开云优惠体育网页版入口

专利名称：一种改进的暗通道先验去雾算法

专利类型：发明专利

专利申请号：CN202111191635.0

专利申请（专利权）人：辽宁工程技术大学
权利人地址：辽宁省阜新市细河区中华路47号

专利发明（设计）人：刘万军,王迪,曲海成

专利摘要：本发明公开了一种改进的暗通道先验去雾算法，步骤为：将瑞利散射理论用于改进大气光的估计值；采用基于主动轮廓模型的分割方法分割天空区域，得到天空区域和非天空区域；采用不同尺寸的滤波来估计暗通道值；对透射率的求取进行简化，提高算法的处理速度。本发明首先在原来的暗通道先验去雾算法的基础上，加入瑞利散射理论改进大气光的估算方法，然后将雾图分割为天空和非天空区域，对不同滤波尺寸的暗通道图进行融合得到融合暗通道，最后简化透射率的求解过程来提高算法的运行速度，增强实时性。

主权利要求：
1.一种改进的暗通道先验去雾算法，其特征在于，包括以下步骤：S1：将瑞利散射理论用于改进大气光的估计值；
S2：采用基于主动轮廓模型的分割方法分割天空区域，得到天空区域和非天空区域；
S3：采用不同尺寸的滤波来估计暗通道值；
S4：对透射率的求取进行简化，提高算法的处理速度；
所述步骤S2中，对不同滤波尺寸暗通道图进行融合，边缘区域侧重于使用较小滤波尺寸暗通道图，以便更好地提取深度不连续区域的场景结构信息，避免边缘区域产生光晕伪影；平滑区域使用较大滤波尺寸暗通道图，以保证恢复图像不会由于过度增强产生偏色现象；具体的边缘信息表示为：式中，Ω1(x)是以x为中心的滤波区域，median为中值滤波操作，W为输入图像的最小值通道；
将图像边缘信息图作为权重图，采用像素级融合方式对不同尺寸暗通道图进行融合，fdark获得融合暗通道I (x)，表达式为：式中， 为滤波尺寸是3×3的暗通道图像， 为滤波尺寸是15×15的暗通道图像；
所述步骤S3包括以下步骤：
S31、把RGB转化为灰度直方图；
S32、对原图进行下采样，缩小为原图的1/4；
S33、采用插值法获取原图的透射率；
采用避免图像去雾算法中天空部分出现过度增强的方法:(1)将图像转换为灰度，为保留更多的边缘信息，使用具有对比度保留功能的去色算法；
(2)求灰度图像的梯度信息，采用边缘检测算子实现；
(3)对梯度信息进行去噪和滤波；
(4)按照设定梯度阈值和亮度阈值对梯度信息进行区分；
(5)对区分后的图像进行高斯羽化处理；
得到天空区域后，将天空区域的透射率图统一设置成一个固定值，提出一种优化方法，如下所示:x x x x
J＝(tp×I+J×(255?I))/255x
其中J是指暗通道的点，tp是固定透射率值，在上式中，若I(x)＝255，即完全属于天空，则该点的透射率即为固定值，若I(x)＝0，即完全不属于天空，计算式的值不变，不影响正常去雾。
2.如权利要求1所述的改进的暗通道先验去雾算法，其特征在于，所述步骤S1包括以下步骤：S11、根据瑞利散射，从输入图像的蓝色通道中按列选取强度最高的像素序列并取序列数据的平均值得到A1用以消除光晕效应，A1的表述如下：A1＝avg(max(IB))
式中：A1为雾图蓝色通道的平均最大值，IB是雾图的蓝色通道值；
S12、计算红色和绿色通道中最低像素的平均值得A2，进一步消除A1后不必要的纹理信息：A2＝avg(min(IG)+min(IR))式中：IG为雾图的绿色通道值，IR为雾图的红色通道值，A2为最暗绿色通道和最暗红色通道的平均值；
S13、计算A1与A2的和来估算大气光A：A＝A1+A2。 说明书 : 一种改进的暗通道先验去雾算法技术领域[0001] 本发明属于图像去雾的技术领域，尤其涉及一种改进的暗通道先验去雾算法。背景技术[0002] 在雾、霾等环境下拍摄的室外图像由于大气中存在大量悬浮颗粒，图像质量在对比度、色彩等方面会受到不同程度的影响。但在目标检测、卫星遥感等诸多图像处理系统中，人们对于输入图像的质量都有严格的要求。因此，对质量退化的雾天图像进行清晰化处理在计算机视觉领域中有着非常现实的意义。[0003] 在图像去雾工作的初期，常采用提升图像对比度、饱和度等方法来表现图像的主要特征，这种方法可以达到图像清晰化的目的，但是可靠性低，往往会出现大量的信息丢失现象。