CN103198459B - 雾霾图像快速去雾方法 - Google Patents

Abstract

本发明公开了一种雾霾图像快速去雾方法，暗通道快速计算包括：建立十字形暗通道模板；计算横向、纵向暗通道窗口的像素值；比较并将最小值赋给图像暗通道。选取暗通道中0.1%个像素最大灰度值的均值作为大气光值；根据暗通道图像得到传输图像；采用快速高斯滤波器细化传输图。本发明采用十字模板，减少了计算面积和计算量；可避免重复计算，节约计算时间；在估算过程中大气光值在暗通道中计算得到，可以在保证去雾效果的前提下加快计算速度；采用递归高斯滤波方法优化传输率，优化结果良好。

Description

雾霾图像快速去雾方法

技术领域

本发明涉及图像处理领域，特别是涉及一种雾霾图像快速去雾方法。

背景技术

在计算机视觉领域，对有雾场景下图像的清晰化处理是一个重要的问题，它对于后续的操作（如目视解译以及计算机视觉分析）来说至关重要。在可见光成像范围内，由于受到大气中雾、尘埃等微粒的影响，随着传输距离的增加，物体反射后到达相机感光片的光线很微弱，使得成像模糊不清，尤其是在大雾天气下，能见度很低，大雾天气下拍摄的图像雾霾情况更加严重。因此去雾技术具有重大的现实意义。

目前，在计算机视觉领域，对雾霾图像的雾天清晰化处理方法大致分为两种：一种是通过提高对比度的增强方法，一种是基于物理模型的图像复原方法。由于通过提高对比度的增强方法是一种相对手段，尽管提高了图像清晰度，但是可能带来的负面影响是：丢失图像部分细节、颜色失真等。基于物理模型的图像复原技术从雾的产生机理出发去除图像中的雾霾影响，得到的图像具有无雾场景的真实感，如暗通道先验去雾技术，它是一种简单实用的去雾方法，不但适用于雾天场景，而且也能应用于无雾场景。

对于图像的很多非天空场景区域，在某些像素点上至少存在一种彩色通道具有非常低的亮度，接近黑色的带点。这个黑点主要来源于三方面：物体的阴影、黑色物体及表面、颜色鲜艳的物体。换句话说，这些区域的最小亮度应该有非常低的值。形式上，对于一幅图片J，定义：

$J^{\mathrm{dark}}\left(x\right)=\underset{c\∈\{r,g,b\}}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(J^c\left(y\right)\right)\right);$

其中，J^c是图像J的一个彩色通道（即RGB三颜色的一种），Ω(x)是中心在x处的一个局部图像模块。观察到对于一幅没有雾霾的户外景物图像，除了天空区域，J^dark的亮度非常小，经常趋于零。因此，称J^dark为图像J的暗通道（darkchannel）。暗通道的低亮度主要是由于以下三个方面造成的：

（1）阴影：例如，都市风景图像中的汽车、建筑物、窗户等的阴影，或者山水风景图像中岩石、树及树叶的阴影。

（2）物体或各种表面的色彩：例如，许多物体（例如绿色的草、树及各种植物，红色或黄色的花及树叶，蓝色的海水表面等）由于只有单一的一种颜色，缺少RGB三通道颜色的其它颜色，将导致暗通道的低亮度。

（3）暗的物体或表面：例如，颜色比较暗的树干和石头，由于户外自然景物图像充满了阴影和各种色彩，因此这些图像的暗通道亮度较低。

但在有雾的场景中，这些原本是黑色的点不再“偏黑”，因此可以用来估计雾气的浓度，进一步计算场景景深信息。暗通道的计算是图像去雾技术的关键步骤。何恺明等人提出暗通道先验模型后，大部分计算暗通道的方法都是通过传统的利用设置固定的方形模板大小来计算的。特别的，安科智慧城市技术有限公司提出了一种自适应获取每个像素点对应的模板窗口的方法，根据最小方差对应的模板窗口获取对应像素点的暗通道值。但是这种方法需要事先计算每个预先设置窗口对应的方差，然后选取最优的窗口，这大大增加了多余计算量和计算复杂度。

