CN104182943B - 一种融合人眼视觉特性的单幅图像去雾方法 - Google Patents

Abstract

本发明公开了一种融合人眼视觉特性的单幅图像去雾方法，包括以下几个步骤：步骤1：输入雾霾图像，并获取雾霾图像的暗通道图像；步骤2：采用暗原色先验方法估测雾霾图像的大气光照值；步骤3：计算雾霾图像的初始最优大气传输值；步骤4：采用引导滤波器细化，得到细化后的最优大气传输值；步骤5：将步骤4得到的细化后的最优大气传输值、大气光照估测值并结合输入雾霾图像计算得到清晰图像。该方法通过采用融合视觉特性的饱和区域分割、自适应大气传输值计算等方法，实现雾霾图像中每个像素的雾霾精准去除，提高了图像的细节复原效果；该方法不仅能有效的去除雾霾，同时能抑制光晕现象与图像噪声的产生，适用于不同的复杂天气。同时具有计算速度快的优点。

Description

一种融合人眼视觉特性的单幅图像去雾方法

技术领域

本发明涉及一种融合人眼视觉特性的单幅图像去雾方法。

背景技术

雾霾天图像降质主要是因为大气中的分子，水汽及悬浮的大量颗粒组成的气溶胶对光线形成严重的吸收、散射和反射作用，造成大气能见度降低,加上大气湍流的影响,致使可见光成像系统的图像色彩将会变暗、对比度降低,严重影响了成像系统的使用。因此，分析雾霾成因,研究去雾技术，提高雾霾气象条件下的图像能见度具有重要意义。

其中，基于物理模型的去雾复原方法由于利用了景深信息，能最大限度地恢复清晰图像而得到广泛的研究。基于物理模型的去雾复原方法首先依据大气中图像退化的物理机制建立光学退化模型，然后利用退化模型通过逆过程对低质图像来恢复清晰图像，常用的Koschmieder大气模型数学表达为:

I(x)＝L(x)e^-βd(x)+A(1-e^-βd(x))

式中，I(x)表示雾霾图像，向量x为像素坐标，A表示大气光值(天空亮度)，L(x)为场景照度，d为场景景深，β为大气散射系数。常将t(x)＝e^-βd(x)称作大气传输图，其中L(x)e^-βd(x)为直接衰减项，表示物体表面反射光经大气粒子散射作用之后进入成像系统的部分，它随光线传播距离的增加成指数衰减。A(1-e^-βd(x))为环境光干扰项，它随着光线传播距离的增大而增强。求解该模型估算出参数L(x)就可以得到视觉清晰的图像。由于该模型包含3个未知参数：A，t与L，从本质上讲，这是一个多个未知数方程的病态反问题。

近年基于某些数据假设的物理模型复原方法取得了很大的进展，这些方法大多基于数据假设构造目标函数的约束方程，使用最优化方法求解模型参数，取得了良好的去雾效果。如Fattal假设图像局部区域的反照率为常向量，利用独立成分分析来估计该反照率，但当独立成分变化不显著或颜色信息不足将导致统计估计不可靠。Tan假设局部区域的环境光为常数，利用最大化复原图像的局部对比度来达到去雾的目的；但该方法的缺点在于复原后的图像颜色常常过于饱和。Tarel等人在基于大气模型基础上，将经典的场景深度估计转化为大气面纱以及天空亮度估计，避免难求的场景深度图，给出了单幅图像复原算法，但是该算法在景深大的地方边缘轮廓及景物特征都比较模糊，同时也可能导致边缘晕环效应。Kratz等人假设场景反照率和景深是统计独立的，用正则概率先验对它们建模，通过求解一个最大后验概率估计问题，联合估计出场景反照率和景深。该算法需根据特定图像选取景深先验模型，且根据经验给定先验模型中的参数。Nishino等人借助单幅雾天图像的统计结构特征，提出一种Bayesian概率方法来联合估计场景的反射率与景深。He等人假设在无雾图像上至少一个颜色通道的局部区域内场景反照率趋于0(称为暗原色先验)，使用最小值滤波对介质传播图进行粗估计，通过精细化抠图处理，能达到很好的去雾效果。然而当存在天空、灰白色物体或浓雾等情况下，某些区域暗通道先验假设并不成立，从而导致大气透射图估计不准确，进而导致恢复的结果出现严重的光晕与噪声放大现象，并且复原后图像偏暗、色彩饱和。

