CN105046656A - 一种基于边缘保留滤波的形状自适应图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于边缘保留滤波的形状自适应图像去雾方法，其属于图像处理领域，该方法包含以下步骤：S1：利用图像采集设备采集获得单幅雾霾图像；S2：使用暗通道先验对大气光进行估计；S3：将步骤S1获得的图像使用超像素分割获得形状自适应非方形图像区域，在该区域上使用正则化边缘保留滤波估计大气传播图；S4：通过设定下界进行噪声控制，得到复原后的场景反照率；S5：输出场景反照率，即获得去雾后的图像。本发明提供的去雾方法，可以有效的恢复出清晰图像，保留了图像细节，具有较好的实用性和较低的计算代价，适用于实时系统。

Description

一种基于边缘保留滤波的形状自适应图像去雾方法

【技术领域】

本发明属于数字图像处理领域，具体的说是一种基于边缘保留滤波的形状自适应图像去雾方法，用于提升计算机视觉领域有雾图像的清晰度和可见度。

【背景技术】

受雾霾等恶劣天气影响，户外场景的图像质量往往出现严重下降。导致这种图像降质的主要原因在于大气中随机粒子的存在。光从场景中的物体表面反射到成像设备的过程中发生散射现象，使得其他光路的光线由于散射而进入该成像光路，从而导致图像对比度的下降。低视见度的图像极大地影响了户外机器视觉系统效用和性能。去除这种因雾霾天气引起图像降质的技术通常称为图像去雾，它在计算机视觉领域有着广泛的应用，包括：自动监控系统、智能汽车、室外目标识别、高速公路视觉监视系统和卫星遥感监测等。

单幅图像去雾属于不完全约束的图像复原范畴，是一项极具挑战性的研究课题。当前主流的图像去雾算法大都基于大气物理模型。基于物理模型的方法认为，在雾霾天气下进入成像设备的光由两部分组成，一部分是由于散射作用衰减后到达成像设备的物体反射光，另一部分是经过一定散射合成到达成像设备的环境光。二者共同作用导致雾天图像的对比度降低，颜色偏移等一系列视见度欠佳问题。

近年来，单幅图像去雾得到了广泛地关注和研究。典型的去雾方法有Tan方法(R.Tan,Visibilityinbadweatherfromasingleimage.CVPR,2008,pp:1–8)、Fattal方法(R.Fattal,Singleimagedehazing.SIGGRAPH,2008,pp:1–9)，He方法(K.He,J.Sun,andX.Tang,Singleimagehazeremovalusingdarkchannelprior.CVPR,2009,pp:1956–1963)，Tarel方法(J.TarelandN.Hautière,FastVisibilityRestorationfromaSingleColororGrayLevelImage.ICCV,2009,pp:2201–2208；Tarel,N.Hautière,A.Cord,D.Gruyer,andH.Halmaoui,ImprovedVisibilityofRoadSceneImagesunderHeterogeneousFog.IEEEIntelligentVehiclesSymposium,2010,pp:478–485)和Nishino方法(K.Nishino,L.Kratz,andS.Lombardi,BayesianDefogging.IJCV,2012,pp:263–278)，但是目前存在的去雾方法，大都使用固定大小的局部方形图像块来估计局部对比度和大气传播图。因而存在非同质像素参与景深估计的现象，导致在场景深度不连续处去雾效果欠佳的问题。

【发明内容】

针对上述问题，本发明提供了一种基于边缘保留滤波的形状自适应图像去雾方法，侧重非同质像素区域之间的分离，利用全局的超像素分割获得形状自适应的图像区域，结合图像正则化(非负性、局部标准差小于局部均值)实现对大气传播图的估计。最后，基于估计的大气传播图恢复场景的反照率。该方法有效的恢复出清晰图像，保留了图像细节，具有较好的实用性和较低的计算代价。

