CN108765309A - 基于暗通道的线状自适应改进全局大气光的图像去雾方法 - Google Patents

Abstract

本发明公开了基于暗通道的线状自适应改进全局大气光的图像去雾方法，首先获取雾霾天气下的雾霾图像，然后通过对图像的二值图像求取重心中心连线斜率的方法获得图像大气光变化角度θ，再求取沿大气光变化方向θ规律变化的线形大气光图，之后再通过大气散射模型求解无雾图像，输出处理后的雾霾天气下的有雾图像。本发明既满足了在浓雾或者景深较深情况下远处景物不失真，又保留了近处景物的细节，对后续的雾霾图像处理及信息提取尤为重要。

Description

基于暗通道的线状自适应改进全局大气光的图像去雾方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于暗通道的线状自适应改进全局大气光的图像去雾方法。

背景技术

雾霾天气时拍摄的图像，会受到天气的影响而降低质量，这是因为雾霾天气时空气中灰尘颗粒、水汽会吸收和散射光，导致传感器接收到的光强发生变化。有雾图像中景物的清晰程度要比晴天拍摄的图像低，可能会导致一些基于图像的应用受到限制，如交通安全监控、航拍监视中的目标识别等。图像去雾技术能够消除或减少雾霾天气对图像质量的影响，因此具有实际意义。

目前，目前已经有一些算法能够实现单幅图像去雾，这些算法在原理上可以分为基于图像处理的增强方法和基于物理模型的复原方法。基于图像处理的增强算法有直方图均衡化和Retinex算法等，基于物理模型的复原算法有Tan算法、Fattal算法和He算法等。

2009年，He等人在CVPR会议上提出了基于暗原色先验知识的单帧图像去雾算法，取得了较好的去雾效果，后又对算法进行了相应改进。该算法将暗原色先验统计规律应用在物理模型——大气散射模型上，先后求暗原色图、大气光值、粗略传播图和精细传播图，最后代入大气散射模型求得去雾图像。但是经过大量实验发现，he等人的算法在处理浓雾的情况时，会由于光照不均导致选取的大气光值在处理完图像后暗区对比度和亮区的细节不能兼得。

发明内容

本发明的目的在于提供一种基于暗通道的线状自适应改进全局大气光的图像去雾方法，使用大气光图代替全局大气光值，以解决在浓雾天气时大气光分布不均而导致去雾后浓雾与近景部分因大气光值相差太大造成的图像失真问题，本发明既能保持图像暗区的对比度，又能使亮区的景物细节得以显现。

为达到上述目的，本发明采用如下技术方案：

基于暗通道的线状自适应改进全局大气光的图像去雾方法，包括以下步骤：

步骤1：获取雾霾天气下雾霾图像；

步骤2：对步骤1得到的雾霾图像进行阈值分割求取其二值图像；

步骤3：对步骤2得到的二值图像求取其图像重心(x₀y₀)与图像中心(0.5*h 0.5*w)，其中h为二值图像的高，w为二值图像的宽，然后对图像重心和中心对应的横坐标和纵坐标分别除以h，w进行归一化后，得到重心(x₀′y₀′)和中心(0.50.5)，定义斜率k：

定义θ为大气光值偏转度：

θ＝arctan(1/k)

步骤4：对步骤1得到的雾霾图像I求取其暗通道：

I_dark(x,y)＝min_C∈{r,g,b}(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)))

式中：Ω(x,y)为点(x,y)邻域的窗口，I_dark′(x,y)为暗通道图像像，I_C(x′,y′)为雾霾图像I的单色通道图像像素；

将图像暗通道I_dark(x,y)按照步骤3得到的旋转角θ逆时针旋转，得到旋转后的暗通道I_dark′(x,y)；

步骤5：对步骤4得到的暗通道求取其变化均匀的大气光图A′(x,y)；

步骤6：对步骤5得到的变化均匀的大气光图A′(x,y)按照步骤3得到的大气光值偏转度θ逆时针旋转，得到最终大气光图A(x,y)，此大气光图按照雾的浓淡变化方向规律分布；

步骤7：由大气散射模型求取去雾图像，其中大气散射模型如下：

I(x,y)＝J(x,y)t(x,y)+A(1-t(x,y))

