CN105844604A - 基于局部直方图增强的快速去雾算法 - Google Patents

Abstract

针对图像去雾这个特定问题，为了提高去雾算法精确度和算法运算效率，使其满足实时性需求，提出一种基于局部直方图增强的快速去雾算法。首先将待处理图像做黑水平处理，减去固定黑水平；然后基于Gamma校正对待处理图像进行校正后对待处理图像进行子块划分，分别统计出灰阶；再进行受限制的灰阶拉伸，最后逐像素进行映射得到拉伸后对比对高的清晰的无雾图像。本发明所述算法，利用受限的局部直方图均衡化增强方法，逐像素对图像进行灰阶映射，由相邻四个子块加权得到任意点的映射关系，最后输出对比高的无雾图像。简单的映射关系简便了图像计算，增加了算法效率，同时逐像素的处理能极大地提高图像去雾的效果。

Description

基于局部直方图增强的快速去雾算法

技术领域

本发明涉及计算机视觉领域，特指基于局部直方图增强的快速去雾算法。

背景技术

大多数室外视觉系统，如视频监控、目标识别和卫星遥感监测等,都需要获取清晰的图像特征。但是在有雾天气条件下，由于场景的能见度较低，导致图像对比度下降，目标模糊不清，使成像系统无法正常工作。因此，研究如何对雾天图像进行有效处理，降低天气条件对成像系统的影响具有重要研究价值。

由于雾的分布一般情况下都是不均匀的，现行的大多数去雾方法去雾后导致局部效果不理想，细节信息不明显。因此需要进行增强处理，使图像整体对比度提高的同时局部对比度也得到增强，以提高图像质量。

同时，雾天时由于大气光成分参与成像，造成图像整体呈现灰白色，天空的亮度与晴天时相差较大，而且物体光线的亮度通常不及大气光线，所以把大气光成分看做常数处理必将带来去雾处理后的图像亮度降低，颜色较实际场景图像偏暗，因此需要调整图像亮度。增强图像对比度实际上是增强图像各部分的反差，也就是增强图像中感兴趣的区域，相对抑制那些不感兴趣的区域。

发明内容

针对图像去雾这个特定问题，为了提高图像去雾的精确度，减少图像去雾算法的复杂性，使其满足实时性需求，本发明提出了一种基于局部直方图增强的快速去雾算法。目前，局部直方图均衡化和局部对比度增强都被越来越多的运用于去雾算法中，本发明将两者结合，很大程度上增强了去雾的精度与准度，同时简单易行，提高了图像去雾算法的运算效率。

本发明的技术方案是：

一种基于基于局部直方图增强的快速去雾算法，其特征在于，包括以下步骤：

第一步：将待处理图像做黑水平处理，减去固定黑水平，得到待处理的原始图像；

第二步：基于Gamma校正对待处理图像进行校正；

第三步：将将第二步校正后得到的图像分成不重叠的4*4个均匀子块，并对每个子块进行灰阶统计；

第四步：对每个子块的灰阶进行受限的直方图拉伸，得到该子块的灰阶映射关系；

第五步：逐像素对图像进行灰阶映射，由相邻四个子块加权得到映射关系,输出处理后的无雾图像。

本发明的第二步中，Gamma校正就是对图像的Gamma曲线进行编辑，以对图像进行非线性色调编辑的方法，检出图像信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果。校正Gamma曲线后，可以实现如下目的：暗场灰阶的颜色明显改善，各灰阶的颜色误差明显减少，暗场颜色细节分明，图像亮度颜色一致，透亮度好，对比明显。同一尺寸不同屏的电视对颜色表现的明显一致。Gamma校正通常由查Gamma表来进行校正。

本发明的第三步中，灰阶统计是通过循环进行逐点统计，遍历整个子块：子块的尺寸横值为V，高为H，已知第一个开始遍历的像素点的值为k_1，1，然后把该值统计至表格中，像素点k_1,2，k_1,3…依次遍历，每次统计值皆放入相应位置的表格中，直至最后k_v,h。

