CN104392417A - 基于像素暗通道和各向异性扩散滤波的图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于像素暗通道和各向异性扩散滤波的图像去雾方法；属于图像去雾方法技术领域；其技术要点包括下述步骤：(1)计算有雾图像I(x)各个像素点的暗通道I_dark(x)；(2)根据像素点暗通道I_dark(x)计算大气光强度值A；(3)对像素点暗通道I_dark(x)进行各向异性扩散滤波；(4)根据透射率计算公式计算像素点的透射率t(x)；(5)根据大气光强度值A和透射率t(x)进行图像复原处理；本发明旨在提供一种计算量较小、占用存储资源少、处理速度快的基于像素暗通道和各向异性扩散滤波的图像去雾方法；用于图像去雾处理。

Description

基于像素暗通道和各向异性扩散滤波的图像去雾方法

技术领域

本发明涉及一种图像去雾方法，更具体地说，尤其涉及一种基于像素暗通道和各向异性扩散滤波的图像去雾方法。 

背景技术

在雾霾天气条件下，由于大气的散射作用,图像采集设备所获取的图像往往出现对比度下降、模糊不清等退化现象，严重影响户外计算机视觉系统(如道路交通监控、飞机船舶导航等)的正常工作。因此，图像去雾技术具有重要的实用价值。 

单幅图像去雾增强方法主要分为两类：一类是非模型的图像增强方法,另一类是基于大气散射模型方法。非模型的图像增强方法是通过图像处理技术增强降质图像的对比度，满足主观视觉要求，这种方法没有考虑到雾天图像降质的原因，不能针对图像退化的原因设法进行补偿，去雾效果不佳,因此这类方法只能相对地提高图像质量，并不能实现真正意义上的去雾。基于大气散射模型的方法研究雾天图像降质的物理过程，并建立雾天退化模型，反演退化过程，补偿退化过程造成的失真，这类方法的复原效果较好，但是需要较多的辅助信息。 

近年来，基于基于大气散射模型方法的单幅图像去雾技术研究取得了很大进展，许多学者提出了一些基于先验知识或假设的单幅图像去雾方法。其中，何恺明在CVPR09’所提出暗原色先验(dark channel prior,DCP)图像去雾方法，在处理单幅户外场景图像去雾方面取得了较好的效果，得到了业内学者的广泛认同。DCP方法要求在局部区域(一般大小取15×15)中各像素点的透射率恒定不变，由于实际图像的透射率在一个局部区域内并不总是恒定的，所以，该方法估计的透射率不精确，存在“块效应”，需要采用软抠图(soft matting)方法对透射率进行优化。由于软抠图需要进行非常复杂的计算，消耗大量的存储和计算资源，所以极大地限制了该方法在工程上的应用。 

发明内容

本发明的目的在于针对上述现有技术的不足，提供一种用于单幅图像快速去雾的基于像素暗通道和各向异性扩散滤波的图像去雾方法，克服DCP去雾方法中存在的计算量大、占用存储资源多、处理速度慢的问题。。 

本发明的技术方案是这样实现的：一种基于像素暗通道和各向异性扩散滤波的图像去雾方法，该方法包括下述步骤： 

(1)计算有雾图像I(x)各个像素点的暗通道I_dark(x)； 

(2)根据像素点暗通道I_dark(x)计算大气光强度值A； 

(3)对像素点暗通道I_dark(x)进行各向异性扩散滤波，获得滤波后像素点暗通道所述各向异性扩散方程为： 

$\left\{\begin{array}{c}\frac{\∂u}{\∂t}=\mathrm{div}[c\left(\right|\▿u\left|\right)\▿u]\\ u(t=0)=I_0\end{array}\right.;$

式中:I₀为初始图像I_dark(x)；▽为梯度算子；div为散度算子；c(|▽u|)为扩散系数；t为引入的时间参数，表示平滑过程与扩散持续时间相关；所述扩散系数函数为： 

$C\left(m\right)=\left\{\begin{array}{cc}\frac{1}{1+\left|m\right|}& m<0\\ 0& m\&GreaterEqual;0\end{array}\right.;$

对上述各向异性扩散方程进行离散化处理,迭代式为: 

