CN107093173A - 一种图像雾霾浓度的估计方法 - Google Patents

Abstract

本发明公开了一种图像雾霾浓度的估计方法，包括以下步骤：步骤1：空间转换，局部块提取和特征向量计算；步骤2：特征向量归一化处理；步骤3：利用清晰图像MVG模型和雾霾图像MVG模型的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系，获得输入的雾霾图像的雾霾浓度；该方法首次提出图像局部块特征向量的概念，并引入清晰图像MVG模型和雾霾图像MVG模型，通过采用自适应计算，得到雾霾图像中每个像素的精准的局部雾霾敏感特征，实现雾霾浓度估计；在计算过程中，只需考虑每个局部块的特征向量，计算量小；该方法不仅能有效的感知雾霾浓度，而且无需参考图像，同时具有计算速度快的优点。

Description

一种图像雾霾浓度的估计方法

技术领域

本发明属于图像处理领域，特别涉及一种图像雾霾浓度的估计方法。

背景技术

雾霾天图像降质主要是因为大气中的分子，水汽及悬浮的大量颗粒组成的气溶胶对光线形成严重的吸收、散射和反射作用，造成大气能见度降低,加上大气湍流的影响,致使可见光成像系统的图像色彩将会变暗、对比度降低,严重影响了成像系统的使用。因此，分析雾霾成因,研究去雾技术，提高雾霾气象条件下的图像能见度具有重要意义。

其中，基于物理模型的去雾复原方法由于利用了景深信息，能最大限度地恢复清晰图像而得到广泛的研究。基于物理模型的去雾复原方法首先依据大气中图像退化的物理机制建立光学退化模型，然后利用退化模型通过逆过程对低质图像来恢复清晰图像，常用的Koschmieder大气模型数学表达为：

I(x)＝L(x)e^-βd(x)+A(1-e^-βd(x))

式中，I(x)表示雾霾图像，向量x为像素坐标，A表示大气光值(天空亮度)，L(x)为场景照度，d为场景景深，β为大气散射系数。常将t(x)＝e^-βd(x)称作大气传输图，其中L(x)e^-βd(x)为直接衰减项，表示物体表面反射光经大气粒子散射作用之后进入成像系统的部分，它随光线传播距离的增加成指数衰减。A(1-e^-βd(x))为环境光干扰项，它随着光线传播距离的增大而增强。求解该模型估算出参数L(x)就可以得到视觉清晰的图像。由于该模型包含3个未知参数：A，t与L，从本质上讲，这是一个多个未知数方程的病态反问题。

近年图像去雾方法取得了很大的进展，包括有基于图像增强的去雾方法与于先验假设的去雾算法，取得了良好的去雾效果。如Fattal假设图像局部区域的反照率为常向量，利用独立成分分析来估计该反照率。Tan假设局部区域的环境光为常数，利用最大化复原图像的局部对比度来达到去雾的目的。Tarel等人在基于大气模型基础上，将经典的场景深度估计转化为大气面纱以及天空亮度估计，避免难求的场景深度图，给出了单幅图像复原算法。Kratz等人假设场景反照率和景深是统计独立的，用正则概率先验对它们建模，通过求解一个最大后验概率估计问题，联合估计出场景反照率和景深。该算法需根据特定图像选取景深先验模型，且根据经验给定先验模型中的参数。Nishino等人借助单幅雾天图像的统计结构特征，提出一种Bayesian概率方法来联合估计场景的反射率与景深。He等人假设在无雾图像上至少一个颜色通道的局部区域内场景反照率趋于0(称为暗原色先验，DCP)，使用最小值滤波对介质传播图进行粗估计，通过精细化抠图处理，能达到很好的去雾效果。朱等人则提出一种颜色衰减先验(CAP)来实现去雾。Cai等人训练一种端到端的深度网络(DehazeNet)来直接传输图实现雾霾的去除；

