CN111598788B - 一种基于四叉树分解与非局部先验的单幅图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于四叉树分解与非局部先验的单幅图像去雾方法，步骤包括：步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树分解方式，将雾霾图像I(x)分为不同的块；步骤2、基于非局部先验估计雾霾图像的粗糙透射率；步骤3、对步骤2得到的粗糙透射率进行形态学闭合运算；步骤4、使用平滑滤波得到精细透射率；步骤5、根据大气散射模型恢复无雾图像。本发明的方法，解决了现有技术不仅存在噪声干扰，还会产生块效应的问题。

Description

一种基于四叉树分解与非局部先验的单幅图像去雾方法

技术领域

本发明属于计算机视觉及数字图像处理技术领域，涉及一种基于四叉树分解与非局部先验的单幅图像去雾方法。

背景技术

近年来，智能视觉系统的发展十分迅速，如智能车辆视觉导航系统、智能机器人视觉系统等。视觉系统所采集的图像质量的好坏对系统工作的稳定性有着重要的影响，然而，频发的雾霾天气导致户外智能设备获取到的图像质量降低，对系统的安全性和稳定性造成了严重的负面影响。因此，复原清晰无雾的图像具有一定的实际应用价值。

当前对于雾霾图像处理的方法主要分为三类：基于图像增强，基于物理模型复原以及基于机器学习的去雾方法。基于图像增强的方法不考虑雾霾天气下图像质量下降的本质原因，仅通过对图像中人眼视觉感兴趣的部分进行增强来提高图像亮度和对比度，这类方法容易产生过增强的现象，得到不自然的恢复图像。基于物理模型复原的方法通过研究雾天图像降质的原因，建立图像退化的物理模型，利用模型逆向复原图像，得到了比较真实良好的结果。基于机器学习的方法通过设计网络，训练大量有雾和相应的无雾图像来学习权重参数，取得了令人满意的结果，是近年来去雾领域的主要发展趋势。

上述现有技术的方法大多基于局部像素块进行去雾，不仅存在噪声干扰问题，还会产生块效应。

发明内容

本发明的目的是提供一种基于四叉树分解与非局部先验的单幅图像去雾方法，解决了现有技术不仅存在噪声干扰，还会产生块效应的问题。

本发明所采用的技术方案是，一种基于四叉树分解与非局部先验的单幅图像去雾方法，按照以下步骤实施：

步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树分解方式，将雾霾图像I(x)分为不同的块；

步骤2、基于非局部先验估计雾霾图像的粗糙透射率；

步骤3、对步骤2得到的粗糙透射率进行形态学闭合运算；

步骤4、使用平滑滤波得到精细透射率；

步骤5、根据大气散射模型恢复无雾图像。

本发明的有益效果是，包括以下方面：

1)采用四叉树分解和最小滤波处理来估计全局大气光，能够避免图像中最亮像素点带来的不必要干扰，相比传统估计方法更加精细；

2)使用非局部先验去雾，不用将图像分为小块，可以有效避免局部先验假设进行估计时，透射图像中较常出现的块效应以及块重叠的问题，估计的透射率图像更加精细准确；

3)利用k-medoids对雾霾图像当中的像素点进行聚类，避免了许多使用k-means或KD-tree算法时会出现的问题，比如k-means对于异常值十分敏感，可能会产生严重扭曲的数据分布，且对于数据样本的要求太高，需要所有数据样本都处在一个欧式空间中，容易对有噪声的数据造成极大的误差。本发明使用的k-medoids算法是将集群中位于最中心的对象作为参考点，而不是集群中的平均值，对噪声鲁棒性比较好；

4)采用了形态学闭运算和高斯平滑滤波估计透射率，替代传统方法中的导向滤波或双边滤波，可以确保透射率在景深相同处的局部平滑性，且计算量小，运行速度较快，适用于计算机视觉应用的前期预处理。

附图说明

图1是本发明方法的去雾过程流程示意图；

图2是本发明方法采用的透射率图像计算流程示意图；

图3是本发明方法采用四叉树分割图像算法的流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，本发明的方法，按照以下步骤实施：

