。然而，在恶劣天气条件下，图像的可视性和图像的颜色会发生严重的退化。尤其是在有雾、阴霾条件下，这种退化更为明显，严重影响了特征的提取。

很多学者对图像的去雾增强进行了研究，并提出了一些解决方案。其中有学者提出使用偏振片来处理的方法。但该方法的缺点是必须增加特定的物理设备，而且必须对同一场景采集两幅特定偏振角度的图像，因此，该方法难以达到实时处理的要求。另外，由Rahman等人在“自动图像增强的抑制处理(Z.Rahman，D.Jobson，G.Woodell.Retinex processing for automatic imageenhancement[J].Journal of Electronic Imaging.vol.12，pp.100-110，2004)”中提出的基于MSRCR(Multi Scale Retinex with Color Restoration)的方法，该方法类似于同时对图像的RGB三个通道做高通和低通滤波，然后对三个通道做色彩的还原校正，但对于雾化严重的图像去雾效果不太明显。更多的研究成果是基于雾化图像物理模型的方法，如Fattal提出的单帧图像去雾的方法，利用图像模型和局部窗口操作来分离不相关的目标阴影和粒子衰减，实现去雾的目的；还有Robby提出的去雾方法通过构建环境光照来滤除雾气的干扰，但该方法处理后的图像通常变得较暗，简单的色彩校正过程容易导致一些颜色失真，场景深度不连续的边缘区域会产生光晕现象；以及Robby对上述方法改进后的方法，首先根据这两个假设建立了马儿可夫随机场模型，并利用Graph Cut理论来计算该模型的最优解。但该方法依然不能实现不同程度雾化图像的自适应去雾增强操作。而且Graph Cut算法用于解决多个端节点的分类问题时速度太慢，不能满足实时性的要求。

发明内容

本发明的理论基础是雾化图像的物理模型。首先，虽然构建环境光照的去雾方法处理速度较快，能达到实时性的要求，但去雾增强后的图像容易产生边缘光晕现象，在景深不连续区域的边缘处该现象尤为明显。针对这一问题，本发明提出了像素相对景深关系的概念，并将该相对景深关系应用于环境光照的构建过程中，有效解决了边缘光晕现象。其次，输入图像可能受到不同程度的雾化干扰，目前的去雾增强算法不能自适应的对图像进行去雾增强操作。如清晰图像经过去雾增强后质量可能有所下降，甚至严重影响图像的视觉效果。而雾化严重的图像可能得不到足够强度的去雾操作。本发明根据不同雾化程度图像及去雾增强前后图像的一般视觉差异，提出了去雾强度系数的概念。利用这个系数可以对不同雾化程度的图像进行自适应去雾增强处理，使得图像的视觉效果得到应有的不同程度的增强，体现出很高的鲁棒性。最后本发明结合MSRCR方法，对图像进行增强和色彩还原操作，解决了去雾处理后部分图像亮度降低和颜色失真的问题。

本发明提供一种单帧图像自适应去雾增强的方法，该方法包括：步骤(1)，由图像采集单元采集雾化图像；步骤(2)，确定所述图像的自适应环境光照，并根据所述自适应环境光照对所述图像进行去雾操作；步骤(3)，确定图像色彩还原系数；步骤(4)，根据色彩还原系数对所述去雾后的图像进行色彩还原，得到去雾增强后的清晰图像；步骤(5)，输出所述清晰图像。

