CN109934779B - 一种基于导向滤波优化的去雾方法 - Google Patents

Abstract

本发明公开了一种基于导向滤波优化的去雾方法，首先，在求解透射率的目标函数中加入边缘感知因子，该因子的作用就是使得边缘在结果图中得到很好地保留，同时，通过边缘感知项判断出每个像素对于全局引导图像的重要性；其次，对全局大气光值进行了求均值的计算，使得该值具有代表性；最后，根据求得的透射率和大气光值通过雾图形成模型，将原始有雾图像恢复成清晰的无雾图像。本发明去雾相比之前的效果细节增强明显、有较高的清晰度。

Description

一种基于导向滤波优化的去雾方法

技术领域

本发明属于数字图像处理技术领域，具体涉及了一种基于导向滤波优化的单幅自然图像去雾算法。

背景技术

近年来，随着计算机与多媒体的不断发展，图像处理技术在生活中的各个领域都有越来越多的应用。

计算机视觉系统给我们展示了一个多彩的世界，但与此同时，外界因素的干扰也不容忽视。例如雾霾天气，在雾天环境下拍摄场景时，由于大气中存在随机介质，如悬浮颗粒、雾、霾等，光从物体表面反射到达相机的过程中发生了散射偏离了原来的传播路径而衰减，导致拍摄的图像细节模糊、对比度低、色彩暗淡等。多数的自动系统例如：车载导航、交通监管系统、航空拍摄等对于输入图像要求很严格，因此对去雾技术的不断进步也是社会的需要。

图像去雾算法大致可以分成两大类：一类是图像增强；另一类是图像复原。图像增强仅仅是通过提高图像的对比度来达到去雾的效果，并不是对图像降质的本质原因研究，处理后的图像通常出现过度饱和、色彩失真严重、去雾不彻底等现象。图像复原是基于去雾模型进行去雾，从图像降质的本质入手，处理后的图像通常比较清晰、色彩失真不严重、色彩更加自然化。基于暗通道先验的去雾是基于雾模型去雾的处理后效果比较好的一种方法，结合导向滤波对透射率进行优化后，成像速度快、效果好，但使用此方法处理浓雾场景时，出现图像的部分区域去雾不彻底，平滑边缘等现象，针对这一现象，本发明提出了对导向滤波进行优化的算法，细化边缘信息，从而进一步提高透射率。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于导向滤波优化的去雾方法，通过引入明确的一阶边缘感知约束因子和像素位置感知因子，优化透射率，使得优化后的去雾图像比现有的基于导向滤波器的算法有更好的视觉外观，特别是在边缘附近，进一步改善去雾的效果，使得边缘细节得到更好的保留，提高图像质量。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于导向滤波优化的去雾方法，首先，在求解透射率的目标函数中加入边缘感知因子，该因子的作用就是使得边缘在结果图中得到很好地保留，同时，通过边缘感知项判断出每个像素对于全局引导图像的重要性；其次，对全局大气光值进行了求均值的计算，使得该值具有代表性；最后，根据求得的透射率和大气光值通过雾图形成模型，将原始有雾图像恢复成清晰的无雾图像。具体包括以下步骤：

步骤1、通过原始有雾图像作为引导图来强化修正粗略透射率图，将粗略透射率图中的结构信息调整到与原始结构信息相近，从而得到相对平滑还能将边缘局部信息保持的精细化透射率图；求解透射率的目标函数加入边缘感知因子，得到新的最小值目标函数，进而求得透射率；

步骤2、采用均值法计算大气光值；选择暗通道图中最亮的像素点，根据最亮的像素点的坐标分别在原图像的三个通道内找到这些像素点并加和，求取原图像的三个通道内各个通道的平均值作为大气光值；