由于在传统计算暗通道时，图像上每个像素点的方形邻域都需要计算一遍最小值，花费的时间较长，并且存在重复计算。如，利用传统方形模板计算15大小的暗通道，则需要使用的大小为15*15，计算面积为225。

另一方面，雾霾天气条件下单色大气散射模型可以用下式表示：I(x)=J(x)t(x)+A(1-t(x))。其中，I(x)表示观察到的亮度即观察到的图像，J(x)表示场景辐射亮度，也就是需要恢复的无雾图像，A表示整体大气光值，t(x)表示介质传输率，用以描述未经散射而直接到达照相机的那部分场景辐射亮度。J(x)t(x)叫做直接衰减项(directattenuation)，用以描述场景辐射亮度及其在介质中的衰减，可以看出场景辐射亮度是以场景深度d为幂的指数衰减函数；A(1-t(x))叫做大气散射光(airlight)，来自于散射光，它造成场景的模糊和颜色的偏移失真。从几何学角度讲，方程I(x)=J(x)t(x)+A(1-t(x))意味着向量I(x)、J(x)和A在RGB彩色空间中是共面的，它们的终点在同一条直线上，因此，介质传输率t是两截线段之比：其中，c∈{r，g，b)，是色彩通道的索引。

在介质传输率的估算过程中，必须计算大气光值A，然而，传统估算方法中，大气光值A的计算并不是在暗通道中完成的，因此会受到场景中白色轿车、白色建筑等高亮度像素的影响，导致图像复原效果不理想。另外，传统介质传输率的估算均彻底去除图像中的雾霾，使得结果图像看起来很不自然且失去距离感。

对于传统的介质传输率计算方法，由于计算暗通道时使用模板窗口求得最小值，由于在一块模块内，传输率结果不一定都是常数，因此，会出现块效应。何恺明等人用一种软抠像法(softmatting)优化了传输率但是这种传统软抠图的方法比较耗时，影响了系统去雾速度，不能适用于实时系统。

发明内容

本发明的目的在于克服现有技术的不足，提供一种新型的雾霾图像快速去雾方法。

一方面，引入基于十字形模板的雾霾图像暗通道快速计算方法，利用十字形模块，采用先按横向后按纵向（或者先按纵向后按横向）的方法求暗通道，代替传统一次性求得模板内的最小值的方法，可有效减少计算面积和计算量，避免重复计算，节约计算时间，实现暗通道的快速计算；

另一方面，引入基于快速高斯滤波的雾霾图像介质传输率估算与优化方法，在估算过程中大气光值在暗通道中计算得到；采用近似高斯滤波方法优化传输率，优化结果良好，且克服了现有技术优化速度慢、去雾速度慢、不能应用于实时系统等缺点。

本发明的目的是通过以下技术方案来实现的：雾霾图像快速去雾方法，它包括以下步骤：

（1）快速计算雾霾图像的暗通道，进而根据暗通道图像计算大气光值A；

（2）估算并优化介质传输率；

（3）将雾霾图像、大气光值A和介质传输率输入雾化成像模型获得去雾后的图像；

所述的雾霾图像暗通道快速计算包括以下步骤：

S11：建立十字形暗通道模板，所述的十字形暗通道模板由横向暗通道窗口和纵向暗通道窗口组成，横向暗通道窗口和纵向暗通道窗口分别由M个、N个暗通道窗口组成，每个窗口对应于一个暗通道像素点；

S12：首先计算任意一个方向的暗通道值，计算过程为：

S121：在所选取方向上的暗通道模板窗口中，选择一个暗通道窗口i为中心窗口或中心像素点；

S122：计算该方向上所有1～M个暗通道窗口位置的像素值，将其中的最小值作为该暗通道窗口i的像素值；

S123：以一个像素为步长，移动该方向的暗通道窗口，像素点位置变成为2～M+1；

S124：由于移动后的M个数与移动前的M个数有关系，即少了位置1的数，增加了位置M+1的数，对比位置1、位置M+1以及上一次即步骤S122求得的最小像素值的大小关系，即可确定移动后的暗通道中心窗口即位置i+1的像素值，其具体方法是：