步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树分解方式，将雾霾图像I(x)分为不同的块，

则四叉树分解为：

其中，

是经过四叉树分解后的块，l＝1,2,3,...,L表示块的个数，

表示对图像I(x)进行四叉树分解，I(x)是原始的雾霾图像，k为阈值常数；

四叉树分解首先将图像分解为四个块，然后执行阈值判断，如果某块的最大值与最小值之差大于阈值常数k，则对此块再次进行分解，直到所有分解的块都在阈值范围内；然后对分解后的每一个小块进行最小滤波处理，以消除过亮像素带来的不必要影响，则最小滤波表示为：

其中，f表示最小滤波器，*表示卷积算子；

迭代搜索区域均值与标准差的差值绝对值最大区域，当选择的搜索区域面积小于设定的阈值时停止搜索，此时对应的差值绝对值最大区域即为全局大气光区域，全局大气光区域所对应的图像位置的像素的均值设定为全局大气光值的估计值

则

步骤2、基于非局部先验估计雾霾图像的粗糙透射率，

2.1)首先将雾霾图像I(x)与全局大气光值

做差，将得到的图像记为I_A(x)，则大气散射模型表示成：

其中，J(x)表示去雾后的清晰的无雾图像，t(x)是透射率，描述物体反射光线能够经过衰减到达观测点的比例；

将I_A(x)表示成球坐标形式为：I_A(x)＝[r(x),θ(x),δ(x)]，θ(x)与δ(x)分别表示经度和纬度，半径r(x)的计算表达式为：

其中0≤t(x)≤1，此时球坐标系的原点对应图像的全局大气光值

2.2)依据变换后像素点的[θ(x),δ(x)]值的大小，对雾霾图像I(x)当中的像素点采用k-medoids的方法进行聚类，根据非局部先验，位于同一类当中的像素点大致呈线状分布，因此聚类后得到多条haze-line，假设图像整体的大气光值是一致的，每条haze-line都经过球坐标系的原点，由非局部先验可知位于同一条haze-line的像素点在无雾图像J(x)中的对应点的像素值是相同的，即位于同一条haze-line上的点的半径的差异与透射率的差异成正比；假设每条haze-line上最大半径对应的点为清晰无雾的点，即最大半径的像素点所对应的透射率为1；最大半径的定义式如下：

其中，H表示haze-line，根据上述求得的最大半径，得到同一条haze-line上其他像素点对应的粗糙透射率为：

步骤3、对步骤2得到的粗糙透射率进行形态学闭合运算，

采用大小为S×S像素的结构元素对得到的粗糙透射率

进行形态学闭合运算：

其中，S为结构元素，选用S＝3；符号·表示闭运算，符号

表示膨胀，符号！表示腐蚀，

表示S对粗糙透射率

做闭合运算。

步骤4、使用平滑滤波得到精细透射率，

采用大小为S′×S′像素、方差为δ²的高斯平滑卷积核，对粗糙透射率

进行线性加权的平滑滤波，选用S′＝3，δ²＝10，得到精细透射率t(x)。

步骤5、根据大气散射模型恢复无雾图像，

将全局大气光值

和修正后的精细透射率t(x)代入大气散射模型公式，计算得到无雾图像J(x)，则

考虑到当雾霾图像I(x)中含有大面积天空区域时，天空区域的像素值与大气光值接近，与较小的t(x)相除后会将差异扩大，导致去雾后的图像会出现噪声放大与颜色失真现象，针对此问题，本步骤采用设定自适应透射率下限阈值t₀的方式进行修正，t₀阈值的表达式为：

其中，α和β为可调系数，用于控制天空区域的弱化程度，本步骤中将α设置为0.15，β设置为0.3，n为透射率图像当中像素值小于α的像素点的个数，N为透射率图像的像素总数；

