CN109767407B - 一种去雾过程中大气透射率图像的二次估计方法 - Google Patents

Abstract

本发明公开了一种去雾过程中大气透射率图像的二次估计方法，获取雾霾天气下的雾化降质图像；使用区域最小值滤波，获取其暗通道图像；根据暗通道图像，获取全局大气光值及图像的原始场景透射率；采用引导滤波器，对原始场景透射率进行滤波，得到场景透射率的粗估计；将场景透射率粗估计进行最小方差中值引导滤波，得到最终场景透射率；利用最终场景透射率，复原雾化降质图像。本发明采用最小方差中值引导滤波对场景透射率二次估计，能够有效保留图像内部纹理信息，改善了传统暗通道去雾算法获取复原图像的纹理信息及边缘信息丢失，提升了图像复原质量，相较于传统算法，使图像内部信息更好的保留下来。

Description

一种去雾过程中大气透射率图像的二次估计方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种去雾过程中大气透射率图像的二次估计方法。

背景技术

随着数字图像采集技术和处理技术的飞速发展，图像已成为人们获取信息的重要信息，图像中包含有大量的纹理信息和边缘信息，例如机器视觉中的目标跟踪与检测、图像拼接技术等都需要图像中信息的获取。

而由于近年来空气质量的影响，导致雾霾天气的频频出现，雾霾天气导致能见度降低，给人们的日常生活和出行带来很大影响，也使一些设备采集到图像的质量下降，从而对于纹理、边缘等信息的获取造成的极大影响。而且雾霾天气所导致的图像降质，图像离焦模糊对原有的图像后续处理算法产生了极大影响。而利用雾霾降质图像去雾算法对雾霾天气下获得的降质的图像进行处理，能够获得大量的有用信息。

传统的暗通道去雾算法中，在求得大气透射率矩阵后，使用原图作为模板进行一次引导滤波以求出修正后的大气透射率矩阵，然而由于引导滤波是以模板图像与待滤波图像间待差异作为滤波标准，忽视了模版图像和待滤波图像本身的图像结构关系。因此，对去雾过程中大气透射率图像进行二次估计是十分有意义的。

发明内容

本发明的目的在于一种去雾过程中大气透射率图像的二次估计方法，以克服上述现有技术存在的缺陷，本发明对引导滤波进行改进，采用八区域最小方差检测算子，能有效的检测到图像内部结构间的联系，同时对模版图像与待滤波图像间的差别权重和差别偏移进行修正，改善了传统引导滤波器只能检测图像间信息而忽视内部结构的不足，使其获得的图像在原有基础上内部结构信息得到了良好的保留，在后续去雾处理获得的复原图片具有较多的纹理及边缘信息。

为达到上述目的，本发明采用如下技术方案：

一种去雾过程中大气透射率图像的二次估计方法，包括以下步骤：

步骤1：获取雾霾天气下的雾化降质图像；

步骤2：将步骤1得到的雾化降质图像进行区域最小值滤波获取其暗通道图像，记为I_dark；

步骤3：将步骤2得到的暗通道图像按降序排列，选取前0.1％的像素值，求其平均值作为全局大气光值，记为A，并对获得的暗通道图像进行处理，获得场景透射率粗估计图像，记为t_estimate；

步骤4：将步骤3所获得的场景透射率粗估计图像t_estimate进行引导滤波，得到场景透射率一次估计值t_modify；

步骤5：对步骤4处理后的场景透射率一次估计值t_modify进行最小方差中值引导滤波得到最终场景透射率t_filter；

步骤6：由步骤5得到的最终场景透射率t_filter恢复雾化降质图像J。

进一步地，步骤3中将步骤2中获得的暗通道图按如下公式进行处理：

其中，ω为去雾系数，A为全局大气光值，I_RGB为输入图像三个通道值。

进一步地，将步骤3所获得的场景透射率粗估计图像t_estimate采用如下公式进行引导滤波：

t_modify＝GF(I_RGB,t_estimate,r_GF,ε_GF)

其中，r_GF为局部窗口半径，ε_GF为正则化参数，引导滤波GF模型如下：

式中，v_i是输出图像，I_i是输入图像，i和k是像素索引，a_k和b_k是当窗口中心位于k时该线性函数的系数，为使拟合函数的输出值与真实值u之间的差距最小，通过最小二乘法，得到：

μ_k是I_i在窗口ω_k中的平均值，

是I在窗口ω_k中的方差，|ω|是窗口ω_k中像素的数量，

是待滤波图像u在窗口ω_k中的均值。

进一步地，步骤5中采用如下公式对步骤4处理后的场景透射率一次估计值t_modify进行最小方差中值引导滤波：

t_filter＝MVMGF(I_gray,t_modify,r_MVMGF,ε_MVMGF,s)

