CN108765336B - 基于暗亮原色先验与自适应参数优化的图像去雾方法 - Google Patents

Abstract

本发明公开了基于暗亮原色先验与自适应参数优化的图像去雾方法，根据白色区域像素值普遍较高的特点提出了亮原色先验理论，将该理论与暗原色先验理论相结合，有效解决了雾天图像中白色区域的去雾问题，将类天空区域的像素值与最大暗通道值进行自适应的加权处理，使得求取的大气光值鲁棒性更强，再通过自适应权值优化的图像去雾算法，从而更好的实现了去雾后图像的优化处理，通过自适应尺度的引导滤波算法，将原有雾图像的尺寸大小自适应调节滤波尺度，使得滤波后效果更佳，从而实现图像的有效去雾，本方法不仅有效解决了原算法不适用于大面积白色区域和去雾后图像偏暗等问题，而且去雾之后的图像视觉效果更加真实自然。

Description

基于暗亮原色先验与自适应参数优化的图像去雾方法

技术领域

本发明属于图像处理技术领域，具体涉及基于暗亮原色先验与自适应参数优化的图像去雾方法。

背景技术

信息革命被视为第四次工业革命，其重要性不言而喻，而信息的重要来源之一是数字图像信息，清晰的图像能被应用于各个领域，并发挥至关重要的作用。因此，获得清晰的图像至关重要，然而在现实生活中，由于各种原因，取得的图像质量并不高，尤其是在恶劣天气下，获得的图像质量往往很差，大大降低了图像的应用价值，其中雾霾便是常见的恶劣天气之一。

2009年，提出了基于暗原色先验的去雾方法，该方法通过对无雾图像进行统计，得出每个区域总有一个颜色通道值等于或接近于0的先验知识，并将这一现象称之为暗原色先验，根据这一先验，可以估算出透射率的数值，然后采用软抠图的方法对透射率进行优化，最终实现良好的去雾效果。但是，该方法主要存在以下几个缺点：

1)对于大面积白色区域，如天空、浓雾等，暗通道较少存在，该方法难以适用；

2)含有白色区域时，容易出现大气光估值过高的现象；

3)去雾参数过于固定单一，且去雾后容易出现图像偏暗的不良效果；

4)软抠图算法过于复杂，运算量过大。

对此，人在此基础上做出改进，采用引导滤波的算法代替软抠图算法，取得了同样良好的去雾效果，并且运算速度大大提高。虽然改进后的方法速度提升，但对于大面积白色区域并没有做出适当的改进，大气光依然容易出现估值过高的现象，参数单一且去雾后仍有图像偏暗等不良效果，目前，该方法仍然有很大的改进空间。

2011年，提出如下两种改进方法：第一，根据RGB空间中各个像素的聚类来优化透射率；第二，在初步估计出透射率后，采用变分法求解最小化能量函数的方式进行优化。2013年，为保证取得的暗原色图既精细又合适，通过边缘提取的方法，对边缘部分采用小模块计算暗通道，对非边缘采用大模块计算暗通道,并采用阈值分割的方法分割出天空区域，将天空区域的最大像素值作为大气光的值，最终取得了较好的去雾效果。借鉴多尺度Retinex变换的思想，对有雾图像进行不同模块尺度的暗原色提取，再将提取出来的多尺度暗原色图进行线性叠加，以此来减少去雾的运算量和去雾后的光晕现象。

2016年，采用最大类间方法差分割出天空区域，并将天空区域的平均强度作为大气光值，以优化直接取最大值可能导致大气光值过高的现象。同年，采用小波变换的方法将图像分为取块的暗原色低频和取点的暗原色高频，进行处理后再行融合，以此来优化暗原色图，并对求得的透射率采用维纳滤波进行优化。然后采用四分法求得天空区域，并针对天空区域通过加权的方式求得大气光值，最终达到良好的去雾效果。