然而，对雾霾浓度感知与估计缺乏研究。Choi等人集合13个图像特征，提出了一种雾霾图像浓度的估计方法(FADE)取得了很好的结果，并进而提出一种基于图像融合的去雾算法(DEFADE)。但由于需要计算较多图像特征，计算量较大。

发明内容

本发明提出了一种图像雾霾浓度的估计方法，其目的在于，克服现有技术中的雾霾浓度估计计算特征较多，计算量较大等问题。

一种图像雾霾浓度的估计方法，包括以下几个步骤：

步骤1：将输入的雾霾图像从RGB空间变换到HSV空间，将HSV空间中的雾霾图像分割成大小为r×r的局部块Ω，并计算每个局部块Ω的特征向量；

每个局部块的特征向量包括色调方差σ、韦伯对比度均值w以及饱和度均值

步骤2：对每个局部块的特征向量进行归一化处理，得到归一化特征向量

步骤3：利用清晰图像MVG模型(μ₁，∑₁)和雾霾图像MVG模型(μ₂，∑₂)的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系，获得输入的雾霾图像的雾霾浓度；

其中，μ₁和μ₂分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量均值，∑₁和∑₂分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量的方差。

进一步地，所述输入的雾霾图像的雾霾浓度为S：

其中，D₁和D₂分别表示输入的雾霾图像中所有局部块的清晰程度均值和雾霾浓度均值；

每个局部块的清晰程度d₁和雾霾程度d₂为：

其中，X表示局部块的归一化特征向量。

进一步地，所述输入的雾霾图像的雾霾浓度为S：

其中，表示所有局部块的雾霾浓度d的均值，

每个局部块的雾霾浓度d：d＝(μ₁-X)L₁ ^-1-(X-μ₂)L₂ ^-1；

L₁和L₂分别是∑₁和∑₂的分解矩阵，满足

进一步地，所述每个局部块的雾霾浓度d采用以下公式计算获得：

其中，b表示中间向量B的所有元素之和，且c_i表示特征调节参数，i＝1,2,3，A(i，j)表示中间矩阵A中的元素，

进一步地，所述清晰图像MVG模型(μ₁，∑₁)和雾霾图像MVG模型(μ₂，∑₂)的构建过程如下：

首先，获取大量无雾霾的自然图像，随机从自然图像中提取大小为r×r的局部块；

其次，对提取出的局部块，利用随机生成的传输值t和大气散射模型合成雾霾图像块，构建模型数据集；

传输值t的取值范围为[0.01，1]；

接着，从模型数据集中选择传输值满足设定条件的雾霾图像块，并计算每个雾霾图像块的归一化特征向量

最后，对满足设定条件的雾霾图像块的归一化特征向量，采用多元变量的最大概率估计的方法，进行图像块的特征模型估计；

构建清晰图像MVG模型(μ₁，∑₁)时，从模型数据集中选取传输值大于0.95的雾霾图像块；

构建雾霾图像MVG模型(μ₂，∑₂)时，从模型数据集中选取传输值小于0.5的雾霾图像块。

进一步地，所述对每个局部块的特征向量进行归一化处理是指：

σ_n＝k₁×(σ-min_σ)

w_n＝k₃×(w-min_w)

其中，max_f，min_f分别表示特征f较大的前0.1％个特征值的均值，以及特征值较小的0.1％特征值的均值，f包括色调方差σ、韦伯对比度均值w以及饱和度均值k_i为特征归一化参数，i＝1,2,3；

进一步地，所述局部块Ω的大小r×r的取值范围为7×7～19×19。

有益效果

本发明提供了一种图像雾霾浓度的估计方法，包括以下步骤：步骤1：空间转换，局部块提取和特征向量计算；步骤2：特征向量归一化处理；步骤3：利用清晰图像MVG模型和雾霾图像MVG模型的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系，获得输入的雾霾图像的雾霾浓度；该方法首次提出图像局部块特征向量的概念，并引入清晰图像MVG模型和雾霾图像MVG模型，通过采用自适应计算，得到雾霾图像中每个像素的精准的局部雾霾敏感特征，实现雾霾浓度估计；在计算过程中，只需考虑每个局部块的特征向量，计算量小；该方法不仅能有效的感知雾霾浓度，而且无需参考图像，同时具有计算速度快的优点。