1）如果移动后产生的位置M+1上的值比上一次求得的最小值还小，则直接将该值赋值给移动后的暗通道中心窗口即位置i+1；

2）如果上一次求得的最小值与位置1上的值相等，则重新计算最小值；

3）如果上一次求得的最小值与位置1上的值不相等，且位置M+1上的像素值大于上一次求得的最小值，则继续把上一次的最小值赋值给移动后的暗通道中心窗口即位置i+1；

S125：重复步骤S123～S124，计算该方向上所有暗通道窗口的像素值；

S13：按照与步骤S121～S125同样的方法，计算另一个方向上的所有1～N个暗通道窗口的像素值；

S14：比较横向暗通道窗口与纵向暗通道窗口的值，将两者中的最小值赋给图像暗通道。

当大气同质时，雾霾天气条件下单色大气散射模型用下式表示：

I(x)=J(x)t(x)+A(1-t(x))

其中，I(x)表示观察到的图像的亮度，J(x)表示需要恢复的无雾图像的场景辐射亮度，A表示整体大气光值，t(x)表示介质传输率；

J(x)t(x)为直接衰减项，用以描述场景辐射亮度及其在介质中的衰减；

A(1-t(x))为大气散射光，造成场景的模糊和颜色的偏移失真。

基于快速高斯滤波的雾霾图像介质传输率估算与优化方法包括一个传输率估算的步骤和一个传输率快速高斯滤波器优化的步骤：

所述的传输率估算的步骤包括以下子步骤：

S211：对三个通道的雾霾成像方程I(x)=J(x)t(x)+A(1-t(x))进行最小化操作得到最小值亮度图；

S212：对最小值亮度图每个像素点的“十”字邻域最小值操作得到暗通道图像；

S213：选取暗通道中0.1%个像素最大灰度值均值作为大气光值；

S214：根据暗通道图像计算得到传输图像：

其中，为近似传输函数，ω为调节参数，min为取最小化操作，I^c(y)真实图像，A为大气光值，c表示三个通道，c∈(r,g,b)；

其具体步骤及原理为：

A.用表示局部块的传输率，对局部块的雾霾成像方程I(x)=J(x)t(x)+A(1-t(x))进行最小化操作，有：

$\underset{y\∈\mathrm{\Ω}\left(z\right)}{\min }\left(I^c\left(y\right)\right)=\tilde{t}\left(x\right)\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(J^c\left(y\right)\right)+(1-\tilde{t}\left(x\right))A^c;$

由于最小化操作是在三个色彩通道上独立完成的，因此，上述方程等价于：

$\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)=\tilde{t}\left(x\right)\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)+(1-\tilde{t}\left(x\right));$

B.在步骤A所得方程的三个色彩通道之间进行最小化操作，得到：

$\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right)=\tilde{t}\left(x\right)\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{J^c\left(y\right)}{A^c}\right)\right)+(1-\tilde{t}\left(x\right))\underset{}{;}$

C.根据暗通道先验，使无雾霾图片J的黑色通道J^dark趋于零，有：

$J^{\mathrm{dark}}\left(x\right)=\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(J^c\left(y\right)\right)\right)=0;$

又由于A^c恒为正，得：

$\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{J^c\left(y\right)}{A^c}\right)\right)=0;$

D.选取暗通道中0.1%个像素最大灰度值均值作为大气光值；

E.结合步骤C与步骤D得到的方程，即：将方程代入方程 $\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right)=\tilde{t}\left(x\right)\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{J^c\left(y\right)}{A^c}\right)\right)+(1-\tilde{t}\left(x\right)),$ 得到传输率的值：

$\tilde{t}\left(x\right)=1-\underset{c}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right);$

F.通过给步骤E所得到的方程引入一个常参数ω(0<ω≤1)，为远距离物体保留适量的雾霾，得到介质传输率的估算值为：

$\tilde{t}\left(x\right)=1-\mathrm{\&omega;}\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right).$

