CN105279739A - 一种自适应含雾数字图像去雾方法 - Google Patents

Abstract

本发明涉及机器视觉、图像去雾技术领域，特别是针对应用户外监控、无人机侦察、地形勘测等实时应用拍摄含雾图像而实现的一种自适应含雾数字图像去雾方法。本发明包括：输入原始有雾的图像，且转换为灰度图像；判断是否要进行图像分割；遍历所有像素点；对所得到的天空区域与非天空区域去雾图像进行按像素融合；图像进行引导滤波去除噪恢复无雾图像。本发明有效解决了去雾后图像整体亮度偏暗，出现晕光与Halo效应，图像色彩出现偏差，噪声较高，图像边缘模糊等问题。

Description

一种自适应含雾数字图像去雾方法

技术领域

本发明涉及机器视觉、图像去雾技术领域，特别是针对应用户外监控、无人机侦察、地形勘测等实时应用拍摄含雾图像而实现的一种自适应含雾数字图像去雾方法。

背景技术

当户外环境存在霾、雾或其他大颗粒微粒时，拍摄图像质量下降，图像呈现灰白色，能见度降低、噪声较高、对比度与色彩剧烈衰减、景物轮廓模糊，图像特征提取困难，最终导致图像失真，极大影响视觉效果，由此给户外工作系统如监控、智能导航、无人机侦察等实时应用带来巨大困难，影响人们的正常工作、生活，给科技发展与产业生产带来阻碍，因此研究含雾数字图清晰化算法具有重大意义。

如文献[1]所述暗原色先验选取图像中亮度最高的前0.1％像素点，然后计算此点对应在原彩色图像中的三通道的最大值作为大气光值，当景物亮度大于远处天空时导致选取大气光值不准确，去雾后图像整体亮度偏暗，出现晕光与Halo效应，图像色彩出现偏差，噪声较高，图像边缘模糊等问题。本发明基于分割的暗原色先验去雾分别对天空区域去雾与非天空去雾，有效解决了上述问题。

发明内容

本发明提供了一种解决去雾后图像整体亮度偏暗，出现晕光与Halo效应，图像色彩出现偏差，噪声较高，图像边缘模糊等问题的自适应含雾数字图像去雾方法。

本发明的目的是这样实现的：

第一步：输入原始有雾的图像I(x)，且转换为灰度图像f(x)；

第二步：判断是否要进行图像分割，若图像分割进行步骤(3)，不需图像分割进行全局大气光值A^c与透射率估算，进行暗原色先验去雾，并执行进行步骤(6)，其中暗通道图像中亮度最高的前0.1％像素点，然后计算此点对应在原彩色图像中的三通道的最大值，此最大值即是大气光值A^c；

透射率： $\tilde{t}\left(x\right)=1-\underset{c}{min}\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A^c}\right)\right),$

其中为透射率，Ω(x)为我们所选择的区域及分块区域，A^c为以假设RGB通道中的大气光值，I^c(y)为输入图像；

第三步：遍历所有像素点，进行灰度图像阈值分割，得到二值图像g(x,y)；

阈值分割： $g(x,y)=\{\begin{array}{cc}255& f(x,y)>T\\ 0& f(x,y)\≤T\end{array},$

其中g(x,y)为得到二值图像函数，f(x,y)为彩色图像转换为灰度图函数，当二值图像的像素点值大于阈值T时，我们认为该像素点位置为天空区域，并且设置该像素点位置为255，图像显示为白色；当二值图像的像素点值小于或等于阈值T时，我们认为该像素点位置为非天空区域，并且设置该像素点位置为0，图像显示为黑色；

第四步：遍历所有像素点，对原图像中天空区域与非天空区域进行暗原色先验去雾，用得到分别使用天空区域大气光值A_sky、天空区域透射率t_sky、天空区域去雾因子与非天空区域大气光值A_unsky、非天空区域透射率t_unsky、非天空区域去雾因子恢复天空区域与非天空区域无雾图像；

天空区域透射率： ${\tilde{t}}_{sky}\left(x\right)=1-{\mathrm{\ω}}_{sky}\underset{c}{min}\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A_{sky}^c}\right)\right)$