$u_{x,y}^{n+1}=u_{x,y}^n+\mathrm{\&Delta;t}[c\left({\mathrm{\&Delta;}}_x^{+}\right){\mathrm{\&Delta;}}_x^{+}+c\left({\mathrm{\&Delta;}}_x^{-}\right){\mathrm{\&Delta;}}_x^{-}+c\left({\mathrm{\&Delta;}}_y^{+}\right){\mathrm{\&Delta;}}_y^{+}+c\left({\mathrm{\&Delta;}}_y^{-}\right){\mathrm{\&Delta;}}_y^{-}]$

其中: 

$\left\{\begin{array}{c}{\mathrm{\&Delta;}}_x^{+}=u_{x+1,y}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_x^{-}=w_{x-1,y}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_y^{+}=u_{x,y-1}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_y^{-}=u_{x,y-1}^n-u_{x,y}^n\end{array}\right.$

△t为时间参数步长,为保证迭代的稳定性，0≤△t≤0.25； 

由于m≥0()时，c(m)＝0,因此，当像素点(x,y)的值小于周边像素点值时，m≥0,c(m)＝0，扩散停止；所以，本发明的各向异性扩散是一种单向扩散，它使像素暗通道图向着局部最小值方向扩散，从而获得比较准确的反映景深信息的暗原色图； 

(4)根据透射率计算公式计算像素点的透射率t(x)，所述透射率计算公式为： 

$t\left(x\right)=1-\mathrm{\&omega;}\frac{{\tilde{I}}_{\mathrm{dark}}\left(x\right)}{A}$

其中，ω为常数，取0.95； 

(5)根据大气光强度值A和透射率t(x)进行图像复原处理，图像复原公式为： 

$J\left(x\right)=\frac{{\tilde{I}}_{\mathrm{dark}}\left(x\right)-A}{\max (t\left(x\right),0.1)}+A.$

上述的基于像素暗通道和各向异性扩散滤波的图像去雾方法中，步骤(1)中像素点暗通道I_dark(x)的计算公式为所述像素点暗通道是指像素点的RGB三通道中最小值。 

上述的基于像素暗通道和各向异性扩散滤波的图像去雾方法中，步骤(2)具体为：选取像素点暗通道I_dark(x)中最大的前4％像素区域Φ所对应的有雾图像平均灰度值，作为大气光强度A，其计算公式为： 

I^gray(x)＝(I^R(x)+I^G(x)+I^B(x))/3 

$A=\underset{x\&Element;\mathrm{\&Phi;}}{\mathrm{mean}}\left(I^{\mathrm{gray}}\left(x\right)\right).$

本发明采用上述结构后，基于像素暗通道和各向异性扩散滤波获取暗原色图的方法，不存在“块效应”，并且计算量少，提高了图像去雾处理速度。本发明采用了一种独特的扩散系数函数,它使像素暗通道图向着局部最小值方向扩散,从而获得比较准确的反映景深信息的暗原色图,提高去雾能力与效果。 

附图说明

下面结合附图中的实施例对本发明作进一步的详细说明，但并不构成对本发明的任何限制。 

图1是本发明的结构示意图。 

具体实施方式

参阅图1所示，本发明的一种基于像素暗通道和各向异性扩散滤波的图像去雾方法，该方法包括下述步骤： 

(1)计算有雾图像I(x)各个像素点的暗通道I_dark(x)；像素点暗通道I_dark(x)的计算公式为 所述像素点暗通道是指像素点的RGB三通道中最小值。 

(2)根据像素点暗通道I_dark(x)计算大气光强度值A；具体为选取像素点暗通道I_dark(x)中最大的前4％像素区域Φ所对应的有雾图像平均灰度值，作为大气光强度A，其计算公式为： 

I^gray(x)＝(I^R(x)+I^G(x)+I^B(x))/3 

$A=\underset{x\&Element;\mathrm{\&Phi;}}{\mathrm{mean}}\left(I^{\mathrm{gray}}\left(x\right)\right)$

(3)对像素点暗通道I_dark(x)进行各向异性扩散滤波，获得滤波后像素点暗通道所述各向异性扩散方程为： 

$\left\{\begin{array}{c}\frac{\&PartialD;u}{\&PartialD;t}=\mathrm{div}[c\left(\right|\&dtri;u\left|\right)\&dtri;u]\\ u(t=0)=I_0\end{array}\right.;$

式中:I₀为初始图像I_dark(x)；▽为梯度算子；div为散度算子；c(|▽u|)为扩散系数；t为引入的时间参数，表示平滑过程与扩散持续时间相关；所述扩散系数函数为： 