步骤3、根据求得的透射率和大气光值，通过雾图形成模型，将原始有雾图像恢复成清晰的无雾图像。

优选的：步骤1求解投射率的方法如下：

步骤11，根据原始有雾图像和精细化后的透射率图建立导向滤波的线性模型；

导向滤波的线性模型如下：

式中，W_i是输出图像，即精细化后的透射率图，Z_k是像素k为中心的窗口，(a_k,b_k)为

W_i和D_i之间线性关系的映射系数，D_i是引导图，即原始有雾图像；

步骤12，输入图像I和输出图像W之间的差值记为n，两者的关系如下所示：

式中，W_i是输出图像，n为图像的噪声，通过估计输入图像I和输出图像W之间的最小化差异，记为min n,最终求得式(1)中的线性系数(a_k,b_k),最小化差值描述的目标函数E(a_k,b_k)表示为：

式中，∈是惩罚因子且值是固定的；

步骤13，在式(3)中加入边缘感知因子

和判断窗口位置

则新的最小值目标函数定义如下：

其中，λ表示设定常数为(0.001*L)²,其中L是原始输入图像的最大像素值与最小像素值之差，N是窗口Z_k中像素i的数量，

代表引导图中所有像素值的重要性，χ(k)定义为σ_D,1(p′)σ_D,δ(p′)，其中，δ为滤波的窗口大小，μ定义为

步骤14，根据式(4)的最优化问题，根据目标函数求的a_k,b_k：

式(7)中，a_k分子的第一项是D*I在窗口Z_k中取均值，采用盒式滤波的方法求解，a_k分子的第二项中

和

分别是D和I在窗口Z_k中的均值，即

步骤15，对式(7)、(8)取平均值得到

如下所示：

式(9)、(10)中的|m|是整张图中窗口的个数；

得出基于优化后的导向滤波的透射率为：

若像素k处于边缘，则窗口位置值

接近1；若像素处于区域，则窗口位置值

接近0。优选的：引入影响因子g，0<g<1，得到最终的透射率t(x)′如式(12)所示：

t(x)′＝1-g*t(x) (12)。

优选的：步骤2中的大气光值A的求解方法：

步骤21，选择暗通道图中总像素点个数千分之一个最亮的像素点，记录像素点(x,y) 坐标；

步骤22，根据点的坐标分别在原图像的三个通道(r,g,b)内找到这些像素点并加和得到(sum_r,sum_g,sum_b)；

步骤23，取各个通道的平均值作为A_c值：

A_c值的公式定义如下：

A_c＝[A_r,A_g,A_b] (13)

其中，A_r＝sum_r/N，A_g＝sum_g/N，A_b＝sum_b/N。

优选的：步骤3中将原始有雾图像恢复成清晰的无雾图像；

雾图形成模型如下：

I(x)＝J(x)t(x)+A(1-t(x)) (14)

其中，I(x)表示有雾图像，J(x)表示去雾后的图像，A表示大气光值，t(x)表示透射率；

通过步骤1求得t(x)值，通过步骤2求得A值，已知I(x)的值，直接可以求得目标值J(x)；即待恢复的无雾图像：

其中，J(x)表示去雾后的图像，即目标值。

本发明相比现有技术，具有以下有益效果：

本发明是基于导向滤波优化的暗通道去雾算法，通过优化透射率的方法，针对去雾不彻底、平滑性差等问题，能有效的改善去雾算法的最终成像图。

附图说明

图1基于导向滤波优化的去雾方法的流程图

图2计算优化后透射率的流程图

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

在图像处理上，导滤波器是一种能使图像平滑化的非线性滤波器，与大多数非线性滤波器相同，它能够在清楚保持图像边界的基础上，达到让图像平滑的效果。在有雾场景中，导向滤波的导向图的作用就是确定边缘，而导向图本身就是原始有雾图像的暗通道图，用此方法虽然可以保留一定的边缘特征，但是边缘的细节特征仍不是特别清晰，边缘信息并不能到更好的保留，因此需要对该导向滤波进行优化。

当我们在求解透射率时加入一阶边缘感知因子，该因子的作用就是使得边缘在结果图中得到很好地保留，通过边缘感知项也可以判断出每个像素对于全局引导图像的重要性。当图像滤波和保留边缘一起考虑时，不可避免的遭受边缘平滑，尤其是当一些处理后的无雾风景图图像边缘可能出现光晕，该发明也可以有效地改善边缘附近的图像。因此，该发明提出的优化后的导向滤波去雾相比之前的效果细节增强明显、具有较高的清晰度等优点。