其中，I_gray为输入雾化降质图像所转换的灰度图像，r_MVMGF为最小方差中值引导滤波模版半径，ε_MVMGF为正则化参数，s为子采样率，MVMGF表示最小方差中值引导滤波。

进一步地，最小方差中值引导滤波MVMGF具体运行过程如下；

步骤5.1：首先，对输入雾化降质图像所转换的灰度图像I_gray以及场景透射率一次估计值t_modify进行预采样处理，即将图像缩小为原图像的

倍，减少冗余信息；然后，使用八方向滤波模版对图像进行滤波；

具体滤波过程为：分别计算模版内各自模块区域的方差，记为Var_old，并将该模块区域向外膨胀，再次计算方差，记为Var_new，若Var_new小于Var_old，将Var_new赋予Var_old，循环此操作直至Var_new大于Var_old或达到模块最大限度，然后返回各自区域内的Var_old，找出Var_old最小的区域，选取该区域中值作为中心像素值，分别对雾化降质图像所转换的灰度图像I_gray以及场景透射率一次估计值t_modify进行如上处理，分别得到处理后的图像I_{guide_mid}和I_{t_mid}；

步骤5.2：利用公式：

获取修正偏移权重

和误差权重

利用双线性插值，将

与

复原回原输入图像大小，其中：μ_{guide_mid}为处理后的引导图像I_{guide_mid}内的像素点，μ_{t_mid}为处理后的输入图像I_{t_mid}内的像素点；

利用公式：

获得经过最小方差中值引导滤波得到最终场景透射率t_filter。

进一步地，步骤6中采用如下公式将最终场景透射率t_filter恢复雾化降质图像J：

其中，I(x,y)为原雾化降质图像像素值，A为全局大气光值。

与现有技术相比，本发明具有以下有益的技术效果：

本发明采用多方向的最小方差中值引导滤波对场景透射率图进行二次处理。在对雾霾天气下的雾化降质图像进行暗通道去雾处理时，原暗通道去雾采用引导滤波对图像的场景透射率进行修正，在一定程度上可以提高图像的复原质量，但由于采用的引导模版是原雾化降质图像，因而在复原时，只能对复原图像的边界有较好的保留，对图像内部的纹理信息则忽视，因此采用改进的最小方差中值引导滤波方法对场景透射率进行二次修正。利用最小方差算子对图像进行处理，可以有效的保留图像内部的纹理信息，同时也对图像边缘信息增强，获得较为良好的场景透射率，对后续的图像处理及信息提取有很大的意义。

附图说明

图1是本发明的流程示意图；

图2是本发明与其它边缘检测算子对第一组雾霾天气下交通图像边缘检测效果对比图；

图3是本发明与其它边缘检测算子对第二组雾霾天气下交通图像边缘检测效果对比图；

图4本发明与其它边缘检测算子对第三组雾霾天气下交通图像边缘检测效果对比图；

图5本发明与其它边缘检测算子对第四组雾霾天气下交通图像边缘检测效果对比图；

在图2、图3、图4及图5中，(a)为原始雾霾天气下的雾化降质图像；(b)经典暗通道去雾算法得到的复原图像；(c)暗通道去雾算法使用传统引导滤波器对场景透射率一次修正得到的复原图像；(d)暗通道去雾算法使用最小方差中值引导滤波器对场景透射率二次修正得到的复原图像；

图6是本发明的八方向滤波模版图；其中，a-h依次为八方向滤波模板的第一子域、第二子域、第三子域、第四子域、第五子域、第六子域、第七子域、第八子域；

图7是本发明的某一模块操作流程图。

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，本发明提供一种去雾过程中大气透射率图像的二次估计方法，对暗通道去雾过程中的场景透射率图进行了二次估计。具体思路是，针对传统的引导滤波器只根据引导图与待滤波图之间的差异进行滤波，提出一个改进的最小方差中值引导滤波器，其对引导图像和输入图像使用最小方差中值算子进行预处理，提升了其本身图像内部结构纹理之间的联系，有效的将图像细节纹理反映在最终场景透射率图像上，将去雾后图像的纹理细节较好的反映出来。在整个过程中，使用新的滤波算子不仅增强了图像内部纹理特征信息，还增强了图像边缘轮廓信息特征，获得较好的去雾图像处理效果。

具体步骤如下：

步骤1：获取雾霾天气下的雾化降质图像；

步骤2：将步骤1得到的雾化降质图像进行区域最小值滤波获取其暗通道图像，记为I_dark；

步骤3：将步骤2得到的暗通道图像按降序排列，选取前0.1％的像素值，求其平均值作为全局大气光值，记为A，并对获得的暗通道图按如下公式进行处理，获得场景透射率粗估计图像，记为t_estimate：

