一种基于暗原色先验的图像去雾方法专利检索-聚类算法数学与统计专利检索查询-专利查询网

一种基于暗原色先验的图像去雾方法

阅读：377发布：2024-02-27

专利汇可以提供一种基于暗原色先验的图像去雾方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于暗原色先验的图像去雾方法。包括以下几个步骤：步骤一：基于经典聚类算法对图像I(x)进行分割获得候选天空区域It(x)；步骤二：对候选天空区域It(x) 腐蚀处理得到天空亮度；步骤三：根据获得的天空亮度，对图像进行改进的最小值滤波，得到粗估计透射率图像；步骤四：通过导向滤波优化粗估计透射率图像，得到优化的透射率图像；步骤五：基于大气散射模型获得复原图像。本发明对大气光做了更合理的处理，减弱图像块效应，提高了图像的整体亮度，使图像更加自然。，下面是一种基于暗原色先验的图像去雾方法专利的具体信息内容。

权利要求

1.一种基于暗原色先验的图像去雾方法，其特征在于：包括以下几个步骤，步骤一：基于经典聚类算法对图像I(x)进行分割获得候选天空区域It(x)；
步骤二：对候选天空区域It(x)腐蚀处理得到天空亮度；
步骤三：根据获得的天空亮度，对图像进行改进的最小值滤波，得到粗估计透射率图像；
步骤四：通过导向滤波优化粗估计透射率图像，得到优化的透射率图像；
步骤五：基于大气散射模型获得复原图像。
2.根据权利要求1所述的一种基于暗原色先验的图像去雾方法，其特征在于：所述的天空亮度为：
其中，A(x)为天空亮度，Ic(x)为图像I(x)的 R,G,B三原色通道，Amax＝max(max(Itmin(x)))为天空亮度最大值，Amin＝max(min(max(Itmin(x))),0.7*Amax)为天空亮度最小值，Itmin(x)为最小值滤波的结果，
c
其中，x为空间坐标，It(x)为候选天空区域，It(y)为It(x)的R,G,B三原色通道,Ω(x)是以像素点x为中心的方形区域。
3.根据权利要求1所述的一种基于暗原色先验的图像去雾方法，其特征在于：所述的对图像进行改进的最小值滤波采用的函数为：
其中，Idarkm(x)为暗原色中值，Iord(x)为粗估计透射率图像，Ic(y)为图像I(x)的R,G,B三原色通道，参数k∈[0.8,1)。
4.根据权利要求1所述的一种基于暗原色先验的图像去雾方法，其特征在于：所述的优化的透射率图像qi为：
其中，I为向导，即图像I(x)简记为I，p为输入图像，Ω是以像素点k为中心的方形区域，w为该区域的像素数目，Ii和pi分别是I和P在Ω内的i处的值，μ和σ2表示I在该区域的均值和方差，ε为一个限制ak的系数，表示对输入图像的局部区域的均值。
5.根据权利要求1所述的一种基于暗原色先验的图像去雾方法，其特征在于：所述的复原图像为：
-βd(x)
其中，t(x)＝e ，d重为场景的景深，β为大气散射系数，为t(x)的估计值，天空亮度A(x)简记为A。

说明书全文

一种基于暗原色先验的图像去雾方法

技术领域

[0001] 本发明属于图像处理领域，尤其涉及能够对图像进行去雾处理的，一种基于暗原色先验的图像去雾方法。

背景技术

[0002] 近来，雾霾天气成为一种频发的天气现象。雾霾中的液滴和固体小颗粒不仅危害人体健康，而且大量悬浮粒子的散射作用使大气能见度降低，降低图像质量，影响获取图像中的相关信息，同时户外清晰度降低也导致了不必要的交通事故，因此，图像去雾技术成为图像处理与计算机视觉领域急需研究的课题之一。

[0003] 图像去雾技术主要包括基于图像复原和基于图像增强的两类。基于图像复原的算法从图像退化的物理模型出发,通过分析、求解图像降质过程的逆过程,获得各降质环节的相关参数,从而恢复出尽可能逼真的清晰图像。近来,基于单色大气散射模型的去雾算法,在基于一些先验知识和假设的前提下取得了很大进展。

[0004] 目前，通用的图像去雾算法是先估算大气透射率，再根据单色大气散射模型恢复场景色彩。

[0005] Tan假设局部区域的环境光为常数，以及对比度显著增强，在马尔科夫随机场模型的框架下，构造关于边缘强度的的代价函数，使用图分割理论估计最优光照，但由此导致的图像颜色过度饱和失真无法避免，且在景深突变的的交界区域产生严重的Halo效应。