方法流程：

如图1所示，如图1所示，本发明提出一种基于导向滤波优化的去雾方法，该发明的具体步骤如下：

(一)计算基于导向滤波优化后的透射率t(x)；

(二)采用均值法计算大气光值A_c；

(三)根据去雾模型，获得去雾图像；

步骤1的具体说明：

导向滤波的原理:通过原始的有雾图像来强化粗略透射率图的细节信息，用引导图像进行修正，通过引导图，我们可以确认哪些是边缘，哪些是区域。将粗略透射率图中的结构信息调整到与原始结构信息相近，从而得到相对平滑还能将边缘局部信息保持的精细化透射率图，使复原后的图像细节更丰富，更真实。

导向滤波的线性模型如下：

式中，W_i是输出图像，即精细化后的透射率图，Z_k是像素k为中心的窗口，(a_k,b_k)为W_i和D_i之间线性关系的映射系数，D_i是引导图，即原始有雾图像；

输入图像I和输出图像W之间的差值记为n，两者的关系如下所示：

式中，W_i是输出图像，n为图像的噪声，通过估计输入图像I和输出图像W之间的最小化差异，记为min n,最终求得式(1)中的线性系数(a_k,b_k),最小化差值描述的目标函数E(a_k,b_k)表示为：

式中，∈是惩罚因子且值是固定的；

在式(3)中加入边缘感知因子

和判断窗口位置

则新的最小值目标函数定义如下：

其中，λ表示设定常数为(0.001*L)²,其中L是原始输入图像的最大像素值与最小像素值之差，N是窗口Z_k中像素i的数量，

代表引导图中所有像素值的重要性，χ(k)定义为σ_D,1(p′)σ_D,δ(p′)，其中，δ为滤波的窗口大小，μ定义为

根据式(4)的最优化问题，根据目标函数求的a_k,b_k：

a_k分子的第一项是D*I在窗口Z_k中取均值，采用盒式滤波的方法求解，a_k分子的第二项中

和

分别是D和I在窗口Z_k中的均值，即

对式(7)、(8)取平均值得到

如下所示：

式(9)、(10)中的|m|是整张图中窗口的个数；

得出基于优化后的导向滤波的透射率为：

在计算透射率时，通常引入影响因子g(0<g<1)，一般设定g＝0.95,保留一定程度的雾气，让人感觉到景深的存在，在一定程度上也美化的图像。得到最终的透射率如式(12)所示：

t(x)′＝1-g*t(x) (12)

步骤2的具体说明：

该发明并没有直接在暗通道图中提取亮度值前0.1％的像素，将其对应的有雾图中的最高亮度的点的值作为A值。使用该方法处理出来的A通常并不是雾最浓时的像素值，同时如果只取一个点，那么各个通道的A值可能全部都接近255，会造成处理后的图像偏色和输出大量色斑。本文提出了一种估算大气光值A的新方法，具体步骤如下：

1)选择暗通道图中总像素点个数千分之一(N/1000)个最亮的像素点，记录像素点(x,y) 坐标；

2)根据点的坐标分别在原图像的三个通道(r,g,b)内找到这些像素点并加和得到(sum_r, sum_g,sum_b)；

3)取各个通道的平均值作为A_c值；

A_c值的公式定义如下：

A_c＝[A_r,A_g,A_b] (13)

其中式(13)中的中A_r＝sum_r/N，A_g＝sum_g/N，A_b＝sum_b/N；

步骤三的具体说明：

首先，在计算机视觉和计算机图形中，下述方程所描述的雾图形成模型被广泛使用：

I(x)＝J(x)t(x)+A(1-t(x)) (14)

现在通过步骤1求得A值，通过步骤2求得t(x)值，已知I(x)的值，直接可以求得目标值J(x)。即待恢复的无雾图像：

本发明主要是通过提高透射率的办法，解决导向滤波去雾后边缘的细节特征仍不是特别清晰的问题。使用该发明的方法去雾相比之前的效果细节增强明显、有较高的清晰度等优点。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于导向滤波优化的去雾方法，其特征在于，包括以下步骤：

