CN111292258B - 一种基于暗通道和亮通道先验的图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于暗通道和亮通道先验的图像去雾方法，基于退化图像的物理模型建立大气光散射模型，将大气光值作为全局变量，然后结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值，根据大气光散射模型和获取的大气光值得到粗透射率，以获得更加精准的数据，然后通过原图像的灰度图像作为引导图进行引导滤波来细化透射率，既保留了景深的边缘信息，又降低了算法的时间复杂度，最后根据自适应透射率补偿函数进行自适应调整得到透射率，不需要对天空区域分割，以避免明亮区域的色彩失真问题，提高了算法的自适应性。本发明有效解决了有雾图像恢复时明亮区域色彩的失真问题，去雾效果自然，并且图像的对比度得到了显著提升。

Description

一种基于暗通道和亮通道先验的图像去雾方法

技术领域

本发明属于图像处理方法，具体涉及一种基于暗通道和亮通道先验的图像去雾方法。

背景技术

雾霾造成成像设备所获取到的图像质量下降，进而严重影响视觉系统的分析和判断。因此，提高有雾图像的能见度以获得更好的视觉效果和更丰富的细节信息的自动化算法已成为众多科研人员所关注的领域。截止到目前，众多研究人员已经提出了许多用于处理雾天图像的方法。根据去雾原理的不同，目前的方法可以分为两类：基于图像增强的图像去雾方法和基于图像复原的图像去雾方法。图像增强主要包括Retinex变换，直方图均衡化，小波变换等方法。基于图像复原的图像去雾方法主要包括基于场景深度信息，基于偏振特性，基于先验信息等方法。尽管国内外研究人员做出了大量的研究和创新，并取得了一定的成果，但是仍然存在各种各样的问题，针对暗通道先验的去雾方法不适用于天空和大面积白色区域、大气光估值容易过大、产生色彩失真等问题。

发明内容

本发明的目的在于提供一种基于暗通道和亮通道先验的图像去雾方法，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：

一种基于暗通道和亮通道先验的图像去雾方法，包括以下步骤：

步骤1)、基于退化图像的物理模型建立大气光散射模型；

步骤2)、结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值；

步骤3)、根据大气光散射模型和获取的大气光值得到粗透射率；

步骤4)、以待处理原始图像的灰度图作为导向滤波的引导图细化粗透射率得到细化透射率，根据细化透射率构建透射率图；

步骤5)、对步骤4)经细化透射率构建的透射率图根据自适应透射率补偿函数进行自适应调整得到透射率；

步骤6)、将上述得到的大气光值和透射率带入到大气光模型中即可得到最终的无雾图像。

进一步的，基于退化图像的物理模型建立的大气光散射模型为：

I(x)＝J(x)t(x)+A(x)(1-t(x)) (3.1)

其中x表示图像中像素点所处于的位置，I(x)表示所观察到的有雾图像，J(x)表示清晰无雾的图像，A(x)表示大气光值，t(x)表示透射率。

进一步的，对于一个任意的图片I，其亮通道I^light(x)表达式为：

图像中任意一像素点的亮通道值接近于无雾图像的大气光值A^light(x)：

I^light(x)→A^light(x) (3.3)

通过式(3.2)与(3.3)可以得到：

结合亮通道和暗通道对大气光值进行估计得到大气光值A(x)：

A(x)＝αA^light(x)+βA₀ (3.5)

α和β均为变量参数，A₀为通过暗通道先验方法中估计的大气光值。

进一步的，根据大气光散射模型和获取的大气光值得到粗透射率t′(x)为：

ω为调整参数，I^dark(x)为通过暗通道先验方法估计出的暗通道图。

进一步的，将粗透射率作为引导滤波的输入图像，以待处理原始图像的灰度图像作为引导图得到的细化透射率。

进一步的，经自适应调整的透射率t(x)可以表示为下式：

t(x)＝t″(x)+Δt(x) (3.7)

t″(x)为粗透射率t′(x)经过引导滤波细化的透射率，Δt(x)为补偿函数。

进一步的，具体的补偿函数为：

Δt(x)＝exp(-kt″(x)) (3.8)

由(3.7)和(3.8)可得：

t(x)＝t″(x)+exp(-kt″(x)) (3.9)

由上式可以看出，t(x)关于t″(x)是一个凹函数，通过求导求解可以得出该函数的最小值点坐标(t_p,t_min)

