CN105427266A - 一种信息损耗约束的沙尘图像清晰化方法 - Google Patents

Abstract

本发明公开了一种信息损耗约束的沙尘图像清晰化方法，步骤包括：建立大气光的成像模型，步骤1、计算大气光分量；步骤2、计算透射率的粗略估计值，得到整个原始图像的粗略透射率；步骤3、对粗略透射率进行细化，得到细化后的整幅图像的透射率；步骤4、得到最终恢复的目标图像，获得基于沙尘原始图像的清晰化后的目标图像，即成。本发明的方法实现了对沙尘条件下所拍摄的图像进行清晰化处理，对不同退化程度及色偏程度的沙尘图像均有较好的清晰化效果，能恢复有原图中有效的信息，丰富细节，抑制光晕，在提升对比度的同时，保持良好的场景色彩，适用于不同程度的雾霾、沙尘天气下的图像清晰化。

Description

一种信息损耗约束的沙尘图像清晰化方法

技术领域

本发明属于图像复原技术领域，在低对比度、低信息量及存在严重沙尘天气下，实现黄色偏移的图像清晰化恢复，具体涉及一种信息损耗约束的沙尘图像清晰化方法。

背景技术

随着信息技术和计算机图像处理技术的飞速发展，越来越多的领域利用图像信息进行智能识别和判断，如交通、视频监控，侦查、导航等。然而在沙尘天气情况下，受大气介质中悬浮的沙尘颗粒散射的影响，拍摄的图像会出现对比度降低、颜色偏移等退化现象，使得场景的可辨识度大大降低，这严重制约了户外图像处理系统的应用。而沙尘天气是我国西北地区尤其新疆地区是比较常见的一种天气情况，从退化的沙尘图像中增强和复原场景细节信息，提升沙尘退化图像的可观测性，为图像的进一步处理提供更多的信息具有重要的现实意义。

目前对退化图像的研究主要集中于雾霾天气，直接利用传统的雾天图像增强的方法来处理沙尘图像，往往不能取得理想的效果，首先是算法本身存在信息损耗等缺陷，再就是沙尘图像相对而言具有明显的偏色，对比度退化更加严重。经典的图像增强的方法，通常是从主观感受出发，并不分析天气因素造成图像降质的物理成因，仅仅是通过对比度拉伸的思路提升图像的可观测性；然而实际沙尘天气拍摄的图像，其退化程度是随场景深度变化的，相应的对比度提升程度应该是随景深空间变化的，因此基于传统的图像增强的思路来恢复沙尘图像，对景深变化较大的场景恢复效果具有一定的局限性，且很难恢复出符合实际场景的颜色。

沙尘图像通常呈现出来的特点是：对比度退化严重且退化程度随深度空间变化，存在明显黄色偏移，整体亮度偏暗，细节丢失；如何改善这些缺点来提升沙尘图像的可观测性，是一个急需解决的技术问题。

发明内容

本发明的目的是提供一种信息损耗约束的沙尘图像清晰化方法，对沙尘天气下所拍摄的退化图像进行清晰化处理，恢复出退化图像中的有效信息，恢复场景中的细节，提升对比度，还原真实场景的颜色。

本发明采用的技术方案是，一种信息损耗约束的沙尘图像清晰化方法，该方法按照以下步骤具体实施：

建立大气光的成像模型如下式：

I^C(x)＝J^C(x)·t(x)+A^C·(1-t(x))，C＝R,G,B，x∈image(1)

其中，I^C(x)是采集到的退化的原始图像；x为原始图像的像素坐标，x∈image是指相应图像中所有的像素；J^C(x)是待求的目标图像；t(x)是透射率，其取值范围是[0,1]；A^C是大气光分量，R,G,B分别表示对应图像的红色、绿色、蓝色三个颜色通道的值，

步骤1、计算大气光分量A^C

假设在最小的透射率t_min作用下，待恢复的目标图像满足灰色世界假设，对于式(1)，对等式两边求均值后得：

${\stackrel{\‾}{I}}^C={\stackrel{\‾}{J}}^C\·t_{\min }+A^C\·(1-t_{\min }),C=R,G,B---\left(2\right)$

其中，为所采集的原始图像的三个颜色通道的均值，t_min为透过沙尘层的最小透过率，即：

${\stackrel{\‾}{I}}^C=\frac{1}{N_{image}}\·{\underset{x\∈ima}{\Σ}}_{ge}I\left(x\right),C=R,G,B---\left(3\right)$

