CN104134192A - 图像去雾方法和系统 - Google Patents

Abstract

本发明提供了一种图像去雾方法，包括：计算待处理的有雾图像的大气光成分；将有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在无向图中求取最小割而将有雾图像进行图像分割处理，获得若干分割图像区域；根据大气光成分以利用暗原色先验去雾方法而对每个分割图像区域分别进行去雾处理，获得去雾后的图像。本发明提供的图像去雾方法，先采用基于图割的图像分割方法将有雾图像进行图像分割处理，获得若干分割图像区域，然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理，这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷，得到的去雾图像清晰、不失真。本发明还提供了一种图像去雾系统。

Description

图像去雾方法和系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像去雾方法和系统。

背景技术

在有雾气候下，由于大气中水滴等粒子较多，随着物体到成像设备距离的增大，大气粒子的散射作用对成像的影响逐渐增加，这种影响主要由两个散射过程造成：第一，物体表面的反射光在到达成像设备的过程中，由于大气粒子的散射而发生衰减；第二，自然光因大气粒子的散射而进人成像设备参与成像。它们的共同作用导致采集的图像对比度、饱和度低及色调偏移，不仅影响图像的视觉效果，而且影响图像分析和理解的性能。

由于大气粒子对户外图像采集造成了比较严重的影响，致使室外视频系统无法正常工作，对地形勘探、视频监控等户外作业带来了一定的不便，特别是对交通运输业有着十分恶劣的影响，可能造成交通事故的发生和运输速度的降低。因此对于雾天各种监测系统获取的图像上景物影像的清晰化方法的研究具有重大的现实意义。

近年来，随着计算机软硬件技术的不断发展，对有雾天气下拍摄图像的景物影像进行去雾处理已经成为可能，这反过来又对去雾图像的清晰度和真实感提出了新的要求。图像去雾技术在视频监控、地形勘测、自动驾驶、城市交通等相关的领域都有着广泛的运用，改善了大雾天气对图像拍摄造成的发白、模糊、对比度低等问题。

目前对图像进行去雾处理主要采用暗原色先验去雾方法来实现，该方法是通过对大量的无雾图像观察得到的统计规律而获得的。暗原色先验去雾方法简洁有效，对各种类型的含雾图像都能达到一定程度的去雾效果。然而，暗原色先验去雾方法并不能直接作用于整幅自然图像，由于在自然图像中场景深度通常会在景物的边缘处发生突变，导致采用暗原色先验去雾方法进行去雾处理后，在边缘处会产生明显的光晕效应。

发明内容

基于此，有必要针对目前采用暗原色先验去雾方法对整幅自然图像进行去雾处理会在边缘处产生明显的光晕效应的问题，提供一种图像去雾方法和系统。

一种图像去雾方法，所述方法包括：

计算待处理的有雾图像的大气光成分；

将所述有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理，获得若干分割图像区域；

根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理，获得去雾后的图像。

一种图像去雾系统，所述系统包括：

大气光成分计算模块，用于计算待处理的有雾图像的大气光成分；

图像分割模块，用于将所述有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理，获得若干分割图像区域；

分割图像区域去雾处理模块，用于根据所述大气光成分以利用暗原色先验去雾系统而对每个所述分割图像区域分别进行去雾处理，获得去雾后的图像。

上述图像去雾方法和系统，先采用基于图割的图像分割方法将有雾图像进行图像分割处理，获得若干分割图像区域，然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理，这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷，得到的去雾图像清晰、不失真。

附图说明

图1为一个实施例中图像去雾方法的流程示意图；

图2为一个实施例中计算待处理的有雾图像的大气光成分的步骤的流程示意图；

图3为一个实施例中根据大气光成分以利用暗原色先验去雾方法而对每个分割图像区域分别进行去雾处理，获得去雾后的图像的步骤的流程示意图；

图4为采用传统的直接利用暗原色先验去雾方法和采用本发明一个实施例中的图像去雾方法进行去雾的效果对比图；

图5为一个实施例中图像去雾系统的结构框图；

图6为一个实施例中图5中的分割图像区域去雾处理模块的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

这里先对暗原色先验去雾方法的原理进行说明。在计算机视觉和计算机图形中，有雾图像可用公式(1)表示：

I(x)＝J(x)t(x)+A[1-t(x)]   公式(1)