发明内容

本发明提出了一种融合人眼视觉特性的单幅图像去雾方法，其目的在于，克服现有技术中的去雾方法适应性差，容易在天空等饱和区域产生光晕与噪声放大现象等问题。

一种融合人眼视觉特性的单幅图像去雾方法，包括以下几个步骤：

步骤1：输入雾霾图像I，并获取雾霾图像的暗通道图像I^dark，暗通道图像中每个像素的暗通道值为I^dark(x)，其中，向量x、y分别表示图像中像素p₁和p₂的坐标，Ω(x)为以像素p₁坐标为中心，大小为(2r+1)×(2r+1)的局部区域，r为设定的局部区域半径，c为颜色通道且c∈{r,g,b}，I^c(y)为雾霾图像中像素p₂处c通道的亮度值；

像素p₁和p₂均为图像中的任意像素；

步骤2：采用暗原色先验方法估测雾霾图像的大气光照值；

将暗通道图像中每个像素的暗通道值从大到小顺序排列，将暗通道值较大的前n个像素的颜色均值作为雾霾图像的大气光照c通道的估测值A^c，c∈{r,g,b}；其中，n＝0.1％×N，N为输入的雾霾图像的像素总个数；

步骤3：按照以下公式计算雾霾图像的初始最优大气传输值t(x)：

$t\left(x\right)=1-\underset{y\∈\mathrm{\Ω}\left(x\right)}{min}\left(\underset{c=\{r,g,b\}}{min}\right(\frac{I_b^c\left(y\right)}{A^c}-\frac{1+\sqrt{1+4A^c\[A^c-I_b^c\left(y\right)\]\×K^c\left(y\right)}}{2K^c\left(y\right)\×{\left(A^c\right)}^2}))$

式中，K^c(y)为像素p₂的去雾控制调节参数，且其中，J与ΔJ^c(y)设定的雾霾图像去雾后图像的亮度期望值与像素p₂的局部亮度方差期望值；为雾霾图像I经过低通滤波器平滑后的图像I_b中像素p₂处c通道的亮度值，为雾霾图像中像素p₂的局部归一化亮度变化幅值，且有：

其中，J_nd为设定的人眼视觉可觉察阈值，为雾霾图像I中c通道像素p₂处的初始亮度变化值，I^c(y)为雾霾图像I中c通道像素p₂处的亮度值；J_min为最小亮度变化阈值，取0.5；

步骤4：采用引导滤波器细化t(x)，得到细化后的最优大气传输值t₁(x)；

步骤5：将步骤4得到的细化后的最优大气传输值t₁(x)、大气光照估测值A^c以及雾霾图像中每个像素的亮度值I^c(x)按以下公式计算，得到清晰图像L：

I^c(x)＝L^c(x)t₁(x)+A^c(1-t₁(x))，c∈{r,g,b}

其中，L^c(x)为清晰图像L的c通道像素p₁的灰度值。

进一步，所述步骤3中调节参数K进行取值前，首先将输入的雾霾图像进行饱和区域与非饱和区域的分割，得到雾霾图像的饱和区域和非饱和区域；

则去雾控制调节参数K^c(y)中的ΔJ^c(y)按以下公式进行取值，从而确定去雾控制调节参数K^c(y)：

${\mathrm{\ΔJ}}^c\left(y\right)=\frac{1-\frac{I^c\left(y\right)}{A^c}}{\▿I^c\left(y\right)}-\frac{J\×max\left({\mathrm{\ΔJ}}_1\right(y),{\mathrm{\ΔJ}}_2\left(y\right))}{A^c}$