优选地，步骤(2)包括：步骤21，确定图像的环境光照；步骤22，确定图像的去雾强度系数；步骤23，根据图像的环境光照和去雾强度系数确定图像的自适应环境光照。

优选地，步骤21包括：步骤211，对图像进行边缘提取操作；步骤212，确定相邻像素的相对景深关系；步骤213，利用相邻像素相对景深关系对图像进行高斯模糊。

优选地，步骤22包括：步骤221，确定图像的有效边缘强度；步骤222，根据所述图像的有效边缘强度确定图像的去雾强度系数。

优选地，步骤221包括：对图像进行边缘提取操作。

优选地，采用sobel算子对图像进行边缘提取操作。

优选地，步骤(1)中图像采集单元根据I(x，y)＝L_∞ρ(x，y)e^-βd(x，y)+A(x，y)和A(x，y)＝L_∞(1-e^-βd(x，y))，采集雾化图像，其中，I为输入的原始图像，I(x，y)为图像中(x，y)坐标点的光照强度，L_∞为最大环境光照强度，ρ(x，y)为场景中物体的光照反射强度系数，A(x，y)为根据所述输入图像构建的环境光照，e^-βd(x，y)为对应像素点的衰减系数，L_∞ρ(x，y)为图像中物体的反射光照强度。

优选地，图像中物体的反射光照强度是去雾操作后的图像的强度。

优选地，根据确定自适应环境光照A(x，y)，其中λ为去雾强度系数，

为采用像素相对景深关系进行高斯模糊后图像的RGB三个通道的值，μ_r，μ_g，μ_b为RGB色彩空间到YIQ色彩空间中Y通道的转换参数。

优选地，采用相邻像素相对景深关系对图像进行高斯模糊具体为：根据I²(x，y)＝G_D(x，y)(x，y)*I(x，y)对图像进行高斯模糊，其中I²(x，y)为高斯模糊后的图像，G_D(x，y)(x，y)为的高斯模糊函数。D(x，y)表示在高斯模糊过程中应对区域中具有相同景深关系的一些临近像素点进行模糊。

优选地，高斯模糊函数G_D(x，y)(x，y)为：G_D(x，y)(x，y)＝κexp[-(x²+y²)/σ²]，其中σ是高斯模糊核的方差，κ是归一化系数，κ的表达式如下： $\mathrm{\κ}=1/\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}\exp [-{(x^2+y^2)/\mathrm{\σ}}^2].$

优选地，根据确定去雾强度系数λ与整幅图像的有效边缘强度E_vt之间的关系，其中λ为去雾强度系数，E_vt为整幅图像的有效边缘强度，a、b、c为高斯函数中的参数。

优选地，根据

确定整幅图像的有效边缘强度E_vt，

其中，E_v(x，y)表示图像在(x，y)像素点的有效边缘强度，H和W为图像的高度和宽度。

优选地，根据E_v(x，y)＝αE_i(x，y)-(1-α)E_n(x，y)确定有效边缘强度E_v(x，y)，

其中，E_i(x，y)表示图像在(x，y)像素点的信息强度，E_n(x，y)表示图像在(x，y)像素点的噪声强度。α为信息强度与噪声强度间的平衡系数。

本发明的优点和效果在于：本发明的自适应去雾增强方法能够满足多种场景应用需求，只需要一帧图像作为输入，不需要进行人工干预，能够自动的把真实场景从雾/阴霾中恢复出来，且能够保持原始图像的色彩。并且本发明能自适应的对不同雾化程度的图像进行去雾增强操作，同时能满足实时性能要求。

附图说明

图1为本发明实施例图像去雾增强流程图。

图2为本发明实施例雾化图像的物理模型。

图3为本发明实施例中像素点边缘方向示意图。

图4为本发明实施例中有效边缘强度与去雾强度系数的拟合曲线图。

具体实施方式

为了能更清楚地理解本发明的技术内容，特举以下实施例详细说明。

本发明提供一种单帧图像自适应去雾增强方法，图1示出了该方法的流程图。

本实施例所述方法包括：步骤(1)，由图像采集单元采集雾化图像。

图像采集过程与人眼观察远处场景中物体的过程非常类似，都是采集物体和环境反射及折射过来的光线。物体反射的光线在传输的过程中可能受到多种介质的干扰，如空气中漂浮的灰尘颗粒的散射作用和水汽颗粒的折射作用等。空气中漂浮的各种颗粒对光线也有反射或折射作用，这些构成了图像的环境光照，也会影响到采集的图像。雾化图像的采集过程，即物理模型如图2所示，其中图像采集单元101(如相机)与目标景物102之间距离为S，图像采集单元101接收到来自目标景物102的反射光104和环境光照L。