非天空区域透射率： ${\tilde{t}}_{unsky}\left(x\right)=1-{\mathrm{\ω}}_{unsky}\underset{c}{min}\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A_{unsky}^c}\right)\right)$

天空区域去雾图： $J_{sky}\left(x\right)=\frac{I\left(x\right)-A_{sky}^c}{{\tilde{t}}_{sky}\left(x\right)}+A_{sky}^c$

非天空区域去雾图： $J_{unsky}\left(x\right)=\frac{I\left(x\right)-A_{unsky}^c}{{\tilde{t}}_{unsky}\left(x\right)}+A_{unsky}^c$

其中天空区域去雾因子为ω_sky，一般范围为0-0.5，非天空区域去雾因子为ω_unsky一般范围为0.6-1.0，且ω_sky≤ω_unsky；

第五步：对所得到的天空区域与非天空区域去雾图像进行按像素融合；

融合公式： $I_e(i,j)=\left\{\begin{array}{cc}{I}_c(i,j)& \left|I_c(i,j)\right|\&GreaterEqual;\left|I_d(i,j)\right|\\ I_d(i,j)& \left|I_c(i,j)\right|<\left|I_d(i,j)\right|\end{array}\right.$

其中，I_c(i,j)与I_d(i,j)分别为像素(i,j)位置的像素值，I_e(i,j)为I_c(i,j)与I_d(i,j)中较大值；

第六步：图像进行引导滤波去除噪恢复无雾图像J(x)；

引导滤波去噪： $W_{ij}\left(I\right)=\frac{1}{|w{|}^2}\underset{k:(i,j)\&Element;w_k}{\&Sigma;}\left(1+\frac{(I_i-{\mathrm{\&mu;}}_k)(I_j-{\mathrm{\&mu;}}_k)}{{\mathrm{\&sigma;}}_k^2+\mathrm{\&epsiv;}}\right)$

其中，|w|为窗口w_k内像素的数目，w_k是以像素k为中心的窗口，μ_k和是引导图像I在窗口w_k内的均值和方差，ε是参数。

与现有技术相比，本发明的有益效果是有效解决了去雾后图像整体亮度偏暗，出现晕光与Halo效应，图像色彩出现偏差，噪声较高，图像边缘模糊等问题。

附图说明

图1为本发明一种自适应含雾数字图像去雾方法过程框图。

图2为本发明的处理后的去雾图像。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明所采用的技术方案是：对原始有雾图像进行判断是否含有天空区域判断是否进行图像分割，对不需要图像分割的图像直接求取大气光值、透射率值与结合去雾因子进行暗原色先验去雾，最后使用引导滤波去噪；对于含有天空区域图像使用Otsu分割，分割成天空区域与非天空区域，分别选取该区域的大气光值、透射率值结合不同的去雾因进行暗原色去雾，对于去雾后的天空图像与非天空图像进行按像素融合一幅完整的去雾图像并进行引导滤波去噪。

一种自适应含雾数字图像去雾方法是一种基于图像分割的暗原色先验去雾，暗原色先验理论表明在绝大多数图像的局部区域里，彩色图像中的RGB通道中，总会存在着至少一个颜色通道的像素值很低，即该区域内的亮度最小的最小值是个极低值。当出现图像景物中出现白色汽车、白色建筑物或白雪时，亮度值比天空区域亮度值大的情况下，选取大气光值将不准确，故采用图像分割，将原彩色图像分割成天空区域与非天空区域，分别选取该区域的大气光值、透射率值结合不同的去雾因进行去雾。

图像分割采用Otsu分割方法，它是在最小二乘法基础上推到的经典图像分割方法，对Otsu分割方法的离散度矩阵改进后能够满足大部分含雾图像的分割，将原始图像分为前景与后景两个部分，能够较好分割对具有明显单双峰特征、目标景物与背景方差差异大的灰度图像。

得到天空区域与非天空区域暗原色先验去雾图像后，需要对生成的两幅图像进行拼接。采用基于像素融合的逻辑滤波器法。天空去雾图像中天空区域像素值非0而景物像素值为0，非天空去雾图像中天空区域像素值为0而景物像素值非0，对天空去雾图像与非天空去雾图像进行逻辑运算，遍历所有像素点，同一位置的像素点进行取最大像素值。