2017年，采用提升小波算法对初步估计的透射率进行多尺度分解，并对每个尺度的图像采用引导滤波进行优化，以此来保证去雾后的图像边缘清晰。将通道值接近于1的像素称之为明像素，为解决大面积天空区域和白色块状区域的问题，对有雾图像分别采用明像素和暗像素获取其透射率，再将二者相结合求得最终的透射率，以此来求得去雾图像。

2017年，针对遥感图像几乎不含天空区域的特点，直接提取r、g、b三通道的最小值作为暗原色图来对遥感图像实现去雾，大大减少了运算量。同年，在RGB、Lab和HSV三个颜色空间来估算透射率，以此来提高估算透射率的精度和速度，对r、g、b三个通道分别采用引导滤波来保持边缘特征，并对去雾后的图像采用自适应色彩调整的方法，以此来解决去雾后的图像过暗现象。

针对基于暗原色先验的去雾方法所存在的问题，国内外专家学者做了大量的研究和改进，虽然取得了不少成果，但仍存在各种各样的问题，到目前为止，并没有人能提出一种各方面兼得的改进方法

发明内容

本发明的目的在于提供基于暗亮原色先验与自适应参数优化的图像去雾方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于暗亮原色先验与自适应参数优化的图像去雾方法，包括以下步骤：

步骤1)、对获取的有雾原图进行OTSU算法处理，得到类天空区域的数值，对获取的有雾原图通过暗原色先验算法处理得到暗原色先验算法数值，将类天空区域的数值与暗原色先验算法得到的数值进行加权处理，从而得到加权平均的大气光A值；

步骤2)、以大气光A值为阈值，将大于等于大气光A值的区域定义为亮原色区，小于大气光A值的定义为暗原色区，从而得到暗亮原色先验理论；

步骤3)、将雾天图像退化模型与暗亮原色先验理论相结合，从而得到粗透射率；

步骤4)、通过自适应权重ω值取值算法，对粗透射率进行优化；

步骤5)、通过自适应引导滤波算法对优化后的粗透射率进行细化，从而得到细透射率；

步骤6)、最后将原有雾图像、加权平均的大气光A值和求得的细透射率一起代入雾天图像退化模型，最终得到去雾后的图像。

进一步的，步骤1)中，假设图像f(x,y)含有L个灰度级，通过对原图像进行均值滤波得到邻域平滑图像g(x,y)，g(x,y)含有L个灰度级，每个像素都可由两个数值表示：像素灰度值、邻域平均灰度值，可以将这样的现象表示为二元组(i，j)，其中i表示像素灰度值，j表示邻域平均灰度值，用f_ij表示二元组(i，j)在同一位置出现的次数，并由此可以构建出二维直方图，从而实现最优阈值分割。

进一步的，将有雾图像设为I(x)，其像素总数为N，设类天空区域为B(x)，其像素总数为n，雾天图像的暗原色为：

则暗原色图中的最大像素值I_{d_max}可表示为：

I_{d_max}＝max(I^dark(x)) (3.19)

类天空区域的像素通道最大值的均值B_mean为：

加权大气光A值表示为：

A＝wB_mean+(1-w)I_{d_max} (3.21)