其中，x代表某一像素；I(x)指的是输入的有雾图像被观测到的图像强度，表示有雾图像；J(x)指的是在没有雾的条件下景物的光线强度，表示去雾后的图像；A是外界大气光成分，可按常数向量处理；t(x)指的是光线通过媒质透射到照相机的过程中没有被散射的部分，也就是传播参量。去雾的目标就是从图像I中恢复出J(x)、A和t(x)。

暗原色先验去雾方法所依据的统计事实是，在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，换言之，该区域光强度的最小值趋近于零。对于1幅图像D(x)，定义该图像D(x)的暗原色图像，用公式(2)表示为

$D^{\mathrm{dark}}\left(x\right)=\underset{c\∈\{R,G,B\}}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }{D}^C\left(y\right)\right)$    公式(2)

其中x表示图像中D(x)中像素的位置；c代表颜色通道，这里颜色通道采用RGB(红绿蓝)三通道，在其他实施例中也可以采用其他形式的颜色通道，D^C则表示图像D(x)的c颜色通道的通道图像；Ω(x)是以x为中心的一块预设大小的方形区域；y是在通道图像D^C中的方形区域Ω(x)中的像素的位置。通过对大量无雾图像的统计得出，对于无雾的图像，除了天空的区域，D^dark(x)的强度总是很低并且趋于零，这也是暗原色得名的原因。

然而，对于有雾图像I(x)，由于附加的外界大气光，图像被雾干扰之后往往要比其本身亮度更大，传播参量t(x)一般较小，所以被浓雾覆盖的图像的暗原色具有较高的强度值。视觉上看来，暗原色强度值是雾浓度的粗略近似，利用有雾图像和无雾图像的这一点差别，就可以将有雾图像进行去雾处理，并获得很好的去雾效果。

暗原色先验去雾方法，基于如下2个假设：假设在局部小范围内图像的传传播参量t(x)以及图像的暗原色信息都在该区域内是一致的；假设大气光成分A是常数向量。根据公式(1)，对该式两边同时除以大气光成分A，并同时求暗原色可得：

$t\left(x\right)=1-\underset{c\∈\{R,G,B\}}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\frac{I^C\left(y\right)}{A^C}\right)$    公式(3)

公式(3)中A^C表示大气光成分A在c颜色通道的分量；I^C(y)表示有雾图像I(x)在其方形区域Ω(x)中的c颜色通道的像素值。而在实际场景中，即便是完全无雾的天气，大气中总会包含一些杂质分子，所以当看远处的物体时，雾气其实依然存在，且雾的存在是人眼感知图像层次的一个基本线索，因此如果彻底地去除存在的雾气，会使图像看起来很不真实，为了使图像看起来更真实自然，在公式(3)中引入容雾参数ω来保留一部分雾，得到公式(3.1)：

$t\left(x\right)=1-\mathrm{\ω}\underset{c\∈\{R,G,B\}}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\frac{I^C\left(y\right)}{A^C}\right)$    公式(3.1)

公式(3.1)中，容雾参数ω的取值范围为0＜ω≤1；优选地，ω选择0.93～0.97的时候去雾效果较好，尤其为0.95；A^C表示大气光成分A在c颜色通道的分量；I^C(y)表示有雾图像I(x)在其方形区域Ω(x)中的c颜色通道的像素值。

根据公式(1)可获得求解去雾后的图像的公式(4)：

$J\left(x\right)=\frac{I\left(x\right)-A}{\max (t\left(x\right),t_0)}+A$    公式(4)

公式(4)中，I(x)表示有雾图像，A表示大气光成分，J(x)表示去雾后的图像；t₀为调整参数。引入调整参数t₀是由于在一些特殊场景下t(x)可能趋于0，若不引入调整参数t₀则会导致公式(4)中分母过小而导致计图像去雾变得无意义，所以引入调整参数t₀来调控大气光成分A对整体去雾效果的贡献率；t₀优选可以取为0.1。