其中J为去雾后清晰图像，t是透射率，A即为步骤6求得的最终大气光图A(x,y)。

进一步地，步骤4中Ω(x,y)为9×9的图像块。

进一步地，步骤5中求取其变化均匀的大气光图A′(x,y)具体如下：

将旋转后暗通道图片I_dark′(x,y)的每行暗通道值从大到小进行排序，取其前0.1％的最小值作为该行的大气光值，依次求取每行大气光值，得到初始大气光图A₀(x,y)；对初始大气光图进行滤波，得到变化均匀的大气光图A′(x,y)。

进一步地，步骤5中采用均值滤波的方法对初始大气光图进行滤波。

进一步地，步骤7中求取去雾图像具体为：

根据暗原色统计规律，去雾图像J的暗原色趋近于0，即：

J_dark(x,y)＝min(min_{(x′,y′)∈Ω(x,y)}(J_C(x′,y′)))＝0

其中J_dark(x,y)为去雾图像的暗通道像素，Ω(x,y)为点(x,y)邻域的窗口，J_C(x′,y′)为有雾图像J(x,y)的单色通道图像像素；

而A恒为正数，则有：

min_C(min_{(x′,y′)∈Ω(x,y)}(J_C(x′,y′)/A))＝0

得粗略透射率图为：

t′(x,y)＝1-min_C(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)/A))

晴朗天气下，远方的景物也会有少许雾气遮罩，为了使去雾效果不失真，加入因子ω：

t(x,y)＝1-ωmin_C(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)))

采用I，t和A解出无雾清晰图像J：

J(x,y)＝(I(x,y)-A(x,y))/t(x,y)+A(x,y)

并输出无雾清晰图像J。

进一步地，因子ω取0.95。

与现有技术相比，本发明具有以下有益的技术效果：

本发明采用大气光图来代替传统的全局大气光值，使图像的大气光值线状分布，在传统去雾算法中，暗通道算法可以解决大多数有雾图像的去雾问题，且效果良好，但对景深较深，远处景物雾浓度远大于近处的图像进行去雾处理时，由于全局使用同一个大气光至使图像近处效果良好时，远处亮度过大而失真严重，或者远处效果良好时近处亮度值太小而导致细节丢失。本方法使用自适应的沿雾浓淡方向变化的线形大气光图替代原本全局大气光值，使暗通道去雾算法在浓雾及景深较大的地方也能取得良好的效果，去雾效果好，对远景复原较好，对雾霾天气下图片处理有理想效果，对图像的进一步处理以及准确获取图像信息有着重要的意义。

附图说明

图1是本发明的流程示意图；

图2是本发明中各个过程图，其中，(a)原始有雾图像，(b)有雾图像的二值图像，黄色为中心，红色为重心，(c)有雾图像暗通道，(d)旋转后的暗通道，(e)旋转后暗通道的大气光图，(f)旋转回来的大气光图，(g)滤波后变化均匀的大气光图，(h)使用本方法处理后的图像；

图3是本发明的去雾结果与传统暗通道的对比图，其中，(a)原始有雾图像，(b)传统暗通道处理后图像，(c)本发明处理后图像，(d)传统暗通道部分细节放大，(e)本发明处理后部分细节放大。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1，基于暗通道的线状自适应改进全局大气光的图像去雾方法，包括以下步骤：

步骤1：获取雾霾天气下雾霾图像。

利用图像采集设备，获取雾霾天气下降质的雾霾图像。

步骤2：将步骤1得到雾霾图像进行阈值分割求取其二值图像；

先将图片转换为灰度图像，再将灰度图像用Otsu算法阈值分割转换为二值图像。

步骤3：对步骤2得到的二值图像(高为h，宽为w)求取其图像的重心(x₀y₀)与图像中心(0.5*h 0.5*w)。对图像重心和中心对应坐标分别除以h，w进行归一化后，得到重心(x₀′y₀′)和中心(0.50.5)，定义斜率：

定义θ为大气光值偏转度：

θ＝arctan(1/k)

此时图像中雾的浓淡则大致沿中线顺时针偏转θ度方向变化分布。

步骤4：经过步骤2我们对图像进行灰度转换，二值分割后得到的二值图像即分为亮区和暗区两部分，再通过步骤3，求取二值图像的重心与中心，采用重心与中心连线方向作为大气光变化方向来使图像倾斜