同时，采用自适应阈值法，根据天空区域面积自适应的调节阈值，增强算法的鲁棒性，则最终恢复的无雾图像表达式为

其中，ω为调整参数，ω的数值大于1，本步骤中ω设置为1.05，这样可为图像的远景部分保留一定量的雾，使得复原后的图像看起来更加自然。

综上，本发明的方法速度较快，估计的透射率较准确，并且考虑的是全局信息，不需要将图像分割成不同的块，可以避免块效应和块重叠带来的不利影响，可以更好的应用于图像去雾。

Claims (3)

1.一种基于四叉树分解与非局部先验的单幅图像去雾方法，其特征在于，按照以下步骤实施：

步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树分解方式，将雾霾图像I(x)分为不同的块，具体过程是，

四叉树分解为：

其中，

是经过四叉树分解后的块，l＝1,2,3,...,L表示块的个数，

表示对图像I(x)进行四叉树分解，I(x)是原始的雾霾图像，k为阈值常数；

四叉树分解首先将图像分解为四个块，然后执行阈值判断，如果某块的最大值与最小值之差大于阈值常数k，则对此块再次进行分解，直到所有分解的块都在阈值范围内；

然后对分解后的每一个小块进行最小滤波处理，则最小滤波表示为：

其中，f表示最小滤波器，*表示卷积算子；

迭代搜索区域均值与标准差的差值绝对值最大区域，当选择的搜索区域面积小于设定的阈值时停止搜索，此时对应的差值绝对值最大区域即为全局大气光区域，全局大气光区域所对应的图像位置的像素的均值设定为全局大气光值的估计值

则

步骤2、基于非局部先验估计雾霾图像的粗糙透射率，具体过程是，

2.1)将雾霾图像I(x)与全局大气光值

做差，将得到的图像记为I_A(x)，则大气散射模型表示成：

其中，J(x)表示去雾后的清晰的无雾图像，t(x)是透射率；

将I_A(x)表示成球坐标形式为：I_A(x)＝[r(x),θ(x),δ(x)]，θ(x)与δ(x)分别表示经度和纬度，半径r(x)的计算表达式为：

其中0≤t(x)≤1，此时球坐标系的原点对应图像的全局大气光值

2.2)依据变换后像素点的[θ(x),δ(x)]值的大小，对雾霾图像I(x)当中的像素点采用k-medoids的方法进行聚类，假设图像整体的大气光值是一致的，每条haze-line都经过球坐标系的原点，由非局部先验可知位于同一条haze-line的像素点在无雾图像J(x)中的对应点的像素值是相同的，即位于同一条haze-line上的点的半径的差异与透射率的差异成正比；假设每条haze-line上最大半径对应的点为清晰无雾的点，即最大半径的像素点所对应的透射率为1；

最大半径的定义式如下：

其中，H表示haze-line，根据上述求得的最大半径，得到同一条haze-line上其他像素点对应的粗糙透射率为：

步骤3、对步骤2得到的粗糙透射率进行形态学闭合运算；

步骤4、使用平滑滤波得到精细透射率；

步骤5、根据大气散射模型恢复无雾图像，具体过程是，

将全局大气光值

和修正后的精细透射率t(x)代入大气散射模型公式，计算得到无雾图像J(x)，则

采用设定自适应透射率下限阈值t₀的方式进行修正，t₀阈值的表达式为：

其中，α和β为可调系数，n为透射率图像当中像素值小于α的像素点的个数，N为透射率图像的像素总数；

同时，采用自适应阈值法，则最终恢复的无雾图像表达式为

其中，ω为调整参数，ω的数值大于1。

2.根据权利要求1所述的基于四叉树分解与非局部先验的单幅图像去雾方法，其特征在于：所述的步骤3中，具体过程是，

采用大小为S×S像素的结构元素对得到的粗糙透射率

进行形态学闭合运算：

其中，S为结构元素，符号·表示闭运算，符号

表示膨胀，符号！表示腐蚀，

表示S对粗糙透射率

做闭合运算。

3.根据权利要求1所述的基于四叉树分解与非局部先验的单幅图像去雾方法，其特征在于：所述的步骤4中，具体过程是，

采用大小为S′×S′像素、方差为δ²的高斯平滑卷积核，对粗糙透射率

进行线性加权的平滑滤波，得到精细透射率t(x)。

Images