CN111127340A - 一种图像去雾方法 - Google Patents

Abstract

本发明公开了一种图像去雾方法，首先通过图像采集设备获取一幅室外有雾图像I，将其分离出RGB三通道值；然后对G通道进行直方图均衡化，确定滤波系数并对R、B通道再进行均衡化；同时将RGB三个通道的独立图像经过傅里叶变换到频域，经过巴特沃斯高通滤波器，得到滤波后的图像后经过傅里叶反变换；之后得到的均衡化后的图像和滤波后的图像相加，得到去雾图像并计算灰度值；最后改变滤波器参数知道输出去雾图像的灰度熵最大，即为最后结果。本发明克服了传统时域直方图均衡化后图像细节损失的缺点，图像的信息熵增加，图像质量更好，去雾效率高，易于算法的硬件实现。

Description

一种图像去雾方法

技术领域

本发明属于数字图像处理领域，具体涉及一种图像去雾方法。

背景技术

当前数字图像处理技术已经应用到人们日常生活的各个方面，交通监控、目标识别、无人驾驶等领域都对数字图像质量提出了高要求。但是随着世界工业的发展，汽车尾气、工业废气以及人类其他活动都加重了雾霾天气，严重影响了室外图像的采集质量，导致了图片模糊。因此，图像去雾有重要的研究意义。目前图像去雾方法主要有两种：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方法不是专门针对图像去雾领域，而是通过增强图像的对比度来提高图像清晰度，而有雾图像的特点就是图像对比度低。图像增强方法的优点是可以利用已有的成熟图像处理算法进行针对性运用,增强图像的对比度,突出图像中景物的特征和有价值的信息；缺点是可能会造成图像部分信息的损失,使图像失真。常用的图像增强去雾方法有直方图均衡化、Retinex算法、同态滤波等。其中直方图均衡化优点是算法简单、高效和易于硬件实现，缺点是会造成图像细节的丢失。

基于物理模型的复原方法主要是采用大气散射模型，通过研究大气悬浮颗粒对光的散射作用,建立大气散射模型，研究图像退化的物理机理，并复原出未降质前的图像。该方法虽然图像去雾效果较好，但是对包含天空等亮区域处理结果不理想，而且算法实现复杂，处理效果受实际环境制约，不易于硬件实现。常用的物理模型去雾方法有暗通道先验算法、建立能量最优化模型、Fattal算法等。

发明内容

(一)解决的技术问题

本发明针对现有技术中利用直方图均衡化去雾会损失图像细节的缺点，提出了一种图像去雾方法，基于时域直方图均衡化和频域滤波技术，增加图像动态范围的同时，加强图像细节，保证了去雾高效性，提高了图像去雾后的质量。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种图像去雾方法，其特征在于，包括如下步骤：

步骤(1)：采集一幅有雾图像I，将有雾图像I转成RGB图像并获取RGB数据，分离出R、G、B三个通道值；

步骤(2)：分别统计所述步骤(1)中R、G、B三个通道的直方图信息，首先对G通道值进行直方图均衡化操作，得到均衡化后的G’通道值，确定从G变化到G’的系数矩阵，将该系数矩阵作为滤波系数，对R、B通道再分别进行均衡化后得到R’和B’；

步骤(3)：分别对所述步骤(1)得到的R、G、B三个通道进行傅里叶变换到频域，然后分别经巴特沃斯高通滤波器滤波后，再分别进行傅里叶反变换，得到三个独立的滤波图像R”、G”、B”，各通道经过的巴特沃斯高通滤波器的转移函数为：

其中，h表示滤波器的频率响应，n表示滤波器的阶数，d₀表示滤波器的截止频率，d表示频域中的点到原点的距离，选定n值和d₀值；

步骤(4)：将所述步骤(2)得到的三个像素均衡化后的图像R’、G’、B’和步骤(3)得到的三个滤波图像R”、G”、B”相加，输出去雾图像并计算此时图像的灰度熵；

步骤(5)：循环执行步骤(3)、步骤(4)，步骤(3)中保持n值不变，改变d₀值，每执行一次步骤(3)和步骤(4)，得到新的输出去雾图像，并计算相应的输出去雾图像的灰度熵，当输出图像灰度熵达到最大值时，选择此时d₀的取值作为最终滤波器的参数，并将对应灰度熵最大值的输出去雾图像作为最终输出去雾图像I’。

