CN112750089B

CN112750089B - 基于局部块最大和最小像素先验的光学遥感影像去雾方法

Info

Publication number: CN112750089B
Application number: CN202011571222.0A
Authority: CN
Inventors: 张松林; 韩杰; 范宁馨
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2020-12-27
Filing date: 2020-12-27
Publication date: 2023-03-28
Anticipated expiration: 2040-12-27
Also published as: CN112750089A

Abstract

本发明涉及一种基于局部块最大和最小像素先验的光学遥感影像去雾方法，包括：步骤1：利用影像潜在信息、大气散射模型和局部块最小像素先验定义计算修正后的大气光图；步骤2：根据步骤1获取的修正后的大气光图，计算修正的传输图；步骤3：根据大气散射模型，获得初步去雾的光学遥感影像；步骤4：利用大气散射模型和局部块最大像素先验定义计算步骤3获取的初步去雾的光学遥感影像的大气光图；步骤5：根据步骤4获取的初步去雾的光学遥感影像的大气光图，计算初步去雾光学遥感影像传输图；步骤6：根据大气散射模型获得增强对比度的去雾光学遥感影像。与现有技术相比，本发明具有精度高、处理速度快、效率高等优点。

Description

基于局部块最大和最小像素先验的光学遥感影像去雾方法

技术领域

本发明涉及光学遥感影像去雾方法技术领域，尤其是涉及一种基于局部块最大和最小像素先验的光学遥感影像去雾方法。

背景技术

光学遥感图像广泛应用于多个领域，如场景级地理图像分类、地理空间目标检测等，对国民经济发展具有重要的影响。光学遥感影像成像过程中易受到霾、雾、废气和灰尘等恶劣天气状况影响，会引起光学遥感影像的对比度下降和颜色失真等问题，对后续的光学遥感影像的视觉观察和深层次语义分析造成消极的影响。

目前，针对光学遥感影像去雾方法大多采用亮通道和暗通道先验的方法进行，如中国专利CN108257094A中公开了一种基于暗通道的遥感影像薄雾快速去除方法，包括如下步骤：提升遥感影像的曝光程度；对所述遥感影像的输出图像进行降采样；计算所述遥感影像的透射率的预估值，并在遥感影像中将所述透射率显示出来，得到预估透射率图；对所述预估透射率图进行滤波处理，得到导向滤波图；对所述导向滤波图进行计算，得到精细的透射率图；计算得到去雾后的影像图。该方法虽然提高了不同类型遥感影像去雾的普适性，去除了人机交互的过程，可以实现全自动海量去雾，但是该方法处理速度较慢，效率和精度都比较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、处理速度快、效率高的基于局部块最大和最小像素先验的光学遥感影像去雾方法。

