CN111598886A - 一种基于单幅图像的像素级透过率估计方法 - Google Patents

Abstract

一种基于单幅图像的像素级透过率估计方法，涉及数字图像处理技术领域，解决现有暗通道复原方法中对局部透过率估计不准确的问题，本发明利用有雾图像的最小值通道和无雾图像的最小值通道建立像素级的透过率估计模型，通过对像素级的雾浓度估计，得到了无雾图像的最小值通道，从而得到了像素级的透过率估计。此外，对像素级的透过率图像进行高斯滤波处理，即可准确地估计透过率图像。实验证明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

一种基于单幅图像的像素级透过率估计方法

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种基于单幅图像的像素级透过率估计方法。

背景技术

近年来由于环境污染和气候变化，使得雾霾天气广泛存在，由于雾的影响会使得图像的亮度改变，细节丢失，对比度下降，极大地限制了户外成像设备效用的发挥。雾霾图像给后续图像分割、目标检测与跟踪、以及图像理解与分析带来了困难，对处理结果的准确性产生严重的影响。因此，对单幅有雾图像进行去雾处理意义重大。

通常对单幅雾霾图像的去雾处理主要通过图像增强和图像复原两种方式实现。图像增强方法主要包括：直方图均衡化、小波变换、Retinex算法以及同态滤波等，通常在增强图像细节信息的同时会导致其他信息的损失。图像复原方法去雾是通常以雾成像的大气散射模型为基础，通过一些先验信息对未知变量进行估计求解，如暗通道先验、颜色先验、几何先验等。一个关键未知变量的估计就是对透过率的估计。近年来，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候，对透过率的估计将会出现明显偏差，将会有颜色失真和光晕现象的发生，导致整体图像去雾效果不佳。

发明内容

本发明为了解决现有暗通道复原方法中对局部透过率估计不准确的问题，提供一种基于单幅图像的像素级透过率估计方法。

一种基于单幅图像的像素级透过率估计方法，该方法由以下步骤实现：

步骤一、以像素为最小估计单元，设定J^d(x)和I^d(x)分别为RGB空间中无雾和有雾场景辐射的最小值通道，分别用下式表示为：

式中，c为R、G、B三通道中的一个颜色通道；对像素级的透过率t(x)的精细化估计，用下式表示为：

式中，κ为常数调节量，取I^d(x)灰度值前0.05％像素对应的有雾图像灰度值的平均值作为大气光值A；

步骤二、选择RGB三通道I^c最大值，并将所述最大值的位置作为雾浓度最大的位置，则所有像素点与该最大值位置的距离为d^c(x)，用下式表示为：

d^c(x)＝(|I^c(x)-max(I^c(x))|)_c∈(R,G,B) (4)

将三通道的d^c(x)取最大值通道，并进行归一化处理，用下式表示为：

步骤三、采用公式(6)的减函数形式，获得像素级的雾浓度ω(x)的估计，用下式表示为：

ω(x)＝(1-d(x))ⁿ (6)

当图像的雾浓度ω(x)越大，I^d(x)越大，J^d(x)也越大；当图像的雾浓度ω(x)越小，I^d(x)越小，J^d(x)也越小；获得J^d(x)的公式为：

J^d(x)＝ω(x)I^d(x) (7)

将公式(7)代入公式(3)，获得像素级透过率t(x)的估计，用下式表示为：

步骤四、选取M×N的模版，对于每个像素(x,y)进行高斯滤波，高斯滤波函数G(x)用下式表示为：

式中，σ为正态分布的标准差，利用上式高斯滤波函数公式(9)与公式(8)中的t(x)作卷积(*)操作，对像素级透过率t(x)的图像进行高斯滤波平滑，平滑后的透过率为t_g(x)，用下式表示为：

t_g(x)＝t(x)*G(x) (10)