其中， ${\mathrm{\ΔJ}}_1\left(y\right)=1+\frac{(K_s-1)}{T}\×(1-\frac{I^{dark}\left(y\right)}{\max \_dark}),{\mathrm{\ΔJ}}_2\left(y\right)=K_s+\frac{(K_n-K_s)}{1-T}\×(1-\frac{I^{dark}\left(y\right)}{\max \_dark}-T),$ 为雾霾图像中像素p₂的局部归一化亮度变化幅值，其中S表示雾霾图像中的饱和区域，K_s为饱和区域方差调节参数，K_s∈(1,10]；K_n为非饱和区域方差调节参数，K_n∈[30,300]，I^dark(y)为输入的雾霾图像的暗通道图像中像素p₂的暗通道值，max_dark为暗通道图像I^dark中最大灰度值，即：

通过饱和区域和非饱和区域的分割，可以根据不同区域确定不同的调节参数，从而实现尽可能去除非饱和区域的雾霾，同时避免了在饱和区域产生严重的光晕现象与图像噪声。

所述为雾霾图像中像素p₂的局部归一化亮度变化幅值按如下公式确定：

其中，S表示雾霾图像中的饱和区域。

该要求可以避免错误调节饱和区域的去雾控制参数，有效彻底去除饱和区域的雾霾。

进一步，所述雾霾图像中饱和区域与非饱和区域的分割采用以下公式进行：

其中，S为雾霾图像的饱和区域，V(x)是输入的雾霾图像中像素p₁变换到HSV颜色空间的亮度图像值，即V通道分量，α_d为设定的暗通道分割阈值，取值范围为0.7-0.9，A^dark为大气光照的暗通道值，且 为采用局部亮度归一化之前的亮度变化幅值；

B₃为饱和区域分割阈值，B₃＝α₃B_T，α₃为饱和区域分割比值，α₃＝0.9；B_T为最大灰度差值， $B_T=max\left(B\right(x\left)\right)\mathrm{\Θ}min\left(B\right(x\left)\right)=M\frac{max\left(B\right(x))-min\left(B\right(x))}{M-min\left(B\right(x))};$ B(x)为像素p₁亮度分量的背景灰度值， $B\left(x\right)=m\⊗\[m\⊗(\frac{m}{2}\⊗\underset{y\∈Q\left(x\right)}{\Σ}V(y)\⊕\frac{n}{2}\underset{y\∈Q^D\left(x\right)}{\Σ}V(y\left)\right)\⊕V\left(x\right)\];$ Q(x)为像素p₁正上、正下、正右及正左方向的相邻像素集合，Q^D(x)为像素p₁四对角邻域像素的集合；m＝0.9，n＝1.4，⊕与均表示PLIP模型算子，其中，⊕表示 表示M为雾霾图像中最大灰度值。

基于视觉特性的分割方法可准确稳定的分割出饱和区域与非饱和区域，从而保证了不同调节参数K设置的准确性。

进一步，所述暗通道分割阈值α_d取0.8。

取0.8时，分割效果最佳。

进一步，所述人眼视觉可觉察阈值J_nd按照以下公式取值：

其中，k表示雾霾图像背景亮度值，取值范围为[0,255]，T₀表示雾霾图像背景亮度值为零时的可视阈值，取值为17；γ为J_nd可视阈值模型的曲线斜率，取值为

进一步，所述的雾霾图像去雾后图像的亮度期望值J取127，即雾霾图像背景亮度值k为127，则人眼视觉可觉察阈值为3。

当背景亮度为127时，人眼具有最好的亮度差异觉察能力，换句话，当背景亮度为127时，如视觉系统不能觉察到某一亮度差异，那么在其它背景亮度下，视觉系统也不能觉察到。此时，J_nd取值可以保证准确地检测灰度差异，进而达到准确抑制光晕现象与噪声产生。

