CN105488769A - 一种实时视频去雾方法 - Google Patents

Abstract

本发明提出了一种实时视频去雾方法，能够满足去雾性能的要求，且计算复杂度较低和实时性能较高。该方法首先对输入有雾视频图像进行红绿蓝三通道逐像素进行最小值求解，再进行并行化的快速局部最小值滤波，得到暗通道初值图像；依次进行按行分块和按列分块，滤波得到最终的暗通道图像；然后进行直方图统计，设定暗通道阈值，对输入的有雾图像按照暗通道阈值进行划分，只统计对应暗通道数值大于暗通道阈值的点的平均颜色为大气颜色参数；最后，按照暗通道物理模型进行反向求解，得到去雾增强后的视频图像作为输出。

Description

一种实时视频去雾方法

技术领域：

本发明属于计算机视频处理领域，特别是涉及一种实时视频去雾增强的方法。

背景技术：

随着计算机技术与视频图像技术的发展，机载视频源在雾霾、雨雪、沙尘等复杂环境下，成像质量大为下降，极为影响人眼对环境的感知和判断。传统的视频去雾算法由于其计算复杂度较高，难以满足机载实时处理的要求。而一般简单的图像增强算法并不能满足视频去雾的性能要求。在很多情景下，对输出有雾图像并没有起到去雾增强的作用，反而使得视频画面质量下降。因此，需要一种既要满足去雾性能的要求，又要保证其计算复杂度较低和实时性能较高的视频数据处理方法。

发明内容：

本发明提出了一种实时视频去雾方法，能够满足去雾性能的要求，且计算复杂度较低和实时性能较高。

本发明的技术方案是：

一种实时视频去雾方法，首先对输入视频画面进行暗通道初值估计，该过程包括红绿蓝三通道的最小值计算以及局部最小值的计算；再进行暗通道细节优化，该过程包括并行化的迭代梯度行方向滤波以及一次迭代梯度列方向滤波；最后通过大气传播模型进行反向求解，得到去雾增强图像。

具体可按照以下步骤实现：

1)对输入的有雾视频图像进行红绿蓝三通道逐像素进行最小值求解，得到最小值图像；

2)对最小值图像进行并行化的快速局部最小值滤波，得到暗通道初值图像；

3)对暗通道初值图像按行分块，进行并行化的梯度迭代滤波，得到暗通道行方向优化图像；

4)对行方向优化后的暗通道图像进行列方向分块，并行化地进行列方向的梯度迭代滤波得到最终的暗通道图像；

5)对最终的暗通道图像进行直方图统计，设定亮度前n个像素点中最低亮度数值为暗通道阈值；

6)对步骤1)中输入的有雾图像按照步骤5)确立的暗通道阈值进行划分，统计对应暗通道数值大于暗通道阈值的点的平均颜色为大气颜色参数；

7)按照暗通道物理模型，根据步骤4)得到的暗通道图像以及步骤6)统计设定的大气颜色参数进行求解，得到去雾增强后的视频图像作为输出。

其中，步骤2)中所述快速局部最小值滤波，可采用O(1)计算复杂度的VanHerk最小值滤波算法，并利用分块处理的方式进行并行加速。

本发明具有以下优点：

实现了视频去雾算法的实时性加速，能够在嵌入式多核系统或者GPU多核系统中充分利用并行计算能力达到较高的计算加速比。

由于考虑了视频图像中的细节变化，利用迭代梯度滤波的方式保证细节信息不失真，避免了传统算法中的光晕等人工痕迹，具有较好的计算效果。

利用该方法得到的视频去雾增强画面，有效地增加了信息的辨识度。

附图说明：

图1为本发明的原理框图。

具体实施方式:

以某型DSP嵌入式系统为例，该方法采用多核编程方式执行，采用了固定复杂度的计算方式进行视频图像实时去雾增强操作，包括以下步骤：

第一步，按照多核并行，分块地对输入有雾图像进行逐点扫描，求出红绿蓝三通道的最小值存储为最小值图像。

第二步，利用VanHerk最小值滤波算法进行最小值图像的局部最小值滤波，由于最小值滤波可分离的特性，对图像进行一次行方向的滤波之后，再进行一次列方向滤波求出区域最小值作为暗通道初值存储。

第三步，对输入暗通道初值图像进行导向滤波，以输入有雾图像作为导向纹理图像，按照行方向进行并行迭代梯度滤波。

第四步，对第三步输出的图像再进行一次列方向导向滤波，同样以有雾图像作为导向纹理，输出暗通道优化图像。

第五步，对暗通道进行直方图统计，直方图亮度前1000数值的最小值作为暗通道阈值参数。

第六步，对输入有雾视频图像进行颜色平均值计算，参与计算的像素点所对应的暗通道数值大于第五步中计算出的暗通道阈值参数。

第七步，利用优化的暗通道图像以及颜色参数进行反向求解，计算出去雾增强后的图像作为输出。

对输入的有雾视频图像首先进行暗通道的初值估计，首先进行红绿蓝三通道最小值计算

$I_{min}(x,y)=\underset{c\∈\{r,g,b\}}{min}\left\{I(x,y)\right\}$

之后再对最小值进行局部最小值滤波，

$D(x,y)=\underset{-r\≤i\≤r,-r\≤j\≤r}{min}\left(I_{min}\right(x+i,y+j\left)\right)$