图2描绘了雾化图像的采集过程，该过程也可用下面的公式来表示：

I(x，y)＝L_∞ρ(x，y)e^-βd(x，y)+L_∞(1-e^-βd(x，y))            (1)

上式中I是输入的原始图像，I(x，y)表示图像中(x，y)坐标点的光照强度。等号右边的第一项是场景中物体的反射光被雨雾等介质干扰衰减后的光照强度，第二项是环境光照强度。L_∞为最大环境光照强度，对于一幅确定的输入图像，最大环境光强度通常为常数，可以用图像中最亮的一些点的均值来近似，如天空区域的亮度均值。ρ(x，y)是场景中物体的光照反射强度系数，对于确定场景中特定波长的光照为常数。β是场景被雾化干扰的强度系数，对应图像采集过程的衰减程度。d(x，y)是(x，y)坐标点物体的场景深度，随着坐标点的变化而变化。

本实施例所述方法包括：步骤(2)，确定图像的自适应环境光照。

步骤(2)中可以包括：步骤21，确定图像的环境光照。

对雾化图像进行去雾的过程就是通过滤除不同介质的干扰作用，还原场景中物体的真实反射光照强度。即根据上述物理模型和给定的I(x，y)计算出L_∞ρ(x，y)。其中雾化干扰的强度系数β取决于采集图像时场景中的干扰介质，无法从单帧输入图像获取。场景中物体的精确景深d(x，y)也很难根据单帧图像计算得到。但本发明的目的不是完全恢复无介质干扰条件下拍摄的图像，而是有效滤除雾气的干扰，改善图像的质量，增强图像的视觉效果。雾化图像的物理模型可以简写为下面的公式：

I(x，y)＝L_∞ρ(x，y)e^-βd(x，y)+A(x，y)                (2)

A(x，y)＝L_∞(1-e^-βd(x，y))                            (3)

其中A(x，y)就是本发明将根据单帧输入图像构建的环境光照。从公式(3)可看出，只要知道图像中每个像素点的环境光照A(x，y)，便可计算出对应像素点的衰减系数e^-βd(x，y)。根据公式(2)可进一步计算出图像中物体的反射光照强度L_∞ρ(x，y)，达到去雾增强的目的。在构建图像的环境光照A(x，y)时参考文献2“雾化或模糊场景中道路的可视效果增强(T.T.Robby，P.Niklas，P.Lars.Visibility enhancement for roads with foggy or hazy scenes.IEEEIntelligent Vehicles Symposium.pp.19-24，2007)”采用了下面的方法：

I¹(x，y)＝G(x，y)*I(x，y)                (4)

$A(x,y)={\mathrm{\μ}}_r{I}_r^1(x,y)+{\mathrm{\μ}}_g{I}_g^1(x,y)+{\mathrm{\μ}}_b{I}_b^1(x,y)---\left(5\right)$

上式中I(x，y)为原始输入图像，函数G(x，y)为高斯核函数。利用该高斯核函数对输入图像进行卷积操作可人工模糊输入图像，达到类似雾化的效果。

为输入图像经过高斯模糊后R、G、B三个通道的值。μ_r，μ_g，μ_b为RGB色彩空间到YIQ色彩空间中Y通道的转换参数。参考文献2用图像Y通道的值来近似环境光照A(x，y)，并用该环境光照对图像进行去雾操作，明显改善了图像的视觉效果，增强了图像的质量。该参考文献2也证明了本发明方法与系统的可行性和有效性，故本发明不再详细介绍。