引导滤波去噪，引导滤波算法是一个基于局部线性模型的滤波操作，具有边缘保持特性，另外其拥有一个快速的、计算复杂度与核大小无关的计算方法，保证了处理的实时性。

本发明包括：

第一步：输入原始有雾的图像I(x)，且转换为灰度图像f(x)。

第二步判断是否要进行图像分割，若图像分割进行步骤3，不需图像分割进行全局大气光值A_c与透射率估算，进行暗原色先验去雾，并执行进行步骤6。其中暗通道图像中亮度最高的前0.1％像素点，然后计算此点对应在原彩色图像中的三通道的最大值，此最大值即是大气光值A^c。

透射率： $\tilde{t}\left(x\right)=1-\underset{c}{min}\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A^c}\right)\right)---\left(1\right)$

其中为透射率，Ω(x)为我们所选择的区域及分块区域，A^c为以假设RGB通道中的大气光值，I^c(y)为输入图像。

第三步遍历所有像素点，进行灰度图像阈值分割，得到二值图像g(x,y)。

阈值分割： $g(x,y)=\{\begin{array}{cc}255& f(x,y)>T\\ 0& f(x,y)\&le;T\end{array}---\left(2\right)$

其中g(x,y)为得到二值图像函数，f(x,y)为彩色图像转换为灰度图函数。当二值图像的像素点值大于阈值T时，我们认为该像素点位置为天空区域，并且设置该像素点位置为255，图像显示为白色；当二值图像的像素点值小于或等于阈值T时，我们认为该像素点位置为非天空区域，并且设置该像素点位置为0，图像显示为黑色。

第四步遍历所有像素点，对原图像中天空区域与非天空区域进行暗原色先验去雾，用得到分别使用天空区域大气光值A_sky、天空区域透射率t_sky、天空区域去雾因子与非天空区域大气光值A_unsky、非天空区域透射率t_unsky、非天空区域去雾因子恢复天空区域与非天空区域无雾图像。

天空区域透射率： ${\tilde{t}}_{sky}\left(x\right)=1-{\mathrm{\&omega;}}_{sky}\underset{c}{min}\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A_{sky}^c}\right)\right)---\left(3\right)$

非天空区域透射率： ${\tilde{t}}_{unsky}\left(x\right)=1-{\mathrm{\&omega;}}_{unsky}\underset{c}{min}\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A_{unsky}^c}\right)\right)---\left(4\right)$

天空区域去雾图： $J_{sky}\left(x\right)=\frac{I\left(x\right)-A_{sky}^c}{{\tilde{t}}_{sky}\left(x\right)}+A_{sky}^c---\left(5\right)$

非天空区域去雾图： $J_{unsky}\left(x\right)=\frac{I\left(x\right)-A_{unsky}^c}{{\tilde{t}}_{unsky}\left(x\right)}+A_{unsky}^c---\left(6\right)$

其中天空区域去雾因子为ω_sky，一般范围为0-0.5，非天空区域去雾因子为ω_unsky一般范围为0.6-1.0，且ω_sky≤ω_unsky。

第五步对所得到的天空区域与非天空区域去雾图像进行按像素融合。

融合公式： $I_e(i,j)=\left\{\begin{array}{cc}{I}_c(i,j)& \left|I_c(i,j)\right|\&GreaterEqual;\left|I_d(i,j)\right|\\ I_d(i,j)& \left|I_c(i,j)\right|<\left|I_d(i,j)\right|\end{array}\right.---\left(7\right)$

其中，I_c(i,j)与I_d(i,j)分别为像素(i,j)位置的像素值，I_e(i,j)为I_c(i,j)与I_d(i,j)中较大值。

第六步图像进行引导滤波去除噪恢复无雾图像J(x)。

引导滤波去噪： $W_{ij}\left(I\right)=\frac{1}{|w{|}^2}\underset{k:(i,j)\&Element;w_k}{\&Sigma;}\left(1+\frac{(I_i-{\mathrm{\&mu;}}_k)(I_j-{\mathrm{\&mu;}}_k)}{{\mathrm{\&sigma;}}_k^2+\mathrm{\&epsiv;}}\right)---\left(8\right)$

其中，|w|为窗口w_k内像素的数目，w_k是以像素k为中心的窗口，μ_k和是引导图像I在窗口w_k内的均值和方差，ε是参数。

Claims (1)