如图1所示，在一个实施例中，提供了一种图像去雾方法，具体包括如下步骤：

步骤102，计算待处理的有雾图像的大气光成分。

待处理的有雾图像是指需要进行去雾处理的含雾图像。大气光成分是指上述公式(1)中的A。

如图2所示，在一个实施例中，步骤102具体包括如下步骤：

步骤202，根据待处理的有雾图像计算全图暗原色图。

具体地，对有雾图像的每一像素选取其亮度最小的通道值，构成一灰度图，然后对该灰度图做最小值滤波，就获得了全图暗原色图。

步骤204，根据全图暗原色图计算出大气光成分。

具体地，在全图暗原色图中找出亮度最大的预设数量比例的像素所在的图像区域。优选地，该预设数量比例为10％.然后在原始的有雾图像中与该找出的图像区域所对应的图像区域中寻找亮度最高的像素点，以该寻找到的像素点的三通道亮度值作为向量大气光成分A的三通道值。

在一个实施例中，步骤204之后还包括：判断计算出的大气光成分的各通道值是否超过预设值，若是则用预设值替代计算出的大气光成分的相应通道值。如果仅取一个像素点来确定大气光成分A的三通道值，则大气光成分A各通道的值很有可能全部很接近255，这样的话会造成处理后的图像偏色和出现大量色斑，这就导致暗原色先验去雾方法对有天空的图像的去雾效果一般都不好。而将大气光成分A的三通道值限定在不超过预设值的范围内，使得对包含天空的图像的处理能力得到很大提高。这里的预设值可取210～230，尤其是220。

步骤104，将所述有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理，获得若干分割图像区域。

图割(Graph cuts)是一种十分流行的能量优化算法，在计算机视觉领域普遍应用于前背景分割、立体视觉、抠图等方面。本实施例采用基于图割的图像分割方法先把有雾图像进行图像分割处理，获得若干分割图像区域。

具体地，基于图割的图像分割方法把图像分割问题与图的最小割(min cut)问题相关联，首先用一个无向图G＝＜V,E＞表示所要分割的图像，V和E分别是顶点集合和边集合，该无向图与普通的图有所区别，该无向图在普通图的基础上多了2个顶点，分别称为源点和汇点，用符号“S”和“T”表示，统称为终端顶点。有雾图像的每个像素分别作为顶点而都和这两个终端顶点相连，形成边集合中的一部分，这样的一个无向图也可称为一个S-T图。

无向图中有两种顶点，也有两种边。第一种普通顶点对应于有雾图像中的每个像素；每两个邻域顶点的连接就是第一种边，对应于有雾图像中每两个邻域像素的连接。终端节点是另外一种顶点，且每个普通顶点和这2个终端顶点之间都有连接，组成第二种边。

无向图的边集合中的每条边都有一个非负的权值，也可理解为代价。图割算法中的一个“割”就是无向图中边集合E的一个子集C，该子集C中所有边的断开会导致无向图中残留的图的分开，所以就称为“割”。而这个割的能量就是边子集C中所有边的权值总和。而如果一个割，它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。这个最小割把无向图的顶点划分为两个不相交的子集，这两个子集对应图像前景像素集与背景像素集，可作为2个分割图像区域。也可以在获得的前景和背景像素集中再继续分别利用基于图割的图像分割方法进行图像分割处理，直至获得预设个数的分割图像区域，或者直至在前景像素集或背景像素集中得到的最小割的能量与相应的前一次获得的最小割能量的偏差超过预设范围。

图像分割可以看成像素标记问题，前景和背景图像分别标记不同的标签，这个过程可以通过最小化图割来最小化能量函数得到。那很明显，发生在前景和背景的边界处的割就是要求取的最小割，而且这时候能量也是最小的。假设整幅有雾图像的标签集合为L＝{l₁,l₂,...,l_p...,l_P}，其中l_p为0或者1，分别表示相应的像素属于前景或者属于背景。则当有雾图像的割为L时，有雾图像的能量表示为：

E(L)＝aR(L)+B(L)   公式(5)

其中，R(L)被称为区域项，B(L)被称为边界项，而a是决定区域项和边界项对有雾图像的能量影响大小的参数因子，可取预设常数。

对于区域项R(L)，总的能量区域项为各像素的区域能量项的总和，即

$R\left(L\right)=\underset{p\∈P}{\mathrm{\Σ}}{R}_p\left(l_p\right)$    公式(6)

