CN103034983B - 一种基于各向异性滤波的去雾方法 - Google Patents

Abstract

一种基于各向异性滤波的去雾方法，涉及图像处理与计算机视觉领域。提供可改善雾天、阴雨天等条件下所摄取图像的视觉效果的一种基于各向异性滤波的去雾方法。1）通过引导图像求取大气光照值；2）通过引导图像，利用各向异性滤波器求取传输函数图；3）动态自适应调整去除雾气的下限阈值；4）根据大气散射物理模型中的观测有雾图像、大气光照值和传输函数图复原场景图像。建立在大气散射物理模型的基础上，能够自适应的处理雾天、阴雨天等环境下所摄取的各种图像，去雾后的图像具有理想的对比度和视觉效果，整体增强效果优于传统的图像去雾方法。

Description

一种基于各向异性滤波的去雾方法

技术领域

本发明涉及图像处理与计算机视觉领域，尤其是涉及一种基于各向异性滤波的去雾方法。

背景技术

计算机视觉系统的很多户外用户，如城市交通、视频监管、图像识别等，都要求图像特征的检测具备鲁棒性。然而，在雾天、阴雨天等条件下所采集的图像对比度很低，可视性很差，给提取图像信息造成了一定的障碍。因此，去除雨雾对所摄取图像的影响，将会给社会带来方便性和安全性方面的有效提升。

在计算机视觉领域，目前主要是采用基于暗通道先验并使用GuidedFilter滤波器进行传输函数估计的雾天降质图像复原算法、基于大气膜估计的雾天降质图像复原算法来处理雨雾图像。基于暗通道先验并使用GuidedFilter滤波器进行传输函数估计的雾天降质图像复原算法可以有效的估计传输函数，但是对景物颜色的恢复有偏差，天空出现光晕现象；基于大气膜估计的雾天降质图像复原算法对颜色恢复较好，但天空区域出现灰色，视觉效果不好。

中国专利201010139441.1公开一种基于暗原色的自动图像去雾方法，该方法利用暗原色先验求取传输图像，多尺度Retinex求取亮度分量图像，其处理速度慢，传输函数的下限阈值不能动态自适应调整，处理后的天空区域的存在光晕。

发明内容

本发明的目的在于提供可改善雾天、阴雨天等条件下所摄取图像的视觉效果的一种基于各向异性滤波的去雾方法。

本发明包括以下步骤：

1）通过引导图像求取大气光照值；

2）通过引导图像，利用各向异性滤波器求取传输函数图；

3）动态自适应调整去除雾气的下限阈值；

4）根据大气散射物理模型中的观测有雾图像、大气光照值和传输函数图复原场景图像；复原后的场景图像按以下表达式确定：

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A;$

其中，(x,y)表示二维空间坐标，J(x,y)为复原后的场景图像，I(x,y)为观测有雾图像，A为大气光照值，t(x,y)为传输函数图，t₀为下限阈值。

在步骤1）中，所述通过引导图像求取大气光照值的具体方法可为：

当观测有雾图像为灰度图像时，将该灰度图像作为引导图像；

所述引导图像按以下表达式确定：

I^guide(x,y)＝I(x,y)；

其中，I^guide(x,y)为引导图像，I(x,y)为观测有雾图像；

当观测有雾图像为彩色图像时，先计算此彩色图像每个像素点处的R、G、B三个颜色通道的最小值，作为引导图像；

所述引导图像按以下表达式确定：

$I^{\mathrm{guide}}(x,y)=\underset{c\∈\{R,G,B\}}{\min }\left(I^c(x,y)\right);$

其中，I^guide(x,y)为引导图像，c为颜色通道，c∈{R,G,B}分别为R、G、B颜色通道，I^c为彩色观测图像的颜色通道；

再用统计的方法，对所得到的引导图像取前0.1%最亮的点，对这些点的亮度值求平均值得到大气光照值；

所述大气光照值按以下表达式确定：

$A=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{I}_i^{\mathrm{guide}}(x,y)/N;$

