CN102254306B - 一种基于图像简化分层模型的实时图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于图像简化分层模型的实时图像去雾方法，适用于雾天条件下实时图像的清晰化处理，属于计算机视觉领域。该方法包括：从输入的雾天彩色视频数据中读入一帧视频图像；对该视频图像进行平滑处理，得到该视频图像的基本图层；用原始视频图像减去该视频图像的基本图层，得到该视频图像的细节图层；对该视频图像的细节图层进行拉伸，得到该视频图像增强后的细节图层；将该视频图像增强后的细节图层与该视频图像的基本图层相加，得到去雾后的视频图像；读入下一帧视频图像，直至彩色视频数据中所有视频图像帧处理完毕。该方法在有效去雾的同时具备较低的算法复杂度，从而能够实现雾天条件下实时图像的清晰化处理。

Description

一种基于图像简化分层模型的实时图像去雾方法

技术领域

本发明涉及一种基于图像简化分层模型的实时图像去雾方法，适用于雾天条件下实时图像的清晰化处理，属于计算机视觉领域。

背景技术

在雾天条件下，由于场景的能见度降低，人们所获取到的室外图像对比度、颜色保真度均较差，这对图像解析以及信息提取造成了较大影响，不利于图像特征的提取，降低了图像的应用价值。

目前，计算机视觉领域中的诸多应用，如图像匹配制导、卫星遥感监测、海陆交通监控、智能车辆以及目标跟踪等，均需要充分提取图像特征。由于低能见度图像给室外视觉系统的正常工作带来了很大困难，因此雾天条件下的图像去雾技术对于提高室外视觉系统的可靠性、鲁棒性具有重要意义。同时对于实时性要求较高的应用，如智能车辆、目标跟踪等，图像去雾算法的高效性、实时性一样至关重要。

现有的图像去雾技术主要分为两大类：雾天图像增强技术和雾天图像复原技术。雾天图像增强技术中，研究人员广为采用的方法是直方图均衡算法。该算法的优点在于算法复杂度低、处理速度快、对于灰度图像处理效果非常好。缺点则在于该算法对于彩色图像的处理会引起色彩失真、伪影出现、部分图像过增强、部分图像增强不足。雾天图像增强技术中的Retinex算法是迄今为止最接近人类视觉系统的图像处理算法，该算法被广大研究人员关注。该算法最初用于解决高动态范围图像的显示问题，其优点在于具备动态范围压缩、颜色恢复、光照再现能力。但将此算法用于雾天图像清晰化时却存在一定的缺点，该算法没有从整体角度考虑雾对图像的影响，因此去雾效果不尽人意，尤其针对浓雾情况。

雾天图像复原技术中，主要包括假设场景各点深度信息已知的复原方法、结合图像辅助信息实现深度提取的复原方法、基于经典退化模型点扩散函数的复原方法以及基于暗原色的复原方法等。假设场景各点深度信息已知的复原方法，其缺点在于需要预知天气情况或者利用价格昂贵的雷达或距离传感器等硬件设备获取精确的场景深度信息。结合图像辅助信息实现深度提取的复原方法，其特点在于需要多幅图像才可进行清晰化处理或是需要用户输入附加信息，此特点导致该算法无法运用在实时图像处理中。基于经典退化模型点扩散函数的复原方法，其缺点在于需要预先知道点扩展函数，由于实际中雾所造成的图像污染过程和机理十分复杂，不同浓度的雾天气过程难以用统一的点扩散模型表达，一般无法预知图像退化的点扩散函数。近年来，在雾天图像复原技术中出现了一种基于暗原色的单一图像去雾技术。该方法通过搜集大量不受雾气影响的图像，发现了一套能够识别雾气浓度的暗原色统计规律。该算法的优点在于对受到较浓雾影响的图像也有较好的去雾效果。缺点则在于算法复杂度极高、处理速度很慢、当场景目标的亮度与大气光相似时暗原色先验信息将失效。