N_image为原始图像的像素总个数，x∈image是指原始图像中所有的像素，为目标图像的均值，因为满足灰色世界假设，因此则有：

${\stackrel{\‾}{J}}^C=\frac{1}{3}\·\underset{C=R,G,B}{\Σ}{\stackrel{\‾}{I}}^C,C=R,G,B---\left(4\right)$

将t_min、式(3)以及式(4)计算得到的和C＝R,G,B带入式(2)中，计算得到大气光分量A^C如下：

$A^C=({\stackrel{\‾}{I}}^C-{\stackrel{\‾}{J}}^C\·t_{min})/(1-t_{\min }),C=R,G,B;---\left(5\right)$

步骤2、计算透射率的粗略估计值

2.1)选取局部观测窗Ω^C

假设局部区域内场景的深度连续平滑，因此在透射率估计过程中选取的局部观测窗，局部观测窗的大小为w×w，采集到的原始图像大小为m×n，其中函数int()表示取整数运算；

2.2)初始化，设置局部观测窗Ω^C内的透射率初值t_initial＝t_min；

2.3)计算局部观测窗内的透射率和信息损耗

令x_w∈Ω^C，带入式(6)中，计算对应区域的初始恢复的目标图像x_w∈Ω^C，C＝R,G,B：

${\hat{J}}^C\left(x_w\right)=\frac{I^C\left(x_w\right)-A^C(1-\hat{t}(x_w))}{\hat{t}\left(x_w\right)},x_w\∈{\mathrm{\Ω}}^C,C=R,G,B;---\left(6\right)$

2.4)统计中的信息损耗，x_w∈Ω^C，C＝R,G,B，即R,G,B三个颜色通道的像素溢出总数N_loss：

$N_{loss}=Num\left({\hat{J}}^C\right(x_w)<0|C=R,G,B)+Num\left({\hat{J}}^C\right(x_w)>255|C=R,G,B,x_w\&Element;{\mathrm{\&Omega;}}^C)---\left(7\right)$

其中，函数Num()表示统计满足条件要求的像素个数的操作；

2.5)更新局部观测窗内的透射率

预先设定阈值Th，若N_loss大于预先设定阈值Th，则表明信息损耗过大，估计出的透射率不准确，这时，对t_initial以步长Δt加大透射率，即：

$\hat{t}\left(x_w\right)=t_{initial}+\mathrm{\&Delta;}t,x_w\&Element;{\mathrm{\&Omega;}}^C;---\left(8\right)$

2.6)令x_w∈Ω^C，返回步骤2.3)，进行重复操作，直到N_loss＜Th，转步骤2.7)；

2.7)计算整个原始图像的粗略透射率

将局部观测窗无重叠平移，重复步骤2.2)至步骤2.6)，遍历整个原始图像，即得到整个原始图像的粗略透射率x∈image；

步骤3、对粗略透射率进行细化

3.1)描述场景深度的导向图I_guide(x)的计算式如下：

$I_{guide}\left(x\right)=\underset{C\&Element;\{R,G,B\}}{\min }{I}^C\left(x\right),x\&Element;image;---\left(9\right)$

3.2)建立能量方程如下：

t(x_k)＝a_k·I_guide(x_k)+b_k，x_k∈ω_k，(10)

其中，ω_k是细化过程中局部观测窗，其大小与步骤2.1)中的局部观察窗Ω^C的大小相同，两个系数α_k和b_k的计算公式如下：

$a_k=\frac{\frac{1}{N_{{\mathrm{\&omega;}}_k}}\&CenterDot;{\mathrm{\&Sigma;}}_{x_k\&Element;{\mathrm{\&omega;}}_k}\&lsqb;I_{guide}\left(x_k\right)\&CenterDot;\hat{t}\left(x_k\right)-{\mathrm{\&mu;}}_k\&CenterDot;{{\mathrm{\&mu;}}_{\hat{t}}}^{\left(k\right)}\&rsqb;}{{\mathrm{\&sigma;}}_k^2+\mathrm{\&epsiv;}},---\left(11\right)$

$b_k={{\mathrm{\&mu;}}_{\hat{t}}}^{\left(k\right)}-a_k\&CenterDot;{\mathrm{\&mu;}}_k,---\left(12\right)$