式中，

表示类天空区域的权值。

进一步的，暗亮原色先验理论：暗通道数值大于大气光A值的区域，为亮原色区域，将亮原色区域表示如下：

式中，J(x)表示无雾图像像素值，J^light(x)表示无雾图像的亮原色，亮原色值为极大的一个值，其大小等于1或接近于1；

则雾天图像的亮原色区域可表示为：

式中，I(x)表示雾天图像，I^light(x)表示雾天图像的亮原色；

则雾天图像的暗原色区域可表示为：

此时，将公式(3.23)与公式(3.24)相结合，可得出暗亮原色图，其公式表示如下：

式中，I^dl(x)表示暗亮原色值，其集合即为暗亮原色图。

进一步的，根据公式(2.7)变形后的雾天退化模型，对式两边同时取颜色通道最大值，可得：

式中，c表示r、g、b三通道，

表示在亮原色区域内滤波窗口中所假设为固定值的透射率，对公式(3.26)两边求区域最大值运算，可得：

式中，Ω(x)表示以像素x为中心点的滤波区域；

将J^light(x)→1和公式(3.23)带入式(3.27)，可将其简化并变形如下：

式中，ω∈[0,1]是为了保留少量的雾气以提高图像真实性，A为大气光值。

将式(3.28)与式(2.12)相结合，可最终求得粗估计的透射率t_dl(x)为：

式中，I^dl(x)为暗亮原色图中在x处的像素值。

进一步的，将ω值直接取为归一化后的A值，则公式(3.32)优化改进如下：

进一步的，引导滤波的窗口尺度如下：

r＝4*floor[max(3,M*0.01,N*0.01)] (4.3)

式中，floor表示向0取整，r表示引导滤波的滤波窗口尺度。

与现有技术相比，本发明具有以下有益的技术效果：

本发明基于暗亮原色先验与自适应参数优化的图像去雾方法，针对暗原色先验的去雾方法不适用于大面积白色区域的问题，根据白色区域像素值普遍较高的特点提出了亮原色先验理论，并将该理论与暗原色先验理论相结合，有效解决了雾天图像中白色区域的去雾问题，针对大气光的估值容易出现过大的问题，将类天空区域的像素值与最大暗通道值进行自适应的加权处理，使得求取的大气光值鲁棒性更强，再通过自适应权值优化的图像去雾算法，从而更好的实现了去雾后图像的优化处理，通过自适应尺度的引导滤波算法，将原有雾图像的尺寸大小自适应调节滤波尺度，使得滤波后效果更佳，从而实现图像的有效去雾，本方法不仅有效解决了原算法不适用于大面积白色区域和去雾后图像偏暗等问题，而且去雾之后的图像视觉效果更加真实自然。

附图说明

图1为本发明算法流程图。

图2为含天空区域图。

图3为不含天空区域图。

图4为实施例1中现有算法与本发明算法粗透射率效果图，其中a为原图，b为现有算法粗透射率效果图，c为本发明粗透射率效果图。

图5为实施例1中现有算法与本发明细透射率对比图和最终去雾效果图，其中a为现有算法细透射率效果图，b为本发明细透射率效果图，c为现有算法最终去雾效果图，d为本发明最终去雾效果图。

图6为实施例2中现有算法与本发明算法粗透射率效果图，其中a为原图，b为现有算法粗透射率效果图，c为本发明粗透射率效果图。

图7为实施例2中现有算法与本发明细透射率对比图和最终去雾效果图，其中a为现有算法细透射率效果图，b为本发明细透射率效果图，c为现有算法最终去雾效果图，d为本发明最终去雾效果图。

图8为实施例3中现有算法与本发明算法粗透射率效果图，其中a为原图，b为现有算法粗透射率效果图，c为本发明粗透射率效果图。

图9为实施例3中现有算法与本发明细透射率对比图和最终去雾效果图，其中a为现有算法细透射率效果图，b为本发明细透射率效果图，c为现有算法最终去雾效果图，d为本发明最终去雾效果图。

图10为第一组多种算法对比实验图，a为原图，b为Retinex算法图，c为Fattal的算法图，d为He的算法图。

图11为第一组多种算法对比实验图本发明算法实验结果图。

图12为第二组多种算法对比实验图，a为原图，b为Retinex算法图，c为Fattal的算法图，d为He的算法图。

图13为第二组多种算法对比实验图本发明算法实验结果图。

图14为第三组多种算法对比实验图，a为原图，b为Retinex算法图，c为Fattal的算法图，d为He的算法图。

图15为第三组多种算法对比实验图本发明算法实验结果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

基于暗亮原色先验与自适应参数优化的图像去雾方法，包括以下步骤：

步骤1)、对获取的有雾原图进行OTSU算法处理，得到类天空区域的数值，对获取的有雾原图通过暗原色先验算法处理得到暗原色先验算法数值，将类天空区域的数值与暗原色先验算法得到的数值进行加权处理，从而得到加权平均的大气光A值；