优选的，所述步骤(2)中的直方图均衡化处理包括以下步骤：

步骤(21)：分别统计所述步骤(1)中RGB三个通道的像素个数N、最大像素值M和每个灰度值的像素个数N_i；

步骤(22)：计算G通道中每个灰度值i的发生频率f_i和累计密度函数p_i；

步骤(23)：灰度拉升，即255*p_i，将G通道中的像素的值均匀映射到0～255之间，得到独立的G’通道值；

步骤(24)：根据步骤(23)得到从G变化到G’的系数矩阵，然后用该系数矩阵分别对R、B通道进行均衡化，得到均衡化后的完整R’、G’、B’通道值。

优选的，所述步骤(22)中，每个灰度值i的发生频率f_i和累计密度函数p_i为：

p_i＝p₀+p₁+…+p_i-1+p_i(i＝0,1,…,M)。

优选的，所述步骤(23)中，进行灰度拉升后得到的图像的最大像素值根据实际输入图像像素值进行调整，但必须大于输入图像各通道的最大像素值M。

优选的，所述步骤(3)中，傅里叶变换采用快速傅里叶变换。

优选的，所述步骤(3)中，滤波器阶数n的取值为2，d₀的选择范围为1～10。

(三)有益效果

1.本发明改进了彩色图像直方图均衡化的方法，克服了直接对R、G、B三通道进行均衡化后图像会产生色彩失真的现象，增强效果比图像在HSV空间中，对V空间进行均衡化后的图像质量略好，同时后者需要进行2次空间变换，计算相对复杂；

2.本发明采用了时域直方图均衡化和频域滤波相结合的方法，克服了传统时域直方图均衡化后图像细节损失的缺点，图像的信息熵增加，图像质量更好；

3.根据输入图像，本发明自适应选择合适的滤波器参数，得到最优图像输出，相对当前主流去雾方法，本发明提供技术方案对环境的适应程度更高，更具有普适性，去雾效率高，易于算法的硬件实现。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明中巴特沃斯高通滤波器参数d₀的最优值算法流程图；

图3为本发明中为巴特沃斯高通滤波器阶数n固定时，输出图像信息熵随d₀的变化曲线图；

图4为本发明输入的有雾图像；

图5为传统直方图均衡化后的去雾图像；

图6为采用本发明去雾后的图像；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：本发明的一种图像去雾方法，包括如下步骤：

步骤(1)：通过图像采集系统采集一幅图像I，将其转成RGB图像并获取RGB数据，分离R、G、B三个通道值。

步骤(2)：分别统计步骤(1)中R、G、B三个通道的直方图信息，首先对G通道值进行直方图均衡化操作，得到均衡化后的G’通道值，确定从G变化到G’的系数矩阵，将该系数矩阵作为滤波系数，对R、B通道再分别进行均衡化后得到R’和B’，具体包括：

步骤(21)：分别统计步骤(1)中RGB三个通道的像素个数N、最大像素值M和每个灰度值的像素个数N_i；

步骤(22)：计算G通道中每个灰度值i的发生频率f_i和累计密度函数p_i，其中

p_i＝p₀+p₁+…+p_i-1+p_i(i＝0,1,…,M) (2)

步骤(23)：灰度拉升，即255*p_i，将G通道中的像素的值均匀映射到0～255之间，得到G’通道值。这里的255可采用8位数据，可以根据实际图像像素值进行调整，但必须保证拉升后图像的最大像素值大于输入图像各通道的最大像素值M，从而增加图像的动态范围。

步骤(24)：根据步骤(23)得到从G变化到G’的系数矩阵，然后用该系数矩阵作为滤波系数，分别对R、B通道进行均衡化，得到均衡化后的完整R’、G’、B’通道值。

步骤(3)：分别对步骤(1)中R、G、B三个通道进行傅里叶变换到频域，经巴特沃斯高通滤波器滤波后，再进行傅里叶反变换得到三个独立的R”、G”、B”通道值，这里傅里叶变换采用快速傅里叶变换，巴特沃斯高通滤波器的转移函数为

其中，h表示滤波器的频率响应，n表示滤波器的阶数，d₀表示滤波器的截止频率，d表示频域中的点到原点的距离，选定n值和d₀值。

这里，滤波器阶数n主要影响高频信号通过的增益，为不影响计算速度，所以设定为2；截止频率d₀的选择直接影响高通滤波后的图像：d＜d₀部分波段截止，d＞d₀部分波段通过，具体d₀的值根据输入图像来确定。

步骤(4)：将所述步骤(2)中得到的三个像素均衡化后的图像R’、G’、B’和步骤(3)中得到的三个滤波图像R”、G”、B”相加，将RGB图像数据转换为原始格式图像数据，输出去雾图像，并计算此时的灰度熵。

步骤(5)：循环执行步骤(3)、步骤(4)，步骤(3)中保持n值不变，改变d₀值，每执行一次步骤(3)和步骤(4)，得到新的输出去雾图像，并计算相应的输出去雾图像的灰度熵，当输出图像灰度熵达到最大值时，选择此时d₀的取值作为最终滤波器的参数，并将对应灰度熵最大值的输出去雾图像作为最终输出去雾图像I’。