但上述构建环境光照的去雾方法任然存在一些问题。例如输入图像的边缘两侧具有完全不同的景深时，两侧的区域通常受到不同程度的雾化干扰。构建环境光照过程中的高斯模糊操作没有考虑边缘两侧景深的差异，从而导致了去雾后图像的边缘光晕现象。另外，输入图像整体可能受到不同程度的雾化干扰，去雾时也应该受到相应强度的去雾增强，构建环境光照的过程也没有考虑这个因素的影响。对于清晰的输入图像，该文章提出的构建环境光照的方法通常会处理过度，使得图像的质量大大降低，视觉效果也受到很大的影响。而对于雾化非常严重的输入图像，该方法通常表现为去雾力度不足，使得图像质量的改善空间有待提高。

根据雾化图像的物理模型可知，场景中物体与图像采集设备的距离越远，受到的雾化干扰越强烈。图像中相邻位置的物体可能具有不同的景深，即具有不同的d(x，y)，具有不同景深的图像区域应该受到不同强度的去雾处理。目前还没有方法能够根据单帧图像计算出场景中物体的景深。但很容易发现，图像中相邻的区域若具有明显不同的景深，它们的边缘通常也较为明显，具有较高的边缘强度值。由此可以得到图像中相邻区域像素的相对景深关系，利用该景深关系可为边缘两侧区域构建完全不同的环境光照A(x，y)，从而解决图像的边缘光晕现象。

首先，我们对图像进行边缘提取操作，可采用sobel算子等多种方法。

其次，确定相邻像素的相对景深关系。提取出来的边缘信息中可能含有很多噪声，因此需要设置一个阈值来滤除边缘图像的噪声，如下面公式所示：

$e(x,y)=\left\{\begin{array}{cc}0& a(x,y)\≤\mathrm{\δ}\\ 1& a(x,y)>\mathrm{\δ}\end{array}\right.---\left(6\right)$

其中a(x，y)是(x，y)像素点处的边缘强度。δ为噪声阈值，为了保证能够滤除大部分的噪声，本发明取边缘强度的前n％(如5％)的值作为噪声阈值。其中，e(x，y)取值1时表示(x，y)像素点为不同景深区域的边缘，取值0时表示像素(x，y)点位于平滑区域。当相邻的不同景深区域具有相似的色彩和光照强度时，两个区域的边缘可能被识别为平滑区域，导致部分边缘无法闭合。当两个区域非常相似时，无需对他们做不同程度的去雾增强，所以仍然可以假设连续的边缘像素点两侧具有不同的景深。根据该像素景深相对关系为两侧区域构建差异较大的环境光照A(x，y)，从而使得两侧区域得到不同程度的去雾增强。

然后，利用相邻像素相对景深关系对图像进行高斯模糊，如下面公式所示：

I²(x，y)＝G_D(x，y)(x，y)*I(x，y)                    (7)

上式中I²(x，y)为高斯模糊后的图像，G_D(x，y)(x，y)为的高斯模糊函数。D(x，y)表示在高斯模糊过程中，应对区域中具有相同景深关系的一些临近像素点进行模糊。模糊的区域中不能有边缘像素点，即模糊区域中不能有e(x，y)取值1。G_D(x，y)(x，y)是高斯模糊核，表达式如下：

G_D(x，y)(x，y)＝κexp[-(x²+y²)/σ²]                 (8)

其中σ是高斯模糊核的方差，较大的σ类似与低通滤波，而较小的σ类似与高通滤波。κ是归一化系数，表达式如下：

$\mathrm{\κ}=1/\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}\exp [-(x^2+y^2)/{\mathrm{\σ}}^2]---\left(9\right)$

步骤(2)中还包括：步骤22，确定图像的去雾强度系数。

输入的待处理图像可能是在不同的天气状况下或采用不同的设备拍摄的，这些都可能导致图像整体上受到不同程度的雾化干扰。为了使去雾操作具有较好的鲁棒性，在构建自适应环境光照模型的过程中，本发明提出用去雾强度系数来表示图像应该受到的不同强度的去雾处理。本发明将采取如下的式子确定出图像的自适应环境光照A(x，y)：