其中，A为大气光照值，(x,y)为二维空间坐标，i为引导图像中前0.1%最亮的点，N为引导图像中前0.1%最亮的点的数量。

在步骤2）中，所述通过引导图像，利用各向异性滤波器求取传输函数图的具体方法可为：

将滤波窗口中心点邻域的圆形区域分成2n（一般的n取4，效果最佳）个子图像块，每个子图像块各自计算均值和标准差，该邻域均值和标准差的输出采用加权平均的方法获取，权值由各个子图像区域的标准差影响，即，若标准差小，则对应的权值大；若标准差大，则对应的权值小；

(1)求取滤波区域各个子图像块的分块函数：

所述分块函数按以下表达式确定：

$V_i=U_i\×g_{\frac{\mathrm{\σ}}{4}};$

$U_i(r,\mathrm{\&theta;})=\left\{\begin{array}{c}N,i-\frac{1}{2}<\frac{N}{2\mathrm{\&pi;}}\mathrm{\&theta;}<i+\frac{1}{2}\\ 0,\mathrm{otherwise}\end{array}\right.;$

V_i为分块函数，为标准差为的二维高斯核函数，U_i为判断是否位于该分块区域的函数；

(2)求取各个分块区域的权系数：

所述分块区域的权系数按以下表达式确定：

w_i＝g_σ(x,y)V_i(x,y)；

∫∫w_i(x，y)dxdy＝1；

w_i为第i个块片区域的权系数，g_σ为二维高斯核函数，V_i为第i个分块区域的分块函数；

所述二维高斯核函数按以下表达式确定：

$g_{\mathrm{\&sigma;}}(x,y)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2}};$

x,y为该像素点在二维图片中的位置；

(3)求取输入图像圆形区域中各个分块区域的均值和标准差：

所述各个分块区域的均值按以下表达式确定：

m_i=I×w_i；

其中，m_i为第i个分块区域的均值，I为输入图像，w_i为第i个分块区域的权系数；

所述各个分块区域的标准差按以下表达式确定：

$s_i=I^2\&times;w_i-m_i^2;$

其中，s_i为第i个分块区域的标准差，I为输入图像，w_i为第i个分片区域的权系数；

(4)求取各向异性滤波器的均值输出和标准差输出：

所述滤波器的均值输出以下表达式确定：

为滤波器的均值输出，m_i为第i个分块区域的均值，s_i为第i个分块区域的标准差，q∈(0,+∞)为相关系数常数；

所述滤波器的标准差输出以下表达式确定：

$\mathrm{\&sigma;}(x,y)=\frac{{\mathrm{\&Sigma;}}_i{s}_i{s}_i^{-q}}{{\mathrm{\&Sigma;}}_i{s}_i^{-q}};$

σ为滤波器的标准差输出，s_i为第i个分块区域的标准差，q∈(0,+∞)为相关系数常数；

(5)求取传输函数图：

所述传输函数图按以下表达式确定：

t_i＝1-(m_i-3×s_i)；

t_i为第i个点的传输函数，m_i为第i个分块区域的均值，s_i为第i个分块区域的标准差。

在步骤3）中，所述动态自适应调整去除雾气的下限阈值的具体方法可为：

阈值下限的设定不应依照图像天空面积人为的进行设置，采用动态下限阈值方法，即统计传输参数小于0.1的点的个数占整幅图像的像素总数的比值，将该值作为下限阈值t₀，动态阈值的选取设置上限，其上限设置为0.3；

所述动态阈值的选取过程按以下表达式确定：

$t_0=\min (\frac{m}{M},0.3);$

t₀为下限阈值，M为图像的像素总数，m为图像中传输函数小于0.1的像素点的个数。

本发明公开的方法基于大气散射物理模型，利用各向异性滤波器去雾，对各种环境下的雨雾图像均能取得较好的视觉效果，且处理速度快。

附图说明

图1为本发明实施例的流程图。

图2为雾天降质图像复原效果对比图。在图2中，从左到右依次是观测雾天图像、He提出的基于暗通道先验并使用GuidedFilter滤波器进行传输函数估计的雾天降质图像复原效果、Tarel提出的基于大气膜估计的雾天降质图像复原效果、本发明的基于各向异性滤波的去雾方法；a为600×400，b为600×450，c为531×800，d为768×1024。

