基于颜色衰减先验的图像去雾方法、系统及存储介质
阅读：430发布：2020-05-17
专利汇可以提供基于颜色衰减先验的图像去雾方法、系统及存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了基于 颜色 衰减先验的图像去雾方法、系统及存储介质，方法包括：通过预设的场景深度模型对输入图像进行第一处理，生成场景 深度图 ；对场景深度图进行导向滤波处理；采用二叉 树搜索 算法 对输入图像进行第二处理，得到大气光值；根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。本发明通过导向滤波处理，解决了 现有技术 中采用颜色衰减先验法进行图像去雾后会产生近景区域模糊和细节丢失的问题，提高了去雾效果；另外，本发明还使用二叉树搜索算法代替了传统的逐点寻找大气光值的方法，适用于各种光照情景下的图像，加快了速度且增大了适用范围，可广泛应用于 图像处理 技术领域。，下面是基于颜色衰减先验的图像去雾方法、系统及存储介质专利的具体信息内容。
1.基于颜色衰减先验的图像去雾方法，其特征在于：包括以下步骤：
通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
对场景深度图进行导向滤波处理；
采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
2.根据权利要求1所述的基于颜色衰减先验的图像去雾方法，其特征在于：所述通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图这一步骤，包括以下步骤：
确定输入图像中像素点亮度与饱和度的差值；
将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
3.根据权利要求1所述的基于颜色衰减先验的图像去雾方法，其特征在于：所述对场景深度图进行导向滤波处理这一步骤，其具体为：
对场景深度图进行细化处理，所述细化处理包括滤波处理、边缘保存处理和块效应消除处理。
4.根据权利要求1所述的基于颜色衰减先验的图像去雾方法，其特征在于：所述采用二叉树搜索算法对输入图像进行第二处理，得到大气光值这一步骤，包括以下步骤：
将输入图像转化为灰度图像；
基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
分别计算两个区域的大气光均值；
选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
5.基于颜色衰减先验的图像去雾系统，其特征在于：包括：
第一处理模块，用于通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
滤波处理模块，用于对场景深度图进行导向滤波处理；
第二处理模块，用于采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
去雾处理模块，用于根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
6.根据权利要求5所述的基于颜色衰减先验的图像去雾系统，其特征在于：所述第一处理模块包括：
确定单元；用于确定输入图像中像素点亮度与饱和度的差值；
关系转化单元，用于将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
模型构建单元，用于根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
第一处理单元，用于通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
7.根据权利要求5所述的基于颜色衰减先验的图像去雾系统，其特征在于：所述第二处理模块包括：
灰度转化单元，用于将输入图像转化为灰度图像；
划分单元，用于基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
均值计算单元，用于分别计算两个区域的大气光均值；
大气光值确定单元，用于选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
8.根据权利要求5所述的基于颜色衰减先验的图像去雾系统，其特征在于：所述滤波处理模块具体包括：
滤波处理单元，用于对场景深度图进行滤波处理；
边缘保存处理单元，用于对场景深度图进行边缘保存处理；
块效应消除单元，用于对场景深度图进行块效应消除处理。