[0006] Fattal假设图像局部区域的透射率为常向量，以及物体表面色度与介质传播具有统计不相关性，此算法需要大量的物理色彩信息，但是，在浓雾条件下的图像丢失了大量色彩信息，此时对图像的透射率估计偏差大，算法失效。

[0007] 何凯明等提出了一种暗原色先验的算法。假设至少一个颜色通道的局部区域内的场景反照率趋于零，接着用最小值滤波对介质传播函数粗估计，然后，用软抠图算法对该函数细化，由此得到去雾图。但此细化算法实质上是一种大规模稀疏线性方程组的求解问题，具有很高的时间和空间复杂度；另外，图像抠图引入α通道使前景与背景过度区域的边缘柔化，而介质传播函数为场景辐射的指数衰减因子，因此，软抠图算法用于介质传播函数的细化并不合理；同时，单一的最小值滤波会产生Halo效应和块效应。

[0008] 继而，又有分别采用双边滤波和中值滤波来代替最小值滤波的算法，以提升去雾性能。Gibson等提出用中值滤波代替最小值滤波，可以减弱Halo效应，该算法不需要软抠图或双边滤波对透射率图细化，显著的降低了运算的时间复杂度，但是该方法去雾图像质量较差，易出现黑斑效应。张小刚提出了双区域滤波，定义了暗区域，改进了中值滤波算法，减弱了其黑斑效应，但是该算法对图像细节的保持作用有限，图像细节精细度降低。

[0009] 上述文献皆取大气光为常数，在有景深变化的图像中，这一假设显然是不合理的；另外基于暗原色先验的算法都存在去雾图像灰暗，存在Halo效应，或者为消除Halo效应而采取复杂的运算，增加了算法的时间复杂度。

发明内容

[0010] 本发明的目的是提供一种去雾效果好、处理时间复杂度低的，基于暗原色先验的图像去雾方法。

[0011] 本发明是通过以下技术方案实现的：

[0012] 一种基于暗原色先验的图像去雾方法，包括以下几个步骤，

[0013] 步骤一：基于经典聚类算法对图像I(x)进行分割获得候选天空区域It(x)；

[0014] 步骤二：对候选天空区域It(x)腐蚀处理得到天空亮度；

[0015] 步骤三：根据获得的天空亮度，对图像进行改进的最小值滤波，得到粗估计透射率图像；

[0016] 步骤四：通过导向滤波优化粗估计透射率图像，得到优化的透射率图像；

[0017] 步骤五：基于大气散射模型获得复原图像。

[0018] 本发明一种基于暗原色先验的图像去雾方法，还可以包括：

[0019] 1、天空亮度为：

[0020]c

[0021] 其中，A(x)为天空亮度，I(x)为图像I(x)的R,G,B三原色通道，Amax＝max(max(Itmin(x)))为天空亮度最大值，Amin＝max(min(max(Itmin(x))),0.7*Amax)为天空亮度最小值，Itmin(x)为最小值滤波的结果，

[0022]

[0023] 其中，x为空间坐标，It(x)为候选天空区域，为It(x)的R,G,B三原色通道,Ω(x)是以像素点x为中心的方形区域。

[0024] 2、对图像进行改进的最小值滤波采用的函数为：

[0025]

[0026]c

[0027] 其中，Idarkm(x)为暗原色中值，Iord(x)为粗估计透射率图像，I(y)为图像I(x)的R,G,B三原色通道，参数k∈[0.8,1)。

[0028] 3、优化的透射率图像qi为：

[0029]

[0030]

[0031]

[0032] 其中，I为向导，即图像I(x)简记为I，p为输入图像，Ω是以像素点k为中心的2
方形区域，w为该区域的像素数目，Ii和pi分别是I和P在Ω内的i处的值，μ和σ 表示I在该区域的均值和方差，ε为一个限制ak的系数，表示对输入图像的局部区域的均值。

[0033] 4、复原图像为：

[0034]-βd(x)

[0035] 其中，t(x)＝e ，d重为场景的景深，β为大气散射系数，为t(x)的估计值，天空亮度A(x)简记为A。

[0036] 有益效果：

[0037] 本发明提出了一种基于暗原色先验去雾物理模型的改进算法，对大气光做了更合理的处理，减弱图像块效应，提高了图像的整体亮度，使图像更加自然。本发明基于图像分割估计天空亮度避免了直接用最亮像素值估计天空亮度易受到高亮噪声或白色物体的影响；采用改进最小值滤波获取透射率图，抑制了单独使用最小值滤波产生的Halo效应和块效应，同时克服了双区域滤波中的中值滤波对图像边缘保持度低的缺点；最后，使用实效的导向滤波对透射率图细化，大大降低了算法的时间复杂度和空间复杂度。附图说明