步骤2)、以大气光A值为阈值，将大于等于大气光A值的区域定义为亮原色区，小于大气光A值的定义为暗原色区，从而得到暗亮原色先验理论；

步骤3)、将雾天图像退化模型与暗亮原色先验理论相结合，从而得到粗透射率；

步骤4)、通过自适应权重ω值取值算法，对粗透射率进行优化；

步骤5)、通过自适应引导滤波算法对优化后的粗透射率进行细化，从而得到细透射率；

步骤6)、最后将原有雾图像、加权平均的大气光A值和求得的细透射率一起代入雾天图像退化模型，最终得到去雾后的图像。

2、暗原色先验的去雾算法

2.1、暗原色先验的去雾算法原理：

在图像处理领域中，常用以下模型为大气散射模型：

I(x)＝J(x)t(x)+A(1-t(x)) (2.1)

式中x表示某个像素点所处的空间位置；I(x)表示含雾图像；J(x)表示去雾图像；A表示大气光值；t(x)表示透射率。

暗原色的先验知识内容是指：在无雾图像中的绝大多数区域里，总有某些像素在某个颜色通道上有一个很小的值，这个值为0或者接近于0，其公式可定义如下：

式中，c表示r、g、b三通道的某个通道，Ω(x)表示以像素x为中心点的滤波区域，J^c(y)表示在Ω(x)区域中的某个像素通道值，J^dark(x)表示暗原色值，在户外无雾图像中，暗原色值是很小的一个数值，其总是接近0或者为0；

首先，假设大气光A值为一个恒定不变的值，将式(2.1)变形如下：

其次，假设每个窗口的透射率t(x)为一个固定常数，将其表示为

将式(2.3)两边同时取区域最小值运算，得：

由前述可知J^dark接近于0，可算出透射率

得：

式中，ω∈[0,1]是为了保留少量的雾气以提高图像真实性，为了更直观的观察到去雾算法，将式(2.1)变形如下：

式中，阈值t₀是为防止透射率t(x)过小的情况出现，一般取t₀＝0.1。

2.2、引导滤波算法：

通过暗原色先验方法去雾后，由于透射率过于粗糙，会导致图像边缘处会有白色雾状现象出现，因此，需要对粗透射率进行进一步的细化处理，采用引导滤波算法进行细化；

引导滤波的成立依赖一个重要假设，即在一个二维窗口ω_k内，其引导图像I和滤波输出q是一个局部线性的关系，其定义公式表示如下：

式中，a_k和b_k表示在二维窗口ω_k内该线性函数的系数，其值为常量；

式中，|ω|为窗口ω_k中的像素个数，u_k和

分别是I中窗口ω_k中的均值和方差，

为窗口ω_k中p的均值；

由于在滤波时，像素i往往被多个滤波窗口作用，会得到多个不同的输出值q_i，因此，需将多个窗口内的输出值q_i进行求和平均，最终，可以求得滤波后的图像q_i为：

式中

对式(2.10)两边同时求一阶梯度，得到

表明了此公式满足线性关系，因此引导滤波在平滑噪声时可以非常好的保持边缘特性，其中a_k为图像的边缘保持度。而根据式(2.8)可知，ε作为惩罚项，其值越小，则a_k越大，此时图像边缘越清晰；ε越大，则a_k越小，此时图像边缘越模糊，平滑力度越大；

2.3、图像质量的评价方法：

采用峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)、结构相似性(SSIM)和信息熵H三种评价方法：

PSNR的计算公式如下：

其中，A表示在图像中，其位数所能表示的最大值，若为8bits，则最大值255，PSNR的单位为dB，其值越大，代表图像失真越少，即图像的质量越好；

SSIM评价方法定义如下：

SSIM(A,B)＝|l(A,B)^α|×|c(A,B)^β|×|s(A,B)^γ| (2.12)

其中，A、B分别代表参考图像和待评价的图像，α,β,γ均为常数，其数值不大于0，这三个数值代表了对应的函数部分在SSIM中的权重。l(A,B)为图像A和B的亮度相似函数，c(A,B)为A和B的对比度相似函数，s(A,B)为A和B的结构相似函数，三者的定义公式分别如下：