$A(x,y)=\mathrm{\λ}({\mathrm{\μ}}_r{I}_r^2(x,y)+{\mathrm{\μ}}_g{I}_g^2(x,y)+{\mathrm{\μ}}_b{I}_b^2(x,y))---\left(10\right)$

上式中λ为去雾强度系数，

为采用像素相对景深关系进行高斯模糊后图像的RGB三个通道的值。μ_r，μ_g，μ_b为RGB色彩空间到YIQ色彩空间中Y通道的转换参数。

步骤22中包括步骤221，确定图像的有效边缘强度。

在雨雾天气或其他恶劣环境的影响下，图像通常模糊不清，边缘对比度较低，无法分辨图像的细节信息。去雾增强操作将滤除雨雾等介质的干扰，使得图像具有较高的边缘强度，边缘强度是评价图像质量或图像清晰度的重要指标。但图像边缘得到增强的同时，噪声也可能得到增强，严重影响图像的质量和视觉效果。高质量的图像应该具有较高的边缘强度，同时有效抑制噪声干扰。

首先，依然是对图像进行边缘提取操作，可采用sobe l算子等多种方法。

其次，本发明定义有效边缘强度来表示图像的细节表现能力，如下式所示：

E_v(x，y)＝αE_i(x，y)-(1-α)E_n(x，y)                        (11)

上式中E_v(x，y)表示图像在(x，y)像素点的有效边缘强度，E_i(x，y)表示图像在(x，y)像素点的信息强度，E_n(x，y)表示图像在(x，y)像素点的噪声强度。α为信息强度与噪声强度间的平衡系数。图像信息强度E_i(x，y)和噪声强度E_n(x，y)的定义如下式所示：

$a_e(x,y)=\left\{\begin{array}{cc}0& a(x,y)\≤\mathrm{\δ}\\ a(x,y)& a(x,y)>\mathrm{\δ}\end{array}\right.---\left(12\right)$

E_i(x，y)＝J_e(x，y)a_e(x，y)                    (13)

E_n(x，y)＝(1-J_e(x，y))a_e(x，y)                (14)

上式中a(x，y)为通过边缘提取算法(如采用sobel算子等)计算得到的(x，y)像素点的边缘强度。δ为边缘强度的阈值，a_e(x，y)为根据阈值滤除一部分噪声后的边缘强度。J_e(x，y)用于判断图像中像素点(x，y)为信息还是噪声，取值0对应噪声，取值1对应信息。用公式表示如下：

$J_e(x,y)=\left\{\begin{array}{cc}1& \underset{i=1}{\overset{4}{\mathrm{\Σ}}}{a}_e^{-i}(x,y)a_e(x,y)a_e^i(x,y)>0\\ 0& \underset{i=1}{\overset{4}{\mathrm{\Σ}}}{a}_e^{-i}(x,y)a_e(x,y)a_e^i(x,y)=0\end{array}\right.---\left(15\right)$

上式中

为像素点(x，y)左上方的一个像素点的边缘强度，

为像素点(x，y)右下方的一个像素点的边缘强度。如图3所示，i取值1到4对应四个边缘方向：水平，竖直，左上和右上。图2中四个双向箭头为四个判断方向，交叉点为当前判断的像素点(x，y)。若四个方向中至少存在一个方向具有连续三个大于0的边缘强度a_e(x，y)，则该点为信息，否则为噪声。

整幅图像的有效边缘强度由图像的所有像素点的有效边缘强度的均值来表示，如下式所示：

$E_{\mathrm{vt}}=\frac{1}{H\×W}\underset{x=1}{\overset{H}{\mathrm{\Σ}}}\underset{y=1}{\overset{W}{\mathrm{\Σ}}}{E}_v(x,y)---\left(16\right)$