进一步，所述饱和区域方差调节参数K_s与非饱和区域方差调节参数K_n分别设为5与180。

K_s取值为5时可有效的去除饱和区域雾霾的同时，抑制其光晕现象产生；K_n取值为180时，能保证在彻底去除雾霾的同时，避免去雾后图像亮度偏暗与色彩过于饱和。

有益效果

本发明提出了一种融合人眼视觉特性的单幅图像去雾方法，包括以下几个步骤：步骤1：输入雾霾图像，并获取雾霾图像的暗通道图像；步骤2：采用暗原色先验方法估测雾霾图像的大气光照值；步骤3：计算雾霾图像的初始最优大气传输值；步骤4：采用引导滤波器细化，得到细化后的最优大气传输值；步骤5：将步骤4得到的细化后的最优大气传输值、大气光照估测值以及雾霾图像中每个像素的亮度值计算得到清晰图像。该方法通过采用自适应计算，得到雾霾图像中每个像素的精准的局部归一化亮度变化幅值，提高了图像的细节效果；利用人眼视觉系统特性的饱和区域分割方法分割出雾霾图像的饱和区域和非饱和区域，准确获取饱和区域和非饱和区域的调节参数，实现尽可能去除非饱和区域的雾霾，在去除饱和区域雾霾的同时，避免了在饱和区域产生严重的光晕现象与图像噪声。该方法不仅能有效的去除雾霾，同时能抑制光晕现象与图像噪声的产生，适用于不同的复杂天气。同时具有计算速度快的优点。

附图说明

图1为本发明所述方法的流程图；

图2为应用本发明所述方法对图像进行去雾过程示意图，其中，(a)为原始雾霾图像，(b)为暗通道图像，(c)为图像饱和区域，(d)为初始大气传输图，(e)为细化后的大气传输图，(f)为去雾图像；

图3为K_n＝127时，调节K_s获得的图像去雾性能指标对比结果及图像去雾效果示意图，其中，(a)为可视边缘比，(b)为结构相似度，(c)为亮度对比度，(d)为色彩饱和度，(e)K_s＝5时，图像Canberra去雾效果图，(f)K_s＝10时，图像Canberra去雾效果图，(g)K_s＝15时，图像Canberra去雾效果图，(h)K_s＝20时，图像Canberra去雾效果图；

图4为K_s＝1时，调节K_n获得的图像去雾性能指标对比结果示意图及图像去雾效果示意图，其中，(a)可视边缘比，(b)结构相似度，(c)亮度对比度，(d)色彩饱和度，(e)K_n＝50时，图像Traffic去雾效果图，(f)K_n＝100时，图像Traffic去雾效果图，(g)K_n＝200时，图像Traffic去雾效果图，(h)K_n＝300时，图像Traffic去雾效果图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

如图1所示，一种融合人眼视觉特性的单幅图像去雾方法，包括以下几个步骤：

步骤1：输入雾霾图像I，并获取雾霾图像的暗通道图像I^dark，暗通道图像中每个像素的暗通道值为I^dark(x)，其中，向量x、y分别表示图像中像素p₁和p₂的坐标，Ω(x)为以像素p₁坐标为中心，大小为r×r的局部区域，r为设定的局部区域半径，c为颜色通道且c∈{r,g,b}，I^c(y)为雾霾图像中像素p₂处c通道的亮度值；

像素p₁和p₂均为图像中的任意像素；

步骤2：采用暗原色先验方法估测雾霾图像的大气光照值；

将暗通道图像中每个像素的暗通道值从大到小顺序排列，将暗通道值较大的前n个像素的颜色均值作为雾霾图像的大气光照c通道的估测值A^c，c＝r,g,b；其中，n＝0.1％×N，N为输入的雾霾图像的像素总个数；

