CN111598812B - 一种基于rgb和hsv双颜色空间的图像去雾方法 - Google Patents

Abstract

一种基于RGB和HSV双颜色空间的图像去雾方法，涉及数字图像处理技术领域，解决现有方法中透过率估计不准确，易产生光晕现象以及颜色失真，实时性差等问题，本发明从大气散射模型出发，利用有雾图像最小值通道和雾浓度估计建立透过率估计模型；在HSV的空间，利用饱和度特性，实现饱和度下像素级的雾浓度估计；利用RGB空间的L2范数，建立RGB三通道的像素级的雾浓度估计的数学模型；结合两个颜色空间的雾浓度估计，利用成像场景与雾浓度估计的参数，自适应地获取最终的雾浓度估计值；从而，直接从单幅图像中获得最佳的大气透过率图。利用最小值通道图像自适应的获取全局大气光。本发明算法处理效果较好且运算量小，可应用于实时工程系统中。

Description

一种基于RGB和HSV双颜色空间的图像去雾方法

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种结合RGB和HSV双颜色空间的图像去雾方法。

背景技术

由于雾霾天气广泛存在，大气中存在大量的悬浮颗粒，各种颗粒物和小水滴对光线的散射效应使得图像的亮度改变，细节丢失，对比度下降，严重干扰了户外成像设备工作，如户外监视系统、辅助驾驶系统等。因此，快速高效的去雾技术的研究成为当前的研究热点和难点。

目前，大部分单幅图像去雾方法基本上都是基于大气散射模型展开研究的。通过一些先验信息(如暗通道先验、颜色先验、几何先验等)对大气散射模型中的未知变量进行估计求解，从而利用大气散射模型，可得到无雾图像。近年来出现了一些比较经典的去雾方法：He提出的暗通道先验算法被公认是简单有效的去雾方法，然而暗通道算法在局部图像不满足先验信息的时，对透过率的估计将会出现明显偏差，将会有颜色失真和晕环现象的发生，导致整体图像去雾效果不佳；Kim等在去雾过程中，通过最小化代价函数实现整体去雾的平衡，但不恰当的正则化参数设置会出现光晕现象；Tarel等采用中值滤波估计光幕，算法效率高，但由于中值滤波不能很好地处理边缘区域去雾结果产生色调失真。还有，一些基于神经网路的去雾方法研究也取得了比较好的去雾效果，但是其实时性一般都很差，很难在实际工程中得到应用。

发明内容

本发明为了解决现有方法中透过率估计不准确，易产生光晕现象以及颜色失真，实时性差等问题，提供一种基于RGB和HSV双颜色空间的单幅图像去雾方法。

一种基于RGB和HSV双颜色空间的单幅图像去雾方法，该方法由以下步骤实现：

步骤一、设定成像模型为：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

式中，I(x)为待去雾的图像，J(x)为要恢复的无雾图像，A为全球大气光成分，t(x)为透过率；

根据暗通道先验算法得出下式：

式中，c为R、G、B三通道中的一个颜色通道，表示在局部区域y∈Ω(x)窗口内，无雾图像J(x)趋于0；

步骤二、引入一个在[0,1]之间的修正因子ω，获得暗原色先验估计的透过率图

步骤三、采用像素级的透过率估计方法，将式(3)中的局部最小值，变换为像素级的最小值通道，获得精细化的透过率t(x)的估计，如式(4)所示：

式中，

为RGB空间中有雾场景辐射的最小值通道，ω为常数调节量，Φ(x)为雾的浓度估计；选取I^dark(x)图中亮度值前0.1％的点作为备选大气光A的位置点，再在原图上取上述点对应像素中亮度最大的点作为大气光值点，获得大气光值A；

步骤四、选取彩色图像的HSV模型，根据式(5)，获得饱和度归一化分量I_S；

式中，I_R,I_G,I_B分别为RGB空间的三个分量，找到饱和度图像I_S中的最小值的位置，并设定该位置为雾浓度最大的位置，利用L1范数，所有像素点与该最小值归一化距离为d_s(x)如式(6)所示：

设定以d_s(x)为自变量的减函数，如式(7)所示：

d_s(x)∈[0,1]，ξ值越大，Φ_s(x)的衰减越快，并且最终衰减值越接近0；

通过统计直方图的方式，去除掉饱和度图像值较小的像素，再求均值，根据每个图像获得一个自适应的ξ值；

在RGB空间中，找到I^c最大值位置，并设定该位置为雾浓度最大的位置，利用L2范数，所有像素点与该最大值归一化距离为d_rgb(x)如式(8)所示：

采用式(9)对雾的浓度进行估计，ξ的取值与公式(7)中的取值相同，当Φ_s(x)越大雾浓度越大，反之雾的浓度越小；

根据公式(7)和公式(9)，实现对雾浓度的估计，如式(10)所示：

Φ(x)＝ρΦ_rgb(x)+(1-ρ)Φ_s(x) (10)

