本發(fā)明屬于圖像處理領(lǐng)域，特別涉及一種基于圖像霧霾濃度估計的的單幅圖像去霧方法。

背景技術(shù)：

霧霾天圖像降質(zhì)主要是因?yàn)榇髿庵械姆肿?，水汽及懸浮的大量顆粒組成的氣溶膠對光線形成嚴(yán)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(yán)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(shù)，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(fù)原方法由于利用了景深信息，能最大限度地恢復(fù)清晰圖像而得到廣泛的研究?；谖锢砟Ｐ偷娜レF復(fù)原方法首先依據(jù)大氣中圖像退化的物理機(jī)制建立光學(xué)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(fù)清晰圖像，常用的koschmieder大氣模型數(shù)學(xué)表達(dá)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(biāo)，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(xiàng)，表示物體表面反射光經(jīng)大氣粒子散射作用之后進(jìn)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(xiàng)，它隨著光線傳播距離的增大而增強(qiáng)。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。

近年基于某些數(shù)據(jù)假設(shè)的物理模型復(fù)原方法取得了很大的進(jìn)展，這些方法大多基于數(shù)據(jù)假設(shè)構(gòu)造目標(biāo)函數(shù)的約束方程，使用最優(yōu)化方法求解模型參數(shù)，取得了良好的去霧效果。如fattal假設(shè)圖像局部區(qū)域的反照率為常向量，利用獨(dú)立成分分析來估計該反照率，但當(dāng)獨(dú)立成分變化不顯著或顏色信息不足將導(dǎo)致統(tǒng)計估計不可靠。tan假設(shè)局部區(qū)域的環(huán)境光為常數(shù)，利用最大化復(fù)原圖像的局部對比度來達(dá)到去霧的目的；但該方法的缺點(diǎn)在于復(fù)原后的圖像顏色常常過于飽和。tarel等人在基于大氣模型基礎(chǔ)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(fù)原算法，但是該算法在景深大的地方邊緣輪廓及景物特征都比較模糊，同時也可能導(dǎo)致邊緣暈環(huán)效應(yīng)。kratz等人假設(shè)場景反照率和景深是統(tǒng)計獨(dú)立的，用正則概率先驗(yàn)對它們建模，通過求解一個最大后驗(yàn)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(yàn)?zāi)Ｐ?，且根?jù)經(jīng)驗(yàn)給定先驗(yàn)?zāi)Ｐ椭械膮?shù)。nishino等人借助單幅霧天圖像的統(tǒng)計結(jié)構(gòu)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(shè)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(yàn)，dcp)，使用最小值濾波對介質(zhì)傳播圖進(jìn)行粗估計，通過精細(xì)化摳圖處理，能達(dá)到很好的去霧效果。朱等人則提出一種顏色衰減先驗(yàn)(cap)來實(shí)現(xiàn)去霧。然而當(dāng)存在天空、灰白色物體或濃霧等情況下，某些區(qū)域暗通道先驗(yàn)假設(shè)并不成立，從而導(dǎo)致大氣透射圖估計不準(zhǔn)確，進(jìn)而導(dǎo)致恢復(fù)的結(jié)果出現(xiàn)嚴(yán)重的光暈與噪聲放大現(xiàn)象，并且復(fù)原后圖像偏暗、色彩飽和。cai等人訓(xùn)練一種端到端的深度網(wǎng)絡(luò)(dehazenet)來直接傳輸圖實(shí)現(xiàn)霧霾的去除；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(jié)果，并進(jìn)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(shù)實(shí)現(xiàn)要素：

本發(fā)明提出了一種基于圖像霧霾濃度估計的單幅圖像去霧方法，其目的在于，克服現(xiàn)有技術(shù)中的去霧方法適應(yīng)性差，先驗(yàn)假設(shè)容易在天空等飽和區(qū)域失效，容易產(chǎn)生光暈與噪聲放大現(xiàn)象等問題。

一種基于圖像霧霾濃度估計的的單幅圖像去霧方法，包括以下幾個步驟：

步驟1：輸入霧霾圖像i，并獲取霧霾圖像的暗通道圖像i^dark，并采用暗原色先驗(yàn)方法獲取霧霾圖像的大氣光照估測值a^c，c＝{r，g，b}；

暗通道圖像中每個像素的暗通道值為i^dark(x)，其中，x、y分別表示圖像中兩個像素，ω(x)為以像素x的坐標(biāo)為中心，大小為r×r的局部區(qū)域，r為設(shè)定的局部區(qū)域半徑，c為顏色通道且c∈{r,g,b}，i^c(y)為霧霾圖像中像素p2處c通道的亮度值；

步驟2：將輸入的霧霾圖像從rgb空間變換到hsv空間，將hsv空間中的sv通道圖像分割成大小為r×r的局部塊ω，并計算每個局部塊ω與任意大氣傳輸值關(guān)聯(lián)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(guān)系，獲得與任意大氣傳輸值關(guān)聯(lián)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；