步骤3：按照以下公式计算雾霾图像的初始最优大气传输值t(x)：

$t\left(x\right)=1-\underset{y\∈\mathrm{\Ω}\left(x\right)}{min}\left(\underset{c=\{r,g,b\}}{min}\right(\frac{I_b^c\left(y\right)}{A^c}-\frac{1+\sqrt{1+4A^c\[A^c-I_b^c\left(y\right)\]\×K^c\left(y\right)}}{2K^c\left(y\right)\×{\left(A^c\right)}^2}))---\left(1\right)$

式中，K^c(y)为像素p₂的去雾控制调节参数，且其中，J与ΔJ^c(y)设定的雾霾图像去雾后图像的亮度期望值与像素p₂的局部亮度方差期望值；为雾霾图像I经过低通滤波器平滑后的图像I_b中像素p₂处c通道的亮度值，为雾霾图像中像素p₂的局部归一化亮度变化幅值，且有：

其中，J_nd为设定的人眼视觉可觉察阈值，为雾霾图像I中c通道像素p₂处的初始亮度变化值，I^c(y)为雾霾图像I中c通道像素p₂处的亮度值；J_min为最小亮度变化阈值，取0.5；

步骤4：采用引导滤波器细化t(x)，得到细化后的最优大气传输值t₁(x)；

步骤5：将步骤4得到的细化后的最优大气传输值t₁(x)、大气光照估测值A^c以及雾霾图像中每个像素的亮度值I^c(x)按以下公式计算，得到清晰图像L：

I^c(x)＝L^c(x)t₁(x)+A^c(1-t₁(x))，c∈{r,g,b}(3)

其中，L^c(x)为清晰图像L的c通道像素p₁的灰度值。

进一步，所述步骤3中调节参数K进行取值前，首先将输入的雾霾图像进行饱和区域与非饱和区域的分割，得到雾霾图像的饱和区域和非饱和区域；

则去雾控制调节参数K^c(y)中的ΔJ^c(y)按以下公式进行取值，从而确定去雾控制调节参数K^c(y)：

${\mathrm{\ΔJ}}^c\left(y\right)=\frac{1-\frac{I^c\left(y\right)}{A^c}}{\▿I^c\left(y\right)}-\frac{J\×max\left({\mathrm{\ΔJ}}_1\right(y),{\mathrm{\ΔJ}}_2\left(y\right))}{A^c}---\left(4\right)$

其中，

${\mathrm{\ΔJ}}_1\left(y\right)=1+\frac{(K_s-1)}{T}\×(1-\frac{I^{dark}\left(y\right)}{\max \_dark})---\left(5\right)$

${\mathrm{\ΔJ}}_2\left(y\right)=K_s+\frac{(K_n-K_s)}{1-T}\×(1-\frac{I^{dark}\left(y\right)}{\max \_dark}-T)---\left(6\right)$

其中，为雾霾图像中像素p₂的局部归一化亮度变化幅值，S表示雾霾图像中的饱和区域，z为饱和区域中像素p₃的坐标；K_s为饱和区域方差调节参数，K_s∈(1,10]；K_n为非饱和区域方差调节参数，K_n∈[30,300]，I^dark(y)为输入的雾霾图像的暗通道图像中像素p₂的暗通道值，max_dark为暗通道图像I^dark中最大灰度值，即： $\max \_dark=\underset{y\∈I}{max}\left(I^{dark}\right(y\left)\right).$

通过饱和区域和非饱和区域的分割，可以根据不同区域确定不同的调节参数，从而实现尽可能去除非饱和区域的雾霾，在去除饱和区域雾霾的同时，避免了在饱和区域产生严重的光晕现象与图像噪声。

所述为雾霾图像中像素p₂的局部归一化亮度变化幅值，按如下公式确定：

其中，S表示雾霾图像中的饱和区域。

该要求可以避免错误调节饱和区域的去雾控制参数，有效彻底去除饱和区域的雾霾。

进一步，所述雾霾图像中饱和区域与非饱和区域的分割采用以下公式进行：

其中，S为雾霾图像的饱和区域，V(x)是输入的雾霾图像中像素p₁变换到HSV颜色空间的亮度图像值，即V通道分量，α_d为设定的暗通道分割阈值，取值范围为0.7-0.9，A^dark为大气光照的暗通道值，且 为采用局部亮度归一化之前的亮度变化幅值：