对步骤1得到的雾霾图像求取其暗通道

I_dark(x,y)＝min_C∈{r,g,b}(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)))

式中：Ω(x,y)为点(x,y)邻域的窗口，I_dark′(x,y)为暗通道图像像I_C(x′,y′)为有雾图像I的单色通道图像像素；

将图像暗通道I_dark(x,y)按照步骤3得到的旋转角θ逆时针旋转，得到旋转后的暗通道I_dark′(x,y)。

步骤5：对步骤4得到的暗通道求取其大气光分布图，具体如下：

将旋转后暗通道图片I_dark′(x,y)的每行暗通道值从大到小进行排序，取其前百分之0.1里的最小值作为该行的大气光值，依次求取每行大气光值，得到初始大气光图A₀(x,y)。

对初始大气光图进行滤波，采用均值滤波的方法使大气光图消除每行突变，得到变化均匀的大气光图A′(x,y)。

步骤6：对步骤5得到的变化均匀的大气光图A′(x,y)按照步骤3得到的为大气光值偏转度θ逆时针旋转，得到最终大气光图A(x,y)，此大气光图按照雾的浓淡变化方向规律分布。

步骤7：由去雾算法研究中常用的大气散射模型：

I(x,y)＝J(x,y)t(x,y)+A(1-t(x,y))

其中J为去雾后清晰图像，t是透射率。A即为步骤6求得的最终大气光图A(x,y)。

根据暗原色统计规律，去雾图像J的暗原色应该趋近于0，即：

J_dark(x,y)＝min_C(min_{(x′,y′)∈Ω(x,y)}(J_C(x′,y′)))＝0

其中J_dark(x,y)为去雾图像的暗通道像素，Ω(x,y)为点(x,y)邻域的窗口，J_C(x′,y′)为有雾图像J(x,y)的单色通道图像像素；

而A恒为正数，则有：

min_C(min_{(x′,y′)∈Ω(x,y)}(J_C(x′,y′)/A))＝0

可得粗略透射率图为：

t′(x,y)＝1-min_C(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)/A))

晴朗天气下，远方的景物也会有少许雾气遮罩，为了使去雾效果不失真，还需在上式中加入一个因子ω，一般将ω取为0.95左右。

t(x,y)＝1-ωmin_C(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)))

可以用I，t和A解出无雾清晰图像J：

J(x,y)＝(I(x,y)-A(x,y))/t(x,y)+A(x,y)

输出无雾清晰图像J。

图2即为本算法处理有雾图像的过程。其中(a)为有雾原图；(b)为有雾图像的二值图像，图中的连线即为中心与重心的连线；(c)为有雾图像的暗通道；(d)为暗通道逆时针旋转后，旋转角度为图(b)中重心与中心连线；(e)为对旋转后的暗通道求取每行的大气光值得到的大气光图；(f)为将图(e)的大气光图顺时针旋转回并裁剪后的大气光图；(g)为滤波后变化均匀的大气光图；(f)为处理后的清晰图片。

由图3的处理结果对比和局部放大图可以更直观地看到处理效果，图3(a)为原始有雾图像，可见图像中有远景近景，较远处一片模糊；图3(b)采用传统暗通道理论处理结果，可见处理后消除部分雾气，但仍保留有部分雾气，尤其远景部分使图像模糊；采用本发明处理结果如图3(c)，整体图片雾气基本清楚，较为清晰；图3(d)为传统暗通道的远景细节放大，可见图中仍有部分雾气使图片较为模糊。图(e)为本发明处理后图像远景细节放大，与图3(d)相比较可发现雾气去除更为彻底，清晰度提高。

表1为不同算法对有雾的图像处理效果参数对比表，由表1可以看出，图像再经本发明改进后的暗通道去雾方法去雾后，模糊度、平均梯度、对比度、信息熵都有所提高，可见本发明对有雾图像处理的效果进一步改进，结果良好，已优于传统的暗通道去雾方法，对进一步研究图像去雾，有雾图像信息提取等方面有着重要意义。

