CN104766286A - 基于无人驾驶汽车的图像去雾装置及去雾方法 - Google Patents

Abstract

本发明公开了一种基于无人驾驶汽车的图像去雾装置，包括图像采集装置、环境光估算模块、大气光幕估算模块、图像复原模块与图像调整模块，图像复原模块根据环境光、大气光幕和大气散射模型计算复原图像；图像调整模块包括亮度调整模块和色调调整模块，对复原后的图像进行亮度、色调的调整。本发明还公开了一种基于无人驾驶汽车的图像去雾方法，包括对环境图像进行环境光估算、大气光幕估算；计算复原图像；根据人眼视觉特性对复原后的图像进行亮度、色调的调整。本发明可以对无人驾驶汽车的立体视觉系统进行改进，先对前方道路图像进行去雾处理，再合成实时的3D图像，可以提高3D图像的清晰度和准确率，更加及时地发现潜在的危险。

Description

基于无人驾驶汽车的图像去雾装置及去雾方法

技术领域

本发明涉及一种图像去雾装置和去雾方法，尤其涉及一种基于无人驾驶汽车的图像去雾装置及去雾方法，属于图像处理技术领域。

背景技术

无人驾驶汽车的智能程度之高在于数目众多，功能强大的传感器，其中所涉及的就有立体视觉系统，它的功能主要是将安装在挡风玻璃上的照相机拍摄的图像构成实时的3D图像，发现潜在的危险，诸如：行人、自行车并预计其走向。但现在诸多实验并没有考虑恶劣环境的影响，诸如今年严重的雾霾天气，在此环境下，道路上的物体很可能被雾霾所遮挡，影响实时的3D图像的合成，进而影响对潜在危险的判断。针对上述的情景，首先应消除雾霾对图像的影响，才能合成有效的3D实时图，使其更加贴近现实生活。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于无人驾驶汽车的图像去雾装置，能够消除雾霾等恶劣天气对无人驾驶汽车的影响。

为解决上述技术问题，本发明提供的基于无人驾驶汽车的图像去雾装置所采用的技术方案是：基于无人驾驶汽车的图像去雾装置，包括图像采集装置、环境光估算模块、大气光幕估算模块、图像复原模块与图像调整模块；

所述图像采集装置设于无人驾驶汽车上，用于采集汽车周边环境图像并分别传输给环境光估算模块和大气光幕估算模块；

所述环境光估算模块将环境图像划分为天空区域和非天空区域，并对非天空区域进行环境光估算；

所述大气光幕估算模块对环境图像的大气光幕进行估算并修正，去除光晕；

所述图像复原模块根据环境光、大气光幕和大气散射模型计算复原图像；

所述图像调整模块包括亮度调整模块和色调调整模块，根据人眼视觉特性对复原后的图像进行亮度、色调的调整。

与现有技术相比，本发明提供的基于无人驾驶汽车的图像去雾装置所达到的有益效果是：提供一种基于无人驾驶汽车的图像去雾装置，避免了雾霾等恶劣天气对无人驾驶中立体视觉的影响，使得驾驶更加的安全。

