CN105469372A - 一种基于均值滤波的雾天图像清晰化处理方法 - Google Patents

Abstract

本发明为一种基于均值滤波的雾天图像清晰化处理方法，步骤如下：1、计算雾天图像三通道中的最小值图像；2、对其均值滤波；3-1、雾天图像视为大气的散射模型，由入射光衰减模型和大气光成像模型组成；3-2、透射率的粗略估计；3-3、结合图像的均方误差对比度衡量函数和图像信息量损失评价函数迭代估计最佳透射率；4、全局大气光的辐射强度的估计；5、由大气散射模型公式计算恢复无雾图像。本方法只利用一次简单的均值滤波即可获得透射率和大气光值的粗略估计；通过均方误差对比度衡量函数和图像信息量损失评价函数求得最佳的透射率；总体计算方法简单，计算复杂度低，能快速地恢复出清晰的无雾图像，可在图像或视频系统中实时运用。

Description

一种基于均值滤波的雾天图像清晰化处理方法

技术领域

本发明属于数字图像领域，具体为一种基于均值滤波的雾天图像清晰化处理方法。

背景技术

随着空气质量的恶化，雾霾天气的现象增多。在雾、霾等天气条件下，大气中悬浮着大量微小水滴、气溶胶，其对光的散射作用导致捕获的图像质量严重下降，如雾天图像颜色偏灰白色，对比度降低，物体特征难以辨认等，不仅视觉效果差，图像观赏性降低，还会影响到图像的后期处理。因此，对这种由自然现象导致图像降质进行分析研究意义重大。

目前雾天图像清晰化的处理方法很多，主要分为两大类：基于图像增强的方法和基于物理模型的方法。基于图像增强的方法借助于已有的成熟图像增强算法提升图像的对比度，突出图像中景物的特征和有用的信息。但是这类方法可能会造成图像的部分信息丢失，使图像失真。直方图均衡化是图像增强中常用的方法，全局直方图均衡化是对整幅图像进行均衡化处理，使得处理后的图像直方图分布均匀，提升全局的对比度。该算法实现简单，处理速度快，但在实际中，场景各部分的景深不一致，而该算法忽略了局部信息，故恢复出来的效果不理想。第二类基于物理模型的方法通过研究大气悬浮颗粒对光的散射作用，建立大气散射模型，了解图像退化的物理机制，从而反演复原出未降质前的图像。这类物理模型方法复原出的图像效果真实，接近于降质前图像，对一些复杂场景的图像处理效果较好，图像的信息得到了较完整的保留。但一般情况下，这类方法的计算量大且复杂性高。Nararimhan和Nayar提出的二色大气模型，从两幅或多幅图像来估计场景的三维结构和颜色信息，最终恢复出无雾图像。但当场景中存在接近雾霾颜色的物体时，恢复效果并不理想。Schechner等人通过旋转偏振片获取同一场景的最大和最小偏振度的两幅图像，利用它们之间的差值估计环境光来恢复图像，该算法依赖于环境光的偏振特性，在一些恶劣的天气下无法获取光的偏振性将导致算法失效。Tan假设局部区域的环境光为常数，通过对局部对比度增强的最大化来恢复无雾图像。由于该方法过度增强图像的对比度，其恢复后的图像色彩过于饱和，且在景深突变的边界出现严重的光晕效应。Fattal假设图像的局部区域的反射率为常向量，并假设物体表面色度与介质传播具有局部统计不相关性，推算出图像的透射率，该方法是对非线性反问题的求解，需要有足够的颜色信息对局部区域进行独立成分的假设，否则会导致统计估计的不可靠，恢复出的图像效果不理想。何凯明等人假设在至少一个颜色通道里存在一个值趋向于0的像素，即暗通道先验，利用最小值滤波对透射率进行粗略估计，最后利用软抠图算法对图像的透射率进行优化，得到较满意的去雾效果。但该方法对接近于天空颜色的场景的恢复存在着一定的缺陷，并且在优化处理的过程中计算量相对较大，复杂度较高。