9.基于颜色衰减先验的图像去雾系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-4中任一项所述的基于颜色衰减先验的图像去雾方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-4中任一项所述的基于颜色衰减先验的图像去雾方法。
基于颜色衰减先验的图像去雾方法、系统及存储介质
技术领域
背景技术
[0002] 术语解释：
[0003] 饱和度：是指颜色的鲜艳程度，颜色越鲜艳，饱和度越高。
[0005] 场景深度图：是指由雾图恢复过来的深度图。
[0006] 大气光：是指大气散射光，光线在通过有尘土的空气或胶质溶液等媒质时，部分光线会向多个方面改变方向的现象。
[0007] 光晕效应(halo效应)：是指图像经过处理后出现像太阳的光晕一样的效果。
[0008] 透射率：是指大气光可以穿过大气媒介照到物体表面的能力。在有雾图中，浓雾区域的透射率比较低，在雾稀少的地方，透射率比较高。
[0009] 随着中国各地城市化和工业化，在一些区域已经出现了雾霾天气。在室外采集到的图像通常被大气中的混浊介质，例如颗粒、水滴等所干扰，图像采集设备(如摄像机)从场景点接收到的图片会因为雾气对大气的吸收和散射而失去一些饱和度和颜色保真度，严重影响了户外图像采集系统的正常工作。
[0010] 现有技术中有以下几种对图像进行去雾处理的方法：
[0011] 1、颜色衰减先验法：对于户外有雾图像来说，任意区域雾的浓度与该区域像素点的亮度和饱和度之差成正相关。由于雾的浓度随着场景深度的变大而变浓，因此场景深度的变化与像素点的亮度和饱和度之差成正相关，由此建立场景深度模型，从而求得透射率，并用导向滤波进行细化透射率，然后估计大气光值，最后由透射率和大气光便可恢复无雾图。
[0012] 2、改进的颜色衰减先验法：使用新的场景深度模型和新的大气光值的估计方法，使用监督学习的方法确定场景深度模型的参数，最后恢复无雾图。
[0013] 3、暗通道先验法：由于一幅无雾图像的三个颜色通道(RGB红绿蓝)中的某一个通道的值是近似等于0的，相对于无雾图像，有雾图像中原本亮度值非常低的像素变高。利用这个先验信息和退化物理模型得到复原图像。
[0014] 4、Retinex算法：该算法是一种基于Retinex色彩理论的图像增强方法。该理论的基本思想是人眼视觉可以不受光照变化的影响感知颜色信息，即颜色不变模型。该算法也将像素灰度值分为辐射照度和反射率两个部分，利用颜色不变模型估计出照度分量和反射分量，从而实现去雾的效果。
[0015] 5、小波变换算法：该算法的基本思想是利用小波变换将图像变换到频域进行处理。小波变换是在傅里叶变换的基础上发展来的，它是一种空域和频域之间变换的方式。通过小波变换，图像可以被分为高频部分和低频部分，即图像的细节部分和结构部分。通过对高频部分即细节部分进行增强处理，从而达到去雾的效果。
[0016] 以上现有的去雾处理方法具有以下缺点：
[0017] 1、颜色衰减先验法会出现近景过度去雾导致细节丢失或者模糊，远景去雾效果不明显；
[0018] 2、改进的颜色衰减先验法同样会出现近景区域模糊；
[0019] 3、暗通道先验法在高亮度区域(如天空等)会出现光晕效应，使用软抠图算法细化透射率时计算速度慢；
[0020] 4、Retinex算法的本质问题是对亮度分量的估计，但去雾后存在白膜和亮度反转问题；
[0021] 5、小波变换算法的缺点是不适合光照不均匀的图像。
发明内容
[0022] 有鉴于此，本发明实施例提供一种速度快、效果好且适用范围广的，基于颜色衰减先验的图像去雾方法、系统及存储介质。
[0023] 第一方面，本发明实施例提供了一种基于颜色衰减先验的图像去雾方法，包括以下步骤：
[0024] 通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
[0025] 对场景深度图进行导向滤波处理；
[0026] 采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
[0027] 根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
[0028] 进一步，所述通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图这一步骤，包括以下步骤：
[0029] 确定输入图像中像素点亮度与饱和度的差值；
[0030] 将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
[0031] 根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
[0032] 通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
[0033] 进一步，所述对场景深度图进行导向滤波处理这一步骤，其具体为：