1.一种自适应含雾数字图像去雾方法，其特征在于，包括如下步骤：

第一步：输入原始有雾的图像I(x)，且转换为灰度图像f(x)；

第二步：判断是否要进行图像分割，若图像分割进行步骤(3)，不需图像分割进行全局大气光值A^c与透射率估算，进行暗原色先验去雾，并执行进行步骤(6)，其中暗通道图像中亮度最高的前0.1％像素点，然后计算此点对应在原彩色图像中的三通道的最大值，此最大值即是大气光值A^c；

透射率： $\tilde{t}\left(x\right)=1-\underset{c}{min}\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A^c}\right)\right),$

其中为透射率，Ω(x)为我们所选择的区域及分块区域，A^c为以假设RGB通道中的大气光值，I^c(y)为输入图像；

第三步：遍历所有像素点，进行灰度图像阈值分割，得到二值图像g(x,y)；

阈值分割： $g(x,y)=\{\begin{array}{cc}255& f(x,y)>T\\ 0& f(x,y)\&le;T\end{array},$

其中g(x,y)为得到二值图像函数，f(x,y)为彩色图像转换为灰度图函数，当二值图像的像素点值大于阈值T时，我们认为该像素点位置为天空区域，并且设置该像素点位置为255，图像显示为白色；当二值图像的像素点值小于或等于阈值T时，我们认为该像素点位置为非天空区域，并且设置该像素点位置为0，图像显示为黑色；

第四步：遍历所有像素点，对原图像中天空区域与非天空区域进行暗原色先验去雾，用得到分别使用天空区域大气光值A_sky、天空区域透射率t_sky、天空区域去雾因子与非天空区域大气光值A_unsky、非天空区域透射率t_unsky、非天空区域去雾因子恢复天空区域与非天空区域无雾图像；

天空区域透射率： ${\tilde{t}}_{sky}\left(x\right)=1-{\mathrm{\&omega;}}_{sky}\underset{c}{min}\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A_{sky}^c}\right)\right)$

非天空区域透射率： ${\tilde{t}}_{unsky}\left(x\right)=1-{\mathrm{\&omega;}}_{unsky}\underset{c}{min}\left(\underset{y\&Element;\mathrm{\&Omega;}\left(x\right)}{min}\left(\frac{I^c\left(y\right)}{A_{unsky}^c}\right)\right)$

天空区域去雾图： $J_{sky}\left(x\right)=\frac{I\left(x\right)-A_{sky}^c}{{\tilde{t}}_{sky}\left(x\right)}+A_{sky}^c$

非天空区域去雾图： $J_{unsky}\left(x\right)=\frac{I\left(x\right)-A_{unsky}^c}{{\tilde{t}}_{unsky}\left(x\right)}+A_{unsky}^c$

其中天空区域去雾因子为ω_sky，一般范围为0-0.5，非天空区域去雾因子为ω_unsky一般范围为0.6-1.0，且ω_sky≤ω_unsky；

第五步：对所得到的天空区域与非天空区域去雾图像进行按像素融合；

融合公式： $I_e(i,j)=\left\{\begin{array}{cc}{I}_c(i,j)& \left|I_c(i,j)\right|\&GreaterEqual;\left|I_d(i,j)\right|\\ I_d(i,j)& \left|I_c(i,j)\right|<\left|I_d(i,j)\right|\end{array}\right.$

其中，I_c(i,j)与I_d(i,j)分别为像素(i,j)位置的像素值，I_e(i,j)为I_c(i,j)与I_d(i,j)中较大值；

第六步：图像进行引导滤波去除噪恢复无雾图像J(x)；

引导滤波去噪： $W_{ij}\left(I\right)=\frac{1}{|w{|}^2}\underset{k:(i,j)\&Element;w_k}{\&Sigma;}\left(1+\frac{(I_i-{\mathrm{\&mu;}}_k)(I_j-{\mathrm{\&mu;}}_k)}{{\mathrm{\&sigma;}}_k^2+\mathrm{\&epsiv;}}\right)$

其中，|w|为窗口w_k内像素的数目，w_k是以像素k为中心的窗口，μ_k和是引导图像I在窗口w_k内的均值和方差，ε是参数。