在上述三个公式中，

为图像A,B的平均灰度值，σ_A,σ_B为A,B的方差，σ_AB为协方差。C₁,C₂,C₃是引入的常数，作用是避免分母为0，在实际应用中α＝β＝γ＝1,

则该公式可改写为：

SSIM的取值范围是[0,1]，越接近于1，则表明二者结构相似度越高，其失真也就越小，即图像的质量越好；

信息熵H评价方法从信息论的角度出发，其信息熵越大，表示图像的信息量越大，即图像细节越丰富，其计算公式如下：

式中，p_i表示图像中灰度值为i的像素个数占整体像素个数的比例。

3、大气光可以认为是无穷远处的一个大气光源，在多数情况下可以认为大气光就是图像中的天空区域光强，所以，要获得更准确的大气光就必须针对图像中的天空区域进行研究。

3.1大气光估计方法：

在去雾领域中，很多图像中并没有或者很少存在天空区域，本申请提出类天空区域，类天空区域满足两个特点：1、亮度值普遍较高，2、作为背景出现。在图像分割中的算法中，OTSU算法能够分割出前景和背景，并且满足亮度值普遍较高的要求，且有运算复杂度低、速度较快的优点；

具体的，通过OTSU算法对图像进行处理，得到处理后的阈值为B，即可知在0-B区间内非类天空区域，在B-1之间为类天空区域。

3.1.1 OTSU算法：

OTSU算法又称为最大类间方差法，是一种将前景与背景进行最优化阈值分割的算法，目的是所采用的阈值要使分割后产生的前景与背景图像的类间方差最大，该算法有计算复杂度低、算法稳定的优点，因此被广泛使用。

该算法的原理为：假设图像f(x,y)含有L个灰度级，因其邻域平滑图像g(x,y)是通过对原图像进行均值滤波而得，所以g(x,y)也含有L个灰度级。此时，每个像素都可由两个数值表示：像素灰度值、邻域平均灰度值，可以将这样的现象表示为二元组(i，j)，其中i表示像素灰度值，j表示邻域平均灰度值。用f_ij表示二元组(i，j)在同一位置出现的次数，并由此可以构建出二维直方图，从而实现最优阈值分割。

采用OTSU算法对雾天图像进行类天空的分割实验，其结果如图2、图3所示，OTSU算法分割的类天空区域符合要求；

3.1.2加权平均求取大气光A值：

将有雾图像设为I(x)，其像素总数为N，设类天空区域为B(x)，其像素总数为n，雾天图像的暗原色为：

则暗原色图中的最大像素值I_{d_max}可表示为：

I_{d_max}＝max(I^dark(x)) (3.19)

类天空区域的像素通道最大值的均值B_mean为：

此时，改进的加权大气光可以表示为：

A＝wB_mean+(1-w)I_{d_max} (3.21)

式中，

表示类天空区域的权值。此时，所求得的大气光A值更为准确且鲁棒性更强。

3.2暗亮原色先验算法：

像素通道最大值接近于1的像素虽然在图像中并非大规模普遍存在，但是在图像中总有一些区域呈现上述特征，如浓雾区域、高亮区域和明亮的天空区域等，而在这些区域中，暗通道也呈现出极大的数值，因此在这些区域并不符合暗原色先验的先决条件，本文将这些区域称之为亮原色区域，并针对这些区域，提出一种亮原色先验方法，凡是暗通道数值大于大气光A值的区域，为亮原色区域。因此，可将亮原色区域表示如下：