[0034] 对场景深度图进行细化处理，所述细化处理包括滤波处理、边缘保存处理和块效应消除处理。
[0035] 进一步，所述采用二叉树搜索算法对输入图像进行第二处理，得到大气光值这一步骤，包括以下步骤：
[0036] 将输入图像转化为灰度图像；
[0037] 基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
[0038] 分别计算两个区域的大气光均值；
[0039] 选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
[0040] 第二方面，本发明实施例提供了一种基于颜色衰减先验的图像去雾系统，包括：
[0041] 第一处理模块，用于通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
[0042] 滤波处理模块，用于对场景深度图进行导向滤波处理；
[0043] 第二处理模块，用于采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
[0044] 去雾处理模块，用于根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
[0045] 进一步，所述第一处理模块包括：
[0046] 确定单元；用于确定输入图像中像素点亮度与饱和度的差值；
[0047] 关系转化单元，用于将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
[0048] 模型构建单元，用于根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
[0049] 第一处理单元，用于通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
[0050] 进一步，所述第二处理模块包括：
[0051] 灰度转化单元，用于将输入图像转化为灰度图像；
[0052] 划分单元，用于基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
[0053] 均值计算单元，用于分别计算两个区域的大气光均值；
[0054] 大气光值确定单元，用于选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
[0055] 进一步，所述滤波处理模块具体包括：
[0056] 滤波处理单元，用于对场景深度图进行滤波处理；
[0057] 边缘保存处理单元，用于对场景深度图进行边缘保存处理；
[0058] 块效应消除单元，用于对场景深度图进行块效应消除处理。
[0059] 第三方面，本发明实施例还提供了一种基于颜色衰减先验的图像去雾系统，包括：
[0060] 至少一个处理器；
[0061] 至少一个存储器，用于存储至少一个程序；
[0062] 当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于颜色衰减先验的图像去雾方法。
[0063] 第四方面，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于颜色衰减先验的图像去雾方法。
[0064] 上述本发明实施例中的一个或多个技术方案具有如下优点：本发明的实施例对生成的场景深度图进行导向滤波处理，然后采用二叉树搜索算法得到大气光值，最后根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像；本发明通过导向滤波处理，解决了现有技术中采用颜色衰减先验法进行图像去雾后会产生近景区域模糊和细节丢失的问题，提高了去雾效果；另外，本发明还使用二叉树搜索算法代替了传统的逐点寻找大气光值的方法，适用于各种光照情景下的图像，加快了速度且增大了适用范围。附图说明
[0065] 图1为本发明实施例的步骤流程图；
[0066] 图2为本发明实施例的有雾图；
[0067] 图3为本发明实施例的输入图像原图；
[0068] 图4为本发明实施例的场景深度信息图；
[0069] 图5为本发明实施例经过导向滤波之后的场景深度信息图；
[0070] 图6为本发明实施例确定大气光值的示意图；
[0071] 图7为本发明实施例的初始有雾图；
[0072] 图8为采用现有技术的暗通道先验法处理后的去雾图；
[0073] 图9为采用现有技术的颜色衰减先验法处理后的去雾图；
[0074] 图10为采用现有技术改进的颜色衰减先验法处理后的去雾图；
[0075] 图11为采用现有技术的Retinex算法处理后的去雾图；
[0076] 图12为采用本发明的方法处理后的去雾图。
具体实施方式