传统的空域高斯滤波器平滑传输函数可用下式表示：T(x,y)=G(x,y)*t(x,y)，其中，G(x,y)表示二维高斯模板，t(x,y)表示粗糙的介质传输率，T(x,y)表示高斯滤波之后的二维图像数据。“*”表示空间卷积。

所述的传输率快速高斯滤波器优化的步骤为：在二维模板运算的高斯滤波器基础上，将二维模板转换为一维向量，可以有效加快传输率优化速度，其计算方式适合可编程逻辑器件实现，它包括以下两个步骤：

（1）按行进行前向和后向的一维滤波；

（2）按列进行前向和后向的一维滤波。

所述的前向一维滤波结果：

w[n]=Bin[n]+(b₁w[n-1]+b₂w[n-2]+b₃w[n-3])/b₀；

其中，w[n]表示进行前向一维滤波之后得到的像素值，in[n]表示图像n点的像素值，w[n-1]表示n点的前向一维滤波得到的上一个像素值，w[n-2]表示n-1点的前向一维滤波得到的上一个像素值；w[n-3]表示n-2点的前向一维滤波得到的上一个像素值。

所述的后向一维滤波结果：

out[n]=Bw[n]+(b₁out[n+1]+b₂out[n+2]+b₃out[n+3])/b₀；

其中，out[n]表示经过后向一维滤波后得到的像素值，w[n]表示进行前向一维滤波之后得到的像素值，out[n+1]表示n点的后向一维滤波得到的下一个像素值，out[n+2]表示n+1点的后向一维滤波得到的下一个像素值，out[n+3]表示n+2点的后向一维滤波得到的下一个像素值。

所述的b₀、b₁、b₂、b₃表示计算得到的系数：

b₀=1.57825+(2.44413q)+(1.4281q²)+(0.422205q³),

b₁=(2.44413q)+(2.85619q²)+(1.26661q³),

b₂=-((1.4281q²)+(1.26661q³)),

b₃=0.422205q³.

其中，q表示递归参数。

所述的q的计算方法为：

$q=\left\{\begin{array}{c}\begin{array}{cc}\begin{array}{}\end{array}\begin{array}{}\end{array}\begin{array}{}\end{array}\begin{array}{}\end{array}0.98711{\mathrm{\&sigma;}}_0-0.96330,& {\mathrm{\&sigma;}}_0\&GreaterEqual;2.5,\end{array}\\ 3.97156-4.14554\sqrt{1-{0.26891\mathrm{\&sigma;}}_0},\\ 0.5\&le;{\mathrm{\&sigma;}}_0\&le;2.5;\end{array}\right.$

其中，σ₀表示标准差。

本发明的有益效果是：

1）采用十字形模板代替传统方形模板，以15大小的模板为例，传统模板所使用的大小为（15*15），而改进后模板减小为（15+15-1），计算面积大小从225减少到29，有效减少了暗通道计算的计算面积和计算量；

2）采用十字形模板，采用先按横向后按纵向（或者先按纵向后按横向）的方法求暗通道，代替传统一次性求得模板内的最小值的方法，可有效避免重复计算，节约了计算时间，实现了暗通道的快速计算；

3）暗通道窗口移动一个像素的步长，分别将原暗通道窗口中的第一个像素点、移位后暗通道窗口中的移位新增像素点的值与原暗通道窗口所有像素点中的最小值进行比较，只需比较三者的大小关系即可确定移位后的暗通道窗口的最小值，减少了比较和计算的次数和时间；

4）在估算过程中大气光值在暗通道中计算得到，可有效避免场景中高亮度像素的影响，有助于改善图像去雾效果；

5）在估算过程中引入常参数ω，使得距离较远的物体能保留适量雾霾，使图像成像更自然且避免失去距离感；

6）采用近似高斯滤波方法优化传输率，优化结果良好，且克服了现有技术优化速度慢、去雾速度慢、不能应用于实时系统等缺点。

附图说明

图1为雾霾图像去雾方法原理流程图；

图2为暗通道快速计算方法流程图；

图3为计算指定方向上所有暗通道窗口像素值的方法流程图；

图4为暗通道模板结构示意图；

图5为基于快速高斯滤波的雾霾图像介质传输率估算与优化方法流程图；

图6为去雾前原雾霾图像示例；

图7为去雾后图像示例。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，雾霾图像快速去雾方法，它包括以下步骤：

