CN112365408B - 基于变分图像分解的retinex图像去雾方法 - Google Patents

Abstract

本发明属于图像处理技术领域，为实现对雾天图像的增强，实现去雾可以更好地提高图像的可识别度和对比度，丰富信息量。本发明采用的技术方案是，基于变分图像分解的Retinex图像去雾方法，利用变分图像分解的方法，把雾天图像分解为卡通部分和纹理部分，通过使用Retinex对卡通部分进行增强，再将增强之后的卡通部分与纹理部分融合，得到最后的去雾图像。本发明主要应用于图像处理、天气预报等场合。

Description

基于变分图像分解的retinex图像去雾方法

技术领域

本发明属于图像处理技术领域，涉及一种基于变分图像分解的retinex算法对雾天图像的增强问题。

背景技术

近些年由于环境污染严重，使得空气质量下降，雾霾等恶劣天气出现的越来越多。因为雾的存在会使得光的能量衰减，所以在有雾的天气下，光学传感器接收到的光的能量大小会发生改变，使得采集到的图像出现模糊不清，对比度较低，细节信息损失，色彩失真等现象，降低了图像的使用价值。雾天图像的视觉效果不佳或者存在部分信息的缺失，会给目标的标定带来一定困难，直接影响了室外目标的识别及跟踪，智能导航，公路或卫星遥感监视等系统的正常发挥。所以对雾天图像进行增强处理，提高图像的可识别度，丰富信息量是很有必要的。

变分图像分解近年来成为图像处理领域中研究热点之一。它的基本思想是将一个目标图像分成两个或多个部分，每个部分可以代表不同的信息，并选择相应的函数空间描述。通过结合函数空间上的范数构造出能量泛函，极小化能量泛函得到变分图像分解的结果。变分图像分解在生物医学，图像去噪、天文成像、光条纹图像等领域发挥着重要的作用。近些年基于人类视觉的图像增强技术成为一种研究趋势，其中，Retinex理论是通过模拟人眼成像过程而建立起来的一种颜色恒常知觉计算理论，其理论是Land和McCann提出。它的基本思想是物体的颜色由物体对长波、中波和短波光线的反射能力决定的，并不取决于该点进入人眼的绝对光线，并且物体的色彩不受光照非均匀性的影响，具有一致性。Retinex可以分为两种形式：基于路径的Retinex以及基于中心环绕Retinex。常用的Retinex算法是基于中心环绕的单尺度Retinex算法(single-scale retinex,SSR)和多尺度Retinex算法(multi-scale retinex,MSR)。Retinex算法基本原理是将给定图像分解成两个不同的图像，反射图像和入射图像，反射图像就是原始没有受到干扰的图像。该方法是要在给定图像中，降低入射图像的影响，尽量保留物体本质的反射属性，从而得到图像最本质的样子。通过变分图像分解把雾天图像分解为卡通部分和纹理部分，对卡通部分使用Retinex算法进行增强，再将增强后的图像与纹理部分结合从而可以很好地对雾天图像进行增强。

发明内容

为克服现有技术的不足，本发明旨在实现对雾天图像的增强，实现去雾可以更好地提高图像的可识别度和对比度，丰富信息量。本发明采用的技术方案是，基于变分图像分解的Retinex图像去雾方法，利用变分图像分解的方法，把雾天图像分解为卡通部分和纹理部分，通过使用Retinex对卡通部分进行增强，再将增强之后的卡通部分与纹理部分融合，得到最后的去雾图像。

基于变分图像分解的Retinex图像去雾算法，具体采用以下步骤：

步骤1：选择合适的变分图像分解模型，选择Vese-Osher变分图像分解模型；

步骤2：对雾天图像进行图像分解，分解为卡通部分u和纹理部分w；

步骤3：对于卡通部分u，选择多尺度Retinex算法进行增强，得到增强卡通图像u'；

步骤4：将增强卡通部分的图像u'与纹理部分w重新融合，得到最终的去雾图像。

步骤3：对卡通部分u进行多尺度Retinex增强，Retinex增强具体步骤如下：

步骤3-1：首先，根据Retinex理论，利用取对数的方法将照射分量和反射分量分离，即：

logS(x,y)＝logR(x,y)+logL(x,y)