[0077] 下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0078] 参照图1，本发明实施例提供了一种基于颜色衰减先验的图像去雾方法，包括以下步骤：
[0079] 通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
[0080] 对场景深度图进行导向滤波处理；
[0081] 采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
[0082] 根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
[0083] 进一步作为优选的实施方式，所述通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图这一步骤，包括以下步骤：
[0084] 确定输入图像中像素点亮度与饱和度的差值；
[0085] 将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
[0086] 根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
[0087] 通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
[0088] 进一步作为优选的实施方式，所述对场景深度图进行导向滤波处理这一步骤，其具体为：
[0089] 对场景深度图进行细化处理，所述细化处理包括滤波处理、边缘保存处理和块效应消除处理。
[0090] 进一步作为优选的实施方式，所述采用二叉树搜索算法对输入图像进行第二处理，得到大气光值这一步骤，包括以下步骤：
[0091] 将输入图像转化为灰度图像；
[0092] 基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
[0093] 分别计算两个区域的大气光均值；
[0094] 选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
[0095] 下面详细描述本发明基于颜色衰减先验的图像去雾方法的具体实施步骤：
[0096] S1、通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
[0097] 所述S1包括以下步骤：
[0098] S11、确定输入图像中像素点亮度与饱和度的差值；
[0099] S12、将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
[0100] S13、根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
[0101] S14、通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
[0102] 具体地，本实施例为了描述有雾图的形成，采用了大气散射模型，所述大气散射模型可以被下式所描述：
[0103] I(x)＝J(x)t(x)+A(1-t(x))，
[0104] t(x)＝e-β·d(x)，
[0105] 其中，I为有雾图，J为原无雾图，t为透射率，A为大气光值，β为大气散射系数，d为场景深度，x为像素点的位置。在式中，I(x)是已知的，即为输入图像，J(x)为经过图像去雾处理后恢复的图像，A在RGB空间里代表一个三维向量。本实施例中，假设大气散射系数β是一个恒定的常数1，那么透射率t(x)只和场景深度d(x)有关，本实施例中d(x)∈[0，+∞)，则有：
[0106] t(x)∈(0，1]，
[0107] 当t(x)＝0时，表示完全模糊，大气光无法穿透；t(x)＝1时，表示完全无雾；0＜t(x)＜1时，表示区域存在雾，大气光可以穿透。
[0108] 上述大气散射模型的表达式中，由于自由变量个数大于约束条件个数，因此式子有无穷多个解，J(x)是恢复后的图像，由于A和d(x)的直接求解比较困难，故对A和t(x)采用估计的方法进行取值。
[0109] 人类可以在没有任何附加信息的提示下快速识别出一幅自然场景图里的有雾区域，受到这样的启发，现有技术使用统计的方法进行大量实验发现，在一幅有雾图像中，在有雾区域某一个像素点的饱和度和亮度会随着雾的集中的程度发生很大的改变。图2举例说明了自然场景下不同像素点的亮度和饱和度与雾浓度的关系。其中，图2中(a)代表有雾图原图，(b)为浓雾区域，(c)为雾浓度相对比较稀少区域，(d)近似无雾区域，在图2最右边的柱状图中，蓝色为亮度，黄色为饱和度，紫色为亮度与饱和度的差值。可以在图中观察到无雾区域，像素点的亮度和饱和度近似相等；随着雾的出现，在雾稀少区域，像素点的亮度开始增加，而饱和对开始急剧下降，他们之间的差值开始增大；在浓雾区域，像素点的亮度与饱和度的差值同样增大。故像素点亮度与饱和度的差值(VSD)与雾浓度存在正比关系。通常情况下，在场景深度与雾的浓度成正比。由于雾的浓度不容易被计算或估计，故将雾浓度与VSD的关系转化为场景深度与VSD的关系，可以得出下式：