（1）快速计算雾霾图像的暗通道，进而根据暗通道图像计算大气光值A；

（2）估算并优化介质传输率；

（3）将雾霾图像、大气光值A和介质传输率输入雾化成像模型获得去雾后的图像。

如图2所示，所述的雾霾图像暗通道快速计算包括以下步骤：

S11：建立十字形暗通道模板，所述的十字形暗通道模板由横向暗通道窗口和纵向暗通道窗口组成，横向暗通道窗口和纵向暗通道窗口分别由M个、N个暗通道窗口组成，每个窗口对应于一个暗通道像素点；

S12：首先计算任意一个方向的暗通道值，如图3所示，其计算过程为：

S121：在所选取方向上的暗通道模板窗口中，选择一个暗通道窗口i为中心窗口或中心像素点；

S122：计算该方向上所有1～M个暗通道窗口位置的像素值，将其中的最小值作为该暗通道窗口i的像素值；

S123：以一个像素为步长，移动该方向的暗通道窗口，像素点位置变成为2～M+1；

S124：由于移动后的M个数与移动前的M个数有关系，即少了位置1的数，增加了位置M+1的数，对比位置1、位置M+1以及上一次即步骤S122求得的最小像素值的大小关系，即可确定移动后的暗通道中心窗口即位置i+1的像素值，其具体方法是：

1）如果移动后产生的位置M+1上的值比上一次求得的最小值还小，则直接将该值赋值给移动后的暗通道中心窗口即位置i+1；

2）如果上一次求得的最小值与位置1上的值相等，则重新计算最小值；

3）如果上一次求得的最小值与位置1上的值不相等，且位置M+1上的像素值大于上一次求得的最小值，则继续把上一次的最小值赋值给移动后的暗通道中心窗口即位置i+1；

S125：重复步骤S123～S124，计算该方向上所有暗通道窗口的像素值；

S13：按照与步骤S121～S125同样的方法，计算另一个方向上的所有1～N个暗通道窗口的像素值；

S14：比较横向暗通道窗口与纵向暗通道窗口的值，将两者中的最小值赋给图像暗通道。

如图4所示，对于15大小的暗通道模板，雾霾图像暗通道快速计算包括以下步骤：

S11：建立十字形暗通道模板，所述的十字形暗通道模板由横向15个暗通道窗口和纵向15个暗通道窗口组成，每个窗口对应于一个暗通道像素点；

S12：首先计算横向暗通道窗口的暗通道值，计算过程为；

S121：在横向暗通道模板窗口中，选择位置8为中心窗口即中心像素点；

S122：计算横向暗通道模板窗口中所有1～15个暗通道窗口位置的像素值，将其中的最小值作为中心窗口位置8的像素值；

S123：以一个像素为步长，移动横向暗通道窗口，像素点位置变成为2～16；

S124：由于移动后的M个数与移动前的M个数有关系，即少了位置1的数，增加了位置16的数，对比位置1、位置16以及上一次即步骤S122求得的最小像素值的大小关系，即可确定移动后的暗通道中心窗口即位置9的像素值，其具体方法是：

1）如果移动后产生的位置16上的值比上一次求得的最小值还小，则直接将该值赋值给移动后的暗通道中心窗口即位置9；

2）如果上一次求得的最小值与位置1上的值相等，则重新计算最小值；

3）如果上一次求得的最小值与位置1上的值不相等，且位置16上的像素值大于上一次求得的最小值，则继续把上一次的最小值赋值给移动后的暗通道中心窗口即位置9；

计算横向暗通道窗口中所有15个位置上的像素，求出所有像素点中的最小值，将该最小值作为横向暗通道窗口中心像素点（位置8）上的值；

S125：重复步骤S123～S124，计算横向暗通道窗口上所有窗口的像素值；

S13：按照与步骤S121～S125同样的方法，计算纵向暗通道模板窗口中所有1～15个暗通道窗口位置的像素值；

S14：比较横向暗通道窗口与纵向暗通道窗口的值，将两者中的最小值赋给图像暗通道。

当大气同质时，雾霾天气条件下单色大气散射模型用下式表示：

I(x)=J(x)t(x)+A(1-t(x))