获得最终的去雾图像J(x)，用下式表示为：

式中，I(x)为待去雾的图像。

本发明的有益效果：本发明利用有雾图像的最小值通道和无雾图像的最小值通道建立像素级的透过率估计模型，通过对像素级的雾浓度估计，得到了无雾图像的最小值通道，从而得到了像素级的透过率估计。此外，对像素级的透过率图像进行高斯滤波处理，即可准确地估计透过率图像。实验证明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为本发明所述的不同δ值对透过率估计的影响的效果图；

图2为不同n值与雾浓度估计ω(x)的关系示意图；

图3为不同n值时获得的透过率图像效果图；图3a为n＝0.5时的透过率图像效果图，图3b为n＝1.5时的透过率图像效果图，图3c为n＝2.5时的透过率图像效果图。

图4为不同n值得到的去雾效果图；图4a为n＝0.5时的去雾图像效果图，图4b为n＝1.5时的去雾图像效果图，图4c为n＝2.5时的去雾图像效果图。

图5为去雾效果对比图像的效果图；图5a为原雾图像，图5b为暗通道先验算法获得的去雾效果图，图5c为采用本发明的方法去雾的效果图。

具体实施方式

具体实施方式一、结合图1至图5说明本实施方式，一种基于单幅图像的像素级透过率估计方法，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))

其中，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。

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。

但是，通过统计发现，户外的图像中，有相当大的一部分区域并不能很好的满足这个先验规律，如天空、灰白的区域、高反射率的物体等。即使局部区域满足暗通道先验，所求取图像的通过率会存在块效应，导致后续去雾图像在边缘处会产生光晕现象，还需要后续soft matting的精细化处理后方能得到梯度保持，较为准确的透过率图像，导致算法非常耗时。

对大气散射模型的局部区域进行最小值滤波，可得透过率的粗略估计

为：

其中，

为有雾和无雾场景的暗通道图像。其中，J^dark(x)取值对透过率估计值的影响，因为雾气的存在，使得有雾图像的暗通道I^dark(x)≥J^dark(x)，所以

设δ＝J^dark(x)/I^dark(x)，选取δ＝0、δ＜0.25、δ＜0.50、δ＜0.75的随机数，A＝250，那么得到透过率的粗略估计

如图1所示。

由图1可知，当δ＝0即J^dark(x)→0时，I^dark(x)与t(x)呈线性关系；当

时，t(x)的取值都比J^dark(x)→0时的值要大，而且随着J^dark(x)增大，对t(x)的影响越大。可见，当完全按照暗通道先验进行去雾处理时，导致透过率估计值比实际值偏小且在暗区时这种影响更明显，根据散射模型公式可知，所得的去雾后的图像整体会偏暗，图像去雾后会色彩失真。

本实施方式中，采用基于像素的透过率估计方法，不是以块为暗通道的最小估计单元，而是以像素为最小估计单元，设定J^d(x)和I^d(x)分别为RGB空间中无雾和有雾场景辐射的最小值通道。

通过求取像素级的最小值通道图像，来估计透过率图像，能够很好地保持图像的边缘细节信息。然而，按照式(1)进行像素级最小值滤波求取无雾图像的最小值通道图像，会导致大面积的

本实施方式中，对不符合暗通道先验的区域利用数学模型的方式进行补偿，可得到本发明提出的像素级的精细化透过率t(x)的估计，如式(3)所示。

式中，κ为一个常数调节量，通常取κ＝0.9，我们取I^d(x)灰度值前0.05％像素对应的有雾图像的灰度值的平均值作为大气光值A。在式(3)中，只有J^d(x)为未知量，需要借助已知量I^d(x)进行估计，下面我们将介绍对J^d(x)的估计方法。

找到RGB三通道I^c最大值并认为该位置为雾浓度最大的位置，那么所有像素点与该最大值的距离为d^c(x)如式(4)所示。将三通道的d^c(x)取最大值通道，并进行归一化处理，如式(5)所示。d(x)值越小表示和雾浓度最大的值越接近，我们近似的认为该处的雾的浓度越高；d(x)值越大，表示和雾浓度最大的值相差越远，雾的浓度越低。

d^c(x)＝(|I^c(x)-max(I^c(x))|)_c∈(R,G,B) (4)