本发明的另一目的在于提供一种基于无人驾驶汽车的图像去雾方法，包括如下步骤：

步骤一：估算环境光：将所采集的环境图像划分为天空区域和非天空区域，对非天空区域进行环境光估算；

步骤二：估算大气光幕：对环境图像进行暗图处理，得到暗通道图像，对暗通道图像的局部均值与暗通道图像的局部标准差做减法运算，得到大气光幕，并对其进行修正；

步骤三：图像复原：根据步骤一计算的环境光、步骤二计算的大气光幕以及大气散射模型计算复原图像；

步骤四：亮度、色度调整：根据人眼视觉特性对复原后的图像进行亮度、色调的调整。

进一步的，步骤一中估算环境光的具体实现过程如下：

步骤1-01：将单幅环境图像划分成40*40子图像；

步骤1-02：选取子图像的色度H、饱和度S、亮度I的均值与标准差作为子图像的特征向量，记为X_i(H_E,S_E,I_E,H_S,S_S,I_S)；

步骤1-03：设定迭代终止阈值ε和最大迭代次数L，等分N个样本作为初始分类，并求此分类条件下各类聚类中心矩阵V(0)；

步骤1-04：假设第k-1步模糊隶属度矩阵U(k-1)、聚类中心矩阵V(k-1)已知，则归纳第k步模糊隶属度矩阵U_ij(k)为：

其中，I_j＝{i|1≤i≤2,d_ij ^(k-1)＝0}，d_ij ^(k-1)＝||x_j-v_i ^(k-1)||；

步骤1-05：将模糊隶属度矩阵U_ij(k)代入下式计算C-均值聚类中心矩阵V_i(k)：

$V_i\left(k\right)=\frac{\left[\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left(U_{\mathrm{ij}}\left(k\right)\right)}^2{x}_j\right]}{\left[\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left(U_{\mathrm{ij}}\left(k\right)\right)}^2\right]}---\left(2\right)$

比较U(k-1)和U(k)：若||U(k)-U(k-1)||<ε或k≥L，则迭代停止；否则令：k＝k+1，返回步骤1-04；

步骤1-06：输出分类结果；

步骤1-07：对划分为天空区域的子图像进行修正：对划分为天空区域的子图像进行Canny边缘提取，若其像素点占总像素点的比值大于0.5；或者子图像所处位置处于环境图像的中间向下，就认为该子图像划分错误，将其划分为非天空区域；

步骤1-08：根据暗通道原理对非天空区域估算环境光：计算非天空区域的暗通道图像，选择其中亮度前0.1％的像素点，将这些像素点对应位置的原环境图像的亮度的均值作为环境光。

进一步的，步骤二中估算大气光幕的具体实现过程如下：

步骤2-01：计算环境图像的暗通道图像D(x,y)，其中I(x,y)为输入的环境图像，(x,y)表示像素坐标；

步骤2-02：计算暗通道图像D(x,y)的局部均值B₁(x,y)与局部标准差B₂(x,y)：

B₁(x,y)＝F_B(D(x,y))；              (3)

B₂(x,y)＝F_B(|D(x,y)-B₁(x,y)|)；        (4)

其中，F_B是双边滤波理论；

步骤2-03：将局部均值B₁(x,y)与局部标准差B₂(x,y)做减法运算，得到大气光幕函数：

B(x,y)＝B₁(x,y)-B₂(x,y)；            (5)

步骤2-04：根据大气散射模型，满足约束条件0≤V(x,y)≤D(x,y)，计算大气光幕V(x,y)＝max(min(μB(x,y),D(x,y)),0)；其中：μ为调整因子。

进一步的，步骤三中所述图像复原的具体实现过程如下：

步骤3-01：引入调整因子ω，根据步骤一已求的环境光A和步骤二已求的大气光幕V(x,y)，计算透射率t(x,y)，

$t(x,y)=1-\mathrm{\&omega;}\frac{V(x,y)}{A};---\left(6\right)$

其中：0<ω<1；

步骤3-02：设置透射率下限t₀，复原后的图像J(x,y)为：

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A;---\left(7\right)$

其中：I(x,y)为输入的环境图像。

进一步的，步骤四中亮度调整的具体实现过程如下：

采用对数变换扩展高值图像中的暗像素区域，完成复原后图像的全局亮度调整：

I_n(x,y)＝c×log(I(x,y)+1)；              (8)

I_g(x,y)＝I_n(x,y)/log(256)；              (9)

其中：I(x,y)为输入的环境图像；I_n(x,y)为亮度调整后的图像；I_g(x,y)表示对I_n(x,y)进行归一化处理后的图像。

进一步的，步骤四中色调调整的具体实现过程如下：

a、根据颜色恒定理论计算亮度增益函数K(x,y)＝I_g(x,y)/I(x,y)；

b、分别计算复原图像与原环境图像对应的每一个像素(x,y)的R、G、B三个通道比值：

R通道比值： $r(x,y)=\frac{r2(x,y)}{r1(x,y)};$

其中：r1(x,y)表示环境图像中像素(x,y)处的R通道值；r2(x,y)表示复原图像中像素(x,y)处的R通道值；

G通道比值： $g(x,y)=\frac{g2(x,y)}{g1(x,y)};$

其中：g1(x,y)表示环境图像中像素(x,y)处的G通道值；g2(x,y)表示复原图像中像素(x,y)处的G通道值；

B通道比值： $b(x,y)=\frac{b2(x,y)}{b1(x,y)};$

其中：b1(x,y)表示环境图像中像素(x,y)处的B通道值；b2(x,y)表示复原图像中像素(x,y)处的B通道值；

c、计算每一像素的三个通道比值偏离亮度增益函数的程度即：δ(x,y)＝(r(x,y)-K(x,y))²+(g(x,y)-K(x,y))²+(b(x,y)-K(x,y))²，若大于0.3，就认为该像素点需要修正，否则不需要修正；