其中R_p(l_p)表示为像素p分配标签l_p的惩罚，可以通过比较像素的亮度和给定的目标和前景的灰度直方图来获得，也就是像素属于标签l_p的概率。因为我们希望能量最小化，因此一般取概率的负对数值，即:

R_p(1)＝-lnP(l_p|'obj')；R_p(0)＝-lnP(l_p|'bkg')   公式(7)

其中，P(l_p|'obj')为像素属于前景的概率，P(l_p|'bkg')为像素属于背景的概率。

对于边界项，常被定义为：

$B\left(L\right)=\underset{\{p,q\}\&Element;N}{\mathrm{\&Sigma;}}{B}_{<p,q>}\mathrm{\&delta;}(l_p,l_q)$    公式(8)

其中，p和q为邻域像素，N表示有雾图像的像素集合；l_p和l_q则分别是像素p和像素q的标签。

$\mathrm{\&delta;}(l_p,l_q)=\left\{\begin{array}{ccc}0,& \mathrm{if}& l_p=l_q\\ 1,& \mathrm{if}& l_p\&NotEqual;l_q\end{array}\right.$    公式(9)

$B_{<p,q>}\&Proportional;\exp (-\frac{{(I_p-I_q)}^2}{2{\mathrm{\&sigma;}}^2})$    公式(10)

其中，p和q为邻域像素，系数B_＜p,q＞可以解析为像素p和q之间不连续的惩罚，∝表示正比于，而像素p和像素q的亮度越接近，则B_＜p,q＞越大；σ对于一个有雾图像为常数，I_p可为像素p的亮度，I_q可为像素q的亮度。如果像素p和像素q间差别很小，则他们属于同一个前景或背景的可能性就很大，如果两者差异很大，则两像素可能处于前景和背景的边缘部分，则被分割开的可能性就较大。所以当两邻域像素差别越大，B_＜p,q＞越小，即能量越小。B_＜p,q＞可以定义为像素p和q之间距离的递减函数，也可以定义为拉普拉斯零阶算子，或梯度方向等。

根据最大流最小割定理，在任何图网络中，图网络的最大流(max flow)的值等于最小割的容量，因此只要求出该有雾图像的无向图的最大流，则可以求出该图的最小割，从而完成分割。求最大流的方法有很多，可以采用《算法导论》中介绍的Ford-Fulkerson(福特-富克森)算法或者Edmonds-Karp(埃德蒙-卡普)算法计算有雾图像的无向图的最大流。

在一个实施例中，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理的步骤，具体包括：通过采用福特-富克森算法求取所述无向图的最大流以求取最小割，并根据求取的最小割将所述有雾图像进行图像分割处理。Ford-Fulkerson算法是一种迭代算法，具体实现步骤是：初始化无向图中流的值为0，在无向图中寻找某条增广路径，将找到的增广路径加入当前的流中以修改流的值，并相应修改残存网络，迭代寻找新的增广路径直到不存在增广路径为止。其中增广路径也就是当前残存网络中的一条从源点到汇点的简单路径。简单路径是指顶点序列中顶点不重复出现的路径。残存网络是指给定图网络和一个流，其对应还可以容纳的流组成的网络。

在一个实施例中，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理的步骤，具体包括：通过采用埃德蒙-卡普算法求取所述无向图的最大流以求取最小割，并根据求取的最小割将所述有雾图像进行图像分割处理。Edmonds-Karp算法建立在Ford-Fulkerson算法之上，不同之处在于Edmonds-Karp算法采用广度优先搜索来实现对增广路径的寻找。广度优先搜索算法是最简便的图的搜索算法之一，属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果；它并不考虑结果的可能位置，彻底地搜索整张图，直到找到结果为止。

采用基于图割的图像分割方法，按照前景背景来将有雾图像分割为若干分割图像区域，因此同一分割图像区域中像素的相似度较高，而在有雾图像中，不同深度的景物受到的雾气影响不一样，像素的相似度也会较低，因此使用快速漂移模式搜索方法可以保证分割后每个分割图像区域中，景物的深度以及雾气的浓度基本一致。