接下来我们采用式(6)减函数形式，得到像素级的雾浓度估计。

ω(x)＝(1-d(x))ⁿ (6)

一般地，当雾的浓度较高时，即当d(x)＜0.5时，雾的浓度ω(x)随着d(x)值的增大迅速下降，当d(x)＞0.5时，雾的浓度ω(x)随着d(x)值的增大下降速度变缓，此时，当d(x)接近1时，雾对成像的影响就非常小了，因为综合分析，本发明选取n＝1.5，符合实际雾霾成像的情况。为了直观的说明，下面给出不同n值与雾浓度估计ω(x)的关系，如图2所示。

一般情况下，当图像的雾浓度ω(x)越大，I^d(x)越大，J^d(x)也越大；当图像的雾浓度ω(x)越小，I^d(x)越小，J^d(x)也越小。可得J^d(x)如下式所示：

J^d(x)＝ω(x)I^d(x) (7)

将公式(7)代入公式(3)可得到本发明的较为准确的像素级透过率t(x)的估计值，如式(8)所示。

由于雾霾天气条件下，可认为大气是均匀的，这样局部小区域内的透过率应该是相等的。因此，选取M×N的模版，对于每个像素(x,y)进行高斯滤波的函数如式(9)所示，σ为正态分布的标准差。。

利用上式的高斯函数与式(8)中的t(x)的卷积操作，对像素级透过率t(x)进行高斯滤波平滑，同时也保持了像素级的边缘，得到的平滑透过率t_g(x)，如式(10)所示。

t_g(x)＝t(x)*G(x) (10)

最终得到的去雾图像如式(11)所示：

经过本实施方式所述的方法，处理后的图像细节丰富、对比度高，无光晕现象产生。与暗通道去雾处理后的效果对比如图5所示。

Claims (1)

1.一种基于单幅图像的像素级透过率估计方法，其特征是：该方法由以下步骤实现：

步骤一、以像素为最小估计单元，设定J^d(x)和I^d(x)分别为RGB空间中无雾和有雾场景辐射的最小值通道，分别用下式表示为：

式中，c为R、G、B三通道中的一个颜色通道；对像素级的透过率t(x)的精细化估计，用下式表示为：

式中，κ为常数调节量，取I^d(x)灰度值前0.05％像素对应的有雾图像灰度值的平均值作为大气光值A；

步骤二、选择RGB三通道I^c最大值，并将所述最大值的位置作为雾浓度最大的位置，则所有像素点与该最大值位置的距离为d^c(x)，用下式表示为：

d^c(x)＝(|I^c(x)-max(I^c(x))|)_c∈(R,G,B) (4)

将三通道的d^c(x)取最大值通道，并进行归一化处理，用下式表示为：

步骤三、采用公式(6)的减函数形式，获得像素级的雾浓度ω(x)的估计，用下式表示为：

ω(x)＝(1-d(x))ⁿ (6)

当图像的雾浓度ω(x)越大，I^d(x)越大，J^d(x)也越大；当图像的雾浓度ω(x)越小，I^d(x)越小，J^d(x)也越小；获得J^d(x)的公式为：

J^d(x)＝ω(x)I^d(x) (7)

将公式(7)代入公式(3)，获得像素级透过率t(x)的估计，用下式表示为：

步骤四、选取M×N的模版，对于每个像素(x,y)进行高斯滤波，高斯滤波函数G(x)用下式表示为：

式中，σ为正态分布的标准差，利用上式高斯滤波函数公式(9)与公式(8)中的t(x)作卷积操作，对像素级透过率t(x)的图像进行高斯滤波平滑，平滑后的透过率为t_g(x)，用下式表示为：

t_g(x)＝t(x)*G(x) (10)

获得最终的去雾图像J(x)，用下式表示为：

式中，I(x)为待去雾的图像。

Images