d、对δ(x,y)大于0.3的像素点进行修正：令r2(x,y)＝K(x,y)×r1(x,y)、g2(x,y)＝K(x,y)×g1(x,y)、b2(x,y)＝K(x,y)×b1(x,y)。

与现有技术相比，本发明提供一种基于无人驾驶汽车的图像去雾方法所达到的有益效果是：本发明可以对无人驾驶汽车的立体视觉系统进行改进，先对前方道路图像进行去雾处理，再合成实时的3D图像，可以提高3D图像的清晰度和准确率，更加及时地发现潜在的危险；通过估算雾天图像的环境光、大气光幕、复原图像、对复原图像的亮度与色调进行调整，增强了获取图像的清晰度，提高了合成3D图像的准确性；避免了对整幅图像通过暗通道原理求解环境光A，提高了计算的准确度；用快速双边滤波计算大气光幕V(x,y)，避免了光晕效应，并加快了求解速率；对复原得到的图像进行亮度与色调的修正，提高了图像的整体视觉质量。

附图说明

图1是本发明提供的基于无人驾驶汽车的图像去雾装置的原理框图。

图2是本发明提供的基于无人驾驶汽车的图像去雾方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，是本发明提供的基于无人驾驶汽车的图像去雾装置的原理框图，包括图像采集装置、环境光估算模块、大气光幕估算模块、图像复原模块与图像调整模块。

图像采集装置可以采用照相机，安装于无人驾驶汽车的挡风玻璃上，及时采集汽车周边环境图像并分别传输给环境光估算模块和大气光幕估算模块。

环境光估算模块根据模糊集理论对环境图像进行分区，从而将环境图像划分为天空区域和非天空区域，其中天空区域主要指白色物体或亮度较高的图像区域。环境光估算模块根据暗通道原理对非天空区域进行环境光估算。

大气光幕估算模块根据双边滤波理论，计算环境图像暗通道图像，并分别计算暗通道图像的局部均值和局部标准差，用局部均值减去局部标准差，得到大气光幕，并对大气光幕进行修正，达到去除光晕的目的，避免光晕效应。

图像复原模块根据环境光、大气光幕和大气散射模型计算复原图像。大气散射模型为：I(x)＝J(x)×t(x)+A×(1-t(x))，式中:I(x)为观测到的含雾图像；J(x)为无雾条件下场景反射光强度；A为环境光；t(x)为场景反射光的透射率，取值为0～1。

图像调整模块包括亮度调整模块和色调调整模块，根据人眼视觉特性对复原后的图像进行亮度、色调的调整。

如图2所示，是本发明提供的基于无人驾驶汽车的图像去雾方法的流程图，包括如下步骤：

步骤一：估算环境光：将所采集的环境图像划分为天空区域和非天空区域，对非天空区域进行环境光估算。具体实现方法如下：

步骤1-01：将单幅环境图像划分成40*40子图像；

步骤1-02：选取子图像的色度H、饱和度S、亮度I的均值与标准差作为子图像的特征向量，记为X_i(H_E,S_E,I_E,H_S,S_S,I_S)；

步骤1-03：设定迭代终止阈值ε和最大迭代次数L，等分N个样本作为初始分类，并求此分类条件下各类聚类中心矩阵V(0)；

步骤1-04：假设第k-1步模糊隶属度矩阵U(k-1)、聚类中心矩阵V(k-1)已知，则归纳第k步模糊隶属度矩阵U_ij(k)为：

其中，I_j＝{i|1≤i≤2,d_ij ^(k-1)＝0}，d_ij ^(k-1)＝||x_j-v_i ^(k-1)||；

步骤1-05：将模糊隶属度矩阵U_ij(k)代入下式计算C-均值聚类中心矩阵V_i(k)：

$V_i\left(k\right)=\frac{\left[\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(U_{\mathrm{ij}}\left(k\right)\right)}^2{x}_j\right]}{\left[\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(U_{\mathrm{ij}}\left(k\right)\right)}^2\right]}---\left(2\right)$