发明内容

针对现有的很多图像去雾算法具有极高的时空复杂性，且未能满足实时性要求，难以投入到实际应用中等问题，本发明提出了一种基于均值滤波的雾天图像清晰化处理方法，本方法先对透射率进行粗略估计，再估计最佳透射率，求得全局大气光的辐射强度A，带入大气散射模型公式，计算恢复出无雾图像J(x)。本方法有效地降低图像清晰化处理中计算的复杂度，故可以对图像或视频进行实时去雾的清晰化处理。

本发明为解决上述技术问题所采用的技术方案是，一种基于均值滤波的雾天图像清晰化处理方法，包括以下步骤：

1)获取最小值图像：式中，c为R、G或B通道，I^c(x)为雾天图像I(x)的R、G或B通道的图像；

2)对获取的最小值图像M_min(x)均值滤波：

M_ave(x)＝average_sa(M_min(x))；

3)估计透射率t(x)：

$t\left(x\right)=1-\frac{M_{mav}\left(x\right)}{A_0}+\mathrm{\ω}\frac{M_{ave}\left(x\right)}{A_0}=1-\mathrm{\φ}\frac{M_{ave}\left(x\right)}{A_0}$

式中，A₀为R、G或B通道的大气光值，为弥补偏差值，φ＝1-ω，φ取值范围[0.3,0.8]；

4)估计最佳透射率

运用图像的均方误差对比度衡量函数E_contrast和图像信息量损失评价函数E_loss约束透射率t(x)的选取：

所述均方误差对比度衡量函数E_contrast与透射率t(x)的平方成反比；所述图像信息量损失评价函数E_loss与透射率t(x)成反比；构造最小代价函数：E_min＝-E_contrast+5E_loss；将步骤3)的透射率t(x)带入最小代价函数E_min进行迭代，最小代价函数E_min最小时的透射率为最佳透射率

5)估计R、G或B通道大气光值的辐射强度A₀：

$max\left(M_{ave}\right(x\left)\right)\≤A_0\≤\max \left(\underset{c\∈\{R,C,B\}}{\max }{I}^c\right(x\left)\right);$

6)估计全局大气光的辐射强度A：

$A=\frac{1}{2}\left(\max \right(\underset{c\∈\{R,C,B\}}{\max }\left(I^c\left(x\right)\right))+\max (M_{mav}\left(x\right)\left)\right){\left[\begin{array}{ccc}1& 1& 1\end{array}\right]}^T$

式中，T是对向量[111]进行转置运算；

7)恢复无雾图像J(x)：将全局大气光辐射强度A和最佳透射率带入大气散射模型公式恢复出无雾图像J(x)。

上述方案中，所述均方误差对比度衡量函数E_contrast为：

$E_{contrast}=\underset{c\∈\{R,G,B\}}{\Σ}\frac{\left(J^c\right(x)-\stackrel{\‾}{J^c}(x\left)\right)}{N}=\underset{c\∈\{R,G,B\}}{\Σ}\frac{{\left(I^c\right(x)-\stackrel{\‾}{I^c}(x\left)\right)}^2}{{\mathrm{Nt}}^2\left(x\right)}$

式中，c为R、G或B通道，J^c(x)为无雾图像的R、G或B通道图像，I^c(x)为雾天图像的R、G或B通道图像，为无雾图像的R、G或B通道图像的均值，为雾天图像的R、G或B通道图像的均值，N为整幅图像像素的总个数。

上述方案中，所述图像信息量损失评价函数E_loss为：

$\begin{array}{c}{E}_{loss}=\underset{c\∈\{R,G,B\}}{\Σ}\{{\left(\min \right(0,J^c\left(x\right)\left)\right)}^2+{\left(\max \right(0,J^c\left(x\right)-255\left)\right)}^2\}\\ =\underset{c\∈\{R,G,B\}}{\Σ}\{\underset{i=0}{\overset{a}{\Σ}}{(\frac{i-A}{t\left(x\right)}+A)}^2+\underset{i=b}{\overset{255}{\Σ}}{(\frac{i-A}{t\left(x\right)}+A-255)}^2\}\end{array}$

min(0,J_c(x))为输出的无雾图像的像素值小于0时图像所损失的信息量，max(0,J_c(x)-255)为输出的无雾图像的像素值超过255时图像所损失的信息量，i为输入雾天图像的像素索引值；[a,b]为预设的输入的雾天图像I(x)像素的取值范围。