其中的μ_k和分别是I_guide(x_k)在ω_k内的均值和方差，x_k∈ω_k；是ω_k内像素的总数；是在ω_k内的均值；ε是为了防止分母为零而设置的一个极小的值；

3.3)将得到的a_k,b_k，带入式(10)得到细化后的透射率t(x_k)，x_k∈ω_k；

3.4)将局部观测窗ω_k逐像素平移遍历整个原始图像，重复步骤3.2)和3.3)，就可最终得到细化后的整幅图像的透射率t(x)，x∈image；

步骤4、得到最终恢复的目标图像

根据步骤2和步骤3估计出来的大气光A^C和透射率t(x)，由下式计算得到最终的目标图像J^C(x)：

J^C(x)＝(I^C(x)-A^C)/t(x)+A^C，C∈{R,G,B}，x∈image，(14)

获得基于沙尘原始图像的清晰化后的目标图像，即成。

本发明的有益效果是，实现了对沙尘天气条件下所拍摄的图像进行清晰化处理，能够恢复出大部分的细节信息，恢复图像中的一些关键信息，较好地恢复出图像中场景的色彩信息。

附图说明

图1是实施例1黄色偏色不严重的沙尘退化的原始图像；

图2是对图1细化后的透射图；

图3是对图1清晰化后的目标图像；

图4是实施例2黄色偏色严重的沙尘退化的原始图像；

图5是对图4细化后的透射图；

图6是对图4清晰化后的目标图像。

具体实施方式

下面结合附图及具体实施方式对本发明进行详细说明。

本发明的信息损耗约束的沙尘图像清晰化方法，其工作原理是，针对色偏和对比度退化严重的单幅沙尘原始图像，基于大气散射的物理模型，采用信息损耗约束的方法进行复原。首先，在需要复原的目标图像满足灰色世界的假设前提下，在给定最小的透射率的情况下，估计大气光数值；之后，根据透射率与对比度提升和信息损耗之间的关系，采用信息损耗约束，估计出初始的粗略透射率；然后，利用导向滤波对初略透射率进行细化；最后，求解大气散射模型得到清晰的目标图像。

基于上述的原理，本发明的信息损耗约束的沙尘图像清晰化方法，按照以下步骤具体实施：

建立大气光的成像模型(该大气光的成像模型在以暗通道的大雾清晰化相关论文中均有描述)，如下式：

I^C(x)＝J^C(x)·t(x)+A^C·(1-t(x))，C＝R,G,B，x∈image(1)

其中，I^C(x)是采集到的退化的原始图像；x为原始图像的像素坐标，x∈image是指相应图像中所有的像素；J^C(x)是待求的目标图像；t(x)是透射率，其取值范围是[0,1]，表示光线透过介质层的比例，由景深决定，这里I^C(x)、J^C(x)以及t(x)都有x的变化，实际上这三个图像的大小是一样的；A^C是大气光分量，R,G,B分别表示对应图像的红色、绿色、蓝色三个颜色通道的值，这里I^C(x)和J^C(x)中的c都有三个颜色通道。

对沙尘影响的原始图像的恢复，从模型式(1)可见，通过估计大气光分量A^C和透射率t(x)，便能够根据采集到的原始图像I^C(x)，求得目标图像J^C(x)，

步骤1、计算大气光分量A^C

假设在最小的透射率t_min作用下，待恢复的目标图像满足灰色世界假设，对于式(1)，对等式两边求均值后得：

${\stackrel{\&OverBar;}{I}}^C={\stackrel{\&OverBar;}{J}}^C\&CenterDot;t_{\min }+A^C\&CenterDot;(1-t_{\min }),C=R,G,B---\left(2\right)$

其中，为所采集的原始图像的三个颜色通道的均值，t_min为透过沙尘层的最小透过率，取经验值为t_min∈[0.1,0.3]，即：

${\stackrel{\&OverBar;}{I}}^C=\frac{1}{N_{image}}\&CenterDot;\underset{x\&Element;image}{\&Sigma;}I\left(x\right),C=R,G,B---\left(3\right)$

N_image为原始图像的像素总个数，x∈image是指原始图像中所有的像素，为目标图像的均值，因为满足灰色世界假设，因此则有：

${\stackrel{\&OverBar;}{J}}^C=\frac{1}{3}\&CenterDot;\underset{C=R,G,B}{\&Sigma;}{\stackrel{\&OverBar;}{I}}^C,C=R,G,B---\left(4\right)$