比较U(k-1)和U(k)：若||U(k)-U(k-1)||<ε或k≥L，则迭代停止；否则令：k＝k+1，返回步骤1-04；

步骤1-06：输出分类结果；

步骤1-07：对划分为天空区域的子图像进行修正：对划分为天空区域的子图像进行Canny边缘提取，若其像素点占总像素点的比值大于0.5；或者子图像所处位置处于环境图像的中间向下，就认为该子图像划分错误，将其划分为非天空区域；

步骤1-08：根据暗通道原理对非天空区域估算环境光：计算非天空区域的暗通道图像，选择其中亮度前0.1％的像素点，将这些像素点对应位置的原环境图像的亮度的均值作为环境光。

步骤二：估算大气光幕：对环境图像进行暗图处理，得到暗通道图像，对暗通道图像的局部均值与暗通道图像的局部标准差做减法运算，得到大气光幕，并对其进行修正。具体实现过程如下：

步骤2-01：计算环境图像的暗通道图像D(x,y)，其中I(x,y)为输入的环境图像，(x,y)表示像素坐标；

步骤2-02：计算暗通道图像D(x,y)的局部均值B₁(x,y)与局部标准差B₂(x,y)：

B₁(x,y)＝F_B(D(x,y))；              (3)

B₂(x,y)＝F_B(|D(x,y)-B₁(x,y)|)；        (4)

其中，F_B是双边滤波理论；

步骤2-03：将局部均值B₁(x,y)与局部标准差B₂(x,y)做减法运算，得到大气光幕函数：

B(x,y)＝B₁(x,y)-B₂(x,y)；         (5)

步骤2-04：根据大气散射模型，满足约束条件0≤V(x,y)≤D(x,y)，计算大气光幕V(x,y)＝max(min(μB(x,y),D(x,y)),0)；其中：μ为调整因子，目的是保留少量的雾以增强真实感。

步骤三：图像复原：根据步骤一计算的环境光A、步骤二计算的大气光幕以及大气散射模型计算复原图像；具体实现过程如下：

步骤3-01：实际情况下，即使晴天无雾的天气下也会受到天空中微小颗粒的影响。若全部将雾除去，会使图像失去真实感，因此引入调整因子ω，根据步骤一已求的环境光A和步骤二已求的大气光幕V(x,y)，计算透射率t(x,y)，

$t(x,y)=1-\mathrm{\&omega;}\frac{V(x,y)}{A};---\left(6\right)$

其中：0<ω<1；

步骤3-02：为防止t(x,y)趋近于0，设置透射率下限t₀，复原后的图像J(x,y)为：

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A;---\left(7\right)$

步骤四：亮度、色度调整：根据人眼视觉特性对复原后的图像进行亮度、色调的调整。

亮度调整的具体实现过程如下：

生物学研究，眼睛的主观亮度是进入人眼的光的亮度的对数函数，因此采用对数变换扩展高值图像中的暗像素区域，完成复原后图像的全局亮度调整：

I_n(x,y)＝c×log(I(x,y)+1)；         (8)

I_g(x,y)＝I_n(x,y)/log(256)；       (9)