B₃为饱和区域分割阈值，B₃＝α₃B_T，α₃为饱和区域分割比值，α₃＝0.9；B_T为最大灰度差值， $B_T=max\left(B\right(x\left)\right)\mathrm{\Θ}min\left(B\right(x\left)\right)=M\frac{max\left(B\right(x))-min\left(B\right(x))}{M-min\left(B\right(x))};$ B(x)为像素x亮度分量的背景灰度值， $B\left(x\right)=m\⊗\[m\⊗(\frac{m}{2}\⊗\underset{y\∈Q\left(x\right)}{\Σ}V(y)\⊕\frac{n}{2}\underset{y\∈Q^D\left(x\right)}{\Σ}V(y\left)\right)\⊕V\left(x\right)\],$ x和y均为雾霾图像中的像素；Q(x)为像素p₁正上、正下、正右及正左方向的相邻像素集合，Q^D(x)为像素p₁四对角邻域像素的集合；m＝0.9，n＝1.4，⊕与均表示PLIP模型算子，其中，⊕表示 表示M为雾霾图像中最大灰度值。

基于视觉特性的分割方法可准确稳定的分割出饱和区域与非饱和区域，从而保证了不同调节参数K设置的准确性。

进一步，所述暗通道分割阈值α_d取0.8。

取0.8时，分割效果最佳。

进一步，所述人眼视觉可觉察阈值J_nd按照以下公式取值：

其中，k表示雾霾图像背景亮度值，取值范围为[0,255]，T₀表示雾霾图像背景亮度值为零时的可视阈值，取值为17；γ为J_nd可视阈值模型的曲线斜率，取值为

进一步，所述的雾霾图像去雾后图像的亮度期望值J取127，即雾霾图像背景亮度值k为127，则人眼视觉可觉察阈值为3。

当背景亮度为127时，人眼具有最好的亮度差异觉察能力，换句话，当背景亮度为127时，如视觉系统不能觉察到某一亮度差异，那么在其它背景亮度下，视觉系统也不能觉察到。此时，J_nd取值可以保证准确地检测灰度差异，进而达到准确抑制光晕现象与噪声产生。

进一步，所述饱和区域方差调节参数K_s与非饱和区域方差调节参数K_n分别设为5与180。

K_s取值为5时可有效的去除饱和区域雾霾的同时，抑制其光晕现象产生；K_n取值为180时，能保证在彻底去除雾霾的同时，避免去雾后图像亮度偏暗与色彩过于饱和。

应用本发明所述方法对图2中的图(a)进行去雾处理，具体步骤如下：

步骤1，计算获得雾霾图像的图(a)暗通道图像图(b)，并获得图(a)中每个像素的暗通道值；

步骤2：基于暗通道图像图(b)采用类似He提出方法估测大气光照值；

步骤3：对雾霾图像图(a)采用公式(8)进行饱和区域与非饱和区域的分割，得到饱和区域图像图(c)；

步骤4：自适应传输图估计；

首先采用公式(7)，估计接着采用公式(4)，计算出ΔJ^c(y)，进而估计出K^c(y)；最后，采用公式(1)计算雾霾图像的初始最优大气传输值t(x)，如图(d)所示；