$C\left(m\right)=\left\{\begin{array}{cc}\frac{1}{1+\left|m\right|}& m<0\\ 0& m\&GreaterEqual;0\end{array}\right.;$

在扩散过程中，扩散系数控制着扩散行为，很大程度上决定了图像平滑滤波的效果。本发明采用上述扩散系数函数，由于m≥0()时,c(m)＝0,因此本发明的各向异性扩散是一种单向扩散,它使像素暗通道图向着局部最小值方向扩散,从而获得反映景深信息的暗原色图。 

对上述各向异性扩散方程进行离散化处理,迭代式为: 

$u_{x,y}^{n+1}=u_{x,y}^n+\mathrm{\&Delta;t}[c\left({\mathrm{\&Delta;}}_x^{+}\right){\mathrm{\&Delta;}}_x^{+}+c\left({\mathrm{\&Delta;}}_x^{-}\right){\mathrm{\&Delta;}}_x^{-}+c\left({\mathrm{\&Delta;}}_y^{+}\right){\mathrm{\&Delta;}}_y^{+}+c\left({\mathrm{\&Delta;}}_y^{-}\right){\mathrm{\&Delta;}}_y^{-}]$

其中: 

$\left\{\begin{array}{c}{\mathrm{\&Delta;}}_x^{+}=u_{x+1,y}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_x^{-}=w_{x-1,y}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_y^{+}=u_{x,y-1}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_y^{-}=u_{x,y-1}^n-u_{x,y}^n\end{array}\right.$

△t为时间参数步长,为保证迭代的稳定性，0≤△t≤0.25。 

(4)根据透射率计算公式计算像素点的透射率t(x)，所述透射率计算公式为： 

$t\left(x\right)=1-\mathrm{\&omega;}\frac{{\tilde{I}}_{\mathrm{dark}}\left(x\right)}{A}$

其中，ω为常数，取0.95； 

(5)根据大气光强度值A和透射率t(x)进行图像复原处理，图像复原公式为： 

$J\left(x\right)=\frac{{\tilde{I}}_{\mathrm{dark}}\left(x\right)-A}{\max (t\left(x\right),0.1)}+A.$

实验例 

将本发明同目前国际上主流的去雾算法─何恺明DCP方法,在运行时间和复原效果方面进行比较实验。选取二幅有雾图像，实验硬件环境为：AMD Athlon(tm)64x2Dual core Processor 5200+2.7GHz，1.75GB内存；软件环境为:Windows XP Sp2+Matlab R2009b。实验中各向异性扩散滤波参数为:△t＝0.2,迭代30次。去雾运行时间比较参见表1。 

表1本发明方法与DCP方法运行时间比较 

为定量分析比较不同去雾方法的复原效果,采用平均梯度作为图像清晰度客观评价指标，平均梯度反映了图像中微小细节反差与纹理变化特征及清晰度，平均梯度越大表示边缘信息越丰富，图像越清晰,图像复原效果越好。平均梯度计算公式为： 

$T=\frac{1}{(M-1)(N-1)}\underset{i=1}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N-1}{\mathrm{\&Sigma;}}}\sqrt{\frac{\mathrm{\&Delta;}{u}_x^2+\mathrm{\&Delta;}{u}_y^2}{2}}$

$\left\{\begin{array}{c}\mathrm{\&Delta;}{u}_x=u(i+1,j)-u(i,j)\\ \mathrm{\&Delta;}{u}_y=u(i,j+1)-u(i,j)\end{array}\right.$

其中：T为图像u的平均梯度；u(i,j)表示图像在(i,j)位置的灰度值；M、N分别为图像的总行数和总列数。分别对测试1和测试2的彩色图中的红(R)、绿(G)、蓝(B)分量图及灰度图(Gray)求取平均梯度，对比结果如表2、表3所示。 

表2测试1有雾图像和复原图像的平均梯度值比较 

	R分量图	G分量图	B分量图	Gray图
					测试1(a)有雾图像	4.4176	4.2262	4.2506	4.1923
测试1(b)DCP方法复原图像	6.5325	6.2004	6.0864	6.0912
					测试1(c)本发明方法复原图像	11.1608	10.3889	9.7634	10.0396

表3测试2有雾图像和复原图像的平均梯度值比较 

	R分量图	G分量图	B分量图	Gray图
					测试2(a)有雾图像	3.6061	2.8794	2.5332	2.8217
测试2(b)DCP方法复原图像	6.6925	5.2762	4.5727	5.0693
					测试2(c)本发明方法复原图像	12.8194	9.8538	8.4843	9.5712