具体实施方式

下面将结合实施例对本发明做进一步的说明。

一种图像雾霾浓度的估计方法，包括以下几个步骤：

步骤1：将输入的雾霾图像从RGB空间变换到HSV空间，将HSV空间中的雾霾图像分割成大小为r×r的局部块Ω，并计算每个局部块Ω的特征向量；

所述局部块Ω的大小r×r的取值范围为7×7～19×19；

每个局部块的特征向量包括色调方差σ、韦伯对比度均值w以及饱和度均值

所述对每个局部块的特征向量进行归一化处理是指：

σ_n＝k₁×(σ-min_σ)

w_n＝k₃×(w-min_w)

其中，max_f，min_f分别表示特征f较大的前0.1％个特征值的均值，以及特征值较小的0.1％特征值的均值，f包括色调方差σ、韦伯对比度均值w以及饱和度均值k_i为特征归一化参数，i＝1,2,3；

步骤2：对每个局部块的特征向量进行归一化处理，得到归一化特征向量

步骤3：利用清晰图像MVG模型(μ₁，∑₁)和雾霾图像MVG模型(μ₂，∑₂)的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系，获得输入的雾霾图像的雾霾浓度；

其中，μ₁和μ₂分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量均值，∑₁和∑₂分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量的方差。

所述输入的雾霾图像的雾霾浓度为S：

其中，D₁和D₂分别表示输入的雾霾图像中所有局部块的清晰程度均值和雾霾浓度均值；

每个局部块的清晰程度d₁和雾霾程度d₂为：

其中，X表示局部块的归一化特征向量。

为了减少计算量，所述输入的雾霾图像的雾霾浓度为S：

其中，表示所有局部块的雾霾浓度d的均值，

每个局部块的雾霾浓度d：d＝(μ₁-X)L₁ ^-1-(X-μ₂)L₂ ^-1；

L₁和L₂分别是∑₁和∑₂的分解矩阵，满足

为了简化计算过程，所述每个局部块的雾霾浓度d采用以下公式计算获得：

其中，b表示中间向量B的所有元素之和，且c_i表示特征调节参数，i＝1,2，3，A(i，j)表示中间矩阵A中的元素，

所述清晰图像MVG模型(μ₁，∑₁)和雾霾图像MVG模型(μ₂，∑₂)的构建过程如下：

首先，获取大量无雾霾的自然图像，随机从自然图像中提取大小为r×r的局部块；

其次，对提取出的局部块，利用随机生成的传输值t和大气散射模型合成雾霾图像块，构建模型数据集；

传输值t的取值范围为[0.01，1]；

接着，从模型数据集中选择传输值满足设定条件的雾霾图像块，并计算每个雾霾图像块的归一化特征向量

最后，对满足设定条件的雾霾图像块的归一化特征向量，采用多元变量的最大概率估计的方法，进行图像块的特征模型估计；

构建清晰图像MVG模型(μ₁，∑₁)时，从模型数据集中选取传输值大于0.95的雾霾图像块；

构建雾霾图像MVG模型(μ₂，∑₂)时，从模型数据集中选取传输值小于0.5的雾霾图像块。

针对在100不同雾霾程度的图像，采用不同的现有算法(包括：CAP，DCP，DEFADE与DehazeNet)进行去雾处理，实验结果的雾霾浓度对比如下：

评价特征	CAP	DCP	DEFADE	DehazeNet
					D	0.8457	0.3183	0.4428	0.4626
S1	0.4961	0.1596	0.2721	0.2301
					S2	0.5851	0.2407	0.3768	0.3705