具体实施方式

以下实施例将结合附图对本发明作进一步的说明。

参见图1，本实施例针对彩色有雾图像，其处理过程包括以下4个步骤：

步骤一、通过引导图像求取大气光照；

先计算此彩色低照度图像每个像素点处的R、G、B三个颜色通道的最小值，作为引导图像；

所述引导图像按以下表达式确定：

$I^{\mathrm{guide}}(x,y)=\underset{c\&Element;\{R,G,B\}}{\min }\left(I^c(x,y)\right);$

其中，I^guide(x,y)为引导图像，c为颜色通道，c∈{R,G,B}分别为R、G、B颜色通道，I^c为彩色观测图像的颜色通道；

再用统计的方法，对所得到的引导图像取前0.1%最亮的点，对这些点的亮度值求平均值得到大气光照值，这样可以使大气光照值更准确；

所述大气光照值按以下表达式确定：

$A=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_i^{\mathrm{guide}}(x,y)/N;$

其中，A为大气光照值，(x,y)为二维空间坐标，i为引导图像中前0.1%最亮的点，N为引导图像中前0.1%最亮的点的数量；

步骤二、通过引导图像，利用各向异性滤波器求取传输函数图；

1、求取滤波区域各个子图像块的分块函数：

所述分块函数按以下表达式确定：

$V_i=U_i\&times;g_{\frac{\mathrm{\&sigma;}}{4}};$

$U_i(r,\mathrm{\&theta;})=\left\{\begin{array}{c}N,i-\frac{1}{2}<\frac{N}{2\mathrm{\&pi;}}\mathrm{\&theta;}<i+\frac{1}{2};\\ 0,\mathrm{otherwise}\end{array}\right.$

V_i为分块函数，为标准差为的二维高斯核函数，U_i为判断是否位于该分块区域的函数；

2、求取各个分块区域的权系数：

所述分块区域的权系数按以下表达式确定：

w_i＝gσ(x,y)V_i(x,y)；

∫∫w_i(x，y)dxdy＝1；

w_i为第i个分块区域的权系数，g_σ为二维高斯核函数，V_i为第i个分块区域的分块函数；

所述二维高斯核函数按以下表达式确定：

$g_{\mathrm{\&sigma;}}(x,y)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2}};$

x,y为该像素点在二维图片中的位置；

每一个权系数的计算均经过了高斯核函数的卷积作用，这样处理的好处是使得该邻域小块的均值是高斯加权均值，能够在很大程度上缓解了滤波器输出的Gibbs震荡现象；

3、求取圆形区域输入图像各个分块区域的均值和标准差：

所述各个分块区域的均值按以下表达式确定：

m_i=I×w_i；

m_i为第i个分块区域的均值，I为输入图像，w_i为第i个分块区域的权系数；

所述各个分块区域的标准差按以下表达式确定：

$s_i=I^2\&times;w_i-m_i^2;$

s_i为第i个分块区域的标准差，I为输入图像，w_i为第i个分片区域的权系数；

4、求取各向异性滤波器的均值输出和标准差输出：

所述滤波器的均值输出以下表达式确定：

为滤波器的均值输出，m_i为第i个分块区域的均值，s_i为第i个块片区域的标准差，q∈(0,+∞)为相关系数常数；

所述滤波器的标准差输出以下表达式确定：

$\mathrm{\&sigma;}(x,y)=\frac{{\mathrm{\&Sigma;}}_i{s}_i{s}_i^{-q}}{{\mathrm{\&Sigma;}}_i{s}_i^{-q}};$

σ为滤波器的标准差输出，s_i为第i个分块区域的标准差，q∈(0,+∞)为相关系数常数；

5、求取传输函数图：

所述传输函数图按以下表达式确定：

t_i＝1-(m_i-3×s_i)；

t_i为第i个点的传输函数，m_i为第i个分块区域的均值，s_i为第i个分块区域的标准差；

步骤三、动态自适应调整去除雾气的下限阈值

阈值下限的设定不应依照图像天空面积人为的进行设置。本文提出了一种简单有效的动态下限阈值方法，即统计传输参数小于0.1的点的个数占整幅图像的像素总数的比值，将该值作为下限阈值t₀。当然动态阈值的选取是应设置上限的，其上限设置为0.3；