式中，J(x)表示无雾图像像素值，J^light(x)表示无雾图像的亮原色，亮原色值为极大的一个值，其大小等于1或接近于1。

则雾天图像的亮原色区域可表示为：

式中，I(x)表示雾天图像，I^light(x)表示雾天图像的亮原色。

则雾天图像的暗原色区域可表示为：

此时，将公式(3.23)与公式(3.24)相结合，可得出暗亮原色图，其公式表示如下：

式中，I^dl(x)表示本小节提出的暗亮原色值，其集合即为暗亮原色图。

3.3粗透射率估计算法：

根据公式(2.7)变形后的雾天退化模型，对式两边同时取颜色通道最大值，可得：

式中，c表示r、g、b三通道，

表示在亮原色区域内滤波窗口中所假设为固定值的透射率。此时，对公式(3.26)两边求区域最大值运算，可得：

式中，Ω(x)表示以像素x为中心点的滤波区域。

将J^light(x)→1和公式(3.23)带入式(3.27)，可将其简化并变形如下：

式中，ω∈[0,1]是为了保留少量的雾气以提高图像真实性，A为本文所提出的改进的大气光值。

将式(3.28)与式(2.12)相结合，可最终求得粗估计的透射率t_dl(x)为：

式中，I^dl(x)为暗亮原色图中在x处的像素值。

3.4自适应权重ω值取值方法：

根据式(2.12)可知ω∈[0,1]，其取值越高，去雾程度越高，在He的论文中，考虑到人眼看图像的真实性，取ω＝0.95，来保留少量的雾，但ω＝0.95并不适用于所有图像。

由于去雾效果跟ω值关系较大，且不同的图像，均有与之相适应的ω值。所以将ω值人为的设定为一个固定值并不合适。通过实验本文发现，ω值与归一化后的A值越接近，相应的取得的效果越好，因此，本文对此进行改进，将ω值直接取为归一化后的A值。则公式(3.32)优化改进如下：

由于在亮原色区域内，少量的雾对视觉效果的影响极为有限，而且改进后也不能对计算复杂度进行优化，因此，无需对亮原色区域改进。当在暗原色区域内，此公式不仅改进了图像去雾效果，而且简化了公式，减小了计算复杂度。

3.5自适应尺度的滤波算法：

在最小滤波算法中，研究人员多采用固定尺度的滤波窗口。这样的做法并不适用于所有图像。因此，针对这种问题，需充分考虑到雾天图像大小的影响因素，所以本文采用了根据原图大小的自适应尺度的滤波窗口。又根据滤波窗口不宜小于3*3，假设雾天图像的大小为M*N，最小滤波的窗口尺度为R，则公式如下：

R＝floor[max(3,M*0.01,N*0.01)] (4.2)

式中，floor表示向0取整。

在引导滤波应用于暗原色先验的去雾算法中时，许多学者往往根据经验常把最小滤波窗口取值为R＝15，把引导滤波窗口取值为r＝60，二者呈4倍关系。因此，根据学者们的研究经验，本文将引导滤波的窗口尺度改进如下：

r＝4*floor[max(3,M*0.01,N*0.01)] (4.3)

式中，r表示引导滤波的滤波窗口尺度。

4、雾天图像恢复实验与结果分析：

4.1实验配置：

本文采用的软件为Matlab2016b，操作系统为win7系统，硬件采用的处理器为英特尔第四代酷睿i3-4150，主板为华硕B85M-F，内存为8GB。以上即为本文实验所采用的配置；

4.2实验结果与分析

4.2.1透射率对比实验及最终去雾效果图

将现有算法与本文算法进行对比试验，包括透射率的对比试验和最终去雾效果图，

对三个不同地方不同场景进行试验：

实施例1，在图4a、b、c和图5c、d中，方框内为浓雾区域，可以明显看出，图5中c中方框内浓雾处颜色呈现浓郁的暗黄色，失真现象严重，并且在边缘处有轻微的白色雾状现象，说明图5中c滤波不够充分，相比之下，图5中d则恢复良好，在方框区域外，图5中c依然有一条严重的暗黄色带，并且整个图像灰暗，出现严重的失真现象，相比之下，图5中d恢复色彩明亮，效果良好。

实施例2，在图6和图7中，方框内为高亮区域。可以明显看出，在方框内，图7中c将原图中的白色恢复为部分蓝色，出现失真，相比之下，图7中d没有出现失真现象，方框内的恢复效果非常好。在方框区域外，图7中c在建筑物轮廓处有白色雾状现象，说明滤波不够充分，且图像中城市区域和河流偏暗，相比之下，图7中d恢复效果良好。