步骤5：采用引导滤波器来细化t(x)，得到细化后的最优大气传输值，如图(e)所示；

步骤6：将细化后的最优大气传输值、大气光照估测值A^c以及输入雾霾图像I(x)代入公式(3)，即可恢复出清晰图像L，如图(f)所示。

如图3所示，当调节参数K_n＝127时，参数K_s在[1,20]范围内变化时，图像去雾性能指标：可视边缘比、结构相似度、亮度与色彩饱和度变化结果图，如图(a)—图(d)所示。由图可知，随着K_s增大，可视边缘比指标e与色彩饱和度都相应的增强，其原因是随着K_s增大，估计出的大气传输图减少，去雾能力增强，图像亮度降低、色彩更加饱和；同时，图像中天空等饱和区域产生越明显的光晕与噪声，从而增大了e值，而结构相似度降低，如图3(e)-(h)所示；另外，当参数K_n固定，随着K_s增大，而天空下面的区域几乎没有什么变化。

如图4所示，当调节参数K_s固定为1时，而K_n在[1,300]范围内变化时的性能指标对比结果。由图可知，随着K_n增大，估计出的大气传输图减少，去雾能力增强，从而导致可视边缘比指标e与色彩饱和度都相应的增强、图像亮度明显降低；同时结构相似度降低，如图4(e)-(h)所示；另外，由于参数K_s固定，尽管K_n增大，但天空区域几乎没有什么变化。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种融合人眼视觉特性的单幅图像去雾方法，其特征在于，包括以下几个步骤：

步骤1：输入雾霾图像I，并获取雾霾图像的暗通道图像I^dark，暗通道图像中每个像素的暗通道值为其中，向量x、y分别表示图像中像素p₁和p₂的坐标，Ω(x)为以像素p₁坐标为中心，大小为(2r+1)×(2r+1)的局部区域，r为设定的局部区域半径，c为颜色通道且c∈{r,g,b}，I^c(y)为雾霾图像中像素p₂处c通道的亮度值；

步骤2：采用暗原色先验方法估测雾霾图像的大气光照值；

将暗通道图像中每个像素的暗通道值从大到小顺序排列，将暗通道值较大的前n个像素的颜色均值作为雾霾图像的大气光照c通道的估测值A^c，c∈{r,g,b}；其中，n＝0.1％×N，N为输入雾霾图像的像素总个数；

步骤3：按照以下公式计算雾霾图像的初始最优大气传输值t(x)：

$t\left(x\right)=1-\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c=\left\{r,g,b\right\}}{\min }\left(\frac{I_b^c\left(y\right)}{A^c}-\frac{1+\sqrt{1+4A^c\[A^c-I_b^c\left(y\right)\]\×K^c\left(y\right)}}{2K^c\left(y\right)\×{\left(A^c\right)}^2}\right)\right)$

式中，K^c(y)为像素p₂的去雾控制调节参数，且其中，J与ΔJ^c(y)分别为设定的雾霾图像去雾后图像的亮度期望值与像素p₂的局部亮度方差期望值；为雾霾图像I经过低通滤波器平滑后的图像I_b中像素p₂处c通道的亮度值，为雾霾图像中像素p₂的局部归一化亮度变化幅值，且有：

其中，J_nd为设定的人眼视觉可觉察阈值，为雾霾图像I中c通道像素p₂处的初始亮度变化值，I^c(y)为雾霾图像I中c通道像素p₂处的亮度值；J_min为最小亮度变化阈值，取0.5；

步骤4：采用引导滤波器细化t(x)，得到细化后的最优大气传输值t₁(x)；

步骤5：将步骤4得到的细化后的最优大气传输值t₁(x)、大气光照估测值A^c以及雾霾图像中每个像素的亮度值I^c(x)按以下公式计算，得到清晰图像L：

I^c(x)＝L^c(x)t₁(x)+A^c(1-t₁(x))，c∈{r,g,b}

其中，L^c(x)为清晰图像L的c通道像素p₁的灰度值。

2.根据权利要求1所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述步骤3中调节参数K^c(y)进行取值前，首先将输入的雾霾图像进行饱和区域与非饱和区域的分割，得到雾霾图像的饱和区域和非饱和区域；

