CN106056557B - 一种基于改进大气散射模型的单幅图像快速去雾方法 - Google Patents

Abstract

本发明公开了一种基于改进大气散射模型的单幅图像快速去雾方法，该方法针对大气散射模型的缺陷，将原散射模型中的大气光与透射率分别重新定义，并以改进模型为基础，首先依据雾气浓度特征对有雾图像进行场景分割；然后，借鉴He方法所提的腐蚀法，采用平均策略估计出场景入射光L；其次，通过最大化每个场景的对比度信息粗略估计出场景透射率T，并提出一种基于环境特征的透射率自适应调节机制，以实现柔性去雾；最后，提出一种导向全变分模型对初始估计结果进行边缘优化，将优化结果导入改进的散射模型，复原出清晰图像。该方法能有效解决光照不均匀、过增强和过饱和等问题，且在去雾能力，其普适性和去雾速度都优于现有的主流去雾方法。

Description

一种基于改进大气散射模型的单幅图像快速去雾方法

技术领域

本发明涉及一种基于改进大气散射模型的单幅图像快速去雾方法，属于图像处理技术领域。

背景技术

户外场景由于受到雾霾的影响，成像效果往往不佳。其原因是大气中的悬浮水滴、气溶胶能对反射光产生散射、吸收、折射等作用，导致捕获图像的对比度降低、饱和度下降以及颜色偏移，进而无法保证户外机器视觉系统的执行精度，如车牌号识别、火灾监控等。因此，如何进行有效去雾，已成为图像处理领域中的研究热点之一。

图像去雾方法大体可以分为两类：图像增强去雾和基于物理模型的图像去雾。前者没有考虑退化机理，而是突出图像中一些重要的纹理细节，虽然一定程度上提高了算法的可视性，但并没有实现真正意义上的去雾。

在机器视觉与图形学中，大气散射模型被广泛的应用于图像去雾技术的研究，其成像方程可描述为：

I(x,y)＝A·ρ(x,y)·t(x,y)+A·(1-t(x,y))

上式中，(x,y)为像素索引，I表示观察者实际感受到的图像强度，A为大气光，在单幅图像中一般视其为恒常量，ρ为期望恢复出的场景反照率，t为介质透射图，当大气同质且均匀时，可表示为：

t(x,y)＝e^-β·d(x,y)

上式中，β、d分别表示介质散射系数与场景深度图。由上式可知，去雾的关键就是在原图像中估计出参数A与t，其实质是一个的病态问题。近年来，诸多学者利用所提先验知识对该问题约束处理，虽取得了一定的进展，但复原效果仍不尽人意。由Retinex理论可知，场景反照率是物体的内在性质，与入射光或其他外界因素无关，其具有无雾高清特征。He方法将散射模型的大气光设置为全局恒常量，认为图像中各个场景都受到了大气光的直接辐射，而对于不同场景，其光照强度极有可能是不同的，设置大气光为全局恒常量具有明显的局限性，因此无论怎样设置大气光值均无法恢复出“理想”的场景反照率。此外，利用散射模型进行透射率估计时，需遍历图像中所 有像素点，而相同场景下的深度变化相对平缓，一般可近似认为单一场景下的透射率为恒定值，也就是说逐点透射率估计过程包含了大量冗余计算。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于针对上述现有技术的缺陷，提出一种基于改进大气散射模型的单幅图像快速去雾方法，该方法在改进大气散射模型的基础上，分别进行场景自动分割、估计场景入射光图以及场景透射率图；最后，利用全变分模型对估计结果行边缘优化，将优化后的结果导入改进的散射模型复原出清晰图像。