步驟4：令步驟3獲得的與任意大氣傳輸值t關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度取得最小值，得到對應(yīng)的初始最優(yōu)大氣傳輸值；

將圖像去霧轉(zhuǎn)化為霧霾濃度最小化的優(yōu)化問題；

步驟5：采用引導(dǎo)濾波器細(xì)化最優(yōu)大氣傳輸值t(x)，得到細(xì)化后的最優(yōu)大氣傳輸值t1(x)；

步驟6：將步驟5得到的細(xì)化后的最優(yōu)大氣傳輸值t1、大氣光照估測值a^c以及霧霾圖像中每個像素的亮度值i^c(x)按以下公式計算，得到清晰圖像l：

i^c(x)＝l^c(x)t1(x)+a^c(1-t1(x))，c＝r,g,b

其中，l^c(x)為清晰圖像l的c通道像素x的灰度值。

進(jìn)一步地，所述與任意大氣傳輸值關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度按照以下公式計算：

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，

l1和l2分別是∑1和∑2的分解矩陣，滿足

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；

s(x)表示局部塊ω中像素x的飽和度值；a表示霧霾圖像中的大氣光值，va表示大氣光值a在hsv顏色空間的亮度通道值，v(x)表示輸入霧霾圖像中像素x處的亮度通道值；

δv(x)表示局部塊ω中像素x的亮度對比度，δv(x)＝|v(x)-vb(x)|，vb(x)為局部塊ω中像素x的背景亮度，由v(x)通過一個低通濾波器獲得，即：vb(x)＝lf(v(x))，lf為低通濾波器；

是局部塊中ω的所有像素的亮度通道值的平均值，n為局部塊中像素數(shù)目＝r×r。

進(jìn)一步地，所述與任意大氣傳輸值關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度按照以下公式計算：

其中，j0表示霧霾圖像去霧后圖像的亮度期望值。

進(jìn)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(gòu)建過程如下：

首先，獲取大量無霧霾的自然圖像，隨機(jī)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(jī)生成的傳輸值t和大氣散射模型合成霧霾圖像塊，構(gòu)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(shè)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(shè)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(jìn)行圖像塊的特征模型估計；

構(gòu)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(gòu)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(jìn)一步地，所述霧霾圖像的大氣光照c通道的估測值a^c是將暗通道圖像中每個像素的暗通道值從大到小順序排列，取暗通道值較大的前n個像素的顏色均值；

其中，n＝0.1％×m，m為霧霾圖像的像素總數(shù)。

進(jìn)一步地，所述對每個局部塊的特征向量進(jìn)行歸一化處理是指：

σn＝k1×(σ-min_σ)

wn＝k3×(w-min_w)。

進(jìn)一步地，所述每個局部塊的色調(diào)方差σi、亮度對比度均值w、以及亮度均值

其中，μrg，μyb，σrg，σyb分別為圖像在局部塊ω中的rg色差圖像與rgb色差圖像的像素均值與方差；

rg色差圖像為rg＝r-g，rgb色差圖像為yb＝0.5(r-g)+b。

進(jìn)一步地，所述局部塊ω的大小r×r的取值范圍為7×7～19×19。

進(jìn)一步地，所述霧霾圖像去霧后圖像的亮度期望值j0的取值范圍為[120,va]。

有益效果

本發(fā)明提出了一種基于圖像霧霾濃度估計的單幅圖像去霧方法，包括以下幾個步驟：步驟1：輸入霧霾圖像，并獲取霧霾圖像的暗通道圖像，并采用暗原色先驗(yàn)方法估測霧霾圖像的大氣光照值；步驟2：將輸入圖像從rgb空間變換到hsv空間，然后對每個像素，以其為中心選取局部區(qū)域，計算色調(diào)方差、亮度對比度均值以及亮度均值；步驟3：以圖像霧霾濃度最低為目標(biāo)計算霧霾圖像的初始最優(yōu)大氣傳輸值；步驟4：采用引導(dǎo)濾波器細(xì)化，得到細(xì)化后的最優(yōu)大氣傳輸值；步驟5：將步驟4得到的細(xì)化后的最優(yōu)大氣傳輸值、大氣光照估測值以及霧霾圖像中每個像素的亮度值計算得到清晰圖像。該方法通過采用自適應(yīng)計算，得到霧霾圖像中每個像素的精準(zhǔn)的局部霧霾敏感特征構(gòu)建霧霾濃度感知方法，從而將圖像去霧轉(zhuǎn)化為霧霾濃度最小化的優(yōu)化問題，進(jìn)而準(zhǔn)確的確定大氣傳輸值，從而實(shí)現(xiàn)盡可能去除霧霾，并避免了在飽和區(qū)域產(chǎn)生嚴(yán)重的光暈現(xiàn)象與圖像噪聲。該方法不僅能有效的去除霧霾，同時能抑制光暈現(xiàn)象與圖像噪聲的產(chǎn)生，適用于不同的復(fù)雜天氣。同時具有計算速度快的優(yōu)點(diǎn)。