本发明的目的可以通过以下技术方案来实现：

一种基于局部块最大和最小像素先验的光学遥感影像去雾方法，包括：

步骤1：利用影像潜在信息、大气散射模型和局部块最小像素先验定义计算修正后的大气光图；

步骤2：根据步骤1获取的修正后的大气光图，计算修正的传输图；

步骤3：根据大气散射模型，获得初步去雾的光学遥感影像；

步骤4：利用大气散射模型和局部块最大像素先验定义计算步骤3获取的初步去雾的光学遥感影像的大气光图；

步骤5：根据步骤4获取的初步去雾的光学遥感影像的大气光图，计算初步去雾光学遥感影像传输图；

步骤6：根据大气散射模型获得增强对比度的去雾光学遥感影像。

优选地，所述的影像潜在信息的获取方法为：将光学遥感影像划分为规则的矩形块，分别提取矩形块中最大、最小像素值作为影像先验信息。

优选地，所述的步骤1具体为：

步骤1-1：计算局部块最小像素先验，并解算相应的均值；

最小像素先验的计算方法为：

其中，

表示观测的影像，影像的长宽分别为m和n，包含c个通道；i＝1,2,…,N，/>

表示影像I被一个r×r大小的非重叠块划分为N块；/>

表示第i块中最小像素的位置索引；{r,g,b}表示影像的RGB三通道；

步骤1-2：逐通道计算修正因子α；

修正因子α的计算方法为：

其中，J表示观测到的含雾影像，x表示像素点的空间位置；Ω(x)表示位于x位置的所有通道的像素的集合；

按照局部块最小像素先验的定义计算得到；mean(·)表示均值计算；

步骤1-3：计算初步的大气光图A；

计算方法为：

A(x)＝J(x)+α

步骤1-4：使用指导滤波器对大气光图A仅进行精化，获得精化后的大气光图

精化方法为：

步骤1-5：剔除大气光图中的

中的负数值，然后使用高斯滤波器进行平滑处理，获得最终的大气光图A_MinVP(x)；

剔除负数值的方法为：

优选地，所述的步骤2具体为：

步骤2-1：计算各个像素间的全局最小值和补偿因子β；

全局最小值的计算方法为：

补偿因子β的计算方法为：

步骤2-2：计算传输图，使用指导滤波器对传输图进行精化处理；

传输图的计算方法为：

步骤2-3：抽取传输图中的正值为最终的传输图；

正值抽取方法为：

t₁＝max(t,ε),ε＞0。

更加优选地，所述的ε的取值为0.001。

优选地，所述的步骤4具体为：

步骤4-1：计算局部块最大像素先验值；

其中，

表示第i块中最大像素的位置索引；

步骤4-2：计算基于局部块最大像素先验的大气光图A_LPMaxVP(x)；

大气光图A_LPMaxVP(x)的计算方法为：

A_LPMaxVP(x)＝max{guidedfilter(J^c(x),J_LPMaxVP(x)),δ},c∈{r,g,b}

其中，J_MaxVP(x)由最大像素先验的定义计算获得；guidedfilter()表示指导滤波器函数。

更加优选地，所述的δ取值为0.001。

优选地，所述的步骤5具体为：

步骤5-1：计算各个像素间的全局最大值和补偿因子η；

全局最大值的计算方法为：

补偿因子η的计算方法为：

步骤5-2：计算传输图，使用指导滤波器对传输图进行精化处理；

传输图的计算方法为：

优选地，所述的大气散射模型具体为：

J(x)＝I(x)t(x)+A(x)(1-t(x))

其中，J表示观测的含雾影像，I表示潜在的清晰影像，t表示计算的传输图，A表示计算的大气光图。

更加优选地，所述的潜在清晰影像I的获取方法为：

/>

与现有技术相比，本发明具有以下有益效果：

一、去雾精度高：本发明中的去雾方法是一种基于局部块最大、最小像素的先验，根据大气散射模型和所提出的先验，对大气光图和传输图进行了修正，获得了精度更高的大气光图和传输图的估计，是一种去雾和对比度增强相结合的去雾方法，能够获得效果更好的去雾影像，使得低质量的光学遥感影像提升为可供解译的高质量影像。

二、效率高：本发明中的去雾方法与现有技术中暗通道和亮通道先验方法相比运行时间大幅降低，大大提高了去雾算法的计算效率；同时，本发明中的去雾方法与暗通道和亮通道先验方法的稀疏性高度一致，保证了去雾的有效性。

附图说明

图1为本发明中遥感影像去雾方法的流程示意图；

图2为本发明最大、最小像素先验的获取过程示意图；

图3为本发明实施例中最大、最小像素先验传输图以及暗通道图和亮通道图对比；

图3(a)为局部块最小像素先验图，图3(b)为暗通道图，图3(c)为局部块最大像素先验图，图3(d)为亮通道图；

图4为本发明实施例中最大、最小像素先验图以及暗通道图和亮通道图的稀疏性频数直方图对比；

图4(a)为局部块最小像素稀疏先验直方图，图4(b)为暗通道稀疏先验直方图，图4(c)为局部块最大像素稀疏先验直方图，图4(d)为亮通道稀疏先验直方图；

图5为本发明实施例中第一组对比实验结果对比图；

图5(a)为含雾影像，图5(b)为经过DCP去雾后的影像，图5(c)为经过BCCR去雾后的影像，图5(d)为经过IdeRS去雾后的影像，图5(e)为经过AHR去雾后的影像，图5(f)为经过AOD-Net去雾后的影像，图5(g)为经过本发明去雾方法去雾后的影像；

图6为本发明实施例中第二组对比试验结果对比图；

图6(a)为含雾影像，图6(b)为经过DCP去雾后的影像，图6(c)为经过BCCR去雾后的影像，图6(d)为经过IdeRS去雾后的影像，图6(e)为经过AHR去雾后的影像，图6(f)为经过AOD-Net去雾后的影像，图6(g)为经过本发明去雾方法去雾后的影像。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明的目的就是为了从含雾的光学遥感影像中利用提出的增强去雾方法恢复清晰无雾的光学遥感影像，提高恢复影像的被解译能力，节约遥感平台重新观测成本，实现含雾的光学遥感影像资源的再利用。