实施例3，在图8和图9中，方框内为白色天空区域。可以明显看出，在方框内，图9中c将原图中白色区域恢复成了一块暗灰色、一块灰蓝色，且有方块效应，失真情况严重，恢复效果极差，相比之下，图9中d虽也有轻微的白色光晕，但整体要远好于图9中c。在方框区域外，图9中c在第一栋大楼处有轻微白色雾状现象，而且图像整体呈暗灰色，相比之下，图9中d在图像边缘处没有明显的雾状现象，且恢复图像较为明亮，图像整体恢复效果良好。

根据上文可知，现有算法主要有不适用于大面积白色区域和恢复图像偏暗的缺点。，本文算法对白色区域恢复良好，且整体图像明亮，色彩真实，说明本文算法对现有算法缺点进行了有效的改进。

4.2.2多种算法对比实验

本文选取Retinex算法、Fattal的算法、He的算法与本文算法进行对比实验，并采用主观评价和客观评价相结合的方法对实验结果进行对比分析，其中，客观评价指标采用PSNR、信息熵H和SSIM，其实验结果如下：

第一组对比实验：

本组实验采用的原图图像为工厂雾天图像，本实验将采用上述3种算法分别对原图进行去雾处理，其实验结果如下图10和图11所示；

表4-1工厂图像去雾后客观评比结果

表4-1为采用PSNR、信息熵H和SSIM客观评价方法对工厂图像去雾后的客观评比结果。从表4-1可以看出，Fattal的算法去雾后数据最差，这从图10和图11的对比图中也能明显的看出；本文算法的三项客观评价数值均为最高，表明在此图中，本文算法取得了最好的去雾效果。

在图10和图11中，Retinex算法去雾后图像呈暗灰色，Fattal的算法去雾后的天空区域呈现鲜艳的蓝色和白色，地面区域呈现黑色，以上两种算法去雾后失真现象严重；从主观上看，本文算法优于以上算法，本文算法在去雾后最大程度的保留了原有色彩，失真程度最低，视觉效果最佳。

第二组对比试验

本组实验采用的原图图像为城市雾天图像，本实验将采用与上组实验相同的3种算法分别对原图进行去雾处理，其实验结果如下图12和图13所示：

在图12和图13中，很明显可以看出，Retinex算法和Fattal的算法去雾后色彩失真现象严重，且在高亮的白云区域去雾后呈现蓝色的失真现象，效果不佳；相比之下，本文算法在去雾后有最佳的视觉效果，且更加自然真实。

表4-2城市图像去雾后客观评比结果

第三组对比实验：

本组实验采用的原图图像为沿海城市雾天图像，本实验将采用与前两组实验相同的3种算法分别对原图进行去雾处理，其实验结果如下图14和图15所示：在图14和图15中，Retinex算法去雾后呈现暗灰色，Fattal的算法去雾后天空区域过亮，左侧城市区域呈现黑色，以上算法均出现不同程度的失真现象；本文算法去雾后的图像沿海处不如He的算法清晰，但失真程度最低，天空区域衔接自然，视觉效果最为真实良好。

表4-3沿海城市图像去雾后客观评比结果

Fattal的算法在多数情况下去雾后图像效果不够理想；Retinex算法则容易出现暗灰色，色彩失真现象严重；He的算法和多尺度引导滤波去雾后容易出现图像偏暗的情况，而雾天交通场景中单幅图像去雾则容易出现图像偏亮的情况，去雾后的图像均不够自然；相比上述算法，本文算法在去雾后的失真程度上有一定优势，去雾效果良好，且在视觉效果上表现的更加真实自然。加权平均的估算方法，使得大气光值更为准确。然后以A值为作为暗原色和亮原色的区分阈值，提出了一种暗亮原色先验的去雾算法，该方法引入了在白色区域元素值接近于1的先验知识，并通过改进相应的透射率计算公式，使得估算的透射率更为准确。在对透射率进行细化的过程中，本文引入了自适应权重ω值和自适应尺度的滤波算法，使得改进后的透射率更加精细，并且去雾后的图像视觉效果更加真实。最后，通过实验对比发现，本文算法相对其他算法在视觉效果上表现的更为真实自然，客观评价指标也较为良好。