其中，I(x)表示观察到的图像的亮度，J(x)表示需要恢复的无雾图像的场景辐射亮度，A表示整体大气光值，t(x)表示介质传输率；

J(x)t(x)为直接衰减项，用以描述场景辐射亮度及其在介质中的衰减；

A(1-t(x))为大气散射光，造成场景的模糊和颜色的偏移失真。

如图5所示，基于快速高斯滤波的雾霾图像介质传输率估算与优化方法包括一个传输率估算的步骤和一个传输率快速高斯滤波器优化的步骤：

所述的传输率估算的步骤包括以下子步骤：

S211：对三个通道的雾霾成像方程I(x)=J(x)t(x)+A(1-t(x))进行最小化操作得到最小值亮度图；

S212：对最小值亮度图每个像素点的“十”字邻域最小值操作得到暗通道图像；

S213：选取暗通道中0.1%个像素最大灰度值均值作为大气光值；

S214：根据暗通道图像计算得到传输图像：

其中，为近似传输函数，ω为调节参数，min为取最小化操作，I^c(y)真实图像，A为大气光值，c表示三个通道，c∈(r,g,b)；

其具体步骤及原理为：

A.用表示局部块的传输率，对局部块的雾霾成像方程I(x)=J(x)t(x)+A(1-t(x))进行最小化操作，有：

$\underset{y\&Element;\mathrm{\&Omega;}\left(z\right)}{\min }\left(I^c\left(y\right)\right)=\tilde{t}\left(x\right)\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(J^c\left(y\right)\right)+(1-\tilde{t}\left(x\right))A^c;$

由于最小化操作是在三个色彩通道上独立完成的，因此，上述方程等价于：

$\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)=\tilde{t}\left(x\right)\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)+(1-\tilde{t}\left(x\right));$

B.在步骤A所得方程的三个色彩通道之间进行最小化操作，得到：

$\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right)=\tilde{t}\left(x\right)\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{J^c\left(y\right)}{A^c}\right)\right)+(1-\tilde{t}\left(x\right))\underset{}{;}$

C.根据暗通道先验，使无雾霾图片J的黑色通道J^dark趋于零，有：

$J^{\mathrm{dark}}\left(x\right)=\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(J^c\left(y\right)\right)\right)=0;$

又由于A^c恒为正，得：

$\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{J^c\left(y\right)}{A^c}\right)\right)=0;$

D.选取暗通道中0.1%个最大灰度值像素均值作为大气光值；

E.结合步骤C与步骤D得到的方程，即：将方程代入方程 $\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right)=\tilde{t}\left(x\right)\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{J^c\left(y\right)}{A^c}\right)\right)+(1-\tilde{t}\left(x\right)),$ 得到传输率的值：

$\tilde{t}\left(x\right)=1-\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right);$

F.通过给步骤E所得到的方程引入一个常参数ω(0<ω≤1)，为远距离物体保留适量的雾霾，得到介质传输率的估算值为：

$\tilde{t}\left(x\right)=1-\mathrm{\&omega;}\underset{c}{\min }\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{\min }\left(\frac{I^c\left(y\right)}{A^c}\right)\right).$

传统的空域高斯滤波器平滑传输函数可用下式表示：T(x,y)=G(x,y)*t(x,y)，其中，G(x,y)表示二维高斯模板，t(x,y)表示粗糙的介质传输率，T(x,y)表示高斯滤波之后的二维图像数据。“*”表示空间卷积。

所述的传输率快速高斯滤波器优化的步骤为：在二维模板运算的高斯滤波器基础上，将二维模板转换为一维向量，可以有效加快传输率优化速度，其计算方式适合可编程逻辑器件实现，它包括以下两个步骤：