[0110] d(x)∝c(x)∝v(x)-s(x)
[0111] 其中，d为场景深度，c为雾浓度，v为亮度，s为饱和度，x为像素的位置。
[0112] 基于上述场景深度与VSD的关系，现有技术建立了场景深度关于亮度与饱和度线性模型如下：
[0113] d(x)＝θ0+θ1v(x)+θ2s(x)+ε(x)
[0114] 其中，d(x)是场景深度，v(x)是亮度，s(x)是饱和度，x是像素点坐标，ε(x)是模型的随机误差，且ε(x)服从均值为0，方差为σ的正态分布，θ0、θ1、θ2为线性参数。
[0115] 基于上述场景深度关于亮度与饱和度线性模型，现有技术又通过监督学习使用500个训练样本获得120百万个像素点来训练模型，最终得到：
[0116] θ0＝0.121779，θ1＝0.959710，θ2＝-0.780245，
[0117] σ＝0.041337。
[0118] 为了提高线性模型的准确率，现有技术改进并建立了场景深度关于亮度与饱和度线性模型如下所示：
[0119]
[0120] 其中，α、θ0、θ1、θ2为非线性参数，ε(x)为是模型的随机误差，且ε(x)服从均值为0，方差为σ的正态分布，d(x)为场景深度，x为像素点的坐标。通过监督学习利用500组训练样本总共220百万个得到θ0＝-0.29，θ1＝0.83，θ2＝-1.06，α＝4.99。
[0121] 但是，通过上述两种线性模型进行去雾处理之后，在近景高频区域会产生模糊，故本发明建立了新的非线性场景深度模型。
[0122] 具体地，针对上述改进后的线性模型，在计算 这一项时，由于其指数项-α·(θ0+θ1v(x)+θ2s(x))是一个趋于0的值，受到等价无穷小的启发，有：
[0123] ex～1+x，x→0
[0124] 式子表达的意思是当x趋于0时，ex等价于1+x。
[0125] 进而可以得出下式：
[0126] 接着，就可以重新建立场景深度模型，得出非线性场景深度模型，如下式：
[0127]
[0128] 式中，α、θ0、θ1、θ2为非线性参数，ε(x)为是模型的随机误差，且ε(x)服从均值为0，方差为σ的正态分布，d(x)为场景深度，x为像素点的坐标，k为调节参数，其范围k∈[0，2.2]。其中，θ0＝-0.29，θ1＝0.83，θ2＝-1.06，α＝4.99，σ＝0.041337，经验证，当k等于0时出现严重的光晕效应，随着k的增大，当k＝0.8时，光晕效应几乎消除，之后随着k的增大，远景去雾效果逐渐消失。因此本实施例确定k＝1作为最终计算参数。
[0129] S2、对场景深度图进行导向滤波处理；
[0130] 所述S2具体为：对场景深度图进行细化处理，所述细化处理包括滤波处理、边缘保存处理和块效应消除处理。
[0131] 具体地，本发明通过上述非线性场景深度模型计算得到输入图像的场景深度信息图后，其中，输入图像的原图如图3所示，计算得到的场景深度信息图如图4所示，通过图4可知，采用本实施例的非线性场景深度模型计算得到的场景深度图产生了块效应，如图4中黄色方框所示，因此应当对该场景深度图进行细化，本实施例采用导向滤波的方式对场景深度图进行细化，其中，导向滤波具有良好的滤波、边缘保存和消除块效应的效果，透射率使用导向滤波细化的过程可以被表示为：
[0132] 式中，qi为输出图像，ak、bk为以像素k为中心的窗口wk中的线性参数，Ii为引导图像，i为窗口编号；
[0133] 由于ak，bk为线性参数，故由 可得出该滤波器具有较好的边缘保持效果。为解出ak，bk，本实施例通过构造代价函数使得输入图像p和输出图像q之间的差异最小，有如下式子：
[0134]
[0135] 其中，ε为正则化参数，pi为输入图像，使用最小二乘法即可求解得到：
[0136]
[0137]
[0138] 式中，|w|为wk窗口中的像素点个数， μk分别为Ii图像中任意窗口wk内像素点的均值和方差，即：
[0139] 进而计算得到输出图像qi，则qi可以表述为下式： 式中qi即为最终的场景深度信息图。
[0140] 本实施例使用导向滤波之后得到结果如图5所示。
[0141] S3、采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
[0142] 所述步骤S3包括以下步骤：
[0143] S31、将输入图像转化为灰度图像；
[0144] S32、基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