步骤106，根据大气光成分以利用暗原色先验去雾方法而对每个分割图像区域分别进行去雾处理，获得去雾后的图像。

由于将有雾图像分割后每个分割图像区域中景物的深度以及雾气的浓度基本一致，在每个分割图像区域中分别应用上述暗原色先验去雾方法进行去雾处理，每个分割图像区域处理后的图像不会因为景物的深度突变而在边缘处产生明显的光晕效应。这样对每个分割图像区域都处理后，获得去雾后的图像，该整个去雾后的图像避免了边缘处产生的光晕效应。

具体地，如图3所示，步骤106包括以下步骤：

步骤302，对每个分割图像区域分别计算相应的局部暗原色图。

具体地，对于每个分割图像区域中的每一像素取其亮度最小的通道的亮度值，构成对应该分割图像区域的灰度图，然后对该灰度图做最小值滤波，就获得了局部暗原色图。这里的局部暗原色图是指一个分割图像区域所对应的暗原色图，用于与全图暗原色图区分开来。

步骤304，根据局部暗原色图和大气光成分计算有雾图像的每个像素的传播参量。

传播参量也称为透射率，根据上述公式(3)，优选地根据公式(3.1)进行计算。公式(3)或(3.1)中，就是有雾图像中的像素x在相应的局部暗原色图中对应的像素值，再利用大气光成分就可以计算出从而就可以根据公式(3)或(3.1)计算获得有雾图像的每个像素的传播参量。

步骤306，根据大气光成分和有雾图像的每个像素的传播参量计算获得去雾图像。

具体地，根据上述公式(4)，代入大气光成分A和每个像素的传播参量t(x)，逐个计算去雾图像中每个像素的像素值，最终就可以获得整个去雾图像。

上述图像去雾方法，先采用基于图割的图像分割方法将有雾图像进行图像分割处理，获得若干分割图像区域，然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理，这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷，得到的去雾图像清晰、不失真。

参考图4，图4示出了采用传统的直接利用暗原色先验去雾方法和采用上述实施例的图像去雾方法进行去雾的效果对比图。图4中图(a)为待处理的有雾图像；图(b)为传统的直接利用暗原色先验去雾方法对图(a)的有雾图像处理后的结果；图(c)为采用本实施例的图像去雾方法时采用Ford-Fulkerson算法将图(a)的有雾图像进行图像分割处理的结果，不同的灰度代表不同的图像区域；图(d)为采用本实施例提供的图像去雾方法进行去雾处理的结果。

从图4可以看出，输入的图像(a)中，景物深度变化明显，比如图像中上部树叶部分，树叶之间能看到天空，深度变化明显而且密集。如果对输入图像直接使用暗原色先验去雾处理，该区域会出现明显的边缘效应，如图4中的图(b)，可以看出图像上半部分树叶部分边缘效应明显，这是由于靠近树叶边缘部分对低估了雾气浓度，处理后该部分区域留有残雾。而采用本实施例提供的图像去雾方法进行去雾处理后，图(d)中基本看不到边缘处的光晕效应，图像清晰、不失真。

如图5所示，在一个实施例中，提供了一种图像去雾系统，该系统包括：大气光成分计算模块502、图像分割模块504和分割图像区域去雾处理模块506。

大气光成分计算模块502，用于计算待处理的有雾图像的大气光成分。

在一个实施例中，大气光成分计算模块502还用于根据待处理的有雾图像计算全图暗原色图，根据全图暗原色图计算出大气光成分。

具体地，大气光成分计算模块502用于对有雾图像的每一像素选取其亮度最小的通道，构成一灰度图，然后对该灰度图做最小值滤波，就获得了全图暗原色图。大气光成分计算模块502还用于在全图暗原色图中找出亮度最大的预设数量比例的像素所在的图像区域。优选地，该预设数量比例为10％.然后在原始的有雾图像中与该找出的图像区域所对应的图像区域中寻找亮度最高的像素点，以该寻找到的像素点的三通道亮度值作为向量大气光成分A的三通道值。