实验发现，不同的d₀值对输出图像信息熵影响较大，且存在最佳值d₀，使输出图像信息熵最大化，该效应在大雾图像中更加明显。

截止频率d₀的确定原则是保证去雾输出图像的灰度熵值最大化。通过确定滤波器阶数n＝2，不断变化d₀的值计算输出图像的灰度熵，当输出图像灰度熵达到最大值时的d₀取值就是最终滤波器的参数。滤波器参数d₀的最优值算法流程如图2所示，具体计算步骤如下：首先将输入图像进行R、G、B三通道分离，先对R通道进行快速收傅里叶变换，选择不同的滤波器参数，假设n＝2，d₀在1到50之间变化，然后计算得到高通滤波后的时域图像R”，最终输出图像为R’+R”；然后计算该输出图像的灰度熵，不断变化d₀时，当输出图像灰度熵最大时的d₀就是最佳滤波器参数。如图3所示为巴特沃斯高通滤波器阶数n固定时，输出图像信息熵随d₀的变化曲线图，从图中可以看出，d₀的选择在7附近，因此可以限定d₀的变化范围在1到10之间，从而减少循环次数，提高计算速度。

如图4-6所示为本发明方法与传统直方图均衡化方法的去雾效果对比图，其中图4是输入的原始有雾图像，图5是采用传统直方图均衡化方法去雾后的输出图像，图6是采用本发明方法去雾后的输出图像。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种图像去雾方法，其特征在于，包括如下步骤：

步骤(1)：采集一幅有雾图像I，将有雾图像I转成RGB图像并获取RGB数据，分离出R、G、B三个通道值；

步骤(2)：分别统计所述步骤(1)中R、G、B三个通道的直方图信息，首先对G通道值进行直方图均衡化操作，得到均衡化后的G’通道值，确定从G变化到G’的系数矩阵，将该系数矩阵作为滤波系数，对R、B通道再分别进行均衡化后得到R’和B’；

步骤(3)：分别对所述步骤(1)得到的R、G、B三个通道进行傅里叶变换到频域，然后分别经巴特沃斯高通滤波器滤波后，再分别进行傅里叶反变换，得到三个独立的滤波图像R”、G”、B”，各通道经过的巴特沃斯高通滤波器的转移函数为：

其中，h表示滤波器的频率响应，n表示滤波器的阶数，d₀表示滤波器的截止频率，d表示频域中的点到原点的距离，选定n值和d₀值；

步骤(4)：将所述步骤(2)得到的三个像素均衡化后的图像R’、G’、B’和步骤(3)得到的三个滤波图像R”、G”、B”相加，输出去雾图像并计算此时图像的灰度熵；

步骤(5)：循环执行步骤(3)、步骤(4)，步骤(3)中保持n值不变，改变d₀值，每执行一次步骤(3)和步骤(4)，得到新的输出去雾图像，并计算相应的输出去雾图像的灰度熵，当输出图像灰度熵达到最大值时，选择此时d₀的取值作为最终滤波器的参数，并将对应灰度熵最大值的输出去雾图像作为最终输出去雾图像I’。

2.根据权利要求1所述的一种图像去雾方法，其特征在于，所述步骤(2)中的直方图均衡化处理包括以下步骤：

步骤(21)：分别统计所述步骤(1)中RGB三个通道的像素个数N、最大像素值M和每个灰度值的像素个数N_i；

步骤(22)：计算G通道中每个灰度值i的发生频率f_i和累计密度函数p_i；

步骤(23)：灰度拉升，即255*p_i，将G通道中的像素的值均匀映射到0～255之间，得到独立的G’通道值；

步骤(24)：根据步骤(23)得到从G变化到G’的系数矩阵，然后用该系数矩阵分别对R、B通道进行均衡化，得到均衡化后的完整R’、G’、B’通道值。

3.根据权利要求2所述的一种图像去雾方法，其特征在于，所述步骤(22)中，每个灰度值i的发生频率f_i和累计密度函数p_i为：

p_i＝p₀+p₁+…+p_i-1+p_i(i＝0,1,…,M)。

4.根据权利要求2所述的一种图像去雾方法，其特征在于，所述步骤(23)中，进行灰度拉升后得到的图像的最大像素值根据实际输入图像像素值进行调整，但必须大于输入图像各通道的最大像素值M。

5.根据权利要求1所述的一种图像去雾方法，其特征在于，所述步骤(3)中，傅里叶变换采用快速傅里叶变换。

6.根据权利要求1所述的一种图像去雾方法，其特征在于，所述步骤(3)中，滤波器阶数n的取值为2，d₀的选择范围为1～10。

Images