在上述背景下，研究一种既能有效清晰雾天图像，又能进行快速处理的去雾方法显得尤为重要。

发明内容

本发明提出了一种基于图像简化分层模型的实时图像去雾方法，该方法在有效去雾的同时具备较低的算法复杂度，从而能够实现雾天条件下实时图像的清晰化处理。

本发明所述的一种基于图像简化分层模型的实时图像去雾方法，其具体实现步骤如下：

步骤1：从输入的雾天彩色视频数据中读入一帧视频图像1；

步骤2：对步骤1中的视频图像1进行平滑处理，得到该视频图像的基本图层B；

步骤3：用步骤1中的视频图像1减去步骤2中得到的基本图层B，得到该视频图像的细节图层D；

步骤4：对步骤3中得到的细节图层D进行拉伸，得到该视频图像增强后的细节图层Denh；

步骤5：将步骤4中得到的增强后的细节图层D_enh与步骤2中得到的基本图层B相加，得到去雾后的视频图像R；

步骤6：读入下一帧视频图像，转到步骤1，直至彩色视频数据中所有视频图像帧处理完毕。

本发明所述步骤2、步骤3、步骤4、步骤5，其整体思路为：

参照LCIS(Low Curvature Image Simplifiers)图像简化分层模型，采用线性滤波器将一幅雾天图像分解为两层。其中一层由图像的大尺度变化信息构成，反映图像的宏观特征，称作该图像的基本图层。另外一层由图像的小尺度变化信息构成，反映图像的细节特征，称作该图像的细节图层。对雾天图像而言，图像对比度降低，场景的物体模糊不清，细节信息衰减严重，因此对反映图像细节特征的细节图层进行增强处理，对反映图像宏观特征的基本图层予以保留，最后将基本图层和增强后的细节图层相加得到去雾图像。

本发明所述步骤2中对步骤1中的视频图像1进行平滑处理，得到该视频图像的基本图层B为：

采用双边滤波器对步骤1中的视频图像1进行平滑处理，得到该视频图像的基本图层B，即：

$B(x,y)={\mathrm{blfilter}}_{k{\mathrm{\σ}}_s{\mathrm{\σ}}_r}\left(I(x,y)\right)$

其中，(x，y)表示图像像素点坐标，k表示双边滤波器blfilter的模板宽度，单位为像素，σ_s，σ_r分别表示双边滤波器blfilter的空间滤波参数以及值域滤波参数。

本发明所述步骤3中用步骤1中的视频图像1减去步骤2中得到的基本图层B，得到该视频图像的细节图层D为：

D(x，y)＝1(x，y)-B(x，y)

其中，(x，y)表示图像像素点坐标。

本发明所述步骤4中对步骤3中得到的细节图层D进行拉伸，得到该视频图像增强后的细节图层D_enh为：

采用线性变换函数对步骤3中得到的细节图层D进行对比度拉伸变换，得到该视频图像增强后的细节图层D_enh，即：

D_enh(x，y)＝T(D(x，y))

其中，(x，y)表示图像像素点坐标，T表示线性正比变换函数。

本发明所述步骤5中将步骤4中得到的增强后的细节图层D_enh与步骤2中得到的基本图层B相加，得到去雾后的视频图像R为：

R(x，y)＝D_enh(x，y)+B(x，y)

其中，(x，y)表示图像像素点坐标。

本发明与现有技术相比，其优点在于：

1.本发明参照图像简化分层模型，采用线性滤波器将图像分解为两层，保留图像基本图层不变，仅对图像细节图层进行拉伸处理，有效增强了雾天图像急剧衰减的细节信息，使得细节信息得以恢复。

2.本发明算法复杂度较低，可以在实时视觉系统中使用。

附图说明

图1为本发明一种基于图像简化分层模型的实时图像去雾方法的整体流程图；

图2为本发明一种基于图像简化分层模型的实时图像去雾方法待处理的原始图像；

图3为本发明一种基于图像简化分层模型的实时图像去雾方法处理后的去雾图像。

具体实施方式

下面将参考附图对本发明的优选实施例进行详细说明。

图1为本发明一种基于图像简化分层模型的实时图像去雾方法的整体流程图。以下将参考图1，对本发明一种基于图像简化分层模型的实时图像去雾方法的各个步骤进行详细描述。

步骤1：从输入的雾天彩色视频数据中读入一帧视频图像1(x，y)，如图2所示。图像的宽为W像素，高为H像素，(x，y)为图像像素点坐标，其中0≤x≤W-1，0≤y≤H-1，H、W、x、y为非负整数。图像中场景被较浓雾覆盖，场景最深处的汽车、路边的布告墙等，只能看出一个轮廓。

步骤2：采用双边滤波器对步骤1中的视频图像1(x，y)进行平滑处理，得到该视频图像的基本图层B(x，y)，即：

$B(x,y)={\mathrm{blfilter}}_{k{\mathrm{\σ}}_s{\mathrm{\σ}}_r}\left(I(x,y)\right)$

其中，(x，y)表示视频图像像素点坐标，k表示双边滤波器blfilter的模板宽度，单位为像素，σ_s，σ_r分别表示双边滤波器blfilter的空间滤波参数以及值域滤波参数，此处k的优选值为9。

双波滤波器blfilter对视频图像1中任意一点p进行平滑滤波的操作定义为如下公式：

${\mathrm{blfilter}}_{k{\mathrm{\σ}}_s{\mathrm{\σ}}_r}{\left[I\right]}_p=\frac{1}{W_p}\underset{q\∈S\left(k\right)}{\mathrm{\Σ}}{G}_{{\mathrm{\σ}}_s}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|I_p-I_q\left|\right)I_q$