所述动态阈值的选取过程按以下表达式确定：

$t_0=\min (\frac{m}{M},0.3);$

t₀为下限阈值，M为图像的像素总数，m为图像中传输函数小于0.1的像素点的个数；

步骤四、根据大气散射物理模型中的观测图像、大气光照值和传输函数图复原场景图像；

根据大气散射物理模型中的观测图像、大气光照值和传输函数图复原场景图像；

所述复原后的场景图像按以下表达式确定：

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A;$

其中，J(x,y)为复原后的场景图像，I(x,y)为观测有雾图像，A为大气光照值，t(x,y)为传输函数图，t₀为自适应下限阈值；

本实施例采用统计的方法求取大气光照值，使得大气光照值的估计更加准确；利用各向异性滤波器求取传输函数，避免了在景深突变的边界产生Halo效应的问题，有效地提高了增强图像的视觉效果；对传输函数的下限阈值做动态自适应调整，有效的避免了天空区域和白墙区域的光晕效益。

本发明将上述雾天降质图像算法复杂度加以衡量。这几种算法主要包括：何恺明采用GuidedImageFilter优化方法的复原算法、Tarel采用改进式中值滤波优化方法的复原算法、本发明采用的基于各向异性滤波的去雾方法。其中，何恺明采用GuidedImageFilter优化方法的复原算法代码由何恺明在其官方主页提供，Tarel采用的改进式中值滤波优化方法的复原算法代码由其团队的官方主页提供。由于上述几种雾天降质图像复原算法均是采用邻域滤波处理，空间复杂度大体相当，此处仅分析时间复杂度，详见表1所示。上述几种算法均是在主机配置为Pentium(R)Dual-CoreE53002.60GHz内存4GB，Matlab7.5.0的实验环境下获得的。

表1几种雾天图像复原算法的时间复杂度对比

从表1中可以看出，本发明公布的一种基于各向异性滤波的去雾方法的时间消耗量比He的GuidedFilter滤波方法略小，与Tarel的算法相比大大减少。

图2给出雾天降质图像复原效果对比图。在图2中，从左到右依次是观测雾天图像、He提出的基于暗通道先验并使用GuidedFilter滤波器进行传输函数估计的雾天降质图像复原效果、Tarel提出的基于大气膜估计的雾天降质图像复原效果、本发明的基于各向异性滤波的去雾方法。

Claims (3)

1.一种基于各向异性滤波的去雾方法，其特征在于包括以下步骤：

1)通过引导图像求取大气光照值；所述通过引导图像求取大气光照值的具体方法为：

当观测有雾图像为灰度图像时，将该灰度图像作为引导图像；

所述引导图像按以下表达式确定：

I^guide(x,y)＝I(x,y)；

其中，I^guide(x,y)为引导图像，I(x,y)为观测有雾图像；

当观测有雾图像为彩色图像时，先计算此彩色图像每个像素点处的R、G、B三个颜色通道的最小值，作为引导图像；

所述引导图像按以下表达式确定：

$I^{guide}(x,y)=\underset{c\&Element;\{R,G,B\}}{min}\left(I^c\right(x,y\left)\right);$

其中，I^guide(x,y)为引导图像，c为颜色通道，c∈{R,G,B}分别为R、G、B颜色通道，I^c为彩色观测图像的颜色通道；

再用统计的方法，对所得到的引导图像取前0.1％最亮的点，对这些点的亮度值求平均值得到大气光照值；

所述大气光照值按以下表达式确定：

$A=\underset{i=1}{\overset{N}{\&Sigma;}}{I}_i^{guide}(x,y)/N;$

其中，A为大气光照值，(x,y)为二维空间坐标，i为引导图像中前0.1％最亮的点的位置，N为引导图像中前0.1％最亮的点的数量；

2)通过引导图像，利用各向异性滤波器求取传输函数图，具体方法为：

将滤波窗口中心点邻域的圆形区域分成2n个子图像块，每个子图像块各自计算均值和标准差，该邻域均值和标准差的输出采用加权平均的方法获取，权值由各个子图像区域的标准差影响，即，若标准差小，则对应的权值大；若标准差大，则对应的权值小；