其中，S代表我们所看到的图像，在这里代表卡通部分u，L是入射光图像，R是物体的反射性质mRetinex就是通过图像S来得到物体的反射性质R，也就是设法去除或者降低，入射光L的影响从而得到物体原本该有的样子；

步骤3-2：最终的反射图像会被假设地估计为空间平滑图像，即通过计算图像中像素点与周围区域中像素的加权平均来对图像中照度变化做估计，并将其去除，最后只保留图像中物体的反射属性，用高斯模板对原图像作卷积，即相当于对原图像作低通滤波，得到低通滤波后的图像D(x,y)，F(x,y)表示高斯滤波函数：

D(x,y)＝S(x,y)*F(x,y)

步骤3-3：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G(x,y)：

G(x,y)＝logS(x,y)-logD(x,y)

步骤3-4：对G(x,y)取反对数，得到增强后的图像R(x,y):

R(x,y)＝exp G(x,y)

步骤4：根据多尺度Retinex对尺度的要求，尺度的大小选择最经典的三尺度，分别用大、中、小三种尺度对图像分别进行步骤3-2，步骤3-3及步骤3-4，并且对每个尺度下的结果进行加权求和。

本发明的特点及有益效果是：

本发明提出的基于变分图像分解的Retinex图像去雾算法，相比于传统Retinex图像增强方法，去雾效果更好，且很好的改善了传统方法中存在的图像边缘模糊、对比度低，色彩失真等问题。并且从实验结果上看，去除效果也优于其他去雾方法。

附图说明：

图1是本发明基于变分图像分解的Retinex图像去雾算法的方法流程图；

图2(a)是原始雾天图像，(b)是经过对图2(a)直方图均衡化的去雾结果，(c)是对图2(a)多尺度Retinex增强的去雾结果，(d)是本发明的方法对图2(a)的去雾结果；

图3(a)是原始雾天图像，(b)是经过对图3(a)直方图均衡化的去雾结果，(c)是对图3(a)多尺度Retinex增强的去雾结果，(d)是本发明的方法对图3(a)的去雾结果；

图4(a)是原始雾天图像，(b)是经过对图4(a)直方图均衡化的去雾结果，(c)是对图4(a)多尺度Retinex增强的去雾结果，(d)是本发明的方法对图4(a)的去雾结果；

具体实施方式

接下来应用本发明提出的基于变分图像分解的Retinex图像去雾算法进行去雾。具体步骤如下：

步骤1：构建合适的变分图像分解模型。变分图像分解的一般模型为：

其中，X₁和X₂表示函数空间；E₁和E₂表示函数空间X₁和X₂对应的能量泛函(范数)；α为调节参数，用于平衡(6-12)式中两部分的权重。通过能量极小化，该模型可将图像f分解成u和v两部分。

本发明中选择的是Vese-Osher变分图像分解模型：

其中，BV是指BV空间，卡通部分由BV范数描述，α和μ是预先设定的常量，这里使用

的L^p范数来简化计算。

步骤2：通过步骤1的变分图像分解模型对雾天图像进行图像分解，分解为卡通部分u和纹理部分w：

步骤3：对卡通部分u进行多尺度Retinex增强。Retinex算法的具体步骤如下：

步骤3-1：首先，根据Retinex理论，利用取对数的方法将照射分量和反射分量分离，即：

logS(x,y)＝logR(x,y)+logL(x,y)

其中，S代表我们所看到的图像，在这里代表卡通部分u，L是入射光图像，R是物体的反射性质。Retinex就是通过图像S来得到物体的反射性质R，也就是设法去除(或者降低)入射光L的影响从而得到物体原本该有的样子。

步骤3-2：最终的反射图像会被假设地估计为空间平滑图像(其物理解释就是通过计算图像中像素点与周围区域中像素的加权平均来对图像中照度变化做估计，并将其去除，最后只保留图像中物体的反射属性)，所以可以用高斯模板对原图像作卷积，即相当于对原图像作低通滤波，得到低通滤波后的图像D(x,y)，F(x,y)表示高斯滤波函数：