表1不同算法对有雾的图像处理效果参数对比表

综上所述，本发明的改进暗通道的图像去雾算法，去雾效果好，对远景复原较好，对雾霾天气下图片处理有理想效果，对图像的进一步处理以及准确获取图像信息有着重要的意义。

Claims (6)

1.基于暗通道的线状自适应改进全局大气光的图像去雾方法，其特征在于，包括以下步骤：

步骤1：获取雾霾天气下雾霾图像；

步骤2：对步骤1得到的雾霾图像进行阈值分割求取其二值图像；

步骤3：对步骤2得到的二值图像求取其图像重心(x₀ y₀)与图像中心(0.5*h 0.5*w)，其中h为二值图像的高，w为二值图像的宽，然后对图像重心和中心对应的横坐标和纵坐标分别除以h，w进行归一化后，得到重心(x₀′ y₀′)和中心(0.5 0.5)，定义斜率k：

定义θ为大气光值偏转度：

θ＝arctan(1/k)

步骤4：对步骤1得到的雾霾图像I求取其暗通道：

I_dark(x,y)＝min_C∈{r,g,b}(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)))

式中：Ω(x,y)为点(x,y)邻域的窗口，I_dark′(x,y)为暗通道图像像，I_C(x′,y′)为雾霾图像I的单色通道图像像素；

将图像暗通道I_dark(x,y)按照步骤3得到的旋转角θ逆时针旋转，得到旋转后的暗通道I_dark′(x,y)；

步骤5：对步骤4得到的暗通道求取其变化均匀的大气光图A′(x,y)；

步骤6：对步骤5得到的变化均匀的大气光图A′(x,y)按照步骤3得到的大气光值偏转度θ逆时针旋转，得到最终大气光图A(x,y)，此大气光图按照雾的浓淡变化方向规律分布；

步骤7：由大气散射模型求取去雾图像，其中大气散射模型如下：

I(x,y)＝J(x,y)t(x,y)+A(1-t(x,y))

其中J为去雾后清晰图像，t是透射率，A即为步骤6求得的最终大气光图A(x,y)。

2.根据权利要求1所述的基于暗通道的线状自适应改进全局大气光的图像去雾方法，其特征在于，步骤4中Ω(x,y)为9×9的图像块。

3.根据权利要求1所述的基于暗通道的线状自适应改进全局大气光的图像去雾方法，其特征在于，步骤5中求取其变化均匀的大气光图A′(x,y)具体如下：

将旋转后暗通道图片I_dark′(x,y)的每行暗通道值从大到小进行排序，取其前0.1％的最小值作为该行的大气光值，依次求取每行大气光值，得到初始大气光图A₀(x,y)；对初始大气光图进行滤波，得到变化均匀的大气光图A′(x,y)。

4.根据权利要求3所述的基于暗通道的线状自适应改进全局大气光的图像去雾方法，其特征在于，步骤5中采用均值滤波的方法对初始大气光图进行滤波。

5.根据权利要求1所述的基于暗通道的线状自适应改进全局大气光的图像去雾方法，其特征在于，步骤7中求取去雾图像具体为：

根据暗原色统计规律，去雾图像J的暗原色趋近于0，即：

J_dark(x,y)＝min(min_{(x′,y′)∈Ω(x,y)}(J_C(x′,y′)))＝0

其中J_dark(x,y)为去雾图像的暗通道像素，Ω(x,y)为点(x,y)邻域的窗口，J_C(x′,y′)为有雾图像J(x,y)的单色通道图像像素；

而A恒为正数，则有：

min_C(min_{(x′,y′)∈Ω(x,y)}(J_C(x′,y′)/A))＝0

得粗略透射率图为：

t′(x,y)＝1-min_C(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)/A))

晴朗天气下，远方的景物也会有少许雾气遮罩，为了使去雾效果不失真，加入因子ω：

t(x,y)＝1-ωmin_C(min_{(x′,y′)∈Ω(x,y)}(I_C(x′,y′)))

采用I，t和A解出无雾清晰图像J：

J(x,y)＝(I(x,y)-A(x,y))/t(x,y)+A(x,y)

并输出无雾清晰图像J。

6.根据权利要求5所述的基于暗通道的线状自适应改进全局大气光的图像去雾方法，其特征在于，因子ω取0.95。