随着现代开云优惠体育网页版入口的不断发展，对图像质量要求的不断提高，大气散射模型被应用到了图像去雾领域，并由此出现了大量依靠大气散射模型的去雾算法，这些算法充分考虑图像退化过程，在物理意义上对图像中存在的雾气进行了去除。目前，伴随着深度学习的崛起，应用深度学习的方法来处理有雾图像也逐渐成为了一种主流，但是此类方法受诸多因素的限制，在对真实场景下的图像进行清晰化处理时仍存在去雾不彻底等问题。[0004] 综上，针对雾天图像进行清晰化处理的方法可以分为三类:基于图像增强的算法、基于深度学习的算法及基于物理模型的去雾算法。基于图像增强的去雾算法能够有效地改善图像的对比度和色彩信息，但会牺牲掉部分细节信息，例如基于直方图均衡化、曲波变换、Retinex的去雾算法。基于深度学习的图像去雾算法在近些年相继出现。Ren等提出了多尺度特征提取的卷积神经网络，并通过对雾图透射率估计进行去雾。但在处理真实天气下的雾图时表现往往不尽人意。基于物理模型的去雾算法分析了图像质量退化的过程，针对性更强。Jackson等提出利用瑞利散射，建立散射系数模型来估计初始透射率图，并用导向滤波优化透射率图的去雾方法，提高了运算速度，但图像去雾不够彻底。He等提出了暗通道去雾算法，利用该算法可以对多数有雾图像进行有效恢复，但由于明亮的天空区域不满足暗通道先验，处理后的天空区域会产生严重的光晕效应。之后He等在其暗通道先验(darkchannelperior，DCP)理论基础上，提出用导向滤波代替软抠图方法对透射率进行优化，提高了去雾效率，然而处理后依然存在去雾不彻底、处理速度慢等问题。针对He等方法的不足，刘国等提出在暗原色的获取过程中引入自适应阈值，提高了透射率的准确度，但运行效率还是比较低。发明内容[0005] 基于以上现有技术的不足，本发明的目的在于提供一种改进的暗通道先验去雾算法，解决传统去雾方法去雾速度慢、色彩失真、去雾不彻底地问题。[0006] 为了解决上述技术问题，本发明通过以下技术方案来实现：[0007] 本发明提供一种改进的暗通道先验去雾算法，包括以下步骤：[0008] S1：将瑞利散射理论用于改进大气光的估计值；[0009] S2：采用基于主动轮廓模型的分割方法分割天空区域，得到天空区域和非天空区域；[0010] S3：采用不同尺寸的滤波来估计暗通道值；[0011] S4：对透射率的求取进行简化，提高算法的处理速度。[0012] 可选的，所述步骤S1包括以下步骤：[0013] S11、根据瑞利散射，从输入图像的蓝色通道中按列选取强度最高的像素序列并取序列数据的平均值得到A1用以消除光晕效应，A1的表述如下：[0014] A1＝avg(max(IB列向))[0015] 式中：A1为雾图蓝色通道的平均最大值，IB是雾图的蓝色通道值；[0016] S12、计算红色和绿色通道中最低像素的平均值得A2，进一步消除A1后不必要的纹理信息：[0017] A2＝avg(min(IG)+min(IR))[0018] 式中：IG为雾图的绿色通道值，IR为雾图的红色通道值，A2为最暗绿色通道和最暗红色通道的平均值；[0019] S13、计算A1与A2的和来估算大气光A：[0020] A＝A1+A2。[0021] 可选的，所述步骤S2中，对不同滤波尺寸暗通道图进行融合，边缘区域侧重于使用较小滤波尺寸暗通道图，以便更好地提取深度不连续区域的场景结构信息，避免边缘区域产生光晕伪影；平滑区域使用较大滤波尺寸暗通道图，以保证恢复图像不会由于过度增强产生偏色现象。[0022] 进一步的，所述步骤S3包括以下步骤：[0023] S31、把RGB转化为灰度直方图；[0024] S32、对原图进行下采样，缩小为原图的1/4；[0025] S33、采用插值法获取原图的透射率。[0026] 由上，本发明首先在原来的暗通道先验去雾算法的基础上，加入瑞利散射理论改进大气光的估算方法，然后将雾图分割为天空和非天空区域，对不同滤波尺寸的暗通道图进行融合得到融合暗通道，最后简化透射率的求解过程来提高算法的运行速度，增强实时性。