对补偿函数设置一个下限，可以得到：

K是与天空或明亮区域面积有关的函数：

k＝7+9exp(-20m) (3.12)

m为透射率小于0.16的像素点占总像素点的总数。

进一步的，通过大气光散射模型得到无雾图像为：由式(3.1)变形即可得到：

A(x)表示大气光值，t(x)表示透射率，I(x)表示所观察到的有雾图像。

进一步的，α取值0.7，β取值0.25。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种基于暗通道和亮通道先验的图像去雾方法，基于退化图像的物理模型建立大气光散射模型，将大气光值作为全局变量，然后结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值，根据大气光散射模型和获取的大气光值得到粗透射率，以获得更加精准的数据，然后通过原图像的灰度图像作为引导图进行引导滤波来细化透射率，既保留了景深的边缘信息，又降低了算法的时间复杂度，最后根据自适应透射率补偿函数进行自适应调整得到透射率，不需要对天空区域分割，以避免明亮区域的色彩失真问题，提高了算法的自适应性。通过暗通道和亮通道结合的方式可以获取更加精准的大气光和透射率图，并且通过原图的灰度图进行导向滤波，不仅细化了透射率图像并且提高了算法的速度，最后在通过自适应补偿函数进行调整，代入到改进的大气模型中获取最终的无雾图像。通过与几种典型的去雾方法进行对比，实验结果表明，该算法有效解决了有雾图像恢复时明亮区域色彩的失真问题，去雾效果自然，并且图像的对比度得到了显著提升。

附图说明

图1为不同区域的大气光强度图，图1b、图1c、图1d分别具有不同的大气光强度图。

图2为两种引导图的效果对比图，图2a是细透射率图，图2b为待处理原始图像，图2c为待处理原始图像的灰度图像，图2d为以待处理原始图像作为引导图进行导向滤波所得到细化的透射率图，图2e为以原始图像的灰度图像作为引导图进行导向滤波所得到细化的透射率图。

图3为复原的无雾图像示意图；图3a为原始有雾图像，图3b最终调整透射率图，图3c复原的无雾图像。

图4为现有方法与本发明对森林雾天图像去雾对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明一种基于暗通道和亮通道先验的图像去雾方法，包括以下步骤：

步骤1)、基于退化图像的物理模型建立大气光散射模型，将物理模型中的全局统一的大气光值作为全局变量；

其中，大气光散射模型为：

I(x)＝J(x)t(x)+A(x)(1-t(x)) (3.1)

其中x表示图像中像素点所处于的位置，I(x)表示所观察到的有雾图像，J(x)表示清晰无雾的图像，A(x)表示大气光值，t(x)表示入射光从介质中穿过后剩余的光通量和穿过之前光通量之比，称之为透射率。

步骤2)、结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值；

亮通道先验的基本原理是：大多数的雾天图片每个局部区域内，至少有一个像素的某个颜色通道具有较大的强度值，如图1所示。对于一个任意的图片I，其亮通道I^light(x)表达式为：

亮通道先验理论中，图像中任意一像素点的亮通道值接近于无雾图像的大气光值A^light(x)，如下图3所示；可得出下式：

I^light(x)→A^light(x) (3.3)

通过式(3.2)与(3.3)可以得到：

结合亮通道和暗通道对大气光值进行估计得到大气光值A(x)：

A(x)＝αA^light(x)+βA₀ (3.5)

结合结构相似性和信息熵参数信息，α和β均为变量参数，A₀为通过暗通道先验方法中估计的大气光值。设定α＝0.7，β＝0.25；

步骤3)、根据大气光散射模型和获取的大气光值得到粗透射率t′(x)：

根据大气光散射模型和通过亮通道和暗通道获取的大气光值得到粗透射率t′(x)为：

ω为调整参数，I^dark(x)为通过暗通道先验方法估计出的暗通道图。

步骤4)、以待处理原始图像的灰度图作为导向滤波的引导图细化粗透射率得到细化透射率t″(x)，根据细化透射率t″(x)构建透射率图，并且提升了算法的速度；

为了避免造成粗透射率t′(x)呈现块状效应，损失过多细节，因此需要采用引导滤波对粗透射率t′(x)进行细化。

具体的，将粗透射率t′(x)作为引导滤波的输入图像p，引导图像I需要与输入图像有相同的边缘信息，所以分别使用待处理原始图像和待处理原始图像的灰度图像作为引导图像进行分析，如图2所示。

首先从视觉感上进行观察，分别使用待处理原始图像和待处理原始图像的灰度图像作为引导图所得到的细化透射率几乎无任何差异，因为灰度图像也携带了图像的梯度和细节信息。从引导图的性能角度来计算，灰度图像作为引导图像的速度比彩色图像作为引导图像的速度整体来说提升了2到3倍。因此选用灰度图作为引导图像细化透射率，既可以提升速度，又保留图像的边缘信息和细节信息；

步骤5)、对步骤4)经细化透射率构建的透射率图根据自适应透射率补偿函数进行自适应调整得到透射率；

由于暗通道先验在天空区域和大面积白色区域失效，会造成透射率估计过小，需要对该区域透射率进行提升。

经自适应调整的透射率t(x)可以表示为下式：

t(x)＝t″(x)+Δt(x) (3.7)

t″(x)为粗透射率t′(x)经过引导滤波细化的透射率，Δt(x)为补偿函数；

具体的补偿函数：

Δt(x)＝exp(-kt″(x)) (3.8)

由(3.7)和(3.8)可得：

t(x)＝t″(x)+exp(-kt″(x)) (3.9)