本发明是通过以下技术方案实现的，提供一种基于边缘保留滤波的形状自适应图像去雾方法，包括以下步骤：

S1：利用图像采集设备采集获得单幅雾霾图像；

S2：使用暗通道先验对大气光进行估计；

S3：将步骤S1获得的图像使用超像素分割获得形状自适应非方形图像区域，在该区域上使用正则化边缘保留滤波估计大气传播图；

S4：通过设定下界进行噪声控制，得到复原后的场景反照率；

S5：输出场景反照率，即获得去雾后的图像。

特别的，所述步骤S3具体按照以下步骤实施：

S31：对将步骤S1获得的图像进行分割，得到基于形状特征的自适应区域；

S32：通过步骤S2获得的大气光，对步骤S1处理后图像进行调整，得到调整后的雾霾图像；

S33：对步骤S32调整后的雾霾图像进行最小值滤波，得到最小值图像；

S34：对步骤S33获得的最小值图像中的自适应区域进行正则化约束，得到大气耗散函数；

S35：通过设定参数p值对大气传播函数进行调整，得到优化大气耗散函数。

特别的，所述步骤S31中对图像的分割采用一种有效的SLIC超像素分割算法。

特别的，所述步骤S32具体按照以下步骤实施：

通过暗通道获得大气光为A^C，根据雾天成像公式(1)对步骤S1处理后图像进行调整，所述公式(1)为：

$\frac{I^C\left(x\right)}{A^C}={\mathrm{\ρ}}^C\left(x\right)t\left(x\right)+(1-t(x))---\left(1\right)$

之后根据公式(1)得到调整后的雾霾图像I'^C(x)，

$I^{\′C}\left(x\right)=min(\frac{I^C\left(x\right)}{A^C},1);$

其中，x为空间位置，I^C(x)为雾霾天气下的观察图像，ρ^C(x)为场景反照率，t(x)为大气传输函数，A^C为大气光，即天空亮度。

特别的，所述步骤S33具体按照以下步骤实施：

将步骤S32调整后的雾霾图像RGB分量中的最小分量按照公式(2)输出得到最小值滤波图像，所述公式(2)为：

$I_{min}\left(x\right)=\underset{c\∈\left(RGB\right)}{min}{I}^{\′C}\left(x\right)---\left(2\right).$

特别的，所述步骤S34中正则化约束包含光度约束和局部图像统计约束；

所述光度约束按照如下进行，v(x)≥0，且小于I'^C(x)的RGB最小分量即：0≤v(x)≤I_min(x)，其中v(x)＝1-t(x)，称为大气耗散函数或大气光幕；

所述局部图像统计约束按照如下进行，去雾后的图像各个像素点的局部标准差应小于局部均值，即：std(ρ(x))≤mean(ρ(x))；

所述光约束与局部图像统计约束使大气耗散函数v(x)满足公式(3)：

$v\left(x\right)=\underset{x\∈SAP}{min}\{I_{min}\left(x\right),{\stackrel{\‾}{I}}_{min}\left(x\right)-std\left(I_{min}\right(x))\}---\left(3\right),$

其中，x∈SAP表示自适应区域，在边缘保留滤波框架下，局部均值和标准差操作采用鲁棒的中值滤波实现。

特别的，所述步骤S35中参数p为控制图像增强的程度，按照如下公式(4)计算：

t(x)＝1-pv(x)(4)，

所述参数p的范围为0≤p≤1。

特别的，所述参数p的范围为0.75～0.95。

特别的，所述步骤S4中，下界t₀＝0.2。

本发明提供了一种基于边缘保留滤波的形状自适应图像去雾方法，以解决非同质像素参与景深估计，导致在场景深度不连续处去雾效果欠佳问题，利用全局的SLIC超像素分割获得形状自适应的图像区域，结合图像正则化(非负性、局部标准差小于局部均值)实现对大气传播图的估计。最后，基于估计的大气传播图恢复场景的反照率。该方法有效的恢复出清晰图像，保留了图像细节，具有较好的实用性和较低的计算代价。其优点在于：采用本发明提供的方法处理后的图像大气传播图的不同区域间划分较为明显，且区域间过渡较为平滑，恢复后的场景图效果非常好，能够有效地去除深度不连续区域的残雾，且图像细节保留良好。本发明提供的去雾方法，可以有效的恢复出清晰图像，保留了图像细节，具有较好的实用性和较低的计算代价，适用于实时系统。