[0038] 图1是本专利的算法原理流程图。

[0039] 图2a是原图像1，图2b是原图像1的候选天空区域，图2c是原图像2，图2d是原图像2的候选天空区域，图2e是原图像3，图2f是原图像3的候选天空区域。

[0040] 图3a为原图像，图3b为中值滤波的透射率图，图3c为He的透射率图，图3d为双区域滤波的透射率图，图3e为本发明的透射率图。

[0041] 图4a为原图像4，图4b为采用本发明的方法得到原图像4的复原图像，图4c为原图像5，图4d为采用本发明的方法得到原图像5的复原图像。

具体实施方式

[0042] 下面将结合附图对本发明做进一步详细说明。

[0043] 本发明针对雾霾图像提出了一种实效的去雾算法，该方法的步骤如下：

[0044] (1)基于经典聚类的图像分割对天空亮度进行估计。

[0045] (2)利用改进的最小值滤波获取雾霾图像的透射率图像。

[0046] (3)利用导向滤波对透射率图进行细化。

[0047] (4)得到复原图像。

[0048] 经典聚类的图像分割方法为：

[0049] (1)将雾霾图像从RGB空间转换到LAB空间；

[0050] (2)基于A、B分量进行K均值经典聚类图像分割；

[0051] (3)为防止错误估计天空区域，把位置偏下的像素点设置为零。

[0052] 结合顺序统计滤波，修正了暗区域。在暗区域采取顺序统计滤波，消弱最小值滤波造成的Halo效应，同时增强图像的对比度；在非暗区域，采用最小值滤波，以更好的保留图像的边缘，克服了中值滤波的缺点。

[0053] 下面将结合图1对本发明中的具体步骤进行详细说明。

[0054] (1)估计天空亮度

[0055] 天空区域有如下特性：1)亮度较高；2)位置偏上；3)色彩相近。

[0056] 首先，把已知图像I(x)从RGB空间转换到LAB空间，用经典聚类方法进行图像分割，记为It(x)，见图2a～图2f。对候选天空区域进行最小值滤波，即灰度腐蚀操作[0057]

[0058] 其中，x为空间坐标，It(x)为候选天空区域，为It(x)的R,G,B三原色通道,Ω(x)是以像素点x为中心的方形区域，Itmin(x)为最小值滤波的结果。

[0059] 取候选天空区域的最大值为亮度最大值

[0060] Amax＝max(max(Itmin(x))) (2)

[0061] 为防止对天空区域的误估计，取0.7*Amax为天空亮度最小值的底限，得到天空亮度最小值

[0062] Amin＝max(min(max(Itmin(x))),0.7*Amax) (3)

[0063] 经过对大量图像数据分析，图像的亮度与存在某种近似线性的关系，故对天空亮度作了如下定义

[0064]

[0065] 式中，当时，多为天空区域或者近处亮度高的的区域，为防止图像的过增强，取为定值；A(x)为天空亮度；Ic(x)为I(x)的R,G,B三原色通道。

[0066] 为方便书写，后文皆把A(x)记为A。

[0067] (2)估计透射率图

[0068] Gibson等用中值滤波对暗原色先验函数修订如下

[0069]

[0070] 其中，Idarkm(x)称为暗原色中值，Ic(y)为I(x)的R,G,B三原色通道。该方法获得的透射率图见图3a～图3b。

[0071] 张小刚提出了暗区域，对中值函数作了如下的定义

[0072]

[0073] 上式表示当像素点位于暗区域时，暗原色中值直接取该像素点三原色通道的最小值；否则，取领域三原色通道的最小值的中值和最小值之间的值。该方法获得的透射率图见图3c。

[0074] He的透射率图见图3d。

[0075] 从图中可以得出如下结论：He的最小值滤波结果对细节保持效果最佳，但运算量最大，存在Halo效应；Gibson的中值滤波对细节损坏最严重，有黑斑效应，但时间复杂度最低，没有明显的Halo效应，也不失为一种好的快速去雾算法；双区域滤波的结果整体效果居中。经过大量图像分析，都有相似的结论。

[0076] 综合考虑最小值滤波和中值滤波的作用效果。本文结合顺序统计滤波，修正了暗区域。在暗区域采取顺序统计滤波，可以消弱Halo效应，增强图像的对比度；在非暗区域，采用最小值滤波，可以更好的保留图像的边缘。该算法函数定义如下

[0077]

[0078]