[0027] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。附图说明[0028] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。[0029] 图1为本发明的改进的暗通道先验去雾算法的流程图。具体实施方式[0030] 下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。[0031] 为了解决传统去雾方法去雾速度慢、色彩失真、去雾不彻底等问题，本发明提出一种改进的暗通道先验去雾算法，算法流程如图1所示。本发明的改进的暗通道先验去雾算法包括以下步骤：[0032] S1：将瑞利散射理论用于改进大气光的估计值；[0033] S2：采用基于主动轮廓模型的分割方法分割天空区域，得到天空区域和非天空区域；[0034] S3：采用不同尺寸的滤波来估计暗通道值；[0035] S4：对透射率的求取进行简化，提高算法的处理速度。[0036] 大气光值是图像去雾的一个重要参数，计算量大或误差大将导致整幅图像的去雾性能下降。传统的去雾算法通过选择最大的像素来估计A。为了准确估计像素的亮度表示霾密度，利用瑞利散射理论，蓝光比其它颜色的光更容易散射这个特点，对雾化图像的RGB三颜色通道的B(蓝色)通道取最大值，而另外两个通道R(红色)和G(绿色)分别取最小值。由此提出一种改进大气光计算方法，将最亮的和最暗的像素都纳入计算。主要步骤如下：[0037] (1)根据瑞利散射，蓝色光在RGB图像中散射最多。为了综合考虑不同景深的图像部分，从输入图像的蓝色通道中按列选取强度最高的像素序列并取序列数据的平均值得到A1用以消除光晕效应，A1的表述如下：[0038] A1＝avg(max(IB列向))[0039] 式中：A1为雾图蓝色通道的平均最大值，IB是雾图的蓝色通道值。[0040] (2)计算红色和绿色通道中最低像素的平均值得A2，进一步消除A1后不必要的纹理信息。[0041] A2＝avg(min(IG)+min(IR))[0042] 式中：IG为雾图的绿色通道值，IR为雾图的红色通道值，A2为最暗绿色通道和最暗红色通道的平均值。[0043] (3)计算A1与A2的和来估算大气光A[0044] A＝A1+A2。[0045] 主动轮廓模型(ActiveCon?tourModel，ACM)方法是一种非常具有代表性的方法。ACM结合了图像上的约束信息与先验知识定义了一条闭合且连续的能量曲线。这条能量曲线在受到内力与外力的共同作用下向着目标轮廓不断靠近，当曲线的能量取得最小值时，认为该能量曲线达到目标轮廓，即得到目标边缘。首先，定义曲线，X(s)＝(x(s),y(s)),s∈[0,1]。该曲线能量函数为：[0046][0047] 式中，Eint为曲线内部能量项，Eext为曲线外部能量项，具体表示为：[0048][0049][0050] α(s)与β(s)为权重系数；α(s)|X'(s)|2为曲线弹性能量，控制着曲线的张力并保2证曲线的连续性；β(s)|X″(s)|为曲线刚性能量，控制曲线弯曲程度并保证曲线的光滑性。▽表示梯度算子，I(x，y)表示图像，Gσ表示标准差为σ的高斯滤波算子，*表示卷积，Eext是根据图像给定的能量约束。[0051] GVF?Snake模型在Snake模型基础上引入了GVF场V(x，y)＝[μ(x，y)，ν(x，y)]，并将GVF场作为新的外力场代替Snake模型的高斯外力。玫紾VF?Snake模型能量泛函如下，[0052][0053] μ是控制被积函数的参数，根据图像中存在的噪声大小进行设置，一般来说，噪声越大，其值越大。变量ux、uy、vx、vy为u、v在x、y方向上的一阶导数。第1项为平滑能量项，能够产生一个缓慢扩散的向量。坏2项为边缘能量项，图像边缘处V＝▽f，使得梯度力指向边缘，从而推动曲线向边缘逼近，而在远离边缘处|▽f|趋于0，第1项起主要作用，使得边缘信息向着平滑区域扩散，从而轮廓曲线的捕捉范围增大。[0054] 在使用最小值滤波操作来获取暗通道的过程中，滤波尺寸是影响最终去雾效果的关键参数。