本發(fā)明屬于圖像處理領域，特別涉及一種圖像霧霾濃度的估計方法。
背景技術：
：霧霾天圖像降質(zhì)主要是因為大氣中的分子，水汽及懸浮的大量顆粒組成的氣溶膠對光線形成嚴重的吸收、散射和反射作用，造成大氣能見度降低,加上大氣湍流的影響,致使可見光成像系統(tǒng)的圖像色彩將會變暗、對比度降低,嚴重影響了成像系統(tǒng)的使用。因此，分析霧霾成因,研究去霧技術，提高霧霾氣象條件下的圖像能見度具有重要意義。其中，基于物理模型的去霧復原方法由于利用了景深信息，能最大限度地恢復清晰圖像而得到廣泛的研究。基于物理模型的去霧復原方法首先依據(jù)大氣中圖像退化的物理機制建立光學退化模型，然后利用退化模型通過逆過程對低質(zhì)圖像來恢復清晰圖像，常用的koschmieder大氣模型數(shù)學表達為：i(x)＝l(x)e-βd(x)+a(1-e-βd(x))式中，i(x)表示霧霾圖像，向量x為像素坐標，a表示大氣光值(天空亮度)，l(x)為場景照度，d為場景景深，β為大氣散射系數(shù)。常將t(x)＝e-βd(x)稱作大氣傳輸圖，其中l(wèi)(x)e-βd(x)為直接衰減項，表示物體表面反射光經(jīng)大氣粒子散射作用之后進入成像系統(tǒng)的部分，它隨光線傳播距離的增加成指數(shù)衰減。a(1-e-βd(x))為環(huán)境光干擾項，它隨著光線傳播距離的增大而增強。求解該模型估算出參數(shù)l(x)就可以得到視覺清晰的圖像。由于該模型包含3個未知參數(shù)：a，t與l，從本質(zhì)上講，這是一個多個未知數(shù)方程的病態(tài)反問題。近年圖像去霧方法取得了很大的進展，包括有基于圖像增強的去霧方法與于先驗假設的去霧算法，取得了良好的去霧效果。如fattal假設圖像局部區(qū)域的反照率為常向量，利用獨立成分分析來估計該反照率。tan假設局部區(qū)域的環(huán)境光為常數(shù)，利用最大化復原圖像的局部對比度來達到去霧的目的。tarel等人在基于大氣模型基礎上，將經(jīng)典的場景深度估計轉(zhuǎn)化為大氣面紗以及天空亮度估計，避免難求的場景深度圖，給出了單幅圖像復原算法。kratz等人假設場景反照率和景深是統(tǒng)計獨立的，用正則概率先驗對它們建模，通過求解一個最大后驗概率估計問題，聯(lián)合估計出場景反照率和景深。該算法需根據(jù)特定圖像選取景深先驗模型，且根據(jù)經(jīng)驗給定先驗模型中的參數(shù)。nishino等人借助單幅霧天圖像的統(tǒng)計結構特征，提出一種bayesian概率方法來聯(lián)合估計場景的反射率與景深。he等人假設在無霧圖像上至少一個顏色通道的局部區(qū)域內(nèi)場景反照率趨于0(稱為暗原色先驗，dcp)，使用最小值濾波對介質(zhì)傳播圖進行粗估計，通過精細化摳圖處理，能達到很好的去霧效果。朱等人則提出一種顏色衰減先驗(cap)來實現(xiàn)去霧。cai等人訓練一種端到端的深度網(wǎng)絡(dehazenet)來直接傳輸圖實現(xiàn)霧霾的去除；然而，對霧霾濃度感知與估計缺乏研究。choi等人集合13個圖像特征，提出了一種霧霾圖像濃度的估計方法(fade)取得了很好的結果，并進而提出一種基于圖像融合的去霧算法(defade)。但由于需要計算較多圖像特征，計算量較大。技術實現(xiàn)要素：本發(fā)明提出了一種圖像霧霾濃度的估計方法，其目的在于，克服現(xiàn)有技術中的霧霾濃度估計計算特征較多，計算量較大等問題。