其中，S(k)表示以像素点p为中心，模板宽度为k像素的空间域S，q为该空间域S中的像素点， $W_p={\mathrm{\Σ}}_{q\∈S\left(k\right)}{G}_{{\mathrm{\σ}}_s}\left(\right||p-q|\left|\right)G_{{\mathrm{\σ}}_r}\left(\right|I_p-I_q\left|\right)$ 为归一化系数， $G_{\mathrm{\σ}}=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-\frac{{(x-y)}^2}{2{\mathrm{\σ}}^2}}$ 为二维高斯核函数。

步骤3：用步骤1中的视频图像1(x，y)减去步骤2中得到的基本图层B(x，y)，得到该视频图像的细节图层D(x，y)，即：

D(x，y)＝1(x，y)-B(x，y)

其中，(x，y)表示图像像素点坐标。

步骤4：采用线性变换函数对步骤3中得到的细节图层D(x，y)进行对比度拉伸变换，得到该视频图像增强后的细节图层D_enh(x，y)，即：

D_enh(x，y)＝T(D(x，y))

其中，(x，y)表示图像像素点坐标，T表示线性正比变换函数。

此处的线性正比变换函数定义为如下公式：

D_enh(x，y)＝a*D(x，y)

其中，a为线性正比拉升系数，此实施例中a的优选值为5。

步骤5：将步骤4中得到的增强后的细节图层D_enh(x，y)与步骤2中得到的基本图层B(x，y)相加，得到去雾后的视频图像R(x，y)，即：

R(x，y)＝D_enh(x，y)+B(x，y)

其中，(x，y)表示图像像素点坐标，图3即为去雾后的视频图像。

步骤6：读入下一帧视频图像，转到步骤1，直至彩色视频数据中所有视频图像帧处理完毕。最终得到恢复后的彩色视频数据。

虽然此处只说明了本发明的优选实施例、参数的优选取值，但其意并非限制本发明的范围、使用性和配置。相反，对实施例的详细说明能够使本领域技术人员得以顺利实施。应能理解，在不偏离所附权利要求书确定的本发明精神和范围情况下，可对一些细节做适当的变更和修改。

Claims (5)

1.一种基于图像简化分层模型的实时图像去雾方法，其特征在于，任何一幅有雾图像都可以经过线性滤波器处理进而分解为两层，其中一层由图像的大尺度变化信息构成，反映图像的宏观特征，称作该图像的基本图层，另外一层由图像的小尺度变化信息构成，反映图像的细节特征，称作该图像的细节图层；去雾处理是对反映雾天图像宏观特征的基本图层予以保留，对反映雾天图像细节特征的细节图层进行增强，然后将增强后的细节图层和基本图层相加得到去雾后图像，其具体步骤如下：

步骤1：从输入的雾天彩色视频数据中读入一帧视频图像I；

步骤2：对步骤1中的视频图像I进行平滑处理，得到该视频图像的基本图层B；

步骤3：用步骤1中的视频图像I减去步骤2中得到的基本图层B，得到该视频图像的细节图层D；

步骤4：对步骤3中得到的细节图层D进行拉伸，得到该视频图像增强后的细节图层D_enh；

步骤5：将步骤4中得到的增强后的细节图层D_enh与步骤2中得到的基本图层B相加，得到去雾后的视频图像R；

步骤6：读入下一帧视频图像，转到步骤1，直至彩色视频数据中所有视频图像帧处理完毕。

2.如权利要求1所述的一种基于图像简化分层模型的实时图像去雾方法，其特征在于，所述步骤2中对步骤1中的视频图像I进行平滑处理：

其中，对视频图像I进行平滑处理所采用的线性滤波器为双边滤波器。

3.如权利要求2所述的一种基于图像简化分层模型的实时图像去雾方法，其特征在于，双边滤波器模板宽度k为一经验数值，该经验数值的具体取值应综合考虑图像的去雾效果、算法实时性两个方面。

4.如权利要求1所述的一种基于图像简化分层模型的实时图像去雾方法，其特征在于，所述步骤4中对步骤3中得到的细节图层D进行拉伸，得到该视频图像增强后的细节图层D_enh：

其中，拉伸处理函数为线性正比变换函数D_enh(x，y)＝a*D(x，y)。

5.如权利要求3所述的一种基于图像简化分层模型的实时图像去雾方法，其特征在于，线性正比变换函数的拉伸系数a为一经验数值，该经验数值的具体取值应考虑图像退化细节在有效增强的同时不至过增强而超出图像的动态显示范围。

Images