本发明的第四步中，将超出直方图裁剪限幅的部分均匀的分布到直方图的其他部分。对于图像的灰阶限制拉伸，如果分辨率为12bits，灰阶为0～4095，p(k)是每个灰阶的概率，Cutlimit为截止概率，限制灰阶拉伸运算如下：

${\Σ}_{k=0}^{MinB}p\left(k\right)\≤Cut\lim it---\left(1\right)$

${\Σ}_{k=MaxB}^{4095}p\left(k\right)\≤Cut\lim it---\left(2\right)$

$\left\{\begin{array}{cc}CumuPixel\left(k\right)=0,& k<MinB\\ CumuPixel\left(k\right)=4095/MaxB-MinB*(k-MinB),& MinB\&le;k\&le;MaxB\\ CumuPixel\left(k\right)=4095,& k\&GreaterEqual;MaxB\end{array}\right.---\left(3\right)$

其中，截止概率Cutlimit为预设的已知值，MinB和MaxB分别为待处理图像预设定拉伸区域像素的最大值和最小值。

本发明的第五步中，逐像素的灰阶映射，由于对应关系是基于相邻四个子块加权得到的，所以对于该点像素是完全符合原始定义的，这也极大地加快了运算速度，提高了计算效率。任意一像素点的映射关系表示为：

C＝S1/S*C_ul+S2/S*C_ur+S3/S*C_dl+S4/S*C_dr

其中，C为该像素点的像素值，S1，S2，S3，S4分别为所占相邻子块的面积，S为单个子块的面积，C_ul、C_ur、C_dl、C_dr分别为S1，S2，S3，S4所在各子块的像素值；

根据上述映射关系公式，可以得出任一点灰阶直方图限制拉伸后的灰阶，逐像素遍历整个图像后，输出处理后的无雾图像。

本发明的有益技术效果：本发明第一步和第二步是基于所有待处理图像所必须的，但是针对红外图像，还必须在处理图像前进行红光校正。基于本发明所述方法步骤处理雾天图像，从根本上简化了普通算法要进行大气光以及基于暗通道计算等繁琐步骤，计算效率较高，处理效果好。

附图说明

图1是实施例所述直方图限制拉伸的原理图；

图2是实施例所述4个子块加权得到映射的示意图；

图3是实施例所述灰阶限制拉伸与普通拉伸对比图；

图4是实施例所述子块的4*4划分图像；

图5是实施例所述全局与局部拉伸去雾图像效果对比；

图6是实施例所述本算法去雾黑白图像效果对比；

图7是实施例所述本算法去雾彩色图像效果对比；

图8是实施例所述本算法整体流程图。

具体实施方式

实施例1：以普通单幅图像去雾为例，结合附图对本发明做进一步详细说明。

相对于全局直方图均衡化增强来说，局部直方图均衡化增强通常可以对景深多变的图像场景中所关心的局部区域的有较好复原效果。

第一步：将待处理图像做黑水平处理，减去固定黑水平(offset)，得到待处理的原始图像；由于每个由CMOS原件输入的图像都会被加上一个预设的初始数值，只需要减去该固定数值，就可以得到输入的原始图像。

第二步：基于Gamma校正对待处理图像进行校正；Gamma校正就是对图像的Gamma曲线进行编辑，以对图像进行非线性色调编辑的方法，检出图像信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果。校正Gamma曲线后，可以实现如下目的：暗场灰阶的颜色明显改善，各灰阶的颜色误差明显减少，暗场颜色细节分明，图像亮度颜色一致，透亮度好，对比明显。同一尺寸不同屏的电视对颜色表现的明显一致。