在一个实施例中，大气光成分计算模块502还用于判断计算出的大气光成分的各通道值是否超过预设值，若是则用预设值替代计算出的大气光成分的相应通道值。如果仅取一个像素点来确定大气光成分A的三通道值，则大气光成分A各通道的值很有可能全部很接近255，这样的话会造成处理后的图像偏色和出现大量色斑，这就导致暗原色先验去雾方法对有天空的图像的去雾效果一般都不好。而将大气光成分A的三通道值限定在不超过预设值的范围内，使得对包含天空的图像的处理能力得到很大提高。这里的预设值可取210～230，尤其是220。

图像分割模块504，用于将有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在无向图中求取最小割而将有雾图像进行图像分割处理，获得若干分割图像区域。

图割(Graph cuts)是一种十分流行的能量优化算法，在计算机视觉领域普遍应用于前背景分割、立体视觉、抠图等方面。本实施例采用基于图割的图像分割方法先把有雾图像进行图像分割处理，获得若干分割图像区域。

具体地，基于图割的图像分割方法把图像分割问题与图的最小割(min cut)问题相关联，首先用一个无向图G＝＜V,E＞表示所要分割的图像，V和E分别是顶点集合和边集合，该无向图与普通的图有所区别，该无向图在普通图的基础上多了2个顶点，分别称为源点和汇点，用符号“S”和“T”表示，统称为终端顶点。有雾图像的每个像素分别作为顶点而都和这两个终端顶点相连，形成边集合中的一部分，这样的一个无向图也可称为一个S-T图。

无向图中有两种顶点，也有两种边。第一种普通顶点对应于有雾图像中的每个像素；每两个邻域顶点的连接就是第一种边，对应于有雾图像中每两个邻域像素的连接。终端节点是另外一种顶点，且每个普通顶点和这2个终端顶点之间都有连接，组成第二种边。

无向图的边集合中的每条边都有一个非负的权值，也可理解为代价。图割算法中的一个“割”就是无向图中边集合E的一个子集C，该子集C中所有边的断开会导致无向图中残留的图的分开，所以就称为“割”。而这个割的能量就是边子集C中所有边的权值总和。而如果一个割，它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。这个最小割把无向图的顶点划分为两个不相交的子集，这两个子集对应图像前景像素集与背景像素集，可作为2个分割图像区域。也可以在获得的前景和背景像素集中再继续分别利用基于图割的图像分割方法进行图像分割处理，直至获得预设个数的分割图像区域，或者直至在前景像素集或背景像素集中得到的最小割的能量与相应的前一次获得的最小割能量的偏差超过预设范围。

图像分割可以看成像素标记问题，前景和背景图像分别标记不同的标签，这个过程可以通过最小化图割来最小化能量函数得到。那很明显，发生在前景和背景的边界处的割就是要求取的最小割，而且这时候能量也是最小的。假设整幅有雾图像的标签集合为L＝{l₁,l₂,...,l_p...,l_P},p∈P，其中l_p为0或者1，分别表示相应的像素属于前景或者属于背景。则当有雾图像的割为L时，有雾图像的能量表示为：

E(L)＝aR(L)+B(L)   公式(5)

其中，R(L)被称为区域项，B(L)被称为边界项，而a是决定区域项和边界项对有雾图像的能量影响大小的参数因子，可取预设常数。

对于区域项R(L)，总的能量区域项为各像素的区域能量项的总和，即

$R\left(L\right)=\underset{p\&Element;P}{\mathrm{\&Sigma;}}{R}_p\left(l_p\right)$    公式(6)

其中R_p(l_p)表示为像素p分配标签l_p的惩罚，可以通过比较像素的亮度和给定的目标和前景的灰度直方图来获得，也就是像素属于标签l_p的概率。因为我们希望能量最小化，因此一般取概率的负对数值，即:

R_p(1)＝-lnP(l_p|'obj')；R_p(0)＝-lnP(l_p|'bkg')   公式(7)

其中，P(l_p|'obj')为像素属于前景的概率，P(l_p|'bkg')为像素属于背景的概率。

对于边界项，常被定义为：

$B\left(L\right)=\underset{\{p,q\}\&Element;N}{\mathrm{\&Sigma;}}{B}_{<p,q>}\mathrm{\&delta;}(l_p,l_q)$    公式(8)

其中，p和q为邻域像素，N表示有雾图像的像素集合；l_p和l_q则分别是像素p和像素q的标签。

$\mathrm{\&delta;}(l_p,l_q)=\left\{\begin{array}{ccc}0,& \mathrm{if}& l_p=l_q\\ 1,& \mathrm{if}& l_p\&NotEqual;l_q\end{array}\right.$    公式(9)