[0079] 上式表示当像素点位于暗区域时，对该像素点采用最小值滤波；否则，采用顺序统计滤波，结果取领域三原色通道的最小值的中值和最小值之间的值；其中k∈[0.8,1)，可以得到较满意的结果，在此取为0.95；ord为顺序统计滤波函数。

[0080] (3)细化透射率图像

[0081] 由于透射率仅是关于景深d(x)的函数,对透射率的粗估计进行区域平滑操作,保持景深突变的边缘细节,这可以看作一个滤波问题。He采用软抠图细化透射率图，虽然效果很好，但算法时间和空间复杂度非常高。在此，采用导向滤波，不但可以获得精细的透射率图，而且可以大大降低算法的时间复杂度。

[0082]

[0083]

[0084]

[0085] 式中，qi为滤波后的图像，I为向导即已知图像，p为输入图像，Ω是以像素点k为中心的方形区域，w为该区域的像素数目，Ii和pi分别是I和P在Ω内的i处的值，μ和2
σ表示I在该区域的均值和方差，ε为一个限制ak的系数；表示对输入
图像的局部区域的均值。

[0086] 经过滤波后的透射率图见图3e。可以看出本文的透射率图，不仅细节保持度更好，而且抑制了Halo效应，并且没有中值滤波造成的黑斑效应，获得了更好的视觉效果。

[0087] (4)复原图像

[0088] 在雾、霾天气条件下单色大气散射模型，即窄波段摄像机所拍摄的图像灰度值I(x)可表示为

[0089] I(x)＝J(x)t(x)+A(1-t(x)) (12)

[0090] 式中,I为已知图像，J为无雾时景物光线的强度,A为天空亮度,t为介质透射率，大气散射模型由两项组成。第一项表示衰减模型,也称为直接传播或直接衰减。由于大气粒子的散射作用,一部分物体表面的反射光因散射而损失,未被散射的部分直接到达成像传感器,其光强随着传播距离的增大而呈指数衰减。第二项表示环境光模型，这是因为大气粒子对自然光的散射引起大气表现出光源的特性。环境光的强度随着传播距离的增大而逐渐增加。Narasimhan等指出该模型的假设条件是单次散射、均匀大气介质,以及大气粒子对可见光的散射系数与波长无关，因此,该模型不适用于数千米之外场景成像的衰减补偿。

[0091] 为简化(12)，定义t(x)为

[0092] t(x)＝e-βd(x) (13)

[0093] 式中d重为场景的景深,β为大气散射系数。

[0094] He根据对大量户外无雾图像的统计，提出了暗原色先验。在图像的某些非天空的区域中 R,G,B三个原色通道中，至少有一个通道强度值很低，可表示为

[0095]

[0096] 式中,Jc(y)为J(x)的R,G,B三原色通道,Ω(x)是以像素点x为中心的方形区域。上式即为暗原色先验公式。

[0097] 对于非天空区域，有下式成立

[0098] Jdark(x)——→0 (15)

[0099] 由(12)式得

[0100]

[0101] 式中Ac为本专利算法获得的天空亮度。

[0102] 对式(16)进行最小值运算

[0103]

[0104] 其中，为t(x)的估计值，此处用(8)式代替，同时把式(15)代入得到本发明改进的最小值滤波获得的透射率图像

[0105]

[0106] 为使去雾的图像更真实，定义式(18)为

[0107]

[0108] 取ω＝0.95。

[0109] 将式(19)代入式(12)，为保证分母不为零，设定最小值t0＝0.1，得[0110]

[0111] 由此得到复原图像J(x)，见图4a～图4d。

标题	发布/更新时间	阅读量
一种通过在线分类跟踪内窥镜图像序列特征点的方法	2020-05-08	884
基于卷积神经网络和概念格的图像语义完备标注方法	2020-05-11	741
一种基于聚类分析自主再学习的人脸识别方法	2020-05-11	519
基于共同注意力范式的孤独症辅助诊断装置	2020-05-08	386
一种基于局部区域聚类的电力设备故障区域提取方法	2020-05-11	767
一种基于深度学习的2D+3D大飞机外形缺陷检测与分析方法	2020-05-08	534
信用评分模型的构建方法、装置、设备及存储介质	2020-05-08	41
酒店评分方法、酒店推荐方法、电子装置和存储介质	2020-05-08	214
一种故障数据标记方法及故障识别装置	2020-05-11	326
车辆物流路径生成的方法、装置、计算机设备及存储介质	2020-05-08	202

一种基于暗原色先验的图像去雾方法

一种基于暗原色先验的图像去雾方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：