本发明解决其技术问题所采取的技术方案是：一种基于改进大气散射模型的单幅图像快速去雾方法，该方法包括以下步骤：

步骤1：将原散射模型中的大气光A与透射率t分别重新定义为场景入射光L和场景透射率T，每个场景下的L和T为恒定值，得到改进的大气散射模型；

步骤2：依据雾气浓度特征对原始有雾图像进行场景分割；

步骤3：估计各颜色分量的场景入射光图像，并采用腐蚀法消除白色物体对其产生的影响，采用平均策略来弱化场景错误分割像素的干扰；

步骤4：通过最大化每个场景的对比度信息粗略估计出场景透射率，再通过基于环境特征的透射率自适应调节机制，柔性去雾；

步骤5：通过一种具有导向功能的全变分模型，对估计的场景入射光图和透射率图进行优化；

步骤6：将优化后的结果导入改进的散射模型复原清晰图像R。

进一步的，本发明步骤1包括：

改进后的大气散射模型为：

I(x,y)＝L(i)·ρ(x,y)·T(i)+L(i)·(1-T(i)) (x,y)∈Ω_i

上式中，i表示场景标签号，Ω_i、L(i)、T(i)分别表示标签号为i场景下的位置索引集合、场景入射光以及场景透射率。

进一步的，本发明的步骤2包括：

1)将图像分割为若干个不重叠的3×3分块，计算每个分块的雾气浓度量化系数；

2)遍历所有分块得到雾气浓度分布图，再采用均匀分割法对其进行聚类，实现场景分割。

进一步的，本发明的步骤3包括：

1)对每个颜色分量进行腐蚀操作，提取“场景i”在该颜色分量对应位置处的腐蚀分量；

2)将腐蚀分量中前10％较大强度值的平均设置为“场景i”的光照强度，遍历所有场景可得到该颜色分量的场景入射光图像。

进一步的，本发明步骤4包括：

一种基于环境特征的透射率自适应调节机制包括以下步骤：

步骤1：根据雾气浓度量化图，预估场景的雾气浓度指标；

步骤2：根据预估的雾气浓度指标自适应调节透射率的幅度，控制不同环境下的透射率增强幅度。

进一步的，本发明的步骤5包括：

一种具有导向功能的全变分模型为：

上式中，β、γ为惩罚因子，E为能量函数，G为引导图像，W为梯度权重，

为提高上述模型的计算速度，利用r×r邻域对图像的梯度进行逼近，则模型可近似为：

上式中，T_refine-i、G_i分别为T_refine、G的邻域像素。令上式的导数为0，经整理可得：

将上式改写为迭代形式：

上式中，j为迭代次数，分子中的前2项依赖于输入信息，在迭代过程中只需计算一次即可，仅第三项需要不断更新，第三项只需进行简单的r×r邻域求和操作，采用盒子滤波器进一步加速处理，使其复杂度降为O(1)。令T_refine的初始输入为引导图像G为原图像I的亮度分量，当参数为α＝3、β＝3·(Iter-1)、γ＝4、r＝max(l_h,l_w)/15时可取得较好的效果，其中Iter、l_h、l_w分别为迭代次数、图像的高与宽。

进一步的，本发明的步骤6包括：

复原图像R的表达式为：

R^c＝min(max(ρ^c,0),1)

上式中c∈{R,G,B}为颜色标签，ρ^c∈[0,1]为场景反照率。

附图说明

图1为本发明实施的方法流程图。

图2为基于环境特征的透射率幅度自适应调节图。

图3为几组有雾图像对应的雾气浓度量化图以及场景分割效果图。

其中，(a)表示有雾图像；(b)表示雾气浓度分布图；(c)表示场景分割效果图。

图4为两组边缘优化处理效果图。

其中，(a)(g)表示有雾图像；(b)(h)表示粗透射图；(c)～(f)、(i)～(l)表示迭代后的透射率图(colormap＝“hot”)。

具体实施方案

下面结合说明书附图对本发明创造作进一步的详细说明。

本发明以场景为基本单元，将原散射模型中的大气光A与透射率t分别重新定义为场景入射光L与场景透射率T，且认为每个场景下的场景照度与场景透射率为恒定值，则改进后的散射模型表示为：