较大的滤波尺寸与暗通道理论更为契合，这是因为其中包含了更多的暗像素，但与此同时也会由于大尺寸滤波而引起光晕效应；相反，较小的滤波尺寸能够有效地抑制边缘区域的光晕效应，但是又会使恢复的图像出现过饱和现象。[0055] 为了解决上述不足，本发明提出了一种改进暗通道估计方法，对不同滤波尺寸暗通道图进行融合，边缘区域侧重于使用较小滤波尺寸暗通道图，以便更好地提取深度不连续区域的场景结构信息，避免边缘区域产生光晕伪影；平滑区域使用较大滤波尺寸暗通道图，以保证恢复图像不会由于过度增强产生偏色现象。因此，融合的关键就是构造出展示深度不连续区域的权重图，而中值滤波技术作为一种非线性滤波操作，可以有效地抑制脉冲噪声分量，同时保留边缘信息，具体的边缘信息可表示为：[0056][0057] 式中，Ω1(x)是以x为中心的滤波区域(取15×15的方形矩阵)，median为中值滤波操作，W为输入图像的最小值通道。[0058] 将图像边缘信息图作为权重图，采用像素级融合方式对不同尺寸暗通道图进行融fdark合，获得融合暗通道I (x)，表达式为：[0059][0060] 式中， 为滤波尺寸是3×3的暗通道图像， 为滤波尺寸是15×15的暗通道图像。[0061] 本发明的算法利用较小滤波尺寸暗通道对暗通道的边缘区域进行了有效的补偿，利用融合暗通道所恢复的无雾图像避免了小尺寸暗通道所带来的过饱和问题在一定程度上抑制了较大尺寸暗通道所引起的光晕效应。[0062] 由于暗通道去雾的透射率图比其他算法都要精细，并且在整个算法中占用了大量的处理时间，降低了程序的处理效率，所以如果适当地降低一点精度，其去雾的效果理论上应该不会有太大的区别，本发明采取的方法不对原图求透射率，而是用以下方法来对透射率的求取进行简化：[0063] 1、把RGB转化为灰度直方图；[0064] 2、对原图进行下采样，缩小为原图的1/4，存放在V(x)，并求解出V(x)的透射率；[0065] 3、采用插值法获取原图大概的透射率。[0066] 经过实验证明这种方式很大程度上提高了执行速度，而且去雾效果与原方案基本一致。但是，如果缩小系数不是特别大，比如缩小为原来的0.5倍大。赡芰酱嗡醴潘玫暮氖被沟窒思扑阈⊥嫉耐干渎释妓焕吹挠，因此必须合理选择这个下采样率。[0067] 研究中发现传统的暗通道先验去雾对天空部分处理效果不好，天空往往会出现较大面积的纹理及分块现象。其根本原因还是因为天空部位基本上是不符合暗通道去雾先验条件的，对此本发明采用了一种避免图像去雾算法中天空部分出现过度增强的方法:(1)将图像转换为灰度，为保留更多的边缘信息，使用具有对比度保留功能的去色算法；(2)求灰度图像的梯度信息，采用边缘检测算子实现；(3)对梯度信息进行去噪和滤波；(4)按照设定梯度阈值和亮度阈值对梯度信息进行区分；(5)对区分后的图像进行高斯羽化处理。[0068] 得到天空区域后，将天空区域的透射率图统一设置成一个固定值，但这样不好，还是应该根据具体的值做适当的修正。在He的上述操作中，得到的天空区域并不真正属于天空，某个点并不一定是完全属于天空或完全不属于。因此本发明提出一种优化方法，如下所示:[0069] Jx＝(tp×Ix+Jx×(255?Ix))/255[0070] 其中Jx是指暗通道的点，tp就类似于He所讲的固定透射率值，是根据图像处理效果调试指定的，在上式中，若I(x)＝255，即完全属于天空，则该点的透射率即为固定值，若I(x)＝0，即完全不属于天空，计算式的值不变，不影响正常去雾。[0071] 另外关于大气光值A的计算，He提出了以获得的天空部位的像素的平均值作为A，这也是非：侠淼，但是在实际处理时，针对有些完全没有天空部分的图像，可能检测到的天空区域很小(明显属于误检，但是程序不知道)，这个时候以此为大气光值，也是不合理的。为此，本发明的处理方式是先计算天空部位的A值，然后再检测天空像素占整个图像的比例。[0072] 以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

专利地区：辽宁

专利申请日期：2021-10-13

专利公开日期：2024-11-01

专利公告号：CN113920136B