本发明提供的一种基于均值滤波的雾天图像清晰化处理方法的优势在于：只利用一次简单的均值滤波即可获得透射率和大气光值的粗略估计；通过均方误差对比度衡量函数和图像信息量损失评价函数求得最佳的透射率；总体计算方法简单，计算复杂度低，能快速地恢复出清晰的无雾图像，可在图像或视频系统中实时运用。

附图说明

图1为本基于均值滤波的雾天图像清晰化处理方法实施例的流程图；

具体实施方式

下面结合附图详细描述本发明一种基于均值滤波的雾天图像清晰化处理方法的实施例，本例处理过程如图1所示，包括如下具体步骤：

1)获取R、G、B三通道中的最小值图像：

输入雾天图像I(x)，计算图像R、G、B三通道中的最小值图像M_min(x)，即：

$M_{\min }\left(x\right)=\underset{c\∈(R,G,B)}{\min }\left(I^c\right(x\left)\right),$

式中，c为R、G或B通道，I^c(x)为雾天图像I(x)的R、G或B通道的图像；

2)对获取的最小值图像M_min(x)均值滤波：

M_ave(x)＝average_sa(M_min(x))；

3)估计透射率t(x)：

大气耗散函数定义为：L(x)＝A(1-t(x))，

图像的R、G、B三个通道的大气光值相同，大气耗散函数满足以下约束条件：A(1-t(x))≤I(x)，

式中，A＝[A₀A₀A₀]^T为R、G、B三个通道的大气光值，A₀为R、G或B的大气光值，T表示转置运算符；

假设雾天图像I(x)的大气光值和透射率均为常量，对上述的约束条件两端取最小值操作，即：

$t\left(x\right)\≥1-\frac{M_{\min }\left(x\right)}{A_0},$

式中，t(x)取值范围[0,1]；

进一步对上式的右式进行均值滤波：

${\mathrm{average}}_{sa}(1-\frac{M_{\min }\left(x\right)}{A_0})=1-\frac{M_{ave}\left(x\right)}{A_0};$

对t(x)进行偏差值弥补，则透射率粗略估计的公式为：

$t\left(x\right)=1-\frac{M_{mav}\left(x\right)}{A_0}+\mathrm{\ω}\frac{M_{ave}\left(x\right)}{A_0}=1-\mathrm{\φ}\frac{M_{ave}\left(x\right)}{A_0},$

式中，为弥补偏差值，φ＝1-ω，φ取值范围[0.3,0.8]；

当φ取值较小时，透射率t(x)的值较大，最终恢复出来的图像雾气比较多，当φ取值较大时，透射率的值较小，最终恢复出来的图像偏暗；

4)估计最佳透射率

均方误差对比度衡量函数E_contrast为：

$E_{contrast}=\underset{c\∈\{R,G,B\}}{\Σ}\frac{\left(J^c\right(x)-\stackrel{\‾}{J^c}(x\left)\right)}{N}=\underset{c\∈\{R,G,B\}}{\Σ}\frac{{\left(I^c\right(x)-\stackrel{\‾}{I^c}(x\left)\right)}^2}{{\mathrm{Nt}}^2\left(x\right)},$

式中，c为R、G或B通道，J^c(x)为无雾图像的R、G或B通道图像，I^c(x)为雾天图像的R、G或B通道图像，为无雾图像的R、G或B通道图像的均值，为雾天图像的R、G或B通道图像的均值，N为整幅图像像素的总个数；均方误差对比度衡量函数E_contrast决定图像的对比度，与透射率t(x)的平方成反比，t(x)的取值越大，对比度就越小；

图像信息量损失评价函数E_loss为：

$\begin{array}{c}{E}_{loss}=\underset{c\∈\{R,G,B\}}{\Σ}\{{\left(\min \right(0,J^c\left(x\right)\left)\right)}^2+{\left(\max \right(0,J^c\left(x\right)-255\left)\right)}^2\}\\ =\underset{c\∈\{R,G,B\}}{\Σ}\{\underset{i=0}{\overset{a}{\Σ}}{(\frac{i-A}{t\left(x\right)}+A)}^2+\underset{i=b}{\overset{255}{\Σ}}{(\frac{i-A}{t\left(x\right)}+A-255)}^2\}\end{array},$