则去雾控制调节参数K^c(y)中的ΔJ^c(y)按以下公式进行取值，从而确定去雾控制调节参数K^c(y)：

${\mathrm{\ΔJ}}^c\left(y\right)=\frac{1-\frac{I^c\left(y\right)}{A^c}}{\▿I^c\left(y\right)}-\frac{J\×max\left({\mathrm{\ΔJ}}_1\right(y),{\mathrm{\ΔJ}}_2\left(y\right))}{A^c}$

其中， ${\mathrm{\ΔJ}}_1\left(y\right)=1+\frac{(K_s-1)}{T}\×\left(1-\frac{I^{dark}\left(y\right)}{\max \_dark}\right),$ ${\mathrm{\ΔJ}}_2\left(y\right)=K_s+\frac{(K_n-K_s)}{1-T}\×\left(1-\frac{I^{dark}\left(y\right)}{\max \_dark}-T\right),$ 为雾霾图像中像素p₂的局部归一化亮度变化幅值，其中，S表示雾霾图像中的饱和区域，z为饱和区域中像素p₃的坐标；K_s为饱和区域方差调节参数，K_s∈(1,10]；K_n为非饱和区域方差调节参数，K_n∈[30,300]，I^dark(y)为输入的雾霾图像的暗通道图像中像素p₂的暗通道值，max_dark为暗通道图像I^dark中最大灰度值，即：

3.根据权利要求2所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述为雾霾图像中像素p₂的局部归一化亮度变化幅值，按如下公式确定：

其中，S表示雾霾图像中的饱和区域。

4.根据权利要求2所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述雾霾图像中饱和区域与非饱和区域的分割采用以下公式进行：

其中，S为雾霾图像的饱和区域，V(x)是输入的雾霾图像中像素p₁变换到HSV颜色空间后亮度通道值，即V通道分量值，α_d为设定的暗通道分割阈值，取值范围为[0.7,0.9]，A^dark为大气光照的暗通道值，且 为采用局部亮度归一化之前的亮度变化幅值；

B₃为饱和区域分割阈值，B₃＝α₃B_T，α₃为饱和区域分割比值，α₃＝0.9；B_T为最大灰度差值， $B_T=\max \left(B\right(x\left)\right)\mathrm{\Θ}\min \left(B\right(x\left)\right)=M\frac{\max \left(B\right(x))-\min \left(B\right(x))}{M-\min \left(B\right(x))};$ B(x)为像素p₁亮度分量的背景灰度值， $B\left(x\right)=m\⊗\[m\⊗(\frac{m}{2}\⊗\underset{y\∈Q\left(X\right)}{\Σ}V\left(y\right)\⊕\frac{n}{2}\underset{y\∈Q^D\left(X\right)}{\Σ}V\left(y\right))\⊕V\left(x\right)\];$ Q(x)为像素p₁正上、正下、正右及正左方向的相邻像素集合，Q^D(x)为像素p₁四对角邻域像素的集合；m＝0.9，n＝1.4，⊕与均表示PLIP模型算子，其中，⊕表示 $a\⊕b=a+b-\frac{ab}{M},$ 表示 $c\⊗a=M-M*{(1-\frac{a}{M})}^c,$ M为雾霾图像中最大灰度值。

5.根据权利要求4所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述暗通道分割阈值α_d取0.8。

6.根据权利要求5所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述人眼视觉可觉察阈值J_nd按照以下公式取值：

其中，k表示雾霾图像背景亮度值，取值范围为[0,255]，T₀表示雾霾图像背景亮度值为零时的可视阈值，取值为17；γ为J_nd可视阈值模型的曲线斜率，取值为

7.根据权利要求6所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述的雾霾图像去雾后图像的亮度期望值J取127，即雾霾图像背景亮度值k为127，则人眼视觉可觉察阈值为J_nd(127)＝3。

8.根据权利要求2-7任一项所述的融合人眼视觉特性的单幅图像去雾方法，其特征在于，所述饱和区域方差调节参数K_s与非饱和区域方差调节参数K_n分别设为5与180。