CN103955900A - 基于生物视觉机理的图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于生物视觉机理的图像去雾方法，本发明的方法通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用的相互作用，将有雾图像的弥漫光照去除，增强原始图像色彩对比度，实现有雾图像的自动增强，本发明提供了一种符合生理特性的方法，在保持细节特征的同时，准确、高效地实现了单幅有雾彩色图像的颜色去雾增强。

Description

基于生物视觉机理的图像去雾方法

技术领域

本发明属于图像处理技术领域，涉及彩色图像增强技术，具体涉及一种基于视网膜非经典感受野视觉机制的图像去雾增强方法。

背景技术

随着信息技术的不断发展，计算机视觉设备被越来越广泛的应用于不同领域。在实际应用中，因为环境、系统以及人为因素的影响，传感器获得的图像或多或少都存在一定程度的退化。其中，由于传感器设计时通常没有考虑天气影响，在雾霾环境下，获取的图像退化尤为严重。因此，如何对雾霾环境下传感器获取的高亮度低对比的有雾图像进行去雾增强，具有十分重要的现实意义。

目前，图像去雾主要有图像增强去雾和物理模型恢复去雾两条基本思路。基于图像增强的方法不考虑图像退化的具体原因，以部分信息丢失为代价对图像中有用部分进行增强，比较具有代表性的方法有直方图均衡化，同态滤波，小波变换和Retinex算法。基于物理模型的方法先建立雾霾下成像模型，再在此基础上恢复出去雾图像，比较具有代表性的方法有场景深度估计算法和暗通道先验算法。这些算法能一定程度上实现图像去雾的效果，但都存在各自的局限性，例如，直方图均衡化会造成局部细节信息丢失，同态滤波计算开销较大，Retinex算法滤波器参数选取困难，场景深度估计算法需要多幅图像估计深度信息，暗通道先验算法需要满足先验假设。

发明内容

针对现有技术存在的上述问题，本发明提出了一种基于生物视觉机理的图像去雾方法。

本发明的技术方案为：一种基于生物视觉机理的图像去雾方法，包括以下步骤：

步骤1：设定感受野大小及确定相应的模型参数；

步骤2：对色偏图像每一个像素点分别提取红色分量I_R、绿色分量I_G、蓝色分量I_B，计算出平均亮度分量I：I＝(I_R+I_G+I_B)/3；

步骤3：设定去雾深度th和兴奋抑制比K；

步骤4：将红、绿、蓝三通道像素值均值最小者与去雾深度比较，若该值小于去雾深度，即min(mean(I_R),mean(I_G),mean(I_B)))<th，图像无需进行去雾，处理完成；大于等于去雾深度则执行步骤5；

步骤5：根据兴奋抑制比计算出红通道非经典感受野外周敏感系数A_R2，亚区敏感系数A_R3，绿通道非经典感受野外周敏感系数A_G2，亚区敏感系数A_G3，蓝通道非经典感受野外周敏感系数A_B2，亚区敏感系数A_B3，

A_R2＝K3   A_R3＝A_R23

A_G2＝K3   A_G3＝A_G23

A_B2＝K3   A_B3＝A_B23

步骤7：根据公式

$R_{R3}(x,y;{\mathrm{\&sigma;}}_u)=\mathrm{MAX}[0,I(x,y)-A_{R3}\&times;I(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_u)]$

$R_{G3}(x,y;{\mathrm{\&sigma;}}_u)=\mathrm{MAX}[0,I(x,y)-A_{G3}\&times;I(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_u)]$

$R_{B3}(x,y;{\mathrm{\&sigma;}}_u)=\mathrm{MAX}[0,I(x,y)-A_{B3}\&times;I(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_u)]$

计算出红通道亚区去抑制后响应R_R3(x,y；σ_u)，绿通道亚区去抑制后响应R_G3(x,y；σ_u)，蓝通道亚区去抑制后响应R_B3(x,y；σ_u)，其中，表示卷积，I(x,y)表示中心点亮度，I(p,q)表示亚区内除中心外的点的亮度，(p,q)为落在亚区内除中心外的点，MAX表示取两者中较大值；

步骤8：根据公式

$R_{R2}(x,y;{\mathrm{\&sigma;}}_s)=A_{R2}\&times;R_{R3}(p,q;{\mathrm{\&sigma;}}_u)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_s)]$

$R_{G2}(x,y;{\mathrm{\&sigma;}}_s)=A_{G2}\&times;R_{G3}(p,q;{\mathrm{\&sigma;}}_u)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_s)]$

$R_{B2}(x,y;{\mathrm{\&sigma;}}_s)=A_{B2}\&times;R_{B3}(p,q;{\mathrm{\&sigma;}}_u)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_s)]$

计算出红通道外周抑制R_R2(x,y；σ_s)，绿通道外周抑制R_G2(x,y；σ_s)，蓝通道外周抑制R_B2(x,y；σ_s)，其中，(p,q)为落在外周内的点；