由于沙尘天气往往与雾霾等气候一同出现，因此，如果采集到的原始图像中的黄色色偏不严重，表明沙尘的成分较少，建议选t_min＝0.1，如图1中的实施例1所示；反之，如果画面黄色色偏严重，则建议选t_min＝0.3，如图4中的实施例2所示(图1和图4为对原始彩色灰度格式处理过)；

将t_min、式(3)以及式(4)计算得到的和C＝R,G,B带入式(2)中，计算得到大气光分量A^C如下：

$A^C=({\stackrel{\&OverBar;}{I}}^C-{\stackrel{\&OverBar;}{J}}^C\&CenterDot;t_{min})/(1-t_{\min }),C=R,G,B;---\left(5\right)$

步骤2、计算透射率的粗略估计值

2.1)选取局部观测窗Ω^C

假设局部区域内场景的深度连续平滑，因此在透射率估计过程中选取的局部观测窗，局部观测窗的大小为w×w(即正方形)，局部观测窗的边长w取经验值，采集到的原始图像大小为m×n，根据实验优选w＝int(min{m,n}/30)，其中函数int()表示取整数运算；

2.2)初始化，设置局部观测窗Ω^C内的透射率初值t_initial＝t_min；

2.3)计算局部观测窗内的透射率和信息损耗

令x_w∈Ω^C，带入式(6)中，计算对应区域的初始恢复的目标图像x_w∈Ω^C，C＝R,G,B：

${\hat{J}}^C\left(x_w\right)=\frac{I^C\left(x_w\right)-A^C(1-\hat{t}(x_w))}{\hat{t}\left(x_w\right)},x_w\&Element;{\mathrm{\&Omega;}}^C,C=R,G,B;$ (6)

2.4)统计中的信息损耗，x_w∈Ω^C，C＝R,G,B，即R,G,B三个颜色通道的像素溢出总数N_loss：

$N_{loss}=Num\left({\hat{J}}^C\right(x_w)<0|C=R,G,B)+Num\left({\hat{J}}^C\right(x_w)>255|C=R,G,B,x_w\&Element;{\mathrm{\&Omega;}}^C)---\left(7\right)$

其中，函数Num()表示统计满足条件要求的像素个数的操作；

2.5)更新局部观测窗内的透射率

预先设定阈值Th，Th取经验值，根据用户允许的信息损耗来确定，优选Th＝0.1w²，即只允许局部观测窗内不多于10％的点有信息损耗，

若N_loss大于预先设定阈值Th，则表明信息损耗过大，估计出的透射率不准确，这时，对t_initial以步长Δt加大透射率，即：

$\hat{t}\left(x_w\right)=t_{initial}+\mathrm{\&Delta;}t,x_w\&Element;{\mathrm{\&Omega;}}^C;---\left(8\right)$

2.6)令x_w∈Ω^C，返回步骤2.3)，进行重复操作，直到N_loss＜Th，转步骤2.7)；

2.7)计算整个原始图像的粗略透射率

将局部观测窗无重叠平移，重复步骤2.2)至步骤2.6)，遍历整个原始图像，即可得到整个原始图像的粗略透射率x∈image；

步骤3、对粗略透射率进行细化

3.1)描述场景深度的导向图I_guide(x)的计算式如下：

$I_{guide}\left(x\right)\underset{C\&Element;\{R,G,B\}}{\min }{I}^C\left(x\right),x\&Element;image;---\left(9\right)$

3.2)建立能量方程如下：

t(x_k)＝a_k·I_guide(x_k)+b_k，x_k∈ω_k，(10)

其中，ω_k是细化过程中局部观测窗，其大小与步骤2.1)中的局部观察窗Ω^C的大小相同，两个系数α_k和b_k的计算公式如下：

$a_k=\frac{\frac{1}{N_{{\mathrm{\&omega;}}_k}}\&CenterDot;{\mathrm{\&Sigma;}}_{x_k\&Element;{\mathrm{\&omega;}}_k}\&lsqb;I_{guide}\left(x_k\right)\&CenterDot;\hat{t}\left(x_k\right)-{\mathrm{\&mu;}}_k\&CenterDot;{{\mathrm{\&mu;}}_{\hat{t}}}^{\left(k\right)}\&rsqb;}{{\mathrm{\&sigma;}}_k^2+\mathrm{\&epsiv;}},---\left(11\right)$