（1）按行进行前向和后向的一维滤波；

（2）按列进行前向和后向的一维滤波。

所述的前向一维滤波结果：

w[n]=Bin[n]+(b₁w[n-1]+b₂w[n-2]+b₃w[n-3])/b₀；

其中，w[n]表示进行前向一维滤波之后得到的像素值，in[n]表示图像n点的像素值，w[n-1]表示n点的前向一维滤波得到的上一个像素值，w[n-2]表示n-1点的前向一维滤波得到的上一个像素值；w[n-3]表示n-2点的前向一维滤波得到的上一个像素值。

所述的后向一维滤波结果：

out[n]=Bw[n]+(b₁out[n+1]+b₂out[n+2]+b₃out[n+3])/b₀；

其中，out[n]表示经过后向一维滤波后得到的像素值，w[n]表示进行前向一维滤波之后得到的像素值，out[n+1]表示n点的后向一维滤波得到的下一个像素值，out[n+2]表示n+1点的后向一维滤波得到的下一个像素值，out[n+3]表示n+2点的后向一维滤波得到的下一个像素值。

所述的b₀、b₁、b₂、b₃表示计算得到的系数：

b₀=1.57825+(2.44413q)+(1.4281q²)+(0.422205q³),

b₁=(2.44413q)+(2.85619q²)+(1.26661q³),

b₂=-((1.4281q²)+(1.26661q³)),

b₃=0.422205q³.

其中，q表示递归参数。

所述的q的计算方法为：

$q=\left\{\begin{array}{c}\begin{array}{cc}\begin{array}{}\end{array}\begin{array}{}\end{array}\begin{array}{}\end{array}\begin{array}{}\end{array}0.98711{\mathrm{\&sigma;}}_0-0.96330,& {\mathrm{\&sigma;}}_0\&GreaterEqual;2.5,\end{array}\\ 3.97156-4.14554\sqrt{1-{0.26891\mathrm{\&sigma;}}_0},\\ 0.5\&le;{\mathrm{\&sigma;}}_0\&le;2.5;\end{array}\right.$

其中，σ₀表示标准差。

利用传输率t(x)和整体大气光值A，根据方程I(x)=J(x)t(x)+A(1-t(x))可恢复场景辐射亮度J(x)：其中，t₀为限制传输率t(x)最小取边界值，一般取值为0.1。

通过图6和图7的对比可以看出，去雾前后的图像显示效果差异明显，去雾效果良好。

Claims (3)

1.雾霾图像快速去雾方法，它包括以下步骤：

(1)快速计算雾霾图像的暗通道，进而根据暗通道图像计算大气光值A；

(2)估算并优化介质传输率；

(3)将雾霾图像、大气光值A和介质传输率输入雾化成像模型获得去雾后的图像；

其特征在于：

所述的雾霾图像暗通道快速计算包括以下步骤：

S11：建立十字形暗通道模板，所述的十字形暗通道模板由横向暗通道窗口和纵向暗通道窗口组成，横向暗通道窗口和纵向暗通道窗口分别由M个、N个暗通道窗口组成，每个窗口对应于一个暗通道像素点；横向暗通道窗口对应的像素点位置为1～M，纵向暗通道窗口对应的像素点位置为1～N；

S12：首先计算横向的暗通道值，计算过程为：

S121：在所选取方向上的暗通道模板窗口中，选择一个暗通道窗口i为中心窗口或中心像素点；

S122：计算该方向上所有1～M个暗通道窗口位置的像素值，将其中的最小值作为该暗通道窗口i的像素值；

S123：以一个像素为步长，移动该方向的暗通道窗口，像素点位置变成为2～M+1；

S124：由于移动后的M个数与移动前的M个数有关系，即少了位置1的数，增加了位置M+1的数，对比位置1、位置M+1以及上一次即步骤S122求得的最小像素值的大小关系，即可确定移动后的暗通道中心窗口即位置i+1的像素值，其具体方法是：

