CN113298730A - 一种基于图像分解的去雾复原方法 - Google Patents

Abstract

一种基于图像分解的去雾复原方法，涉及数字图像处理技术领域，解决现有去雾复原方法中先验信息失效时对透过率估计不准确及自适应差的问题，本发明所述的去雾复原方法，根据大气散射模型，本算法将有雾图像最小通道图像分解成稀疏衰减和低秩大气光两部分，通过稀疏大气光部分的准确估计，从而得到细节丰富的透过率图，利用引导滤波对透过率图像进行平滑滤波处理，即可准确的透过率估计，算法处理效果较好且自适应能力强。

Description

一种基于图像分解的去雾复原方法

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种基于图像分解的去雾复原方法。

背景技术

户外可见光光学成像系统光成像系统经常面临雾、霾等自然天气条件的影响，由于大气中悬浮颗粒物产生的散射、吸收和反射作用，从而导致成像传感器无法采集到清晰的高质量图像或图像序列，严重影响了后续的目标识别、跟踪、配准、分割等工作，在很大程度上限制了户外成像设备效用的发挥。

近年来，由于雾霾等恶劣天气引起的能见度降低和视觉质量下降所导致的重大交通事故、公路交通阻断以及航班延误或取消等情况时有发生。雾霾作为常态化天气受到普通民众的广泛关注。相应地，对图像去雾技术的研究自然成为机器视觉与图像处理领域的一个重要问题。因此，提高退化图像的对比度、动态范围及清晰度，增加图像的可视度，针对单幅图像的质量提升成为当前研究的热点。

目前，对于基于单幅图像去雾复原方法分为基于非模型的去雾方法和基于模型的去雾方法。基于非模型的方法简单快速，但是通常在增强图像细节信息的同时会导致其他信息的损失，如直方图均衡、色彩恒常算法、自动色阶法等。基于物理模型的去雾方法是基于成像的退化模型而建立的，一般会通过一些先验信息把对大气透过率和环境光估计求解的非适定性转换为适定性，如暗原色先验法、颜色衰减先验法、几何先验法等。但是当这些先验信息失效时，将会导致对局部大气透过率估计出现明显偏差，去雾后的图像出现颜色失真、图像细节恢复不清晰以及晕环现象，很难取得理想的去雾复原效果。同时算法中由于模型的不适定性，导致采用先验信息去雾时，需要大量的参数设置，导致算法的自适应性差。

发明内容

本发明为解决去雾复原方法中先验信息失效时对透过率估计不准确及自适应差的问题，提供一种基于图像分解的去雾复原方法。

一种基于图像分解的去雾复原方法，该方法由以下步骤实现：

步骤一、

将基于大气散射成像模型的公式取最小值通道，用下式表示为：

式中，A为全球大气光，t(x)为大气透过率，J(x)t(x)衰减模型，A(1-t(x))为大气光模型；c∈{r,g,b},

为有雾图像的最小通道，

为无雾图像的最小通道，

令

L(x)＝A(1-t(x))，可得：

经分析，

具有弱稀疏性，由0＜t(x)＜1，可知

即：D(x)具有稀疏性；由L(x)＝A(1-t(x))具有低秩性；

步骤二、

采用交替方向乘子法对上式的稀疏性部分和低秩性部分进行求解；选取D(x)中像素值最大的前10％的像素对应的I(x)值求平均，获得大气光值A的估计值；

根据L(x)＝A(1-t(x))，获得透过率的估计值为：

式中，η为调整因子，采用平滑滤波进行平滑处理得到透过率t(x)；

步骤三、

根据大气散射模型，实现对无雾场景的复原，如下式所示：

式中，t₀为调节量，I(x)为有雾场景图像，J(x)为无雾场景图像。

本发明的有益效果：本发明所述的去雾复原方法，根据大气散射模型，本算法将有雾图像最小通道图像分解成稀疏衰减和低秩大气光两部分，通过稀疏大气光部分的准确估计，从而得到细节丰富的透过率图，利用引导滤波对透过率图像进行平滑滤波处理，即可准确的透过率估计，算法处理效果较好且自适应能力强。

附图说明

图1为大气散射模型原理图；

图2为采用本发明所述的基于图像分解的去雾复原方法进行去雾的效果图；其中(a)为原图，(b)为暗通道先验结果；(c)为本发明处理结果(d)为本发明估计的透过率图。

具体实施方式

结合图1和图2说明本实施方式，基于图像分解的去雾复原方法，该方法的具体实现过程为：如图1所示。衰减的反射光造成入射到成像系统的光线减弱，淹没了图像的细节信息和色彩信息，成像对比度降低。而参与成像的大气光进入成像视场，导致图像的高频分量被抑制，低频分量突出，进一步导致图像细节丢失，对比度和清晰度退化。

本实施方式中，基于大气散射成像模型如下式所示：

其中，I(x)为有雾场景图像，J(x)为无雾场景图像，A为全球大气光，t(x)为大气透过率，J(x)t(x)衰减模型，A(1-t(x))大气光模型。将(1)式取最小值通道可得：

其中c∈{r,g,b},

令

L(x)＝A(1-t(x))，由式(2)可得：

根据大量的试验统计，发现

具有弱稀疏性，而0＜t(x)＜1，可知

所以D(x)具有更明显的稀疏性，而L(x)＝A(1-t(x))大气光部分，导致图像的高频分量被抑制，图像细节信息丢失，因此该部分具有低秩性，所以本发明采用交替方向乘子法对式(3)稀疏部分和低秩部分进行迭代求解。

根据得到的D(x)，选取D(x)中像素值最大的前10％的像素对应的I(x)值求平均，得到大气光值A的估计。根据L(x)＝A(1-t(x))，可得透过率的估计值为：

其中，η为调整因子，防止

由式(4)得到透过率的估计值

再用平滑滤波(如引导滤波，高斯滤波、双边滤波等)进行平滑处理得到t(x)。

然后根据大气散射模型，实现对无雾场景的复原，如下式所示：

t₀为调节量，本实施方式中设置为0.01。经过上式恢复的图像一般会比较暗，我们采用自动色阶的方法进行增强。处理结果如图2所示。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (2)

1.一种基于图像分解的去雾复原方法，其特征是：该方法由以下步骤实现：

步骤一、

将基于大气散射成像模型的公式取最小值通道，用下式表示为：

式中，A为全球大气光，t(x)为大气透过率，J(x)t(x)衰减模型，A(1-t(x))为大气光模型；c∈{r,g,b},

为有雾图像的最小通道，

为无雾图像的最小通道，

令

L(x)＝A(1-t(x))，可得：

经分析，

具有弱稀疏性，由0＜t(x)＜1，可知

即：D(x)具有稀疏性；由L(x)＝A(1-t(x))具有低秩性；

步骤二、

采用交替方向乘子法对上式的稀疏性部分和低秩性部分进行求解；选取D(x)中像素值最大的前10％的像素对应的I(x)值求平均，获得大气光值A的估计值；

根据L(x)＝A(1-t(x))，获得透过率的估计值为：

式中，η为调整因子，采用平滑滤波进行平滑处理得到透过率t(x)；

步骤三、

根据大气散射模型，实现对无雾场景的复原，如下式所示：

式中，t₀为调节量，I(x)为有雾场景图像，J(x)为无雾场景图像。

2.根据权利要求1所述的一种基于图像分解的去雾复原方法，其特征在于：最终获得的无雾场景图像采用自动色阶的方法进行增强处理。

Images