式中，ρ为调整参数，将公式(10)代入公式(4)获得精细的透过率t(x)的估计；

步骤五、根据步骤一设定的大气散射模型和步骤四得到的透过率t(x),获得清晰的去雾图像，如式(11)所示：

为防止局部像素的透过率t(x)取值过小，设定最小值为t₀，一般取t₀＝0.1。

本发明的有益效果：本发明从大气散射模型出发，利用有雾图像最小值通道和雾浓度估计建立透过率估计模型；在HSV的空间，利用饱和度特性，实现饱和度下像素级的雾浓度估计；利用RGB空间的L2范数，建立RGB三通道的像素级的雾浓度估计的数学模型；结合两个颜色空间的雾浓度估计，利用成像场景与雾浓度估计的参数，自适应地获取最终的雾浓度估计值；从而，直接从单幅图像中获得最佳的大气透过率图。利用最小值通道图像自适应的获取全局大气光。本发明算法处理效果较好且运算量小，可应用于实时工程系统中。

附图说明

图1为不同ξ值对Φ_s(x)的影响效果图；

图2为透过率获取及去雾效果对比图，图2a和2d为未经引导滤波的暗通道透过率及去雾效果图，图2b和2e为引导滤波后的暗通道透过率及去雾效果图；图2c和2f为本发明所述方法透过率及去雾效果图；图2g和2h为信号局部放大效果图；

图3为去雾效果对比图；图3a为有雾的原图，图3b为暗通首去雾效果图，图3c为本发明所述方法去雾效果图。

具体实施方式

具体实施方式一、结合图1至图3说明本实施方式，一种基于RGB和HSV双颜色空间的单幅图像去雾方法，目前，广泛使用的雾成像模型是以衰减的反射光和参与成像的大气光两部分描述雾、霾天气下的退化过程的，其成像模型表示如下：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

其中，I(x)就是待去雾的图像，J(x)为要恢复的无雾图像，A是全球大气光成分，t(x)为透射率。基于以上大气散射模型，He等提出的暗通道先验去雾算法取得很好的去雾效果，被广泛采用。根据暗通道先验可知：

其中，c指R、G、B三通道中的一个颜色通道。表示在局部区域y∈Ω(x)窗口内，无雾图像J(x)趋于0。

为了让人感到景深的存在，有必要在去雾的时有针对性的保留一部分覆盖遥远景物的雾，引入一个在[0,1]之间的修正因子ω，最终可得到暗原色先验估计的透过率图

由于每一个窗口内透射率t(x)通常并不为常数，采用公式(3)得到的透过率图像存在块效应。He采用的是soft matting方法对透过率进行精细化，但是非常耗时。而后He采用改进算法-引导滤波算法对透过率图像t(x)进行精细化处理，避免景深突变出的光晕现象。本发明采用像素级的透过率估计方法，无需对透过率进行保边滤波处理，将式(3)中的局部最小值，变换为像素级的最小值通道，可直接得到精细化的透过率t(x)的估计，如式(4)所示。

这里，

为RGB空间中有雾场景辐射的最小值通道，式中ω为常数调节量，一般取值ω＝0.9；选取I^dark(x)该图中亮度值前在0.1％的点作为备选大气光A位置点，再在原图上取这些点对应像素中亮度最大的点作为大气光值点，从而得到大气光值A。这样，式(4)中，只有Φ(x)为未知量，对Φ(x)的估计方法。

选取彩色图像的HSV模型，其中色调H表示不同的颜色，饱和度S表示颜色的纯度，亮度V表示颜色的亮暗程度。对于彩色图像来说，饱和度与一定色调的纯度有关，纯光谱色是完全饱和的，随着白光的加入饱和度逐渐减小。因此，一般情况下，雾浓度高的地方饱和度降低。根据式(5)，得到饱和度归一化分量I_S。

其中，I_R,I_G,I_B分别为RGB空间的三个分量。根据以上分析可知，饱和度值越低，雾的浓度越大，找到饱和度图像I_S中的最小值，并认为该位置为雾浓度最大的位置，利用L1范数，所有像素点与该最小值归一化距离为d_s(x)如式(6)所示。

d_s(x)值越小表示和雾浓度最大的值越接近，则近似的认为该处的雾的浓度越高；d_s(x)值越大，表示雾的浓度越低。因此，需要找一个以d_s(x)为自变量的减函数，如式(7)所示。

d_s(x)∈[0,1]，不同的ξ值对Φ_s(x)影响如图1所示，ξ值越大，函数值的衰减越快，并且最终衰减值越接近0。因为只有在薄雾的情况下，图像景深较小的区域Φ_s(x)才能趋于0。那么，应该有浓雾图像ξ值应该越大，薄雾图像ξ值应该越小。那么在HSV空间中，饱和度图像，当雾的浓度大时，图像均值应该较小，当雾的浓度小时，图像均值应该较大。考虑有的图像会有大面天空区域影响这个均值，通过统计直方图的方式，去除掉饱和度图像值较小的像素，再求均值，从而针对每个图像得到一个自适应的ξ值。