$b_k={{\mathrm{\&mu;}}_{\hat{t}}}^{\left(k\right)}-a_k\&CenterDot;{\mathrm{\&mu;}}_k,---\left(12\right)$

其中的μ_k和分别是I_guide(x_k)在ω_k内的均值和方差，x_k∈ω_k；是ω_k内像素的总数；是在ω_k内的均值；ε是为了防止分母为零而设置的一个极小的值，建议取0.001；

3.3)将得到的a_k,b_k，带入式(10)得到细化后的透射率t(x_k)，x_k∈ω_k；

3.4)将局部观测窗ω_k逐像素平移遍历整个原始图像，重复步骤3.2)和3.3)，就可最终得到细化后的整幅图像的透射率t(x)，x∈image；

两个实施例最终细化后的图像效果分别如图2和图5所示(图2和图5为对原始彩色灰度格式处理过)；

步骤4、得到最终恢复的目标图像

根据步骤2和步骤3估计出来的大气光A^C和透射率t(x)，由下式计算得到最终的目标图像J^C(x)：

J^C(x)＝(I^C(x)-A^C)/t(x)+A^C，C∈{R,G,B}，x∈image，(14)

经过上述步骤之后，便可获得基于沙尘原始图像的清晰化后的目标图像，两个实施例的恢复图像效果如图3和图6所示(图3和图6为对原始彩色灰度格式处理过)。

本发明的方法实现了对沙尘条件下所拍摄的图像进行清晰化处理，对不同退化程度及色偏程度的沙尘图像均有较好的清晰化效果，能恢复有原图中有效的信息，丰富细节，抑制光晕，在提升对比度的同时，保持良好的场景色彩。本发明方法能够适用于不同程度的雾霾、沙尘天气下的图像清晰化。

Claims (3)

1.一种信息损耗约束的沙尘图像清晰化方法，其特征在于，该方法按照以下步骤具体实施：

建立大气光的成像模型如下式：

I^C(x)＝J^C(x)·t(x)+A^C·(1-t(x))，C＝R,G,B，x∈image(1)

其中，x为原始图像的像素坐标，x∈image是指相应图像中所有的像素；I^C(x)是采集到的退化的原始图像；J^C(x)是待求的目标图像；t(x)是透射率，其取值范围是[0,1]；A^C是大气光分量，R,G,B分别表示对应图像的红色、绿色、蓝色三个颜色通道的值，

步骤1、计算大气光分量A^C

假设在最小的透射率t_min作用下，待恢复的目标图像满足灰色世界假设，对于式(1)，对等式两边求均值后得：

${\stackrel{\&OverBar;}{I}}^C={\stackrel{\&OverBar;}{J}}^C\&CenterDot;t_{\min }+A^C\&CenterDot;(1-t_{\min }),C=R,G,B---\left(2\right)$

其中，为所采集的原始图像的三个颜色通道的均值，t_min为透过沙尘层的最小透过率，即：

${\stackrel{\&OverBar;}{I}}^C=\frac{1}{N_{image}}\&CenterDot;\underset{x\&Element;image}{\&Sigma;}I\left(x\right),C=R,G,B---\left(3\right)$

为原始图像的像素总个数，x∈image，为目标图像的均值，因为满足灰色世界假设，因此则有：

${\stackrel{\&OverBar;}{J}}^C=\frac{1}{3}\&CenterDot;\underset{C=R,G,B}{\&Sigma;}{\stackrel{\&OverBar;}{I}}^C,C=R,G,B---\left(4\right)$

将t_min、式(3)以及式(4)计算得到的和C＝R,G,B带入式(2)中，计算得到大气光分量A^C如下：

$A^C=({\stackrel{\&OverBar;}{I}}^C-{\stackrel{\&OverBar;}{J}}^C\&CenterDot;t_{min})/(1-t_{\min }),C=R,G,B;---\left(5\right)$

步骤2、计算透射率的粗略估计值

2.1)选取局部观测窗Ω^C

假设局部区域内场景的深度连续平滑，因此在透射率估计过程中选取的局部观测窗，局部观测窗的大小为w×w，采集到的原始图像大小为m×n，其中函数int()表示取整数运算；

2.2)初始化，设置局部观测窗Ω^C内的透射率初值t_initial＝t_min；

2.3)计算局部观测窗内的透射率和信息损耗

令x_w∈Ω^C，带入式(6)中，计算对应区域的初始恢复的目标图像x_w∈Ω^C，C＝R,G,B：

${\hat{J}}^C\left(x_w\right)=\frac{I^C\left(x_w\right)-A^C(1-\hat{t}(x_w\left)\right)}{\hat{t}\left(x_w\right)},x_w\&Element;{\mathrm{\&Omega;}}^C,C=R,G,B;---\left(6\right)$