式中，i为输入雾天图像I(x)的像素索引值；[a,b]表示输入的雾天图像I(x)像素的取值范围，由用户根据实际情况需要预先设定，一幅清晰图像像素的取值均匀地分布在[0,255]范围内，因此，[a,b]的取值范围，需使得恢复出的无雾图像的像素值尽可能多地在[0,255]范围内，以减少图像信息量的损失；图像信息量损失评价函数E_loss与透射率t(x)成反比，t(x)取值越小，图像信息量损失越大；min(0,J_c(x))为清晰化处理后输出的无雾图像中的像素值小于0时所损失的图像信息量；max(0,J_c(x)-255)表示清晰化处理后输出的无雾图像中像素值超过255所损失的图像信息量；

一个合适的透射率t(x)，既能增强图像的对比度，又能保证图像信息量损失较少，因此，利用图像的均方误差对比度衡量函数E_contrast与图像信息损失量函数E_loss构造一个最小代价函数E_min＝-E_contrast+5E_loss；将步骤3)的透射率t(x)带入最小代价函数E_min进行迭代，最小代价函数E_min最小时的透射率为最佳透射率

5)估计R、G或B通道大气光值的辐射强度A₀：的取值范围为[0,1]，因此，A₀≥max(M_ave(x))且则A₀的取值范围： $\max \left(M_{ave}\right(x\left)\right)\≤A_0\≤\max \left(\underset{c\∈\{R,G,B\}}{\max }{I}^c\right(x\left)\right);$

6)估计全局大气光的辐射强度A：

$A=\frac{1}{2}\left(\max \right(\underset{c\∈\{R,C,B\}}{\max }\left(I^c\left(x\right)\right))+\max (M_{mav}\left(x\right)\left)\right){\left[\begin{array}{ccc}1& 1& 1\end{array}\right]}^T$

式中，T是对向量[111]进行转置运算；

7)恢复无雾图像J(x)：

雾天图像视为大气散射模型，是由入射光衰减模型和大气光成像模型两部分组成，大气散射模型的公式为：

I(x)＝J(x)t(x)+A(1-t(x))，

式中，I(x)为实际观测点所观察到的图像，即雾天图像；J(x)t(x)为景物光线的直接衰减，即入射光衰减模型；第二项A(1-t(x))为大气耗散函数，即大气光成像模型；t(x)＝e^-βd(x)表示介质的透射率，β表示大气散射系数，d(x)表示目标场景点到观测点之间的距离；x为雾天图像中像素点的空间坐标；J(x)是待恢复的无雾图像；A表示全局大气光的辐射强度，本例全局大气光为全局常量；

将全局大气光辐射强度A和最佳透射率带入大气散射模型公式I(x)＝J(x)t(x)+A(1-t(x))，恢复无雾图像J(x)。

对比实验为：选取两幅雾天图像A和B，用本实施例方法对A、B进行处理实验。以何凯明提出的暗原色先验(DCP)方法作为对比例，也对A、B进行处理实验。

二者的实验硬件环境即所用计算机硬件参数相同，处理器(CPU)为英特尔Core酷睿i5-3470，主频3.20GHZ(intel(R)core(TM)i5-3570CPU3.20GHZ)内存(RAM)8.0GB；软件环境也相同为：windows7SP1+Matlab2014b。本实施例和对比例的清晰化处理实验运行时间如表1所示。

表1本实施例与对比例清晰化处理实验运行时间比较表

从表1的实验数据可以看出，本实施例的处理速度明显高于对比例，所用时间小于对比例的十分之一，因此本发明的处理速度显著提高，能满足图像实时处理的要求。

本发明对雾天图像A和B进行清晰化处理，两幅雾天图处理后的清晰度均明显优于未处理的雾天图像，也优于何凯明提出的暗原色先验(DCP)方法处理后的雾天图像。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (3)