上式中E_vt为整幅图像的有效边缘强度，H和W为图像的高度和宽度。同理可计算得到整幅图像的信息强度E_it和噪声强度E_nt。

步骤22中还包括步骤222，确定图像的去雾强度系数。

经过实验证明，公式(10)中的去雾强度系数λ大于1.2时，去雾后的图像将发生明显的失真；当λ小于0.5时，去雾的强度明显降低，去雾前后图像没有明显变化。本发明中去雾强度系数λ的取值范围为0.5到1.15。本发明对200幅不同场景不同雾化程度的图像进行了手工标注，标注时根据雾化程度将图像的去雾强度系数分为五个类别，对应0.50到1.15中的五类，并根据图像的雾化程度将图像的去雾强度系数标注为五类中的某个值。如下表所示。经过统计得到了五个类别的有效边缘强度与去雾强度系数的关系如下表：

表1.有效边缘强度与去雾强度系数的关系

有效边缘强度	0	3.58	8.63	13.01	18.24	23.73
							去雾强度系数	1.15	1.12	1.05	0.95	0.75	0.50

有效边缘强度能有效的表示图像的清晰程度和细节表现能力，也反映了图像所需的去雾强度系数。表1中有效边缘强度与去雾强度系数的关系与高斯曲线的特性非常吻合，故本发明用高斯曲线对两组数据进行了拟合得到如下关系：

$\mathrm{\λ}=a\×\exp \{-\frac{{(E_{\mathrm{vt}}-b)}^2}{c^2}\}---\left(17\right)$

通过数据的拟合，高斯函数中的参数a＝1.161，b＝0，c＝26.85。两组数据的曲线拟合关系如图4所示，其中横坐标为有效边缘强度，纵坐标为去雾强度系数。

从表1可看出，有效边缘强度与去雾强度系数的单调性非常明显，曲线拟合的效果也非常好。

步骤(2)中还包括：步骤23，结合图像的环境光照和去雾强度系数确定图像的自适应环境光照。

结合图像的环境光照和去雾强度系数根据公式(10)确定图像的自适应环境光照。并根据该自适应环境光照对图像进行自适应去雾操作。

本实施例所述方法包括：步骤(3)，对图像进行色彩还原与增强。

通过上面的步骤可以对图像进行去雾操作，改善图像的质量。但这时的图像常有偏色和亮度变暗的现象，丢失了一些细节信息和色彩信息。针对这一现象，本发明结合参考文献1MSRCR介绍的方法接着对图像L_∞ρ(x，y)做色彩还原和图像增强。

首先根据原始输入图像I(x，y)得到色彩还原系数μ_c(x，y)，c表示c通道，每个像素点的色彩还原系数是矢量。μ_c(x，y)的计算公式如下：

${\mathrm{\μ}}_c(x,y)=\log (I_c(x,y)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{I}_i(x,y))---\left(18\right)$

上式表示μ_c(x，y)的取值是对的值取对数的结果，原文中指出取对数时能有效的表现色彩之间的相互关系，从而还原图像的色彩信息，本发明不再做详细解释。I_c(x，y)是(x，y)像素点c通道对应的亮度值。

MSRCR算法中的对数操作对暗区的增强起到了非常重要的作用，所以本发明对图像的暗区增强部分仅用了对数操作。经过实验测试，当对数的底取200时能同时有效的增强图像和保持色彩有效还原。

最终根据色彩还原系数对去雾后的图像进行色彩还原，得到去雾增强后的清晰图像。方法如下：

$I^3(x,y)-\mathrm{\μ}(x,y){\log }_{200}^{{\left(L_{\∞}\mathrm{\ρ}(x,y)\right)}^2}---\left(19\right)$

上式中L_∞ρ(x，y)为自适应去雾操作后的图像。I³(x，y)为输出图像，但该图像的像素取值范围并不是0到255，通过对该图像做拉伸操作可得到最终的结果。

尽管已经示出并描述了本发明的实施例，但是本领域技术人员可以理解，在不偏离本发明的精神和原理的基础上，可以对此实施例做出改变，本发明的范围由所附权利要求和它们的等同变换限定。

Claims (14)