其中，D是Choi等人提出的雾霾图像浓度的估计算子。

可以看出，本发明提出的两种浓雾浓度评价特征S₁与S₂基本与D保持一致，特征值越小，雾霾浓度越低，反之则越高。而且，在实验计算过程中，本发明所述的方法提出的评价特征计算量明显小，计算速度快。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种图像雾霾浓度的估计方法，其特征在于，包括以下几个步骤：

步骤1：将输入的雾霾图像从RGB空间变换到HSV空间，将HSV空间中的雾霾图像分割成大小为r×r的局部块Ω，并计算每个局部块Ω的特征向量；

每个局部块的特征向量包括色调方差σ、韦伯对比度均值w以及饱和度均值

步骤2：对每个局部块的特征向量进行归一化处理，得到归一化特征向量

步骤3：利用清晰图像MVG模型(μ₁，∑₁)和雾霾图像MVG模型(μ₂，∑₂)的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系，获得输入的雾霾图像的雾霾浓度；

其中，μ₁和μ₂分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量均值，∑₁和∑₂分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量的方差。

2.根据权利要求1所述的方法，其特征在于，所述输入的雾霾图像的雾霾浓度为S：

其中，D₁和D₂分别表示输入的雾霾图像中所有局部块的清晰程度均值和雾霾浓度均值；

每个局部块的清晰程度d₁和雾霾程度d₂为：

其中，X表示局部块的归一化特征向量。

3.根据权利要求1所述的方法，其特征在于，所述输入的雾霾图像的雾霾浓度为S：

其中，表示所有局部块的雾霾浓度d的均值，

每个局部块的雾霾浓度d：d＝(μ₁-X)L₁ ^-1-(X-μ₂)L₂ ^-1；

L₁和L₂分别是∑₁和∑₂的分解矩阵，满足

4.根据权利要求3所述的方法，其特征在于，所述每个局部块的雾霾浓度d采用以下公式计算获得：

其中，b表示中间向量B的所有元素之和，且c_i表示特征调节参数，i＝1,2,3，A(i,j)表示中间矩阵A中的元素，

5.根据权利要求1-4任一项所述的方法，其特征在于，所述清晰图像MVG模型(μ₁，∑₁)和雾霾图像MVG模型(μ₂，∑₂)的构建过程如下：

首先，获取大量无雾霾的自然图像，随机从自然图像中提取大小为r×r的局部块；

其次，对提取出的局部块，利用随机生成的传输值t和大气散射模型合成雾霾图像块，构建模型数据集；

传输值t的取值范围为[0.01，1]；

接着，从模型数据集中选择传输值满足设定条件的雾霾图像块，并计算每个雾霾图像块的归一化特征向量

最后，对满足设定条件的雾霾图像块的归一化特征向量，采用多元变量的最大概率估计的方法，进行图像块的特征模型估计；

构建清晰图像MVG模型(μ₁，∑₁)时，从模型数据集中选取传输值大于0.95的雾霾图像块；

构建雾霾图像MVG模型(μ₂，∑₂)时，从模型数据集中选取传输值小于0.5的雾霾图像块。

6.根据权利要求5所述的方法，其特征在于，所述对每个局部块的特征向量进行归一化处理是指：

σ_n＝k₁×(σ-min_σ)

<mrow> <msub> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mi>n</mi> </msub> <mo>=</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>_</mo> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow>

w_n＝k₃×(w-min_w)

其中，max_f，min_f分别表示特征f较大的前0.1％个特征值的均值，以及特征值较小的0.1％特征值的均值，f包括色调方差σ、韦伯对比度均值w以及饱和度均值k_i为特征归一化参数，i＝1,2,3；

7.根据权利要求6所述的方法，其特征在于，所述局部块Ω的大小r×r的取值范围为7×7～19×19。