D(x,y)＝S(x,y)*F(x,y)

步骤3-3：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G(x,y)：

G(x,y)＝logS(x,y)-logD(x,y)

步骤3-4：对G(x,y)取反对数，得到增强后的图像R(x,y):

R(x,y)＝exp G(x,y)

步骤4：根据多尺度Retinex对尺度的要求，尺度的大小选择最经典的三尺度，分别用大、中、小三种尺度对图像分别进行步骤3-2，步骤3-3及步骤3-4，并且对每个尺度下的结果进行加权求和。

步骤5：将得到的卡通部分增强图像u'与纹理部分w重新融合，得到去雾图像。

步骤6：为了突出本发明所提出的方法的优越性，本次实验还对比了直方图均衡化和传统多尺度Retinex图像增强方法对雾天图像进行去雾处理的结果。

该算法的流程图见附图1。

为了验证方法的有效性，给出实验结果。

图2(a)为原始雾天图像，图2(b)是经过对图2(a)直方图均衡化的去雾结果，图2(c)是对图2(a)多尺度Retinex增强的去雾结果，图3(d)是本发明的方法对图3(a)的去雾结果。图3(a)为原始雾天图像，图3(b)是经过对图3(a)直方图均衡化的去雾结果，图3(c)是对图3(a)多尺度Retinex增强的去雾结果，图3(d)是本发明的方法对图3(a)的去雾结果。图4(a)为原始雾天图像，图4(b)是经过对图4(a)直方图均衡化的去雾结果，图4(c)是对图4(a)多尺度Retinex增强的去雾结果，图4(d)是本发明的方法对图4(a)的去雾结果。

从实验结果上可以看出，这几种方法都可以在一定程度上对图像进行去雾，但是本发明的方法得到的结果是最具有可读性的。其中，图2(b)和(c)在去雾之后出现了图像照度不均匀的现象；图3(b)和(c)出现了图像边缘模糊的现象，并且出现了失真；图4(b)出现了增强过度的现象，图4(c)在岸边的部分出现边缘模糊的现象。综上可看出本发明方法的优越性。

尽管上面结合图示对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以作出很多变形，这些均属于本发明的保护之内。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于变分图像分解的Retinex图像去雾方法，其特征是，具体采用以下步骤：

步骤1：选择合适的变分图像分解模型，选择Vese-Osher变分图像分解模型；

步骤2：对雾天图像进行图像分解，分解为卡通部分u和纹理部分w；

步骤3：对于卡通部分u，选择多尺度Retinex方法进行增强，得到增强卡通图像u'；

步骤3-1：首先，根据Retinex理论，利用取对数的方法将照射分量和反射分量分离，即：

logS(x,y)＝logR(x,y)+logL(x,y)

其中，S代表我们所看到的图像，在这里代表卡通部分u，L是入射光图像，R是物体的反射性质mRetinex，就是通过图像S来得到物体的反射性质R，也就是设法去除或者降低，入射光L的影响从而得到物体原本该有的样子；

步骤3-2：最终的反射图像会被假设地估计为空间平滑图像，即通过计算图像中像素点与周围区域中像素的加权平均来对图像中照度变化做估计，并将其去除，最后只保留图像中物体的反射属性，用高斯模板对原图像作卷积，即相当于对原图像作低通滤波，得到低通滤波后的图像D(x,y)，F(x,y)表示高斯滤波函数：

D(x,y)＝S(x,y)*F(x,y)

步骤3-3：在对数域中，用原图像减去低通滤波后的图像，得到高频增强的图像G(x,y)：

G(x,y)＝logS(x,y)-logD(x,y)

步骤3-4：对G(x,y)取反对数，得到增强后的图像R(x,y)：

根据多尺度Retinex对尺度的要求，尺度的大小选择最经典的三尺度，分别用大、中、小三种尺度对图像分别进行步骤3-2，步骤3-3及步骤3-4，并且对每个尺度下的结果进行加权求和；

R(x,y)＝exp G(x,y)

步骤4：将增强卡通部分的图像u'与纹理部分w重新融合，得到最终的去雾图像。

Images