$B_{<p,q>}\&Proportional;\exp (-\frac{{(I_p-I_q)}^2}{2{\mathrm{\&sigma;}}^2})$    公式(10)

其中，p和q为邻域像素，系数B_＜p,q＞可以解析为像素p和q之间不连续的惩罚，∝表示正比于，而像素p和像素q的亮度越接近，则B_＜p,q＞越大；σ对于一个有雾图像为常数，I_p可为像素p的亮度，I_q可为像素q的亮度。如果像素p和像素q间差别很小，则他们属于同一个前景或背景的可能性就很大，如果两者差异很大，则两像素可能处于前景和背景的边缘部分，则被分割开的可能性就较大。所以当两邻域像素差别越大，B_＜p,q＞越小，即能量越小。B_＜p,q＞可以定义为像素p和q之间距离的递减函数，也可以定义为拉普拉斯零阶算子，或梯度方向等。

根据最大流最小割定理，在任何图网络中，图网络的最大流(max flow)的值等于最小割的容量，因此只要求出该有雾图像的无向图的最大流，则可以求出该图的最小割，从而完成分割。求最大流的方法有很多，可以采用《算法导论》中介绍的Ford-Fulkerson(福特-富克森)算法或者Edmonds-Karp(埃德蒙-卡普)算法计算有雾图像的无向图的最大流。

在一个实施例中，图像分割模块504还用于通过采用福特-富克森算法求取所述无向图的最大流以求取最小割，并根据求取的最小割将所述有雾图像进行图像分割处理。Ford-Fulkerson算法是一种迭代算法，具体实现步骤是：初始化无向图中流的值为0，在无向图中寻找某条增广路径，将找到的增广路径加入当前的流中以修改流的值，并相应修改残存网络，迭代寻找新的增广路径直到不存在增广路径为止。其中增广路径也就是当前残存网络中的一条从源点到汇点的简单路径。简单路径是指顶点序列中顶点不重复出现的路径。残存网络是指给定图网络和一个流，其对应还可以容纳的流组成的网络。

在一个实施例中，图像分割模块504还用于通过采用埃德蒙-卡普算法求取所述无向图的最大流以求取最小割，并根据求取的最小割将所述有雾图像进行图像分割处理。Edmonds-Karp算法建立在Ford-Fulkerson算法之上，不同之处在于Edmonds-Karp算法采用广度优先搜索来实现对增广路径的寻找。广度优先搜索算法是最简便的图的搜索算法之一，属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果；它并不考虑结果的可能位置，彻底地搜索整张图，直到找到结果为止。

采用基于图割的图像分割方法，按照前景背景来将有雾图像分割为若干分割图像区域，因此同一分割图像区域中像素的相似度较高，而在有雾图像中，不同深度的景物受到的雾气影响不一样，像素的相似度也会较低，因此使用快速漂移模式搜索方法可以保证分割后每个分割图像区域中，景物的深度以及雾气的浓度基本一致。

分割图像区域去雾处理模块506，用于根据大气光成分以利用暗原色先验去雾系统而对每个分割图像区域分别进行去雾处理，获得去雾后的图像。

由于将有雾图像分割后每个分割图像区域中景物的深度以及雾气的浓度基本一致，在每个分割图像区域中分别应用上述暗原色先验去雾方法进行去雾处理，每个分割图像区域处理后的图像不会因为景物的深度突变而在边缘处产生明显的光晕效应。这样对每个分割图像区域都处理后，获得去雾后的图像，该整个去雾后的图像避免了边缘处产生的光晕效应。

如图6所示，在一个实施例中，分割图像区域去雾处理模块506包括：局部暗原色图计算模块506a、传播参量计算模块506b和去雾执行模块506c。

局部暗原色图计算模块506a，用于对每个分割图像区域分别计算相应的局部暗原色图。具体地，局部暗原色图计算模块506a用于对于每个分割图像区域中的每一像素取其亮度最小的通道的亮度值，构成对应该分割图像区域的灰度图，然后对该灰度图做最小值滤波，就获得了局部暗原色图。这里的局部暗原色图是指一个分割图像区域所对应的暗原色图，用于与全图暗原色图区分开来。