步骤1、通过原始有雾图像作为引导图来强化修正粗略透射率图，将粗略透射率图中的结构信息调整到与原始结构信息相近，从而得到相对平滑还能将边缘局部信息保持的精细化透射率图；求解透射率的目标函数加入边缘感知因子，得到新的最小值目标函数，进而求得透射率；求解投射率的方法如下：

步骤11，根据原始有雾图像和精细化后的透射率图建立导向滤波的线性模型；

导向滤波的线性模型如下：

式中，W_i是输出图像，即精细化后的透射率图，Z_k是像素k为中心的窗口，(a_k，b_k)为W_i和D_i之间线性关系的映射系数，D_i是引导图，即原始有雾图像；

步骤12，输入图像I和输出图像W之间的差值记为n，两者的关系如下所示：

式中，W_i是输出图像，n为图像的噪声，通过估计输入图像I和输出图像W之间的最小化差异，记为min n，最终求得式(1)中的线性系数(a_k，b_k)，最小化差值描述的目标函数E(a_k，b_k)表示为：

式中，∈是惩罚因子且值是固定的；

步骤13，在式(3)中加入边缘感知因子

和判断窗口位置

则新的最小值目标函数定义如下：

其中，λ表示设定常数，N是窗口Z_k中像素i的数量，

代表引导图中所有像素值的重要性，χ(k)定义为σ_D，1(p′)σ_D，δ(p′)，δ为滤波的窗口大小，μ定义为

步骤14，根据式(4)的最优化问题，根据目标函数求的a_k，b_k：

式(7)中，a_k分子的第一项是D*I在窗口Z_k中取均值，采用盒式滤波的方法求解，a_k分子的第二项中

和

分别是D和I在窗口Z_k中的均值，即

步骤15，对式(7)、(8)取平均值得到

如下所示：

式(9)、(10)中的|m|是整张图中窗口的个数；

得出基于优化后的导向滤波的透射率为：

步骤2、采用均值法计算大气光值；选择暗通道图中最亮的像素点，根据最亮的像素点的坐标分别在原图像的三个通道内找到这些像素点并加和，求取原图像的三个通道内各个通道的平均值作为大气光值；

步骤3、根据求得的透射率和大气光值，通过雾图形成模型，将原始有雾图像恢复成清晰的无雾图像。

2.根据权利要求1所述基于导向滤波优化的去雾方法，其特征在于：若像素k处于边缘，则窗口位置值

接近1；若像素处于区域，则窗口位置值

接近0。

3.根据权利要求2所述基于导向滤波优化的去雾方法，其特征在于：引入影响因子g，0＜g＜1，得到最终的透射率t(x)′如式(12)所示：

t(x)′＝1-g*t(x) (12)。

4.根据权利要求3所述基于导向滤波优化的去雾方法，其特征在于：步骤2中的大气光值A的求解方法：

步骤21，选择暗通道图中总像素点个数千分之一个最亮的像素点，记录像素点(x，y)坐标；

步骤22，根据点的坐标分别在原图像的三个通道(r，g，b)内找到这些像素点并加和得到(sum_r，sum_g，sum_b)；

步骤23，取各个通道的平均值作为A_c值：

A_c值的公式定义如下：

A_c＝[A_r，A_g，A_b] (13)

其中，A_c表示各个通道的平均值，A_r＝sum_r/N，A_g＝sum_g/N，A_b＝sum_b/N，(r，g，b)表示原图像的三个通道。

5.根据权利要求4所述基于导向滤波优化的去雾方法，其特征在于：步骤3中将原始有雾图像恢复成清晰的无雾图像

雾图形成模型如下：

I(x)＝J(x)t(x)+A(1-t(x)) (14)

其中，I(x)表示有雾图像，J(x)表示去雾后的图像，A表示大气光值，t(x)表示透射率；

通过步骤1求得t(x)值，通过步骤2求得A值，已知I(x)的值，直接求得目标值J(x)；即待恢复的无雾图像：

其中，J(x)表示去雾后的图像。

Images