1.一种单帧图像自适应去雾增强的方法，其特征在于，包括：

步骤(1)，由图像采集单元采集雾化图像；

步骤(2)，确定所述图像的自适应环境光照，并根据所述自适应环境光照对所述图像进行去雾操作；

步骤(3)，确定图像色彩还原系数；

步骤(4)，根据色彩还原系数对所述去雾后的图像进行色彩还原，得到去雾增强后的清晰图像；

步骤(5)，输出所述清晰图像。

2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：

步骤21，确定图像的环境光照；

步骤22，确定图像的去雾强度系数；

步骤23，根据图像的环境光照和去雾强度系数确定图像的自适应环境光照。

3.根据权利要求2所述的方法，其特征在于，步骤21包括：

步骤211，对图像进行边缘提取操作；

步骤212，确定相邻像素的相对景深关系；

步骤213，利用相邻像素相对景深关系对图像进行高斯模糊。

4.根据权利要求2或3所述的方法，其特征在于，步骤22包括：

步骤221，确定图像的有效边缘强度；

步骤222，根据所述图像的有效边缘强度确定图像的去雾强度系数。

5.根据权利要求4所述的方法，其特征在于，步骤221包括：

对图像进行边缘提取操作。

6.根据权利要求3或5所述的方法，其特征在于，采用sobel算子对图像进行边缘提取操作。

7.根据权利要求1所述的方法，其特征在于，步骤(1)中图像采集单元根据I(x，y)＝L_∞ρ(x，y)e^-βd(x，y)+A(x，y)和A(x，y)＝L_∞(1-e^-βd(x，y))采集雾化图像，其中，I为输入的原始图像，I(x，y)为图像中(x，y)坐标点的光照强度，L_∞为最大环境光照强度，ρ(x，y)为场景中物体的光照反射强度系数，A(x，y)为根据所述输入图像构建的环境光照，e^-βd(x，y)为对应像素点的衰减系数，L_∞ρ(x，y)为图像中物体的反射光照强度。

8.根据权利要求7所述的方法，其特征在于，图像中物体的反射光照强度是去雾操作后的图像的强度。

9.根据权利要求4或7所述的方法，其特征在于，根据确定自适应环境光照A(x，y)，其中λ为去雾强度系数，

为采用像素相对景深关系进行高斯模糊后图像的RGB三个通道的值；μ_r，μ_g，μ_b为RGB色彩空间到YIQ色彩空间中Y通道的转换参数。

10.根据权利要求9所述的方法，其特征在于，采用相邻像素相对景深关系对图像进行高斯模糊具体为：根据I²(x，y)＝G_D(x，y)(x，y)*I(x，y)对图像进行高斯模糊，其中I²(x，y)为高斯模糊后的图像，G_D(x，y)(x，y)为的高斯模糊函数。D(x，y)表示在高斯模糊过程中应对区域中具有相同景深关系的一些临近像素点进行模糊。

11.根据权利要求10所述的方法，其特征在于，高斯模糊函数G_D(x，y)(x，y)为：G_D(x，y)(x，y)＝κexp[-(x²+y²)/σ²]，其中σ是高斯模糊核的方差，κ是归一化系数，κ的表达式如下：

12.根据权利要求9所述的方法，其特征在于，根据确定去雾强度系数λ与整幅图像的有效边缘强度之间的关系，其中，λ为去雾强度系数，E_vt为整幅图像的有效边缘强度，a、b、c为高斯函数中的参数。

13.根据权利要求12所述的方法，其特征在于，根据

确定整幅图像的有效边缘强度E_vt，其中，E_v(x，y)表示图像在(x，y)像素点的有效边缘强度，H和W为图像的高度和宽度。

14.根据权利要求13所述的方法，其特征在于，根据E_v(x，y)＝αE_i(x，y)-(1-α)E_n(x，y)确定有效边缘强度E_v(x，y)，其中，E_i(x，y)表示图像在(x，y)像素点的信息强度，E_n(x，y)表示图像在(x，y)像素点的噪声强度；α为信息强度与噪声强度间的平衡系数。

Images