附圖說明

圖1為本發(fā)明所述方法的流程圖。

具體實(shí)施方式

下面將結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步的說明。

如圖1所示，一種基于圖像霧霾濃度估計的的單幅圖像去霧方法，包括以下幾個步驟：

步驟1：輸入霧霾圖像i，并獲取霧霾圖像的暗通道圖像i^dark，并采用暗原色先驗(yàn)方法獲取霧霾圖像的大氣光照估測值a^c，c＝{r，g，b}；

暗通道圖像中每個像素的暗通道值為i^dark(x)，其中，x、y分別表示圖像中兩個像素，ω(x)為以像素x的坐標(biāo)為中心，大小為r×r的局部區(qū)域，r為設(shè)定的局部區(qū)域半徑，c為顏色通道且c∈{r,g,b}，i^c(y)為霧霾圖像中像素p2處c通道的亮度值；

所述霧霾圖像的大氣光照c通道的估測值a^c是將暗通道圖像中每個像素的暗通道值從大到小順序排列，取暗通道值較大的前n個像素的顏色均值；

其中，n＝0.1％×m，m為霧霾圖像的像素總數(shù)。

步驟2：將輸入的霧霾圖像從rgb空間變換到hsv空間，將hsv空間中的sv通道圖像分割成大小為r×r的局部塊ω，并計算每個局部塊ω與任意大氣傳輸值關(guān)聯(lián)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

所述每個局部塊的色調(diào)方差σi、亮度對比度均值w、以及亮度均值具體計算公式如下：

其中，μrg，μyb，σrg，σyb分別為圖像在局部塊ω中的rg色差圖像與rgb色差圖像的像素均值與方差；

rg色差圖像為rg＝r-g，rgb色差圖像為yb＝0.5(r-g)+b。

給定任意傳輸值與輸入霧霾圖像特征，則去霧后圖像j的特征向量具有如下關(guān)系：

所述局部塊ω的大小r×r的取值范圍為7×7～19×19。

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(guān)系，獲得與任意大氣傳輸值關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度；

所述對每個局部塊的特征向量進(jìn)行歸一化處理是指：

σn＝k1×(σ-min_σ)

wn＝k3×(w-min_w)

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；

所述清晰圖像mvg模型(μ1，∑1)和霧霾圖像mvg模型(μ2，∑2)的構(gòu)建過程如下：

首先，獲取大量無霧霾的自然圖像，隨機(jī)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(jī)生成的傳輸值t和大氣散射模型合成霧霾圖像塊，構(gòu)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(shè)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(shè)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(jìn)行圖像塊的特征模型估計；

構(gòu)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(gòu)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。

步驟4：令步驟3獲得的與任意大氣傳輸值t關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度取得最小值，得到對應(yīng)的初始最優(yōu)大氣傳輸值；

將圖像去霧轉(zhuǎn)化為霧霾濃度最小化的優(yōu)化問題；

所述與任意大氣傳輸值關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度按照以下公式計算：

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，

l1和l2分別是∑1和∑2的分解矩陣，滿足

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；

s(x)表示局部塊ω中像素x的飽和度值；a表示霧霾圖像中的大氣光值，va表示大氣光值a在hsv顏色空間的亮度通道值，v(x)表示輸入霧霾圖像中像素x處的亮度通道值；

δv(x)表示局部塊ω中像素x的亮度對比度，δv(x)＝|v(x)-vb(x)|，vb(x)為局部塊ω中像素x的背景亮度，由v(x)通過一個低通濾波器獲得，即：vb(x)＝lf(v(x))，lf為低通濾波器；

是局部塊中ω的所有像素的亮度通道值的平均值，n為局部塊中像素數(shù)目＝r×r。

對輸入的霧霾圖像的霧霾濃度求導(dǎo)，求得輸入的霧霾圖像的霧霾濃度最小時對應(yīng)的初始最優(yōu)大氣傳輸值。

在求解初始最優(yōu)大氣值時，也可采用對以下公式求導(dǎo)獲得：

所述與任意大氣傳輸值關(guān)聯(lián)輸入的霧霾圖像的霧霾濃度按照以下公式計算：

其中，j0表示霧霾圖像去霧后圖像的亮度期望值，j0的取值范圍為[120,va]。

步驟5：采用引導(dǎo)濾波器細(xì)化初始最優(yōu)大氣傳輸值t(x)，得到細(xì)化后的最優(yōu)大氣傳輸值t1(x)；

步驟6：將步驟5得到的細(xì)化后的最優(yōu)大氣傳輸值t1、大氣光照估測值a^c以及霧霾圖像中每個像素的亮度值i^c(x)按以下公式計算，得到清晰圖像l：

i^c(x)＝l^c(x)t1(x)+a^c(1-t1(x))，c＝r,g,b

其中，l^c(x)為清晰圖像l的c通道像素x的灰度值。

以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制，盡管參照上述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：依然可以對本發(fā)明的具體實(shí)施方式進(jìn)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(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。