在饱和度图像中，有时候最暗的像素不一定是雾最浓的区域，因此由式(7)估计的雾的浓度局部区域也会有偏差。为了提高对雾浓度估计的鲁棒性，在RGB空间中，同d_s(x)构建的值意义相同，找到I^c最大值并认为该位置为雾浓度最大的位置，利用L2范数，所有像素点与该最大值归一化距离为d_rgb(x)如式(8)所示。

d_rgb(x)值越小雾的浓度越高；反之，雾的浓度越低。参照HSV空间构成的对雾浓度的评估，采用式(9)对雾的浓度进行估计，ξ的取值同式(7)。当Φ_s(x)越大雾浓度越大，反之雾的浓度越小。

由式(7)和式(9)，实现了对雾的浓度评估，这样有效避免了不同区域对综合考虑RGB和HSV空间的特性，这样保证了对雾的浓度给出鲁棒性的评估，如式(10)所示。

Φ(x)＝ρΦ_rgb(x)+(1-ρ)Φ_s(x) (10)

其中，ρ为调整参数，在本文中，ρ＝0.8。将式(10)代入式(4)可直接得到精细的透过率估计，因为每一个参量的获取都是有物理意义和数学模型的，故透过率的估计也是准确的。根据大气散射模型，得到清晰的去雾图像，如式(11)所示。

具体实施方式二、结合图1至图3说明本实施方式，本实施方式为具体实施方式一所述的一种基于RGB和HSV双颜色空间的单幅图像去雾方法的实施例：

选取有雾的真实场景的图像forest进行实验。对于经典暗通道先验获取透过率图像，首先获取粗估计透过率及去雾结果如图2a和2d所示，进行引导滤波精细估计得到最终的透过率及去雾结果如图2b和2e，本实施例方法获取透过率及去雾结果如图2c和2f，可见，为精细化处理直接去雾会出现光晕现象。本实施例得到精细的透过率图像，选取第80-160行，840到920列的像素，如方框圈出的部分，通过三维放大对透过率进行比较，图2g和2h为两种信号放大图，可见，局部暗通道透过率变化范围为[0.8,1]，而本实施例透过率图像变化范围为[0.6,1]，本实施例中透过率结果局部对比度高暗通道透过率，且细节明显多于暗通道精细化的结果。可知本实施例中获取透过率的算法很好的保持了边缘信息，也很好的远景和近景的雾的浓度。

选取了其他图像对去雾效果进行了对比和展示，如图3c所示，可见本实施例的去雾方法取得了去雾图像，没有出现光晕现象，色彩保真度高，图像细节得到了充分的复原，对比度得到了很大的提高。

Claims (1)

1.一种基于RGB和HSV双颜色空间的图像去雾方法，其特征是：该方法由以下步骤实现：

步骤一、设定成像模型为：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

式中，I(x)为待去雾的图像，J(x)为要恢复的无雾图像，A为全球大气光成分，t(x)为透过率；

根据暗通道先验算法得出下式：

式中，c为R、G、B三通道中的一个颜色通道，表示在局部区域y∈Ω(x)窗口内，无雾图像J(x)趋于0；

步骤二、引入一个在[0,1]之间的修正因子ω，获得暗原色先验估计的透过率图

步骤三、采用像素级的透过率估计方法，将式(3)中的局部最小值，变换为像素级的最小值通道，获得精细化的透过率t(x)的估计，如式(4)所示：

式中，

为RGB空间中有雾场景辐射的最小值通道，ω为常数调节量，Φ(x)为雾的浓度估计；选取I^dark(x)图中亮度值前0.1％的点作为备选大气光A的位置点，再在原图上取上述点对应像素中亮度最大的点作为大气光值点，获得大气光值A；

步骤四、选取彩色图像的HSV模型，根据式(5)，获得饱和度归一化分量I_S；

式中，I_R,I_G,I_B分别为RGB空间的三个分量，找到饱和度图像I_S中的最小值的位置，并设定该位置为雾浓度最大的位置，利用L1范数，所有像素点与该最小值归一化距离为d_s(x)如式(6)所示：

设定以d_s(x)为自变量的减函数，如式(7)所示：

d_s(x)∈[0,1]，ξ值越大，Φ_s(x)的衰减越快，并且最终衰减值越接近0；

通过统计直方图的方式，去除掉饱和度图像值较小的像素，再求均值，根据每个图像获得一个自适应的ξ值；

在RGB空间中，找到I^c最大值位置，并设定该位置为雾浓度最大的位置，利用L2范数，所有像素点与该最大值归一化距离为d_rgb(x)如式(8)所示：

采用式(9)对雾的浓度进行估计，ξ的取值与公式(7)中的取值相同，当Φ_s(x)越大雾浓度越大，反之雾的浓度越小；

根据公式(7)和公式(9)，实现对雾浓度的估计，如式(10)所示：

Φ(x)＝ρΦ_rgb(x)+(1-ρ)Φ_s(x) (10)

式中，ρ为调整参数，将公式(10)代入公式(4)获得精细的透过率t(x)的估计；

步骤五、根据步骤一设定的大气散射模型和步骤四得到的透过率t(x),获得清晰的去雾图像，如式(11)所示：

设定最小值为t₀。

Images