其中：I_n(x,y)为亮度调整后的图像；I_g(x,y)表示对I_n(x,y)进行归一化处理后的图像。

色调调整的具体实现过程如下：

a、根据颜色恒定理论计算亮度增益函数K(x,y)＝I_g(x,y)/I(x,y)；

b、分别计算复原图像与原环境图像对应的每一个像素(x,y)的R、G、B三个通道比值：

R通道比值： $r(x,y)=\frac{r2(x,y)}{r1(x,y)};$

其中：r1(x,y)表示环境图像中像素(x,y)处的R通道值；r2(x,y)表示复原图像中像素(x,y)处的R通道值；

G通道比值： $g(x,y)=\frac{g2(x,y)}{g1(x,y)};$

其中：g1(x,y)表示环境图像中像素(x,y)处的G通道值；g2(x,y)表示复原图像中像素(x,y)处的G通道值；

B通道比值： $b(x,y)=\frac{b2(x,y)}{b1(x,y)};$

其中：b1(x,y)表示环境图像中像素(x,y)处的B通道值；b2(x,y)表示复原图像中像素(x,y)处的B通道值；

c、计算每一像素的三个通道比值偏离亮度增益函数的程度即：δ(x,y)＝(r(x,y)-K(x,y))²+(g(x,y)-K(x,y))²+(b(x,y)-K(x,y))²，若大于0.3，就认为该像素点需要修正，否则不需要修正；

d、对δ(x,y)大于0.3的像素点进行修正：令r2(x,y)＝K(x,y)×r1(x,y)、g2(x,y)＝K(x,y)×g1(x,y)、b2(x,y)＝K(x,y)×b1(x,y)。

本发明可以对无人驾驶汽车的立体视觉系统进行改进，先对前方道路图像进行去雾处理，再合成实时的3D图像，可以提高3D图像的清晰度和准确率，更加及时地发现潜在的危险。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于无人驾驶汽车的图像去雾装置，其特征在于，包括图像采集装置、环境光估算模块、大气光幕估算模块、图像复原模块与图像调整模块；

所述图像采集装置设于无人驾驶汽车上，用于采集汽车周边环境图像并分别传输给环境光估算模块和大气光幕估算模块；

所述环境光估算模块将环境图像划分为天空区域和非天空区域，并对非天空区域进行环境光估算；

所述大气光幕估算模块对环境图像的大气光幕进行估算并修正，去除光晕；

所述图像复原模块根据环境光、大气光幕和大气散射模型计算复原图像；

所述图像调整模块包括亮度调整模块和色调调整模块，根据人眼视觉特性对复原后的图像进行亮度、色调的调整。

2.基于无人驾驶汽车的图像去雾方法，其特征在于，包括如下步骤：

步骤一：估算环境光：将所采集的环境图像划分为天空区域和非天空区域，对非天空区域进行环境光估算；

步骤二：估算大气光幕：对环境图像进行暗图处理，得到暗通道图像，对暗通道图像的局部均值与暗通道图像的局部标准差做减法运算，得到大气光幕，并对其进行修正；

步骤三：图像复原：根据步骤一计算的环境光、步骤二计算的大气光幕以及大气散射模型计算复原图像；

步骤四：亮度、色度调整：根据人眼视觉特性对复原后的图像进行亮度、色调的调整。

3.根据权利要求2所述的基于无人驾驶汽车的图像去雾方法，其特征在于，步骤一中估算环境光的具体实现过程如下：

步骤1-01：将单幅环境图像划分成40*40子图像；

步骤1-02：选取子图像的色度H、饱和度S、亮度I的均值与标准差作为子图像的特征向量，记为X_i(H_E,S_E,I_E,H_S,S_S,I_S)；

步骤1-03：设定迭代终止阈值ε和最大迭代次数L，等分N个样本作为初始分类，并求此分类条件下各类聚类中心矩阵V(0)；

步骤1-04：假设第k-1步模糊隶属度矩阵U(k-1)、聚类中心矩阵V(k-1)已知，则归纳第k步模糊隶属度矩阵U_ij(k)为：

其中，I_j＝{i|1≤i≤2,d_ij ^(k-1)＝0}，d_ij ^(k-1)＝||x_j-v_i ^(k-1)||；

步骤1-05：将模糊隶属度矩阵U_ij(k)代入下式计算C-均值聚类中心矩阵V_i(k)：

$V_i\left(k\right)=\frac{\left[\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(U_{\mathrm{ij}}\left(k\right)\right)}^2{x}_j\right]}{\left[\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(U_{\mathrm{ij}}\left(k\right)\right)}^2\right]}---\left(2\right)$

比较U(k-1)和U(k)：若||U(k)-U(k-1)||<ε或k≥L，则迭代停止；否则令：k＝k+1，返回步骤1-04；

步骤1-06：输出分类结果；

步骤1-07：对划分为天空区域的子图像进行修正：对划分为天空区域的子图像进行Canny边缘提取，若其像素点占总像素点的比值大于0.5；或者子图像所处位置处于环境图像的中间向下，就认为该子图像划分错误，将其划分为非天空区域；