该滤波方式采用O(1)计算复杂度的VanHerk最小值滤波算法，并且利用分块处理的方式进行了并行加速。

利用并行化的梯度迭代滤波算法对暗通道初值图像进行导向滤波，使得暗通道图像的细节更加接近输入视频图像。

对每个像素点来说，当前的输出y[i]仅仅与当前的输出x[i]以及上一个像素点的输出y[i-1]相关。即

y[i]＝(1-a)·x[i]+a·y[i-1]

其中a为反馈常数。

同样利用分块计算的策略进行并行化加速。经过优化后的暗通道记为D(i)，对暗通道进行直方图统计得到直方图为：

hist(i),0≤i≤255

找到其亮度分布的最高点之后，按照亮度直方图从高到低进行计数，当计数数值大于1000时，停止计数，此时认为当前亮度数值为直方图阈值。即

利用该阈值T对原始输入视频图像进行颜色统计，仅统计对应暗通道数值大于暗通道阈值的像素点的平均颜色作为大气颜色。此时大气颜色为

$\left\{\begin{array}{c}Ar=\frac{{\mathrm{\ΣI}}_r\left(i\right)}{N}\\ Ag=\frac{{\mathrm{\ΣI}}_g\left(i\right)}{N}\\ Ab=\frac{{\mathrm{\ΣI}}_b\left(i\right)}{N}\end{array}\right.,\∀D\left(i\right)>T$

对应得大气常数为

$A=\frac{Ar+Ag+Ab}{3}$

在求得暗通道参数D,大气颜色参数Ar、Ag、Ab以及大气常数A之后，利用暗通道物理模型可以得到对应的去雾后彩色图像。

$\left\{\begin{array}{c}Jr=\frac{A\·Ir-D\·Ar}{A-D}\\ Jg=\frac{A\·Ig-D\·Ag}{A-D}\\ Jb=\frac{A\·Ib-D\·Ab}{A-D}\end{array}\right.$

其中Ir、Ig、Ib为输入有雾视频图像，Jr、Jg、Jb为输出去雾增强视频图像。

以上方法通过对输入视频图像进行红绿蓝三通道最小值计算后再进行O(1)计算复杂度的局部最小值滤波操作得到图像暗通道的初值。通过具有导向滤波功能的迭代梯度双边滤波器进行暗通道数值的优化。通过直方图统计的方式计算出视频图像的暗通道阈值参数后，对原始视频图像进行阈值统计，得到大气颜色参数。最后通过大气传播模型反向求解出去雾视频图像。整个算法利用并行编程的方式，对局部最小值计算、迭代梯度滤波算法都进行了并行化优化，取得了较高的多核加速比，使得1024*768分辨率视频图像处理时间达到30毫秒以内。

Claims (3)

1.一种实时视频去雾方法，其特征在于：首先对输入视频画面进行暗通道初值估计，该过程包括红绿蓝三通道的最小值计算以及局部最小值的计算；再进行暗通道细节优化，该过程包括并行化的迭代梯度行方向滤波以及一次迭代梯度列方向滤波；最后通过大气传播模型进行反向求解，得到去雾增强图像。

2.根据权利要求1所述的实时视频去雾方法，其特征在于，具体包括以下步骤：

1)对输入的有雾视频图像进行红绿蓝三通道逐像素进行最小值求解，得到最小值图像；

2)对最小值图像进行并行化的快速局部最小值滤波，得到暗通道初值图像；

3)对暗通道初值图像按行分块，进行并行化的梯度迭代滤波，得到暗通道行方向优化图像；

4)对行方向优化后的暗通道图像进行列方向分块，并行化地进行列方向的梯度迭代滤波得到最终的暗通道图像；

5)对最终的暗通道图像进行直方图统计，设定亮度前n个像素点中最低亮度数值为暗通道阈值；

6)对步骤1)中输入的有雾图像按照步骤5)确立的暗通道阈值进行划分，统计对应暗通道数值大于暗通道阈值的点的平均颜色为大气颜色参数；

7)按照暗通道物理模型，根据步骤4)得到的暗通道图像以及步骤6)统计设定的大气颜色参数进行求解，得到去雾增强后的视频图像作为输出。

3.根据权利要求2所述的实时视频去雾方法，其特征在于：步骤2)中所述快速局部最小值滤波，采用O(1)计算复杂度的VanHerk最小值滤波算法，并利用分块处理的方式进行并行加速。