Gamma校正通常由查Gamma表来进行校正：以12bits为例，灰阶为0～4095，假设Gamma校正的Gamma表横坐标值(输入)为512，纵坐标值(输出)为1024，根据待处理图像选取一条合适的Gamma曲线，设某一像素点的灰阶值为k，则映射到Gamma表横坐标输入值为k/8(4096/512＝8，所以灰阶映射到相应的横坐标时应该除以8)，确定横坐标值，在选定的Gamma曲线上找出对应的输出值，假设为z，则校正完毕的对应的输出值为z*4(4096/1024＝4，所以输出值的灰阶映射需要乘以4)，最后得出相应的校正结果，Gamma校正主要为了提高图像的亮度。

第三步：将将第二步校正后得到的图像分成不重叠的4*4个均匀子块，并对每个子块进行灰阶统计；如图4所示为本实施例所划分子块。而灰阶统计则通过循环进行逐点统计，遍历整个子块：子块的尺寸横值为V，高为H(以单个像素点为最小单位)，已知第一个开始遍历的像素点的值为k_1，1，然后把该值统计至表格中，k_1，2，k_1，3…依次遍历，每次统计值皆放入相应位置的表格中，直至最后k_v，h。

第四步：对每个子块的灰阶进行受限的直方图拉伸，得到该子块的灰阶映射关系，其原理图如图1所示，将超出直方图裁剪限幅的部分均匀的分布到直方图的其他部分；对于图像的灰阶限制拉伸，以12bits为例，灰阶为0～4095，p(k)是每个灰阶的概率，Cutlimit为截止概率，限制灰阶拉伸运算如下：

${\&Sigma;}_{k=0}^{MinB}p\left(k\right)\&le;Cutlimit---\left(1\right)$

${\&Sigma;}_{k=MaxB}^{4095}p\left(k\right)\&le;Cut\lim it---\left(2\right)$

$\left\{\begin{array}{cc}CumuPixel\left(k\right)=0,& k<MinB\\ CumuPixel\left(k\right)=4095/MaxB-MinB*(k-MinB),& MinB\&le;k\&le;MaxB\\ CumuPixel\left(k\right)=4095,& k\&GreaterEqual;MaxB\end{array}\right.---\left(3\right)$

其中，截止概率Cutlimit为预定的已知值，MinB和MaxB也为根据待处理图像设定的已知值。分别为待处理图像预设定拉伸区域像素的最大值和最小值。

式(3)中将一像素点的现有像素k进行像素转化，CumuPixel(k)为该点转换后的像素值，CumuPixel为转化函数，然后根据条件在MinB和MaxB之间逐像素进行拉伸，即可得到理想的拉伸效果,如图3所示。

第五步：逐像素对图像进行灰阶映射，由相邻四个子块加权得到映射关系,输出处理后的无雾图像。其中，传统的局部直方图均衡化增强的方法往往由于需要遍历每一个像素点而使计算大量重复，导致计算量较大，运算速度慢，而逐像素的灰阶映射，由于对应关系是基于相邻四个子块加权得到的，所以对于该点像素是完全符合原始定义的，这也极大地加快了运算速度，提高了计算效率。如图2(b)所示，任意像素点的映射关系为：

C＝S1/S*C_ul+S2/S*C_ur+S3/S*C_dl+S4/S*C_dr

其中，C为该点的像素值，S1，S2，S3，S4分别为所占相邻子块的面积，S为单个子块的面积，C_ul，C_ur，C_dl，C_dr分别为S1，S2，S3，S4所在各子块的像素值。根据该映射公式，可以迅速得出任一点灰阶直方图限制拉伸后的灰阶，逐像素遍历整个图像后，输出处理后的无雾图像。

如图5所示，为本实施例算法与全局直方图限制拉伸图像对比，如图6～7所示，为本实施例恢复出的无雾图像，可以发现本实施例获得的去雾效果较好，图像还原度高，细节部分清晰，且本实施例步骤简单运算效率较高。图8是实施例所述本算法整体流程图。