一種圖像霧霾濃度的估計方法，包括以下幾個步驟：步驟1：將輸入的霧霾圖像從rgb空間變換到hsv空間，將hsv空間中的霧霾圖像分割成大小為r×r的局部塊ω，并計算每個局部塊ω的特征向量；每個局部塊的特征向量包括色調(diào)方差σ、韋伯對比度均值w以及飽和度均值步驟2：對每個局部塊的特征向量進行歸一化處理，得到歸一化特征向量步驟3：利用清晰圖像mvg模型(μ1，∑1)和霧霾圖像mvg模型(μ2，∑2)的特征向量分別與輸入的霧霾圖像的局部塊的歸一化特征向量之間關系，獲得輸入的霧霾圖像的霧霾濃度；其中，μ1和μ2分別表示清晰圖像mvg模型和霧霾圖像mvg模型的所有局部塊特征向量均值，∑1和∑2分別表示清晰圖像mvg模型和霧霾圖像mvg模型的所有局部塊特征向量的方差。進一步地，所述輸入的霧霾圖像的霧霾濃度為s：其中，d1和d2分別表示輸入的霧霾圖像中所有局部塊的清晰程度均值和霧霾濃度均值；每個局部塊的清晰程度d1和霧霾程度d2為：其中，x表示局部塊的歸一化特征向量。進一步地，所述輸入的霧霾圖像的霧霾濃度為s：其中，表示所有局部塊的霧霾濃度d的均值，每個局部塊的霧霾濃度d：d＝(μ1-x)l1-1-(x-μ2)l2-1；l1和l2分別是∑1和∑2的分解矩陣，滿足進一步地，所述每個局部塊的霧霾濃度d采用以下公式計算獲得：其中，b表示中間向量b的所有元素之和，且ci表示特征調(diào)節(jié)參數(shù)，i＝1,2,3，a(i，j)表示中間矩陣a中的元素，進一步地，所述清晰圖像mvg模型(μ1，∑1)和霧霾圖像mvg模型(μ2，∑2)的構建過程如下：首先，獲取大量無霧霾的自然圖像，隨機從自然圖像中提取大小為r×r的局部塊；其次，對提取出的局部塊，利用隨機生成的傳輸值t和大氣散射模型合成霧霾圖像塊，構建模型數(shù)據(jù)集；傳輸值t的取值范圍為[0.01，1]；接著，從模型數(shù)據(jù)集中選擇傳輸值滿足設定條件的霧霾圖像塊，并計算每個霧霾圖像塊的歸一化特征向量最后，對滿足設定條件的霧霾圖像塊的歸一化特征向量，采用多元變量的最大概率估計的方法，進行圖像塊的特征模型估計；構建清晰圖像mvg模型(μ1，∑1)時，從模型數(shù)據(jù)集中選取傳輸值大于0.95的霧霾圖像塊；構建霧霾圖像mvg模型(μ2，∑2)時，從模型數(shù)據(jù)集中選取傳輸值小于0.5的霧霾圖像塊。進一步地，所述對每個局部塊的特征向量進行歸一化處理是指：σn＝k1×(σ-min_σ)wn＝k3×(w-min_w)其中，max_f，min_f分別表示特征f較大的前0.1％個特征值的均值，以及特征值較小的0.1％特征值的均值，f包括色調(diào)方差σ、韋伯對比度均值w以及飽和度均值ki為特征歸一化參數(shù)，i＝1,2,3；進一步地，所述局部塊ω的大小r×r的取值范圍為7×7～19×19。有益效果本發(fā)明提供了一種圖像霧霾濃度的估計方法，包括以下步驟：步驟1：空間轉(zhuǎn)換，局部塊提取和特征向量計算；步驟2：特征向量歸一化處理；步驟3：利用清晰圖像mvg模型和霧霾圖像mvg模型的特征向量分別與輸入的霧霾圖像的局部塊的歸一化特征向量之間關系，獲得輸入的霧霾圖像的霧霾濃度；該方法首次提出圖像局部塊特征向量的概念，并引入清晰圖像mvg模型和霧霾圖像mvg模型，通過采用自適應計算，得到霧霾圖像中每個像素的精準的局部霧霾敏感特征，實現(xiàn)霧霾濃度估計；在計算過程中，只需考慮每個局部塊的特征向量，計算量??；該方法不僅能有效的感知霧霾濃度，而且無需參考圖像，同時具有計算速度快的優(yōu)點。具體實施方式下面將結合實施例對本發(fā)明做進一步的說明。