2.4)统计中的信息损耗，x_w∈Ω^C，C＝R,G,B，即R,G,B三个颜色通道的像素溢出总数N_loss：

$N_{loss}=Num\left({\hat{J}}^C\right(x_w)<0|C=R,G,B)+Num\left({\hat{J}}^C\right(x_w)>255|C=R,G,B,x_w\&Element;{\mathrm{\&Omega;}}^C)---\left(7\right)$

其中，函数Num()表示统计满足条件要求的像素个数的操作；

2.5)更新局部观测窗内的透射率

预先设定阈值Th，若N_loss大于预先设定阈值Th，则表明信息损耗过大，估计出的透射率不准确，这时，对t_initial以步长Δt加大透射率，即：

$\hat{t}\left(x_w\right)=t_{initial}+\mathrm{\&Delta;}t,x_w\&Element;{\mathrm{\&Omega;}}^C;---\left(8\right)$

2.6)令x_w∈Ω^C，返回步骤2.3)，进行重复操作，直到N_loss＜Th，转步骤2.7)；

2.7)计算整个原始图像的粗略透射率

将局部观测窗无重叠平移，重复步骤2.2)至步骤2.6)，遍历整个原始图像，即得到整个原始图像的粗略透射率x∈image；

步骤3、对粗略透射率进行细化

3.1)描述场景深度的导向图I_guide(x)的计算式如下：

$I_{guide}\left(x\right)=\underset{C\&Element;\{R,G,B\}}{\min }{I}^C\left(x\right),x\&Element;image;---\left(9\right)$

3.2)建立能量方程如下：

t(x_k)＝a_k·I_guide(x_k)+b_k，x_k∈ω_k，(10)

其中，ω_k是细化过程中局部观测窗，其大小与步骤2.1)中的局部观察窗Ω^C的大小相同，两个系数α_k和b_k的计算公式如下：

$a_k=\frac{\frac{1}{N_{{\mathrm{\&omega;}}_k}}\&CenterDot;{\mathrm{\&Sigma;}}_{x_k\&Element;{\mathrm{\&omega;}}_k}\&lsqb;I_{guide}\left(x_k\right)\&CenterDot;\hat{t}\left(x_k\right)-{\mathrm{\&mu;}}_k\&CenterDot;{{\mathrm{\&mu;}}_{\hat{t}}}^{\left(k\right)}\&rsqb;}{{\mathrm{\&sigma;}}_k^2+\mathrm{\&epsiv;}},---\left(11\right)$

$b_k={{\mathrm{\&mu;}}_{\hat{t}}}^{\left(k\right)}-a_k\&CenterDot;{\mathrm{\&mu;}}_k,---\left(12\right)$

其中的μ_k和分别是I_guide(x_k)在ω_k内的均值和方差，x_k∈ω_k；是ω_k内像素的总数；是在ω_k内的均值；ε是为了防止分母为零而设置的一个极小的值；

3.3)将得到的a_k,b_k，带入式(10)得到细化后的透射率t(x_k)，x_k∈ω_k；

3.4)将局部观测窗ω_k逐像素平移遍历整个原始图像，重复步骤3.2)和3.3)，就可最终得到细化后的整幅图像的透射率t(x)，x∈image；

步骤4、得到最终恢复的目标图像

根据步骤2和步骤3估计出来的大气光A^C和透射率t(x)，由下式计算得到最终的目标图像J^C(x)：

J^C(x)＝(I^C(x)-A^C)/t(x)+A^C，C∈{R,G,B}，x∈image，(14)

获得基于沙尘原始图像的清晰化后的目标图像，即成。

2.根据权利要求1所述的信息损耗约束的沙尘图像清晰化方法，其特征在于：所述的公式(2)、(5)中，如果采集到的原始图像中的黄色色偏不严重，表明沙尘的成分较少，选t_min＝0.1；反之，如果画面黄色色偏严重，则选t_min＝0.3。

3.根据权利要求1所述的信息损耗约束的沙尘图像清晰化方法，其特征在于：所述的步骤2.5)中，Th＝0.1w²，即只允许局部观测窗内不多于10％的点有信息损耗。