本发明中提出的方法实际上可嵌入FPGA实现，开发具有实时去雾功能的相机或摄像机。以上实施例仅起到解释本发明技术方案的作用，本发明所要求的保护范围并不局限于上述实施例所述的实现系统和具体实施步骤。因此，仅对上述实施例中具体的公式及算法进行简单替换，但其实质内容仍与本发明所述方法相一致的技术方案，均应属于本发明的保护范围。

Claims (8)

1.一种基于基于局部直方图增强的快速去雾算法，其特征在于，包括以下步骤：

第一步：将待处理图像做黑水平处理，减去固定黑水平，得到待处理的原始图像；

第二步：基于Gamma校正对待处理图像进行校正；

第三步：将将第二步校正后得到的图像分成不重叠的4*4个均匀子块，并对每个子块进行灰阶统计；

第四步：对每个子块的灰阶进行受限的直方图拉伸，得到该子块的灰阶映射关系；

第五步：逐像素对图像进行灰阶映射，由相邻四个子块加权得到映射关系,输出处理后的无雾图像。

2.根据权利要求1所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第二步中，Gamma校正就是对图像的Gamma曲线进行编辑，以对图像进行非线性色调编辑的方法，检出图像信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果。

3.根据权利要求1所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第二步中，Gamma校正是由查Gamma表来进行校正。

4.根据权利要求3所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第二步中，分辨率为12bits时，灰阶为0～4095，设Gamma校正的Gamma表横坐标值为512，纵坐标值为1024，根据待处理图像选取Gamma曲线，设一像素点的灰阶值为k，则映射到Gamma表横坐标输入值为k/8，确定横坐标值，在选定的Gamma曲线上找出对应的输出值，假设为z，则校正完毕的对应的输出值为z*4，最后得出相应的校正结果。

5.根据权利要求1所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第三步中，灰阶统计是通过循环进行逐点统计，遍历整个子块：子块的尺寸横值为V，高为H，已知第一个开始遍历的像素点的值为k_1，1，然后把该值统计至表格中，像素点k_1，2，k_1，3…依次遍历，每次统计值皆放入相应位置的表格中，直至最后k_v，h。

6.根据权利要求1所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第四步中，将超出直方图裁剪限幅的部分均匀的分布到直方图的其他部分。

7.根据权利要求1所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第四步中，分辨率为12bits时，灰阶为0～4095，p(k)是每个灰阶的概率，Cutlimit为截止概率，限制灰阶拉伸运算如下：

${\mathrm{\&Sigma;}}_{k=0}^{MinB}p\left(k\right)\&le;Cut\lim it---\left(1\right)$

${\mathrm{\&Sigma;}}_{k=MaxB}^{4095}p\left(k\right)\&le;Cut\lim it---\left(2\right)$

$\left\{\begin{array}{cc}CumuPixel\left(k\right)=0,& k<MinB\\ CumuPixel\left(k\right)=4095/MaxB-MinB*\left(k-MinB\right),& MinB\&le;k\&le;MaxB\\ CumuPixel\left(k\right)=4095,& k\&GreaterEqual;MaxB\end{array}\right.---\left(3\right)$

其中，截止概率Cutlimit为预设的已知值，MinB和MaxB分别为待处理图像预设定拉伸区域像素的最大值和最小值。

8.根据权利要求1所述的基于基于局部直方图增强的快速去雾算法，其特征在于，第五步中，任意一像素点的映射关系为：

C＝S1/S*C_ul+S2/S*C_ur+S3/S*C_dl+S4/S*C_dr

其中，C为该像素点的像素值，S1，S2，S3，S4分别为所占相邻子块的面积，S为单个子块的面积，C_ul、C_ur、C_dl、C_dr分别为S1，S2，S3，S4所在各子块的像素值；

根据上述映射关系公式，可以得出任一点灰阶直方图限制拉伸后的灰阶，逐像素遍历整个图像后，输出处理后的无雾图像。