1)如果移动后产生的位置M+1上的值比上一次求得的最小值还小，则直接将该值赋值给移动后的暗通道中心窗口即位置i+1；

2)如果上一次求得的最小值与位置1上的值相等，则重新计算最小值；

3)如果上一次求得的最小值与位置1上的值不相等，且位置M+1上的像素值大于上一次求得的最小值，则继续把上一次的最小值赋值给移动后的暗通道中心窗口即位置i+1；

S125：依照与步骤S123～S124同样的方法，计算该方向上所有暗通道窗口的像素值；

S13：按照与步骤S121～S125同样的方法，计算另一个方向上的所有1～N个暗通道窗口的像素值；

S14：比较横向暗通道窗口与纵向暗通道窗口的值，将两者中的最小值赋给图像暗通道；

所述的雾霾图像介质传输率估算与优化包括一个传输率估算的步骤和一个传输率快速高斯滤波器优化的步骤，其中，所述的传输率估算的步骤包括以下子步骤：

S211：对三个通道的雾霾成像方程I(x)＝J(x)t(x)+A(1-t(x))进行最小化操作得到最小值亮度图；I(x)表示观察到的图像的亮度，J(x)表示需要恢复的无雾图像的场景辐射亮度，A表示整体大气光值，t(x)表示介质传输率；

S212：对最小值亮度图每个像素点的“十”字邻域最小值操作得到暗通道图像；

S213：选取暗通道中按照像素灰度值从大到小排列的前0.1％个灰度值的均值作为大气光值；

S214：根据暗通道图像计算得到传输图像：

其中，为近似传输函数，ω为调节参数，min为取最小化操作，I^c(y)真实图像，A为大气光值，c表示三个通道，c∈(r,g,b)，Ω(x)为矩形邻域；

所述的传输率快速高斯滤波器优化的步骤为：在二维模板运算的高斯滤波器基础上，将二维模板转换为一维向量，有效加快传输率优化速度，其计算方式适合可编程逻辑器件实现，它包括以下两个步骤：

(1)按行进行前向和后向的一维滤波；

(2)按列进行前向和后向的一维滤波；

所述的前向一维滤波结果：

w[n]＝B×in[n]+(b₁w[n-1]+b₂w[n-2]+b₃w[n-3])/b₀；

其中，w[n]表示进行前向一维滤波之后得到的像素值，in[n]表示图像n点的像素值，w[n-1]表示n点的前向一维滤波得到的上一个像素值，w[n-2]表示n-1点的前向一维滤波得到的上一个像素值；w[n-3]表示n-2点的前向一维滤波得到的上一个像素值；

所述的后向一维滤波结果：

out[n]＝B×w[n]+(b₁out[n+1]+b₂out[n+2]+b₃out[n+3])/b₀；

其中，out[n]表示经过后向一维滤波后得到的像素值，w[n]表示进行前向一维滤波之后得到的像素值，out[n+1]表示n点的后向一维滤波得到的下一个像素值，out[n+2]表示n+1点的后向一维滤波得到的下一个像素值，out[n+3]表示n+2点的后向一维滤波得到的下一个像素值；b₀、b₁、b₂、b₃表示计算得到的系数。

2.根据权利要求1所述的雾霾图像快速去雾方法，其特征在于：所述的b₀、b₁、b₂、b₃表示计算得到的系数：

b₀＝1.57825+(2.44413q)+(1.4281q²)+(0.422205q³),

b₁＝(2.44413q)+(2.85619q²)+(1.26661q³),

b₂＝-((1.4281q²)+(1.26661q³)),

b₃＝0.422205q³；

其中，q表示递归参数。

3.根据权利要求2所述的雾霾图像快速去雾方法，其特征在于：所述的q表示递归参数：

$q=\left\{\begin{array}{c}\begin{array}{cc}0.98711{\mathrm{\&sigma;}}_0-0.96330,& {\mathrm{\&sigma;}}_0\&GreaterEqual;2.5,\end{array}\\ 3.97156-4.14554\sqrt{1-0.26891{\mathrm{\&sigma;}}_0},\\ 0.5\&le;{\mathrm{\&sigma;}}_0\&le;\mathrm{2.5.}\end{array}\right.$

其中，σ₀表示标准差。