【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，以下通过一实施例对本发明进一步详细说明。

实施例

本实施例使用Matlab2009a开发仿真程序，主机配置为2.53GHzInterCorei3CPU，2GB内存，Window7操作系统，选取像素大小为431*800的图像进行去雾处理，具体按照如下步骤进行去雾处理：

S1：利用图像采集设备采集获得单幅雾霾图像，记为I^C(x)。

S2：对获得的原始图像I^C(x)进行暗通道先验处理，对大气光A^C进行估计，本发明以如下公式(6)进行解释说明：

$I^{dark}\left(x\right)=\underset{c\∈\{r,g,b\}}{min}\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{min}\right(I^C\left(y\right)\left)\right)\→1---\left(6\right),$

在暗通道中，由于天空亮度在RGB最小分量的局部区域的最小值趋近于1，因而在暗通道下选择像素值最高的前0.1％像素点集，并在这些像素中选择原图像中亮度最高的点作为大气光A^C的值，本发明的实施例中，大气光A^C估计为(0.6196，0.6392，0.6627)。

S3：将步骤S1获得的图像使用超像素分割获得形状自适应非方形图像区域，在该区域上使用正则化边缘保留滤波估计大气传播图t(x)，具体包括以下分步骤：

S31：将步骤S1获得的图像进行SLIC超像素分割，分割个数设为1000，紧密度设为4，得到基于形状特征的自适应区域数据，将该区域记做SAP区域；

S32：通过暗通道获得大气光为A^C，根据雾天成像公式，对其调整为如下所示：

$\frac{I^C\left(x\right)}{A^C}={\mathrm{\ρ}}^C\left(x\right)t\left(x\right)+(1-t\left(x\right))---\left(1\right),$

其中,x为空间位置，I^C(x)为雾霾天气下的观察图像，ρ^C(x)为场景反照率(即清晰图像)，t(x)为大气传输函数(传播图)，A^C为大气光(天空亮度)；

设对步骤S1处理后图像进行调整，根据公式(1)即得到公式(5)：

I'^C(x)＝ρ^C(x)t(x)+(1-t(x))(5)，

S33：将步骤S32调整后的雾霾图像RGB分量中的最小分量按照公式(2)输出得到最小值滤波图像，所述公式(2)为：

$I_{min}\left(x\right)=\underset{{}_{c\∈\left(RGB\right)}}{min}{I}^{\′C}\left(x\right)---\left(2\right),$

S34：对步骤S33获得的最小值图像中的自适应区域进行正则化约束，得到大气传播函数，首先定义v(x)＝1-t(x)，称为大气耗散函数或大气光幕，为了保证图像复原的有效性，根据如下两个约束条件：

(1)光度约束：v(x)≥0，且小于I'^C(x)的RGB最小分量即：0≤v(x)≤I_min(x)；

(2)局部图像统计约束：为控制复原图中黑色像素的数量，去雾后的图像各个像素点的局部标准差应小于局部均值，即：std(ρ(x))≤mean(ρ(x))。

基于该局部恒常假设和正则化假设，上述约束项使得大气耗散函数v(x)须满足下式(3)：

$v\left(x\right)=\underset{x\∈SAP}{min}\{I_{min}\left(x\right),{\stackrel{\‾}{I}}_{min}\left(x\right)-std(I_{\min }\left(x\right)\left)\right\}---\left(3\right),$

其中，x∈SAP表示自适应区域，在边缘保留滤波框架下，局部均值和标准差操作采用鲁棒的中值滤波实现，鲁棒中值滤波核最大为15*15。

S35：通过参数p值对大气传播函数进行调整，得到优化大气耗散函数，参数P控制图像增强的程度，按照如下公式(4)计算，此处参数p的范围为0≤p≤1，本发明参数p以0.75进行解释说明：

t(x)＝1-pv(x)(4)。

S4：通过对传播图设定下界t₀进行噪声控制，其中设定下界t₀＝0.2，那么根据如下公式(7)得到场景反照率t'(x)如式(7)，

t'(x)＝max(t(x),t₀)(7)，

最后将调整后的图像I'^C(x)与t'(x)带入公式(5)进行反变换，得到复原后的场景反照率如公式(8)，

${\mathrm{\ρ}}^C\left(x\right)=\frac{I^{\′C}\left(x\right)+t^{\′}\left(x\right)-1}{t^{\′}\left(x\right)}---\left(8\right).$