其中，ω为去雾系数，A为全局大气光值，I_RGB为输入图像三个通道值；

步骤4：将步骤3所获得的场景透射率粗估计t_estimate进行引导滤波，得到一次估计场景透射率t_modify：

t_modify＝GF(I_RGB,t_estimate,r_GF,ε_GF)

其中，r_GF为局部窗口半径，ε_GF为正则化参数，引导滤波GF模型如下：

式中，v_i是输出图像，I_i是输入图像，i和k是像素索引，a_k和b_k是当窗口中心位于k时该线性函数的系数，为使拟合函数的输出值与真实值u之间的差距最小，通过最小二乘法，得到：

μ_k是I_i在窗口ω_k中的平均值，

是I在窗口ω_k中的方差，|ω|是窗口ω_k中像素的数量，

是待滤波图像u在窗口ω_k中的均值；

步骤5.1：对步骤4处理后的场景透射率一次估计值t_modify进行最小方差中值引导滤波得到最终场景透射率t_filter：

t_filter＝MVMGF(I_gray,t_modify,r_MVMGF,ε_MVMGF,s)

其中，I_gray为输入雾化降质图像所转换的灰度图像，r_MVMGF为最小方差中值引导滤波模版半径，ε_MVMGF为正则化参数，s为子采样率，最小方差中值引导滤波MVMGF具体运行过程如下；

步骤5.2：首先，对输入引导图像I_gray以及待滤波图像t_modify进行预采样处理，即将图像缩小为原图像的

倍，减少冗余信息；然后，使用八方向滤波模版对图像进行滤波，模版如图6所示；

具体滤波过程为：首先，分别计算模版内各自模块区域的方差，记为Var_old，并将该模块区域向外膨胀，再次计算方差，记为Var_new，若Var_new小于Var_old，将Var_new赋予Var_old，循环此操作直至Var_new大于Var_old或达到模块最大限度，具体某一模块操作如图7所示；

返回各自区域内的Var_old，找出Var_old最小的区域，选取该区域中值作为中心像素值，分别对引导图像I_gray和输入图像t_modify进行如上处理，分别得到处理后的图像I_{guide_mid}和I_{t_mid}；

步骤5.3：利用公式：

获取修正偏移权重

和误差权重

利用双线性插值，将

与

复原回原输入图像大小，其中：μ_{guide_mid}为处理后的引导图像I_{guide_mid}内的像素点，μ_{t_mid}为处理后的输入图像I_{t_mid}内的像素点。

利用公式：

获得经过最小方差中值引导滤波得到最终场景透射率t_filter；

步骤6：由步骤5得到的最终场景透射率t_filter恢复雾化降质图像J，即：

其中，I(x,y)为原雾化降质图像像素值，A为步骤3中得到的大气环境光值。

由图2可以看到处理后的效果，(a)为原始雾化降质图像，可见图像中有大量雾化降质噪声；(b)为使用传统暗通道去雾算法处理后结果，由于传统算法中未使用滤波器对获得到的原始场景透射率进行修正，因而可见图像中出现大量块状噪声，尤其在物体边缘区域更为严重；(c)为引入引导滤波对场景透射率一次修正后的暗通道去雾算法，可见虽然传统引导滤波能有效的保留图像的边界，减少块状噪声的出现，但其对非边缘区域近似进行了均值滤波，导致图像中纹理信息的大量丢失，从而导致模糊系数、平均梯度及灰度图像对比度等检测指标的下降，由结果中也可看出图像复原质量较差；(d)为使用本文方法，即最小方差中值引导滤波对场景透射率进行二次估计，可观察到相较于前两种去雾处理方法，本发明方法中含有较多的细节信息，例如图中大楼各楼层以及图像背景中的大桥等细节纹理信息复原处理较为良好，能够将原图中的纹理信息极大的保留下来。

表1图2各项参数指标

表1通过对比模糊系数、平均梯度及灰度图像对比度来比较处理后图像效果。由表1可知，使用传统引导滤波器对原始场景透射率进行一次估计后，虽然图像边缘信息保留较好，但由于图像内部纹理信息的丢失，致使复原图像模糊系数、平均梯度及灰度图像对比度下降；使用最小方差中值引导滤波器对场景透射率进行二次估计后，不仅保留了图像的边界信息，还将原雾化降质图像内物体的纹理信息较好体现于复原图像中，由本表三个参数的明显上升即可佐证。

由图3四幅图像可更直观的看到处理过后的效果，(a)为原始图像，可见图片整体被严重雾化降质；(b)为使用传统暗通道去雾算法处理后结果，可见复原图像中海面区域存在大量块状噪声，复原效果较差；(c)为为引入引导滤波对场景透射率一次修正后的暗通道去雾算法，可见海面区域块状噪声被有效的消除，但同时海面波纹也被模糊化，整体图像内的纹理细节大量丢失；(d)为使用本文方法，即最小方差中值引导滤波对场景透射率进行二次估计，可见图像中纹理细节相较于引导滤波器得到了大量保留，细节纹理信息较多。