传播参量计算模块506b，用于根据局部暗原色图和大气光成分计算有雾图像的每个像素的传播参量。传播参量也称为透射率，传播参量计算模块506b用于根据上述公式(3)，优选地根据公式(3.1)计算传播参量。公式(3)或(3.1)中，就是有雾图像中的像素x在相应的局部暗原色图中对应的像素值，传播参量计算模块506b用于再利用大气光成分就可以计算出从而就可以根据公式(3)或(3.1)计算获得有雾图像的每个像素的传播参量。

去雾执行模块506c，用于根据大气光成分和有雾图像的每个像素的传播参量计算获得去雾图像。具体地，去雾执行模块506c用于根据上述公式(4)，代入大气光成分A和每个像素的传播参量t(x)，逐个计算去雾图像中每个像素的像素值，最终就可以获得整个去雾图像。

上述图像去雾系统，先采用基于图割的图像分割方法将有雾图像进行图像分割处理，获得若干分割图像区域，然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理，这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷，得到的去雾图像清晰、不失真。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像去雾方法，所述方法包括：

计算待处理的有雾图像的大气光成分；

将所述有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理，获得若干分割图像区域；

根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理，获得去雾后的图像。

2.根据权利要求1所述的图像去雾方法，其特征在于，所述计算待处理的有雾图像的大气光成分，包括：

根据待处理的有雾图像计算全图暗原色图，根据所述全图暗原色图计算出大气光成分。

3.根据权利要求2所述的图像去雾方法，其特征在于，所述根据待处理的有雾图像计算全图暗原色图，根据所述全图暗原色图计算出大气光成分之后，还包括：

判断所述计算出的大气光成分的各通道值是否超过预设值，若是则用预设值替代计算出的大气光成分的相应通道值。

4.根据权利要求1所述的图像去雾方法，其特征在于，所述通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理，包括：

通过采用福特-富克森算法或者埃德蒙-卡普算法求取所述无向图的最大流以求取最小割，并根据求取的最小割将所述有雾图像进行图像分割处理。

5.根据权利要求1所述的图像去雾方法，其特征在于，所述根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理，获得去雾后的图像，包括：

对每个所述分割图像区域分别计算相应的局部暗原色图；

根据所述局部暗原色图和所述大气光成分计算所述有雾图像的每个像素的传播参量；

根据所述大气光成分和所述有雾图像的每个像素的传播参量计算获得去雾图像。

6.一种图像去雾系统，其特征在于，所述系统包括：

大气光成分计算模块，用于计算待处理的有雾图像的大气光成分；

图像分割模块，用于将所述有雾图像的每个像素以及增设的源点和汇点构成以边集合和顶点集合表示的无向图，通过在所述无向图中求取最小割而将所述有雾图像进行图像分割处理，获得若干分割图像区域；

分割图像区域去雾处理模块，用于根据所述大气光成分以利用暗原色先验去雾系统而对每个所述分割图像区域分别进行去雾处理，获得去雾后的图像。

7.根据权利要求6所述的系统，其特征在于，所述大气光成分计算模块还用于根据待处理的有雾图像计算全图暗原色图，根据所述全图暗原色图计算出大气光成分。

8.根据权利要求7所述的系统，其特征在于，所述大气光成分计算模块还用于判断所述计算出的大气光成分的各通道值是否超过预设值，若是则用预设值替代计算出的大气光成分的相应通道值。

9.根据权利要求6所述的系统，其特征在于，所述图像分割模块还用于通过采用福特-富克森算法或者埃德蒙-卡普算法求取所述无向图的最大流以求取最小割，并根据求取的最小割将所述有雾图像进行图像分割处理。

10.根据权利要求6所述的系统，其特征在于，所述分割图像区域去雾处理模块包括：

局部暗原色图计算模块，用于对每个所述分割图像区域分别计算相应的局部暗原色图；

传播参量计算模块，用于根据所述局部暗原色图和所述大气光成分计算所述有雾图像的每个像素的传播参量；

去雾执行模块，用于根据所述大气光成分和所述有雾图像的每个像素的传播参量计算获得去雾图像。