步骤9：根据公式

$R_{R1}(x,y;{\mathrm{\&sigma;}}_c)=\mathrm{MAX}[0,I_R(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_c)-R_{R2}(x,y;{\mathrm{\&sigma;}}_s)]$

$R_{G1}(x,y;{\mathrm{\&sigma;}}_c)=\mathrm{MAX}[0,I_G(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_c)-R_{G2}(x,y;{\mathrm{\&sigma;}}_s)]$

$R_{B1}(x,y;{\mathrm{\&sigma;}}_c)=\mathrm{MAX}[0,I_B(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_c)-R_{B2}(x,y;{\mathrm{\&sigma;}}_s)]$

计算出红通道中心区抑制后响应R_R1(x,y；σ_c)，绿通道中心区抑制后响应R_G1(x,y；σ_c)，蓝通道中心区抑制后响应R_B1(x,y；σ_c)，其中，(p,q)为落在中心区Center内的点，取R_R1(x,y；σ_c)、R_G1(x,y；σ_c)、R_B1(x,y；σ_c)作为像素点(x,y)新的红、绿、蓝分量；

步骤10：在红、绿、蓝通道上分别计算，以红通道输出为红色分量I_R，绿通道输出为绿色分量I_G，蓝通道输出为蓝色分量I_B合成彩色图像，若满足步骤4的条件，则去雾停止，否则，兴奋抑制比K加1，返回步骤5。

进一步的，步骤1所述的设定感受野大小及确定相应的模型参数设定感受野中心区半径、外周抑制区半径、亚区半径，中心、外周、亚区高斯核函数具体为：

$g(x,y;{\mathrm{\&sigma;}}_c)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_c^2}\exp (-(x^2+y^2)/\left({2\mathrm{\&sigma;}}_c^2\right))$

$g(x,y;{\mathrm{\&sigma;}}_s)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_s^2}\exp (-(x^2+y^2)/\left({2\mathrm{\&sigma;}}_s^2\right))$

$g(x,y;{\mathrm{\&sigma;}}_u)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_u^2}\exp (-(x^2+y^2)/\left({2\mathrm{\&sigma;}}_u^2\right))$

其中，中心高斯分布参数σ_c，外周高斯分布参数σ_s，亚区高斯分布参数σ_u，分别为其对应区域半径的三分之一。

进一步的，步骤3所述的去雾深度th取值范围具体为0.1～0.3。

本发明的有益效果：本发明的方法通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用的相互作用，将有雾图像的弥漫光照去除，增强原始图像色彩对比度，实现有雾图像的自动增强，本发明提供了一种符合生理特性的方法，在保持细节特征的同时，准确、高效地实现了单幅有雾彩色图像的颜色去雾增强。

附图说明

图1是带去抑制亚区的视网膜非经典感受野模型图。

图2是本发明方法的流程示意图。

图3是利用本方案对雾霾天气下交通图像处理效果。

具体实施方式

基于人类视觉认知机制，本发明提出模拟非经典感受野的图像去雾方法，能够保持细节特征的同时，无需先验地对单幅图像实现快速去雾增强。在视觉系统中，单个视觉神经元对视野中某个特定区域内的刺激起反应，该区域被称为神经元的感受野。在此区域之外，存在一个更大范围的影响神经元响应的非经典感受野。视网膜的感受野呈中心外周的结构，在其外周存在一个大范围的，由多个亚区构成的去抑制区，抑制外周对中心的抑制作用，既非经典感受野(如图1所示)。

对颜色的感知从对应于红、绿、蓝三基色的L、M、S三类视锥细胞开始，由水平细胞负反馈灰化后经双极细胞传递至神经节细胞，通过红绿、蓝黄拮抗通道分别处理，由非经典感受野的去抑制作用去除弥漫光照的影响，从而实现图像去雾增强。

利用本发明的方法(具体流程图如图2)所示对雾霾天气下交通图像进行处理，感受野中心区半径设为1、外周抑制区半径设为3、亚区半径设为1，去雾深度0.1，设定兴奋抑制比K具体为1，效果见图3所示。

可以看出，本发明基于最新视觉生理研究成果，通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用，将有雾图像的弥漫光照去除，在保持细节特征的同时，准确、高效地实现了单幅有雾彩色图像的颜色去雾增强。

Claims (4)

1.一种基于生物视觉机理的图像去雾方法，包括以下步骤：

步骤1：设定感受野大小及确定相应的模型参数；

步骤2：对色偏图像每一个像素点分别提取红色分量I_R、绿色分量I_G、蓝色分量I_B，计算出平均亮度分量I：I＝(I_R+I_G+I_B)/3；

步骤3：设定去雾深度th和兴奋抑制比K；

步骤4：将红、绿、蓝三通道像素值均值最小者与去雾深度比较，若该值小于去雾深度，即min(mean(I_R),mean(I_G),mean(I_B)))<th，图像无需进行去雾，处理完成；大于等于去雾深度则执行步骤5；