S5：将步骤S35处理后的图像输出场景反照率，获得反变换后的场景反照率，即去雾后的图像。

应当理解的是，于本领域的技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，包括以下步骤：

S1：利用图像采集设备采集获得单幅雾霾图像；

S2：使用暗通道先验对大气光进行估计；

S3：将步骤S1获得的图像使用超像素分割获得形状自适应非方形图像区域，在该区域上使用正则化边缘保留滤波估计大气传播图；

S4：通过设定下界进行噪声控制，得到复原后的场景反照率；

S5：输出场景反照率，即获得去雾后的图像。

2.根据权利要求1所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S3具体按照以下步骤实施：

S31：将步骤S1获得的图像进行分割，得到基于形状特征的自适应区域；

S32：通过步骤S2获得的大气光，对步骤S1处理后图像进行调整，得到调整后的雾霾图像；

S33：对步骤S32调整后的雾霾图像进行最小值滤波，得到最小值图像；

S34：对步骤S33获得的最小值图像中的自适应区域进行正则化约束，得到大气耗散函数；

S35：通过设定参数p值对大气传播函数进行调整，得到优化大气耗散函数。

3.根据权利要求2所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S31中对图像的分割采用一种有效的SLIC超像素分割算法。

4.根据权利要求2所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S32具体按照以下步骤实施：

通过暗通道获得大气光为A^C，根据雾天成像公式(1)对步骤S1处理后图像进行调整，所述公式(1)为：

$\frac{I^C\left(x\right)}{A^C}={\mathrm{\ρ}}^C\left(x\right)t\left(x\right)+(1-t(x))---\left(1\right),$

之后根据公式(1)得到调整后的雾霾图像I'^C(x)，

${I^{\′}}^C\left(x\right)=min(\frac{I^C\left(x\right)}{A^C},1);$

其中，x为空间位置，I^C(x)为雾霾天气下的观察图像，ρ^C(x)为场景反照率，t(x)为大气传输函数，A^C为大气光，即天空亮度。

5.根据权利要求2所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S33具体按照以下步骤实施：

将步骤S32调整后的雾霾图像RGB分量中的最小分量按照公式(2)输出得到最小值滤波图像，所述公式(2)为：

$I_{min}\left(x\right)=\underset{c\∈\left(RGB\right)}{min}{z}^{\′C}\left(x\right)---\left(2\right).$

6.根据权利要求5所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S34中正则化约束包含光度约束和局部图像统计约束；

所述光度约束按照如下进行，v(x)≥0，且小于I'^C(x)的RGB最小分量即：0≤v(x)≤I_min(x)，其中v(x)＝1-t(x)，称为大气耗散函数或大气光幕；

所述局部图像统计约束按照如下进行，去雾后的图像各个像素点的局部标准差应小于局部均值，即：std(ρ(x))≤mean(ρ(x))；

所述光约束与局部图像统计约束使大气耗散函数v(x)满足公式(3)：

$v\left(x\right)=\underset{x\∈SAP}{min}\{I_{min}\left(x\right),{\stackrel{\‾}{I}}_{min}\left(x\right)-std\left(I_{mim}\right(x))\}---\left(3\right),$

其中，x∈SAP表示自适应区域，在边缘保留滤波框架下，局部均值和标准差操作采用鲁棒的中值滤波实现。

7.根据权利要求2所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S35中参数p为控制图像增强的程度，按照如下公式(4)计算：

t(x)＝1-pv(x)(4)，

所述参数p的范围为0≤p≤1。

8.根据权利要求2所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述参数p的范围为0.75～0.95。

9.根据权利要求1所述的一种基于边缘保留滤波的形状自适应图像去雾方法，其特征在于，所述步骤S4中，下界t₀＝0.2。