由上式可以看出，t(x)关于t″(x)是一个凹函数，通过求导求解可以得出该函数的最小值点坐标(t_p,t_min)

对补偿函数设置一个下限，可以得到：

K是与天空或明亮区域面积有关的函数：

k＝7+9exp(-20m) (3.12)

m为透射率小于0.16的像素点占总像素点的总数。

步骤6)、将上述得到的大气光值和透射率带入到大气光模型中即可得到最终的无雾图像。

在获取了所有的需要的参数后，最后一步便是通过大气光散射模型恢复出无雾图像。由式(3.1)变形即可得到：

复原的无雾图像以及由上节所述的最终调整的透射率如下图3所示。

实验及结果分析

为了评价算法的性能，与六种主流的去雾效果较好算法采用主观评价与客观评价相结合的方法进行比较，分别是Retinex算法，Fattle的算法，Tarel的算法，He的算法。

使用上述4种对比算法与本文算法对原图像进行去雾处理，其实验结果图4所示，在图4中，Retinex算法去雾后整个图像呈现灰暗色，Fattle的算法去雾后整个地面区域变成黑色，天空区域失真严重，Tarel的算法去雾后颜色产生失真，本文算法无失真现象，天空区域视觉感真实自然。

表1有雾图像去雾后客观评比结果

表1为有雾图像去雾后的客观评价表，本文算法仅PSNR值低于Tarel，其他三项指标均为最高，本文算法能够恢复出更多的细节信息，在天空区域和大面积白色区域也未产生失真现象，恢复图像的视觉效果也更加的自然真实，本文算法取得了最好的效果。

Claims (6)

1.一种基于暗通道和亮通道先验的图像去雾方法，其特征在于，包括以下步骤：

步骤1)、基于退化图像的物理模型建立大气光散射模型；

步骤2)、结合暗通道和亮通道对大气光散射模型进行先验估计得到大气光值；

步骤3)、根据大气光散射模型和获取的大气光值得到粗透射率；根据大气光散射模型和获取的大气光值得到粗透射率t′(x)为：

ω为调整参数，I^dark(x)为通过暗通道先验方法估计出的暗通道图；

将粗透射率作为引导滤波的输入图像，以待处理原始图像的灰度图像作为引导图得到的细化透射率；

步骤4)、以待处理原始图像的灰度图作为导向滤波的引导图细化粗透射率得到细化透射率，根据细化透射率构建透射率图；

步骤5)、对步骤4)经细化透射率构建的透射率图根据自适应透射率补偿函数进行自适应调整得到透射率；经自适应调整的透射率t(x)可以表示为下式：

t(x)＝t″(x)+Δt(x) (3.7)

t″(x)为粗透射率t′(x)经过引导滤波细化的透射率，Δt(x)为补偿函数；

具体的补偿函数为：

Δt(x)＝exp(-kt″(x)) (3.8)

由(3.7)和(3.8)可得：

t(x)＝t″(x)+exp(-kt″(x)) (3.9)

由上式可以看出，t(x)关于t″(x)是一个凹函数，通过求导求解可以得出该函数的最小值点坐标(t_p,t_min)

对补偿函数设置一个下限，可以得到：

K是与天空或明亮区域面积有关的函数：

k＝7+9exp(-20m) (3.12)

m为透射率小于0.16的像素点占总像素点的总数；

步骤6)、将上述得到的大气光值和透射率带入到大气光模型中即可得到最终的无雾图像。

2.根据权利要求1所述的一种基于暗通道和亮通道先验的图像去雾方法，其特征在于，基于退化图像的物理模型建立的大气光散射模型为：

I(x)＝J(x)t(x)+A(x)(1-t(x)) (3.1)

其中x表示图像中像素点所处于的位置，I(x)表示所观察到的有雾图像，J(x)表示清晰无雾的图像，A(x)表示大气光值，t(x)表示透射率。

3.根据权利要求1所述的一种基于暗通道和亮通道先验的图像去雾方法，其特征在于，对于一个任意的图片I，其亮通道I^light(x)表达式为：

图像中任意一像素点的亮通道值接近于无雾图像的大气光值A^light(x)：

I^light(x)→A^light(x) (3.3)

通过式(3.2)与(3.3)可以得到：

结合亮通道和暗通道对大气光值进行估计得到大气光值A(x)：

A(x)＝αA^light(x)+βA₀ (3.5)

α和β均为变量参数，A₀为通过暗通道先验方法中估计的大气光值。

4.根据权利要求1所述的一种基于暗通道和亮通道先验的图像去雾方法，其特征在于，通过大气光散射模型得到无雾图像为：由式(3.1)变形即可得到：

A(x)表示大气光值，t(x)表示透射率，I(x)表示所观察到的有雾图像。

5.根据权利要求3所述的一种基于暗通道和亮通道先验的图像去雾方法，其特征在于，α取值0.7。

6.根据权利要求3所述的一种基于暗通道和亮通道先验的图像去雾方法，其特征在于，β取值0.25。

Images