表2图3各项参数指标

由本表可知，本发明方法可有效提升复原图像的参数。

表3图4及图5各项参数指标

本表为图4和图5中不同图像参数对比。

综上所述，本方法对雾化降质图像的场景透射率选取较为准确，去噪效果理想，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)

1.一种去雾过程中大气透射率图像的二次估计方法，其特征在于，包括以下步骤：

步骤1：获取雾霾天气下的雾化降质图像；

步骤2：将步骤1得到的雾化降质图像进行区域最小值滤波获取其暗通道图像，记为I_dark；

步骤3：将步骤2得到的暗通道图像按降序排列，选取前0.1％的像素值，求其平均值作为全局大气光值，记为A，并对获得的暗通道图像进行处理，获得场景透射率粗估计图像，记为t_estimate；

步骤4：将步骤3所获得的场景透射率粗估计图像t_estimate进行引导滤波，得到场景透射率一次估计值t_modify；

步骤5：对步骤4处理后的场景透射率一次估计值t_modify进行最小方差中值引导滤波得到最终场景透射率t_filter；

步骤6：由步骤5得到的最终场景透射率t_filter恢复雾化降质图像J。

2.根据权利要求1所述的一种去雾过程中大气透射率图像的二次估计方法，其特征在于，步骤3中将步骤2中获得的暗通道图按如下公式进行处理：

其中，ω为去雾系数，A为全局大气光值，I_RGB为输入图像三个通道值。

3.根据权利要求1所述的一种去雾过程中大气透射率图像的二次估计方法，其特征在于，将步骤3所获得的场景透射率粗估计图像t_estimate采用如下公式进行引导滤波：

t_modify＝GF(I_RGB,t_estimate,r_GF,ε_GF)

其中，r_GF为局部窗口半径，ε_GF为正则化参数，引导滤波GF模型如下：

式中，v_i是输出图像，I_i是输入图像，i和k是像素索引，a_k和b_k是当窗口中心位于k时该线性函数的系数，为使拟合函数的输出值与真实值u之间的差距最小，通过最小二乘法，得到：

μ_k是I_i在窗口ω_k中的平均值，

是I在窗口ω_k中的方差，|ω|是窗口ω_k中像素的数量，

是待滤波图像u在窗口ω_k中的均值。

4.根据权利要求1所述的一种去雾过程中大气透射率图像的二次估计方法，其特征在于，步骤5中采用如下公式对步骤4处理后的场景透射率一次估计值t_modify进行最小方差中值引导滤波：

t_filter＝MVMGF(I_gray,t_modify,r_MVMGF,ε_MVMGF,s)

其中，I_gray为输入雾化降质图像所转换的灰度图像，r_MVMGF为最小方差中值引导滤波模版半径，ε_MVMGF为正则化参数，s为子采样率，MVMGF表示最小方差中值引导滤波。

5.根据权利要求4所述的一种去雾过程中大气透射率图像的二次估计方法，其特征在于，最小方差中值引导滤波MVMGF具体运行过程如下；

步骤5.1：首先，对输入雾化降质图像所转换的灰度图像I_gray以及场景透射率一次估计值t_modify进行预采样处理，即将图像缩小为原图像的

倍，减少冗余信息；然后，使用八方向滤波模版对图像进行滤波；

具体滤波过程为：分别计算模版内各自模块区域的方差，记为Var_old，并将该模块区域向外膨胀，再次计算方差，记为Var_new，若Var_new小于Var_old，将Var_new赋予Var_old，循环此操作直至Var_new大于Var_old或达到模块最大限度，然后返回各自区域内的Var_old，找出Var_old最小的区域，选取该区域中值作为中心像素值，分别对雾化降质图像所转换的灰度图像I_gray以及场景透射率一次估计值t_modify进行如上处理，分别得到处理后的图像I_{guide_mid}和I_{t_mid}；

步骤5.2：利用公式：

获取修正偏移权重

和误差权重

利用双线性插值，将

与

复原回原输入图像大小，其中：μ_{guide_mid}为处理后的引导图像I_{guide_mid}内的像素点，μ_{t_mid}为处理后的输入图像I_{t_mid}内的像素点；

利用公式：

获得经过最小方差中值引导滤波得到最终场景透射率t_filter。

6.根据权利要求1所述的一种去雾过程中大气透射率图像的二次估计方法，其特征在于，步骤6中采用如下公式将最终场景透射率t_filter恢复雾化降质图像J：

其中，I(x,y)为原雾化降质图像像素值，A为全局大气光值。

Images