I(x,y)＝L(i)·ρ(x,y)·T(i)+L(i)·(1-T(i)) (x,y)∈Ω_i

上式中，i表示场景标签号，Ω_i、L(i)、T(i)分别表示标签号为i场景下的位置索引集合、场景入射光以及场景透射率。

接着以雾气浓度作为场景分割依据，则场景分割问题可转变为对雾气浓度分布图的聚类问题，其具体可分为以下2个步骤，包括

步骤1：将图像分割为若干个不重叠的3×3分块，并采用下式计算出每个分块的雾气浓度量化系数：

上式中，B_i表示标签号为i的分块，φ、分别表示平均值计算函数与标准差计算函数。设置分块B_i中所有像素的量化系数为V_i，遍历所有分块得到雾气浓度分布图V。

步骤2：采为简化计算，采用复杂度较低的均匀分割法对V进行聚类，其过程可描述为：

上式中，C表示场景分割图，k＝15为场景分割目标数，V_sort表示V中所有量化系数的一维升序序列，l为原图像的分辨率。图3给出了几组有雾图像的雾气浓度分布图及其对应的场景分割效果图(相同颜色表示为同一场景)，从图中可以看出，所提方法能够较好的识别出图中各个场景。

场景入射光的估计要考虑到白色物体的混淆以及场景分割的精确性问题，本发明借鉴He方法所提腐蚀法来消除白色物体的影响，采用平均策略来弱化场景错误分割像素的干扰，以估计红色分量I^R的场景入射光为例，首先对其进行腐蚀操作，即：

上式中，Θ表示腐蚀计算符号，Λ表示腐蚀模板。然后，提取“场景i”在对应位置处的腐蚀分量并将中前10％较大强度值的平均设置为“场景i”的光照入射光，遍历所有场景便可得到红色分量的场景入射光图L^R，其余颜色分量的场景入射光图L^G、L^B与上述方法一致。

其次，本发明利用“梯度和”来表征对比度信息，则“场景i”在红色分量对应位置的透射率公式为：

上式为一维最小搜索问题，利用黄金分割法可快速获取最优解。考虑到单纯的提高对比度，会引起纹理区域的过饱和现象以及天空区域的过增强现象，为此，本发明提出一种基于环境特征的透射率自适应调节机制，以消除上述感知层面的视觉干扰，其具体步骤如下：

步骤1：根据雾气浓度量化图V，预估出“场景i”的雾气浓度指标，即

上式中，Ω_i表示“场景i”所包含的像素个数。根据预估指标值进行环境特征分类，将指标值分布于[0,0.3]、(0.3,0.5]、(0.5,0.7]、(0.7,1]区间内的场景分别设定为纹理区域、薄雾区域、浓雾区域以及天空区域。

步骤2：为尽可能不影响去雾质量，定义透射率调节幅度函数为：

上式中，参数μ＝0.5，ω＝0.15。图2为此机制下的自适应调节曲线图，从图中可以看出，该机制能够控制不同环境的透射率增强幅度，对于难以判别所属类型的场景，也采取了折中策略来降低这种不确定性。

为消除上述场景自动分割过程引起的块效应问题，以及对透射图与场景照度图的估计结果进行导向平滑处理，本发明在原变分模型的基础上，提出一种具有导向功能的全变分模型：

上式中，β、γ为惩罚因子，E为能量函数。第一项与第二项与原变分模型一致，增加的第三项为导向结构罚函数，其引入的目的是为了强调边缘的导向性，使得T_refine具有与引导图像G相一致的边缘特征，W为梯度权重，其计算公式为：

为提高上述模型的计算速度，利用r×r邻域对图像的梯度进行逼近，则模型可近似为：

上式中，T_refine-i、G_i分别为T_refine、G的邻域像素。令上式的导数为0，经整理可得：

上式中，j为迭代次数。分子中的前2项依赖于输入信息，在迭代过程中只需计算一次即可，仅第三项需要不断更新，而第三项也只是简单的r×r邻域求和操作，并且可采用盒子滤波器进一步加速处理，使其复杂度降为O(1)。令T_refine的初始输入为T～，引导图像G为原图像I的亮度分量，当参数为α＝3、β＝3·(Iter-1)、γ＝4、r＝max(l_h,l_w)/15时可取得较好的效果，其中Iter、l_h、l_w分别为迭代次数、图像的高与宽。图4为边缘优化的两个具体实例，从图中可以看出，本文所提边缘优化方法具有极快的收敛速度，经过少数几次的迭代便能获得较好的优化效果，在勾勒出深度结构的同时，模糊了大量的纹理细节。场景入射光图的优化结果同样按此方法获得。