(1)求取滤波区域各个子图像块的分块函数：

所述分块函数按以下表达式确定：

$V_i=U_i\&times;g_{\frac{\mathrm{\&sigma;}}{4}};$

$U_i(r,\mathrm{\&theta;})=\left\{\begin{array}{c}N,i-\frac{1}{2}<\frac{N}{2\mathrm{\&pi;}}\mathrm{\&theta;}<i+\frac{1}{2}\\ 0,otherwise\end{array}\right.;$

V_i为分块函数，为标准差为的二维高斯核函数，U_i为判断是否位于该子图像块的函数；

(2)求取各个子图像块的权系数：

所述子图像块的权系数按以下表达式确定：

w_i＝g_σ(x,y)V_i(x,y)；

∫∫w_i(x,y)dxdy＝1；

w_i为第i个点为中心点的子图像块的权系数，g_σ为二维高斯核函数，V_i为第i个点为中心点的子图像块的分块函数；

所述二维高斯核函数按以下表达式确定：

$g_{\mathrm{\&sigma;}}(x,y)=\frac{1}{2{\mathrm{\&pi;\&sigma;}}^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2}};$

x,y为该像素点在二维图片中的位置；

(3)求取输入图像圆形区域中各个子图像块的均值和标准差：

所述各个子图像块的均值按以下表达式确定：

m_i＝I×w_i；

其中，m_i为第i个点为中心点的子图像块的均值，I为输入图像，w_i为第i个点为中心点的子图像块的权系数；

所述各个子图像块的标准差按以下表达式确定：

$s_i=I^2\&times;w_i-m_i^2;$

其中，s_i为第i个点为中心点的子图像块的标准差，I为输入图像，w_i为第i个点为中心点的子图像块的权系数；

(4)求取各向异性滤波器的均值输出和标准差输出：

所述滤波器的均值输出按以下表达式确定：

为滤波器的均值输出，m_i为第i个点为中心点的子图像块的均值，s_i为第i个点为中心点的子图像块的标准差，q∈(0,+∞)为相关系数常数；

所述滤波器的标准差输出按以下表达式确定：

$\mathrm{\&sigma;}(x,y)=\frac{{\mathrm{\&Sigma;}}_i{s}_i{s}_i^{-q}}{{\mathrm{\&Sigma;}}_i{s}_i^{-q}};$

σ为滤波器的标准差输出，s_i为第i个点为中心点的子图像块的标准差，q∈(0,+∞)为相关系数常数；

(5)求取传输函数图：

所述传输函数图按以下表达式确定：

t_i＝1-(m_i-3×s_i)；

t_i为第i个点的传输函数，m_i为第i个点为中心点的子图像块的均值，s_i为第i个点为中心点的子图像块的标准差；

3)动态自适应调整去除雾气的下限阈值；

4)根据大气散射物理模型中的观测有雾图像、大气光照值和传输函数图复原场景图像；复原后的场景图像按以下表达式确定：

$J(x,y)=\frac{I(x,y)-A}{max\left(t\right(x,y),t_0)}+A;$

其中，(x,y)表示二维空间坐标，J(x,y)为复原后的场景图像，I(x,y)为观测有雾图像，A为大气光照值，t(x,y)为传输函数图，t₀为下限阈值。

2.如权利要求1所述一种基于各向异性滤波的去雾方法，其特征在于所述n取4。

3.如权利要求1所述一种基于各向异性滤波的去雾方法，其特征在于在步骤3)中，所述动态自适应调整去除雾气的下限阈值的具体方法为：

阈值下限的设定采用动态下限阈值方法，即统计传输参数小于0.1的点的个数占整幅图像的像素总数的比值，将该值作为下限阈值t₀，动态阈值的选取设置上限，其上限设置为0.3；

所述动态阈值的选取过程按以下表达式确定：

$t_0=min(\frac{m}{M},0.3);$

t₀为下限阈值，M为图像的像素总数，m为图像中传输函数小于0.1的像素点的个数。