[0145] S33、分别计算两个区域的大气光均值；
[0146] S34、选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
[0147] 具体地，现有技术在估计大气光值时，直接用有雾图像中的最亮像素值来估计大气光值A的大小，通常的做法是从输入图像的暗通道图中选取前0.1％亮的像素，然后将这些像素映射到原有雾图像中，并在原图中找到亮度最大的值作为A的估计值。这些方法都是将原始图像中的某一个像素点的值作为大气光强度A的估计值，但是当前景中存在其他亮度较高的物体时(例如在复杂的交通场景中)，这个像素点往往来源于前景而非天空区域，那么此时这些方法就会不合理。
[0148] 为了提高大气光值的准确率，本实施例的实施步骤具体为：1、首先将输入图像转化为灰度图；2、按行或列的方向将灰度图分为2个大小相等的区域；3、求2个区域的均值进行比较，之后保留均值较大的区域；4、重复步骤2、3八次即可。最终保留下来的区域的均值作为大气光的值。如图6所示，图中黄色线条代表将灰度图分为两个大小相等区域的划分界限，黑色区域的均值即为大气光值。
[0149] 本实施例采用二叉树算法多次迭代得出的取值区域为Φ，那么上述步骤可用下式进行描述：
[0150] A＝mean(Φ)
[0151] 式中，A为求取的大气光值，mean(Φ)表示对区域Φ内所有像素点的值进行求和然后求平均值。
[0152] S4、根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
[0153] 具体地，在得到了场景深度和大气光的值之后，就可以对图像进行复原，由大气散射模型得到：
[0154]
[0155] 又因为0＜t≤1，故应当对J(x)加以限制，得最终去雾图像的计算公式：
[0156]
[0157] 式中，J(x)即为恢复的图像，根据上述最终去雾图像的计算公式即可得到最终去雾图像。
[0158] 另外，为了验证本发明的图像去雾方法的性能，本发明设计了一系列实验来验证本发明的有效性，实验测试的图像来自百度和Google等网站以及生活场景实拍。在实验中，参数设置k＝1，大气散射系数β＝1，滤波窗口半径为15，导向滤波的窗口半径设置为最小值滤波半径的4倍，即r选取了4幅不同场景下的图片进行分析，并与现有技术进行了去雾效果和算法运行时间的比较。
[0159] 如图7、图8、图9、图10、图11和图12所示，其中，图7是原有雾图；图8来自于暗通道先验法处理后的实验结果；图9为颜色衰减先验法处理后的结果；图10为改进的颜色衰减先验法处理后的结果；图11为Retinex算法处理后的结果；图12为使用本发明的方法进行的实验结果。通过图7-图12可见，暗通道先验法的算法在天空区域均出现了程度不同的halo效应(即晕轮效应)，且在图7的最右图像的近景区域(草地上)出现了模糊；颜色衰减先验法处理后的图像产生了近景过度去雾，导致大量细节丢失；改进的颜色衰减先验法处理后的结果与图8的效果比较相近；图11使用的DehazeNet有效解决了图像近景区域细节丢失的等问题，但由于缺乏真实场景的先验进行束，去雾效果有所降低。本发明的方法产生同样有效解决了图像近景区域细节的丢失问题。
[0160] 下面以硬件条件为Inter(R)Core(TM)i7-6500U CPU@2.50GHz 2.60GHz，使用的软件为Matlab R2017a为例，对图8-图12所示的各个算法的运行速率进行比较，具体结果如表1所示：
[0161] 表1
[0162]
[0163]
[0164] 其中，图像a、b、c、d分别代表图7-图12中从左往右的4种图像，本实施例选用了图8、图9、图10以及图12所示的四种算法进行比较，得到各自运行一次所需的时间如表1所示，由表1可以看出本发明的方法与其他算法在运行速率上相比，具有较好的快速性。
[0165] 与图1的方法相对应，本发明实施例提供了一种基于颜色衰减先验的图像去雾系统，包括：
[0166] 第一处理模块，用于通过预设的场景深度模型对输入图像进行第一处理，生成场景深度图；
[0167] 滤波处理模块，用于对场景深度图进行导向滤波处理；
[0168] 第二处理模块，用于采用二叉树搜索算法对输入图像进行第二处理，得到大气光值；
[0169] 去雾处理模块，用于根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像。
[0170] 进一步作为优选的实施方式，所述第一处理模块包括：
[0171] 确定单元；用于确定输入图像中像素点亮度与饱和度的差值；
[0172] 关系转化单元，用于将所述差值与输入图像中雾浓度的关系转化为所述差值与场景深度之间的关系；
[0173] 模型构建单元，用于根据所述差值与场景深度之间的关系，构建场景深度关于亮度与饱和度之间的非线性场景深度模型；