Claims (2)

1.一种基于暗亮原色先验与自适应参数优化的图像去雾方法，其特征在于，包括以下步骤：

步骤1)、对获取的有雾原图进行OTSU算法处理，得到类天空区域的数值，类天空区域是满足亮度高的背景，对获取的有雾原图通过暗原色先验算法处理得到暗原色先验算法数值，将类天空区域的数值与暗原色先验算法得到的数值进行加权处理，从而得到加权平均的大气光A值；具体的：设图像f(x,y)含有L个灰度级，通过对原图像进行均值滤波得到邻域平滑图像g(x,y)，g(x,y)含有L个灰度级，每个像素都可由两个数值表示：像素灰度值、邻域平均灰度值，可以将这样的现象表示为二元组(i，j)，其中i表示像素灰度值，j表示邻域平均灰度值，用f_ij表示二元组(i，j)在同一位置出现的次数，并由此可以构建出二维直方图，从而实现最优阈值分割；将有雾图像设为I(x)，其像素总数为N，设类天空区域为B(x)，其像素总数为n，雾天图像的暗原色为：

则暗原色图中的最大像素值I_{d_max}可表示为：

I_{d_max}＝max(I^dark(x)) (3.19)

类天空区域的像素通道最大值的均值B_mean为：

加权大气光A值表示为：

A＝wB_mean+(1-w)I_{d_max} (3.21)

式中，

表示类天空区域的权值；

步骤2)、以大气光A值为阈值，将大于等于大气光A值的区域定义为亮原色区，小于大气光A值的定义为暗原色区，从而得到暗亮原色先验理论：

暗亮原色先验理论：暗通道数值大于大气光A值的区域，为亮原色区域，将亮原色区域表示如下：

式中，J(x)表示无雾图像像素值，J^light(x)表示无雾图像的亮原色，亮原色值大小等于1；

则雾天图像的亮原色区域可表示为：

式中，I(x)表示雾天图像，I^light(x)表示雾天图像的亮原色；

则雾天图像的暗原色区域可表示为：

此时，将公式(3.23)与公式(3.24)相结合，可得出暗亮原色图，其公式表示如下：

式中，I^dl(x)表示暗亮原色值，其集合即为暗亮原色图；

步骤3)、将雾天图像退化模型与暗亮原色先验理论相结合，从而得到粗透射率；

步骤4)、通过自适应权重ω值取值算法，对粗透射率进行优化；

根据公式(2.7)变形后的雾天退化模型，对式两边同时取颜色通道最大值，可得：

式中，c表示r、g、b三通道，

表示在亮原色区域内滤波窗口中所假设为固定值的透射率，对公式(3.26)两边求区域最大值运算，可得：

式中，Ω(x)表示以像素x为中心点的滤波区域；

将J^light(x)→1和公式(3.23)带入式(3.27)，可将其简化并变形如下：

式中，ω∈[0,1]是为了保留少量的雾气以提高图像真实性，A为大气光值，

将式(3.28)与式(2.12)相结合，可最终求得粗估计的透射率t_dl(x)为：

式中，I^dl(x)为暗亮原色图中在x处的像素值；

将ω值直接取为归一化后的A值，则公式(3.32)优化改进如下：

步骤5)、通过自适应引导滤波算法对优化后的粗透射率进行细化，从而得到细透射率；

步骤6)、最后将原有雾图像、加权平均的大气光A值和求得的细透射率一起代入雾天图像退化模型，最终得到去雾后的图像。

2.根据权利要求1所述的基于暗亮原色先验与自适应参数优化的图像去雾方法，其特征在于，引导滤波的窗口尺度如下：

r＝4*floor[max(3,M*0.01,N*0.01)] (4.3)

式中，floor表示向0取整，r表示引导滤波的滤波窗口尺度。

Images