步骤5：根据兴奋抑制比计算出红通道非经典感受野外周敏感系数A_R2，亚区敏感系数A_R3，绿通道非经典感受野外周敏感系数A_G2，亚区敏感系数A_G3，蓝通道非经典感受野外周敏感系数A_B2，亚区敏感系数A_B3，

A_R2＝K3   A_R3＝A_R23

A_G2＝K3   A_G3＝A_G23

A_B2＝K3   A_B3＝A_B23

步骤7：根据公式

$R_{R3}(x,y;{\mathrm{\&sigma;}}_u)=\mathrm{MAX}[0,I(x,y)-A_{R3}\&times;I(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_u)]$

$R_{G3}(x,y;{\mathrm{\&sigma;}}_u)=\mathrm{MAX}[0,I(x,y)-A_{G3}\&times;I(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_u)]$

$R_{B3}(x,y;{\mathrm{\&sigma;}}_u)=\mathrm{MAX}[0,I(x,y)-A_{B3}\&times;I(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_u)]$

计算出红通道亚区去抑制后响应R_R3(x,y；σ_u)，绿通道亚区去抑制后响应R_G3(x,y；σ_u)，蓝通道亚区去抑制后响应R_B3(x,y；σ_u)，其中，表示卷积，I(x,y)表示中心点亮度，I(p,q)表示亚区内除中心外的点的亮度，(p,q)为落在亚区内除中心外的点，MAX表示取两者中较大值；

步骤8：根据公式

$R_{R2}(x,y;{\mathrm{\&sigma;}}_s)=A_{R2}\&times;R_{R3}(p,q;{\mathrm{\&sigma;}}_u)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_s)]$ $R_{G2}(x,y;{\mathrm{\&sigma;}}_s)=A_{G2}\&times;R_{G3}(p,q;{\mathrm{\&sigma;}}_u)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_s)]$

$R_{B2}(x,y;{\mathrm{\&sigma;}}_s)=A_{B2}\&times;R_{B3}(p,q;{\mathrm{\&sigma;}}_u)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_s)]$

计算出红通道外周抑制R_R2(x,y；σ_s)，绿通道外周抑制R_G2(x,y；σ_s)，蓝通道外周抑制R_B2(x,y；σ_s)，其中，(p,q)为落在外周内的点；

步骤9：根据公式

$R_{R1}(x,y;{\mathrm{\&sigma;}}_c)=\mathrm{MAX}[0,I_R(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_c)-R_{R2}(x,y;{\mathrm{\&sigma;}}_s)]$

$R_{G1}(x,y;{\mathrm{\&sigma;}}_c)=\mathrm{MAX}[0,I_G(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_c)-R_{G2}(x,y;{\mathrm{\&sigma;}}_s)]$

$R_{B1}(x,y;{\mathrm{\&sigma;}}_c)=\mathrm{MAX}[0,I_B(p,q)\&CircleTimes;g\left(\right|p-x|,|q-y|;{\mathrm{\&sigma;}}_c)-R_{B2}(x,y;{\mathrm{\&sigma;}}_s)]$

计算出红通道中心区抑制后响应R_R1(x,y；σ_c)，绿通道中心区抑制后响应R_G1(x,y；σ_c)，蓝通道中心区抑制后响应R_B1(x,y；σ_c)，其中，(p,q)为落在中心区Center内的点，取R_R1(x,y；σ_c)、R_G1(x,y；σ_c)、R_B1(x,y；σ_c)作为像素点(x,y)新的红、绿、蓝分量；

步骤10：在红、绿、蓝通道上分别计算，以红通道输出为红色分量I_R，绿通道输出为绿色分量I_G，蓝通道输出为蓝色分量I_B合成彩色图像，若满足步骤4的条件，则去雾停止，否则，兴奋抑制比K加1，返回步骤5。

2.根据权利要求1所述的基于生物视觉机理的图像去雾方法，其特征在于，步骤1所述的设定感受野大小及确定相应的模型参数设定感受野中心区半径、外周抑制区半径、亚区半径。中心、外周、亚区高斯核函数具体为：

$g(x,y;{\mathrm{\&sigma;}}_c)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_c^2}\exp (-(x^2+y^2)/\left({2\mathrm{\&sigma;}}_c^2\right))$

$g(x,y;{\mathrm{\&sigma;}}_s)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_s^2}\exp (-(x^2+y^2)/\left({2\mathrm{\&sigma;}}_s^2\right))$

$g(x,y;{\mathrm{\&sigma;}}_u)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_u^2}\exp (-(x^2+y^2)/\left({2\mathrm{\&sigma;}}_u^2\right))$

其中，中心高斯分布参数σ_c，外周高斯分布参数σ_s，亚区高斯分布参数σ_u，分别为其对应区域半径的三分之一。

3.根据权利要求2所述的基于生物视觉机理的图像去雾方法，其特征在于，步骤3所述的去雾深度th取值范围具体为0.1～0.3。

4.根据权利要求2所述的基于生物视觉机理的图像去雾方法，其特征在于，步骤3所述的设定兴奋抑制比K具体为1。