1.一种基于均值滤波的雾天图像清晰化处理方法，其特征在于，包括以下步骤：

1)获取最小值图像：式中，c为R、G或B通道，I^c(x)为雾天图像I(x)的R、G或B通道的图像；

2)对获取的最小值图像M_min(x)均值滤波：

M_ave(x)＝average_sa(M_min(x))；

3)估计透射率t(x)：

$t\left(x\right)=1-\frac{M_{mav}\left(x\right)}{A_0}+\mathrm{\ω}\frac{M_{ave}\left(x\right)}{A_0}=1-\mathrm{\φ}\frac{M_{ave}\left(x\right)}{A_0}$

式中，A₀为R、G或B通道的大气光值，为弥补偏差值，φ＝1-ω，φ取值范围[0.3,0.8]；

4)估计最佳透射率t～(x)：

运用图像的均方误差对比度衡量函数E_contrast和图像信息量损失评价函数E_loss约束透射率t(x)的选取：

所述均方误差对比度衡量函数E_contrast与透射率t(x)的平方成反比；所述图像信息量损失评价函数E_loss与透射率t(x)成反比；构造最小代价函数：E_min＝-E_contrast+5E_loss；将步骤3)的透射率t(x)带入最小代价函数E_min进行迭代，最小代价函数E_min最小时的透射率为最佳透射率t～(x)；

5)估计R、G或B通道大气光值的辐射强度A₀：

$max\left(M_{ave}\right(x\left)\right)\≤A_0\≤\max \left(\underset{c\∈\{R,G,B\}}{\max }{I}^c\right(x\left)\right);$

6)估计全局大气光的辐射强度A：

$A=\frac{1}{2}\left(\max \right(\underset{c\∈\{R,G,B\}}{\max }\left(I^c\left(x\right)\right))+\max (M_{mav}\left(x\right)\left)\right){\left[\begin{array}{ccc}1& 1& 1\end{array}\right]}^T$

式中，T是对向量[111]进行转置运算；

7)恢复无雾图像J(x)：将全局大气光辐射强度A和最佳透射率带入大气散射模型公式恢复出无雾图像J(x)。

2.根据权利要求1所述的一种基于均值滤波的雾天图像清晰化处理方法，其特征在于：

所述均方误差对比度衡量函数E_contrast为：

$E_{contrast}=\underset{c\∈\{R,G,B\}}{\Σ}\frac{\left(J^c\right(x)-\stackrel{\‾}{J^c}(x\left)\right)}{N}=\underset{c\∈\{R,G,B\}}{\Σ}\frac{{\left(I^c\right(x)-\stackrel{\‾}{I^c}(x\left)\right)}^2}{{\mathrm{Nt}}^2\left(x\right)}$

式中，c为R、G或B通道，J^c(x)为无雾图像的R、G或B通道图像，I^c(x)为雾天图像的R、G或B通道图像，为无雾图像的R、G或B通道图像的均值，为雾天图像的R、G或B通道图像的均值，N为整幅图像像素的总个数。

3.根据权利要求1所述的一种基于均值滤波的雾天图像清晰化处理方法，其特征在于：

所述图像信息量损失评价函数E_loss为：

$\begin{array}{c}{E}_{loss}=\underset{c\∈\{R,G,B\}}{\Σ}\{{\left(\min \right(0,J^c\left(x\right)\left)\right)}^2+{\left(\max \right(0,J^c\left(x\right)-255\left)\right)}^2\}\\ =\underset{c\∈\{R,G,B\}}{\Σ}\{\underset{i=0}{\overset{a}{\Σ}}{(\frac{i-A}{t\left(x\right)}+A)}^2+\underset{i=b}{\overset{255}{\Σ}}{(\frac{i-A}{t\left(x\right)}+A-255)}^2\}\end{array}$

min(0,J_c(x))为输出的无雾图像的像素值小于0时图像所损失的信息量，max(0,J_c(x)-255)为输出的无雾图像的像素值超过255时图像所损失的信息量，i为输入雾天图像的像素索引值；[a,b]为预设的输入的雾天图像I(x)像素的取值范围。