一種圖像霧霾濃度的估計方法，包括以下幾個步驟：步驟1：將輸入的霧霾圖像從rgb空間變換到hsv空間，將hsv空間中的霧霾圖像分割成大小為r×r的局部塊ω，并計算每個局部塊ω的特征向量；所述局部塊ω的大小r×r的取值范圍為7×7～19×19；每個局部塊的特征向量包括色調(diào)方差σ、韋伯對比度均值w以及飽和度均值所述對每個局部塊的特征向量進行歸一化處理是指：σn＝k1×(σ-min_σ)wn＝k3×(w-min_w)其中，max_f，min_f分別表示特征f較大的前0.1％個特征值的均值，以及特征值較小的0.1％特征值的均值，f包括色調(diào)方差σ、韋伯對比度均值w以及飽和度均值ki為特征歸一化參數(shù)，i＝1,2,3；步驟2：對每個局部塊的特征向量進行歸一化處理，得到歸一化特征向量步驟3：利用清晰圖像mvg模型(μ1，∑1)和霧霾圖像mvg模型(μ2，∑2)的特征向量分別與輸入的霧霾圖像的局部塊的歸一化特征向量之間關系，獲得輸入的霧霾圖像的霧霾濃度；其中，μ1和μ2分別表示清晰圖像mvg模型和霧霾圖像mvg模型的所有局部塊特征向量均值，∑1和∑2分別表示清晰圖像mvg模型和霧霾圖像mvg模型的所有局部塊特征向量的方差。所述輸入的霧霾圖像的霧霾濃度為s：其中，d1和d2分別表示輸入的霧霾圖像中所有局部塊的清晰程度均值和霧霾濃度均值；每個局部塊的清晰程度d1和霧霾程度d2為：其中，x表示局部塊的歸一化特征向量。為了減少計算量，所述輸入的霧霾圖像的霧霾濃度為s：其中，表示所有局部塊的霧霾濃度d的均值，每個局部塊的霧霾濃度d：d＝(μ1-x)l1-1-(x-μ2)l2-1；l1和l2分別是∑1和∑2的分解矩陣，滿足為了簡化計算過程，所述每個局部塊的霧霾濃度d采用以下公式計算獲得：其中，b表示中間向量b的所有元素之和，且ci表示特征調(diào)節(jié)參數(shù)，i＝1,2，3，a(i，j)表示中間矩陣a中的元素，所述清晰圖像mvg模型(μ1，∑1)和霧霾圖像mvg模型(μ2，∑2)的構建過程如下：首先，獲取大量無霧霾的自然圖像，隨機從自然圖像中提取大小為r×r的局部塊；其次，對提取出的局部塊，利用隨機生成的傳輸值t和大氣散射模型合成霧霾圖像塊，構建模型數(shù)據(jù)集；傳輸值t的取值范圍為[0.01，1]；接著，從模型數(shù)據(jù)集中選擇傳輸值滿足設定條件的霧霾圖像塊，并計算每個霧霾圖像塊的歸一化特征向量最后，對滿足設定條件的霧霾圖像塊的歸一化特征向量，采用多元變量的最大概率估計的方法，進行圖像塊的特征模型估計；構建清晰圖像mvg模型(μ1，∑1)時，從模型數(shù)據(jù)集中選取傳輸值大于0.95的霧霾圖像塊；構建霧霾圖像mvg模型(μ2，∑2)時，從模型數(shù)據(jù)集中選取傳輸值小于0.5的霧霾圖像塊。針對在100不同霧霾程度的圖像，采用不同的現(xiàn)有算法(包括：cap，dcp，defade與dehazenet)進行去霧處理，實驗結果的霧霾濃度對比如下：評價特征capdcpdefadedehazenetd0.84570.31830.44280.4626s10.49610.15960.27210.2301s20.58510.24070.37680.3705其中，d是choi等人提出的霧霾圖像濃度的估計算子。可以看出，本發(fā)明提出的兩種濃霧濃度評價特征s1與s2基本與d保持一致，特征值越小，霧霾濃度越低，反之則越高。而且，在實驗計算過程中，本發(fā)明所述的方法提出的評價特征計算量明顯小，計算速度快。以上實施例僅用以說明本發(fā)明的技術方案而非對其限制，盡管參照上述實施例對本發(fā)明進行了詳細的說明，所屬領域的普通技術人員應當理解：依然可以對本發(fā)明的具體實施方式進行修改或者等同替換，而未脫離本發(fā)明精神和范圍的任何修改或者等同替換，其均應涵蓋在本發(fā)明的權利要求范圍當中。當前第1頁12