通过表1的实验数据可以看出，本发明方法计算速度明显高于DCP方法，二幅图像平均 运行时间只有DCP方法的3％左右，因此本发明方法实时性好。 

在主观视觉方面，由测试1和测试2可以看出，本发明方法比DCP方法的去雾图像远景更加清晰，树木、青草等景物的颜色更加鲜艳,即图像复原效果更好。 

通过表2和表3的实验数据可以看出，本发明方法与DCP方法去雾后图像中R、G、B分量图及灰度图Gray的平均梯度都大于原图，说明这二种方法都具有去雾效果，而本发明方法比DCP方法的平均梯度值更高，清晰度更好。 

以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。 

Claims (3)

1.一种基于像素暗通道和各向异性扩散滤波的图像去雾方法，其特征在于，该方法包括下述步骤：

(1)计算有雾图像I(x)各个像素点的暗通道I_dark(x)；

(2)根据像素点暗通道I_dark(x)计算大气光强度值A；

(3)对像素点暗通道I_dark(x)进行各向异性扩散滤波，获得滤波后像素点暗通道所述各向异性扩散方程为：

$\left\{\begin{array}{c}\frac{\&PartialD;u}{\&PartialD;t}=\mathrm{div}[c\left(\right|\&dtri;u\left|\right)\&dtri;u];\\ u(t=0)=I_{\text{0}}\end{array}\right.$

式中:I₀为初始图像I_dark(x)；▽为梯度算子；div为散度算子；c(|▽u|)为扩散系数；t为引入的时间参数，表示平滑过程与扩散持续时间相关；所述扩散系数函数为：

$C\left(m\right)=\left\{\begin{array}{cc}\frac{1}{1+\left|m\right|}& m<0\\ 0& m\&GreaterEqual;0\end{array}\right.;$

对上述各向异性扩散方程进行离散化处理,迭代式为:

$u_{x,y}^{n+1}=u_{x,y}^n+\mathrm{\&Delta;t}[c\left({\mathrm{\&Delta;}}_x^{+}\right){\mathrm{\&Delta;}}_x^{+}+c\left({\mathrm{\&Delta;}}_x^{-}\right){\mathrm{\&Delta;}}_x^{-}+c\left({\mathrm{\&Delta;}}_y^{+}\right){\mathrm{\&Delta;}}_y^{+}+c\left({\mathrm{\&Delta;}}_y^{-}\right){\mathrm{\&Delta;}}_y^{-}]$

其中:

$\left\{\begin{array}{c}{\mathrm{\&Delta;}}_x^{+}=u_{x+1,y}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_x^{-}=u_{x-1,y}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_y^{+}=u_{x,y+1}^n-u_{x,y}^n\\ {\mathrm{\&Delta;}}_y^{-}=u_{x,y-1}^n-u_{x,y}^n\end{array}\right.$

△t为时间参数步长,为保证迭代的稳定性，0≤△t≤0.25；

(4)根据透射率计算公式计算像素点的透射率t(x)，所述透射率计算公式为：

$t\left(x\right)=1-\mathrm{\&omega;}\frac{{\tilde{I}}_{\mathrm{dark}}\left(x\right)}{A}$

其中，ω为常数，取0.95；

(5)根据大气光强度值A和透射率t(x)进行图像复原处理，图像复原公式为：

$J\left(x\right)=\frac{{\tilde{I}}_{\mathrm{dark}}\left(x\right)-A}{\max (t\left(x\right),0.1)}+A.$

2.根据权利要求1所述的基于像素暗通道和各向异性扩散滤波的图像去雾方法，其特征在于，步骤(1)中像素点暗通道I_dark(x)的计算公式为所述像素点暗通道是指像素点的RGB三通道中最小值。

3.根据权利要求1所述的基于像素暗通道和各向异性扩散滤波的图像去雾方法，其特征在于，步骤(2)具体为：选取像素点暗通道I_dark(x)中最大的前4％像素区域Φ所对应的有雾图像平均灰度值，作为大气光强度A，其计算公式为：

I^gray(x)＝(I^R(x)+I^G(x)+I^B(x))/3

$A=\underset{x\&Element;\mathrm{\&Phi;}}{\mathrm{mean}}\left(I^{\mathrm{gray}}\left(x\right)\right).$