步骤1-08：根据暗通道原理对非天空区域估算环境光：计算非天空区域的暗通道图像，选择其中亮度前0.1％的像素点，将这些像素点对应位置的原环境图像的亮度的均值作为环境光。

4.根据权利要求2所述的基于无人驾驶汽车的图像去雾方法，其特征在于，步骤二中估算大气光幕的具体实现过程如下：

步骤2-01：计算环境图像的暗通道图像D(x,y)，其中I(x,y)为输入的环境图像，(x,y)表示像素坐标；

步骤2-02：计算暗通道图像D(x,y)的局部均值B₁(x,y)与局部标准差B₂(x,y)：

B₁(x,y)＝F_B(D(x,y))；    (3)

B₂(x,y)＝F_B(|D(x,y)-B₁(x,y)|)；    (4)

其中，F_B是双边滤波理论；

步骤2-03：将局部均值B₁(x,y)与局部标准差B₂(x,y)做减法运算，得到大气光幕函数：

B(x,y)＝B₁(x,y)-B₂(x,y)；    (5)

步骤2-04：根据大气散射模型，满足约束条件0≤V(x,y)≤D(x,y)，计算大气光幕V(x,y)＝max(min(μB(x,y),D(x,y)),0)；其中：μ为调整因子。

5.根据权利要求2所述的基于无人驾驶汽车的图像去雾方法，其特征在于，步骤三中所述图像复原的具体实现过程如下：

步骤3-01：引入调整因子ω，根据步骤一已求的环境光A和步骤二已求的大气光幕V(x,y)，计算透射率t(x,y)，

$t(x,y)=1-\mathrm{\&omega;}\frac{V(x,y)}{A};---\left(6\right)$

其中：0<ω<1；

步骤3-02：设置透射率下限t₀，复原后的图像J(x,y)为：

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A;---\left(7\right)$

其中：I(x,y)为输入的环境图像。

6.根据权利要求2所述的基于无人驾驶汽车的图像去雾方法，其特征在于，步骤四中亮度调整的具体实现过程如下：

采用对数变换扩展高值图像中的暗像素区域，完成复原后图像的全局亮度调整：

I_n(x,y)＝c×log(I(x,y)+1)；    (8)

I_g(x,y)＝I_n(x,y)/log(256)；    (9)

其中：I(x,y)为输入的环境图像；I_n(x,y)为亮度调整后的图像；I_g(x,y)表示对I_n(x,y)进行归一化处理后的图像。

7.根据权利要求6所述的基于无人驾驶汽车的图像去雾方法，其特征在于，步骤四中色调调整的具体实现过程如下：

a、根据颜色恒定理论计算亮度增益函数K(x,y)＝I_g(x,y)/I(x,y)；

b、分别计算复原图像与原环境图像对应的每一个像素(x,y)的R、G、B三个通道比值：

R通道比值： $r(x,y)=\frac{r2(x,y)}{r1(x,y)};$

其中：r1(x,y)表示环境图像中像素(x,y)处的R通道值；r2(x,y)表示复原图像中像素(x,y)处的R通道值；

G通道比值： $g(x,y)=\frac{g2(x,y)}{g1(x,y)};$

其中：g1(x,y)表示环境图像中像素(x,y)处的G通道值；g2(x,y)表示复原图像中像素(x,y)处的G通道值；

B通道比值： $b(x,y)=\frac{b2(x,y)}{b1(x,y)};$

其中：b1(x,y)表示环境图像中像素(x,y)处的B通道值；b2(x,y)表示复原图像中像素(x,y)处的B通道值；

c、计算每一像素的三个通道比值偏离亮度增益函数的程度即：δ(x,y)＝(r(x,y)-K(x,y))²+(g(x,y)-K(x,y))²+(b(x,y)-K(x,y))²，若大于0.3，就认为该像素点需要修正，否则不需要修正；

d、对δ(x,y)大于0.3的像素点进行修正：令r2(x,y)＝K(x,y)×r1(x,y)、g2(x,y)＝K(x,y)×g1(x,y)、b2(x,y)＝K(x,y)×b1(x,y)。