[0174] 第一处理单元，用于通过非线性场景深度模型对输入图像进行第一处理，生成场景深度图。
[0175] 进一步作为优选的实施方式，所述第二处理模块包括：
[0176] 灰度转化单元，用于将输入图像转化为灰度图像；
[0177] 划分单元，用于基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域；
[0178] 均值计算单元，用于分别计算两个区域的大气光均值；
[0179] 大气光值确定单元，用于选取大气光均值较大的区域作为新的灰度图像，并返回执行基于预设的行方向或者列方向，将灰度图像划分为大小相等的两个区域这一步骤，直至划分次数达到预设值后，最终选取较大的大气光均值作为输入图像的大气光值。
[0180] 进一步作为优选的实施方式，所述滤波处理模块具体包括：
[0181] 滤波处理单元，用于对场景深度图进行滤波处理；
[0182] 边缘保存处理单元，用于对场景深度图进行边缘保存处理；
[0183] 块效应消除单元，用于对场景深度图进行块效应消除处理。
[0184] 与图1的方法相对应，本发明实施例还提供了一种基于颜色衰减先验的图像去雾系统，包括：
[0185] 至少一个处理器；
[0186] 至少一个存储器，用于存储至少一个程序；
[0187] 当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于颜色衰减先验的图像去雾方法。
[0188] 上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0189] 与图1的方法相对应，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于颜色衰减先验的图像去雾方法。
[0190] 在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0191] 此外，虽然在功能性模块的背景下描述了本发明并且采用方块图的形式举例说明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0192] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0193] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0194] 计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0195] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0196] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0197] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0198] 综上所述，本发明基于颜色衰减先验的图像去雾方法、系统及存储介质具有以下优点：
[0199] 本发明对生成的场景深度图进行导向滤波处理，然后采用二叉树搜索算法得到大气光值，最后根据导向滤波处理后的场景深度图和大气光值对输入图像进行去雾处理，得到去雾图像；本发明通过导向滤波处理，解决了现有技术中采用颜色衰减先验法进行图像去雾后会产生近景区域模糊和细节丢失的问题，提高了去雾效果；另外，本发明还使用二叉树搜索算法代替了传统的逐点寻找大气光值的方法，适用于各种光照情景下的图像，加快了速度且增大了适用范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种运动矢量确定、边界强度确定方法和设备 | 2020-05-08 | 1023 |
| 块效应检测方法、块噪声滤除方法及装置 | 2020-05-16 | 871 |
| 虚拟试验光电信号大气传输效应主动计算服务方法及系统 | 2020-05-14 | 521 |
| 扩展参考像素样值集的图像编码或解码方法 | 2020-05-15 | 329 |
| 一种基于信息熵的视频自适应采样率设定方法 | 2020-05-15 | 727 |
| 指纹验证方法 | 2020-05-11 | 958 |
| 一种图像预测方法及装置 | 2020-05-13 | 527 |
| 在块预测技术中使用的预处理预测滤波的方法和装置 | 2020-05-16 | 436 |
| 一种基于能量和纹理分析的无参考图像客观质量评价方法 | 2020-05-16 | 805 |
| 一种面向压缩人脸图像的自适应去块效应方法 | 2020-05-12 | 150 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