一种基于局部块最大和最小像素先验的光学遥感影像去雾方法，其流程图1所示，包括：

影像潜在信息包括：

步骤1具体为：

步骤1-1：计算局部块最小像素先验，并解算相应的均值；

最小像素先验的计算方法为：

其中，

表示影像I被一个r×r大小的非重叠块划分为N块；/>

步骤1-2：逐通道计算修正因子α；

修正因子α的计算方法为：

步骤1-3：计算初步的大气光图A；

计算方法为：

A(x)＝J(x)+α

精化方法为：

步骤1-5：剔除大气光图中的

剔除负数值的方法为：

步骤2-1：计算各个像素间的全局最小值和补偿因子β；

全局最小值的计算方法为：

补偿因子β的计算方法为：

传输图的计算方法为：

步骤2-3：抽取传输图中的正值为最终的传输图；

正值抽取方法为：

t₁＝max(t,ε),ε＞0；

ε可取经验值0.001。

步骤3：根据大气散射模型，获得初步去雾的光学遥感影像；

步骤4-1：计算局部块最大像素先验值；

其中，

表示第i块中最大像素的位置索引；

大气光图A_LPMaxVP(x)的计算方法为：

A_LPMaxVP(x)＝max{guidedfilter(J^c(x),J_LPMaxVP(x)),δ},c∈{r,g,b}

其中，J_MaxVP(x)由最大像素先验的定义计算获得；guidedfilter()表示指导滤波器函数；

δ可取经验值0.001。

步骤5-1：计算各个像素间的全局最大值和补偿因子η；

全局最大值的计算方法为：

补偿因子η的计算方法为：

传输图的计算方法为：

上述步骤中的大气散射模型具体为：

J(x)＝I(x)t(x)+A(x)(1-t(x))

潜在清晰影像I的获取方法为：

上述步骤中基于局部块最大、最小像素的过程如图2所示。

本实施例中提出的最大、最小像素先验在特性上与现有的影像先验如亮通道和暗通道先验一致，在使用同样的计算方法获得的传输图(如图3所示)是相近的。对应先验所表示的稀疏性(如图4所示)是一致的，两种先验的稀疏性的相关系数分别为0.9999967和0.99999996，表示提出的先验与已有的先验的稀疏性高度一致。

本实施例提出的先验的计算效率更高，具体表现为：对同一副大小的影像，对其进行10次降采样为不同大小的影像，分别测试所提出先验和对比先验(暗通道和亮通道先验)的计算效率，结果如表1所示。结果表明本发明提出的先验在计算效率上更高。综上，本发明提出的先验是一种更高效的先验，更有实用价值。

表1提出的先验与亮、暗通道先验的运行时间对比

运用本实施例中的去雾方法对两幅含雾的光学卫星遥感影像进行去雾实验，并与现有的去雾方法：DCP(Dark Channel Prior)、BCCR(Boundary constraint andcontextual regularization)、IDeRS(Iterative dehazing method for remote sensingimage)、AHR(Novel dark channel-saturation prior and adaptive haze removal)和AOD-Net(a light-weight all-in-One dehazing network)这5种方法进行对比验证。结果示意图如图5和图6所示。

另外选取两个无参考的质量评价指标FADE(Fog Aware Density Evaluator)和DHAI(DeHazing Algorithms Index)对去雾后的各个影像进行质量评价：FADE越小，表明影像中含雾量越少；DHAI越大，表示影像中对比度越高，颜色畸变越小和细节越丰富。所有的实验均在同一硬件设备统一配置条件下进行计算输出。

在图5和图6中，对(a)图进行去雾实验，(a)中两幅含雾光学遥感影像分别是受到均匀的薄雾和非均匀的薄雾影响，导致成像画面中的地物不能够清晰地被人眼和计算机接受甚至识别。经过不同的6种去雾方法进行去雾实验之后，可以发现(b)～(d)的结果在颜色上产生了较为严重的畸变，变得更加艳丽，相近地物之间产生了较大的颜色差异；(e)和(f)方法对山体上的绿色森林产生大片的黑色像素，不符合实际观察到的情况，即意味着光谱信息的变化严重，丧失了大部分的地表细节；本发明提供的恢复结果是最佳的，能够清晰地恢复出不含雾的影像，并未发生引人不适的颜色畸变，保留了更多的地表细节。从表2中的质量评价指标中也可以发现：本发明给出的结果含雾量最少，对比度高，颜色畸变小和细节丰富。

表2FADE和DHAI对去雾结果的质量评价结果

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。