获取优化后的场景入射光图以及透射率图后，将其代入下式得到场景反照率：

上式中，c∈{R,G,B}为颜色标签。

将场景反照率限制在[0,1]范围内，利用下式复原清晰图像R：

R＝min(max(ρ^c,0),1) 。

Claims (7)

1.一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法包括如下步骤：

步骤1：将原散射模型中的大气光A与透射率t分别重新定义为场景入射光L和场景透射率T，每个场景下的L和T为恒定值，得到改进的大气散射模型；

步骤2：依据雾气浓度特征对原始有雾图像进行场景分割；

步骤3：估计各颜色分量的场景入射光图像，并采用腐蚀法消除白色物体对其产生的影响，采用平均策略来弱化场景错误分割像素的干扰；

步骤4：通过最大化每个场景的对比度信息粗略估计出场景透射率，然后通过基于环境特征的透射率自适应调节机制，实现柔性去雾；

步骤5：通过一种具有导向功能的全变分模型，对估计的场景入射光图和透射率图进行优化；具有导向功能的全变分模型可描述为：

上式中，T_refine为优化透射率图，为待优化目标输入，β、γ为惩罚因子，E为能量函数，G为引导图像，W为梯度权重，

为提高上述模型的计算速度，利用r×r邻域对图像的梯度进行逼近，则模型可近似为：

上式中，T_refine-i、G_i分别为T_refine、G的邻域像素，令上式的导数为0，经整理可得：

将上式改写为迭代形式：

上式中，j为迭代次数，分子中的前2项依赖于输入信息，在迭代过程中只需计算一次即可，仅第三项需要不断更新，第三项只需进行简单的r×r邻域求和操作，采用盒子滤波器进一步加速处理，使其复杂度降为O(1)，令为步骤1所估计出透射率图T，T_refine的初始输入为引导图像G为原图像I的亮度分量，当参数为α＝3、β＝3·(Iter-1)、γ＝4、r＝max(l_h,l_w)/15时可取得较好的效果，其中Iter、l_h、l_w分别为迭代次数、图像的高与宽；

步骤6：将优化后的结果导入改进的大气散射模型复原清晰图像R。

2.根据权利要求1所述的一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法的步骤1包括：

原散射模型为：

I(x,y)＝A·ρ(x,y)·t(x,y)+A·(1-t(x,y))

上式中，(x,y)为像素索引，I表示观察者实际感受到的图像强度，A为大气光，在单幅图像中视其为恒常量，ρ为期望恢复出的场景反照率，t为介质透射图，当大气同质且均匀时，表示为：

t(x,y)＝e^-β·d(x,y)

上式中，β、d分别表示介质散射系数与场景深度图；

改进后的大气散射模型为：

I(x,y)＝L(i)·ρ(x,y)·T(i)+L(i)·(1-T(i)) (x,y)∈Ω_i

上式中，i表示场景标签号，Ω_i、L(i)、T(i)分别表示标签号为i场景下的位置索引集合、场景入射光以及场景透射率。

3.根据权利要求1所述的一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法的步骤2包括：

1)将图像分割为若干个不重叠的3×3分块，计算每个分块的雾气浓度量化系数；

2)遍历所有分块得到雾气浓度分布图，再采用均匀分割法对其进行聚类，实现场景分割。

4.根据权利要求1所述的一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法的步骤3包括：

1)对每个颜色分量进行腐蚀操作，提取“场景i”在该颜色分量对应位置处的腐蚀分量；

2)将腐蚀分量中前10％较大强度值的平均设置为“场景i”的光照强度，遍历所有场景得到该颜色分量的场景入射光图像。

5.根据权利要求1所述的一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法的步骤4包括：

一种基于环境特征的透射率自适应调节机制包括以下步骤：

步骤1：根据雾气浓度量化图，预估场景的雾气浓度指标；

步骤2：根据预估的雾气浓度指标自适应调节透射率的幅度，控制不同环境下的透射率增强幅度。

6.根据权利要求1所述的一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法是分别进行场景自动分割、估计场景入射光图以及场景透射率图；最后，利用全变分模型对估计结果行边缘优化，将优化后的结果导入改进的散射模型复原出清晰图像。

7.根据权利要求1所述的一种基于改进大气散射模型的单幅图像快速去雾方法，其特征在于，所述方法应用于图像去雾。