CN101783012A - 一种基于暗原色的自动图像去雾方法 - Google Patents

Abstract

本发明公开了一种基于暗原色的自动图像去雾方法，以解决现有传统去雾方法中采用的以提高雾天图像对比度来突出细节所导致的信息损失问题。本发明提供的方法包括：A、求取原始有雾图像的暗原色图像及相关大气光值；B、通过原始有雾图像的亮度分量图求取大气散射模型中反映局部雾气浓度的传播图；C、根据大气散射模型中的有雾图像、传播图和大气光值确定去雾后的复原图像。本发明建立在物理模型的基础上，能够自适应地处理各种有雾图像，去雾后的图像具有较好的边缘细节及理想的对比度，清晰化效果优于传统的基于图像增强的去雾方法。

Description

一种基于暗原色的自动图像去雾方法

技术领域

本发明属于图像信息处理领域，具体涉及基于暗原色的自动图像去雾方法。

背景技术

有雾图像清晰化是计算机视觉领域中一个很有意义的问题，对雾天图像进行去雾可以改善图像的视觉效果，例如大多数的室外视频工作***，如视频监控、地形勘测、自动驾驶等，都需要清晰准确地提取图像特征，但是在雾天情况下，由于场景的能见度降低，图像中目标对比度和颜色等特征被衰减，***无法正常工作，因此需要在图像中消除雾气对场景图像的影响。

目前，对于雾天图像的处理方法主要分为两类：基于图像处理的雾天图像增强方法和基于物理模型的雾天图像复原方法。图像增强的方法能有效地提高对比度，突出细节，改善视觉效果，但对于突出部分的信息可能会造成一定损失。其中针对雾天图像的图像增强方法主要采用的是直方图均衡化方法。这种方法一般对整幅图像进行增强，没有考虑到针对图像的不同景深区域采用不同的增强策略，因而对某些雾天图像的增强效果不理想。局部直方图均衡化方法(AHE)，虽然可以解决不同景深的问题，但是该方法的计算量非常大，不实用。

图像复原是研究雾天图像退化的物理过程，并建立退化模型，反演退化过程，以便获得未经干扰退化的原始图像或原始图像的最优估计值，从而改善雾天图像质量。相比之下，这种方法针对性强，得到的结果自然，一般不会有信息损失，能够取得较为理想的去雾效果。一些学者利用McCartney(麦卡特尼)提出的大气散射模型，通过对雾天场景建模来解决雾天图像的去雾问题，其中由何恺明等最近提出的一种基于暗原色的单一图像去雾方法最为引人关注。对于这种方法的介绍，可以参考论文《Single Image Haze Removal Using Dark Channel Prior(基于暗原色先验的单一图像去雾方法)》(载于IEEE Conference on ComputerVision and Pattern Recognition(CVPR)，2009年6月)。该方法的核心就在于通过soft抠图法获取改进的雾天图像传播图，但此步骤运算代价很大且需要人工调节，所以难以满足对变换场景的实时图像处理需求。

在此背景下，研究一种既能提高运算速度，又能自适应地处理各种有雾图像的去雾方法显得尤为重要。

发明内容

本发明所要解决的技术问题是提供一种基于暗原色的自动图像去雾方法，改善有雾图像的主管视觉效果，不仅不需要人工参与，而且能较大地降低计算代价，在获得较好的清晰化效果的同时，显著地提高清晰化的速度。

本发明为解决上述技术问题所采用的技术方案是：

一种基于暗原色的自动图像去雾方法，其特征在于，该方法包括以下步骤：

A、求取原有雾图像的暗原色图像及大气光值；

B、通过原有雾图像的亮度分量图求取大气散射模型中反映局部雾气浓度的传播图；

C、根据有雾图像、传播图和大气光值求取去雾后的复原图像。该方法对于灰度图像和彩色图像均能取得较好的去雾效果。

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A;$

求取复原图像的表达式为：

其中x，y为图像每一像素点的坐标值，J(x，y)为复原后的图像，I(x，y)为原有雾图像，t(x，y)为传播图，A为大气光值，t₀的取值为0.1。

所述的步骤A为：

当原有雾图像为灰度图像时，选取模板在此灰度图像上进行最小值滤波，得到暗原色图像；对于灰度图像，每一点的像素值即为亮度值；

所述暗原色图像各像素点的值J^dark(x，y)按以下表达式确定：

$J^{\mathrm{dark}}(x,y)=\underset{(x^{\′},y^{\′})\∈\mathrm{\Ω}(x,y)}{\min }\left(J(x^{\′},y^{\′})\right);$

其中，Ω(x，y)是以坐标为x，y的像素点为中心，进行最小值滤波的模板区域，x′，y′为模板区域中各像素点的坐标值，J(x′，y′)为原有雾图像中由滤波模板所划分的各局部区域，若原有雾图像的图像大小为600*400，则模板大小为15*15，其它大小的图像的滤波模板选取按下式确定：

其中，M、N分别为原有雾图像的长、宽大小，滤波模板大小为N_m×N_m，式中

为向上取整操作，暗原色图像中每一点的值被称为暗原色图像值；

再将这些暗原色图像值按照递减的顺序排序，确定数值大小为前0.1％的点在暗原色图像中所处的位置，则这些位置所对应的原有雾图像区域中的最大亮度值，即为大气光值A；

当原有雾图像为彩色图像时，对原有雾图像的R、G、B三个颜色通道分别选取滤波模板进行最小值滤波，将滤波后所得的三个图像对应像素点的最小值作为暗原色图像对应点的像素值；则所述彩色图像的暗原色图像各像素点的值按以下表达式确定：

$J^{\mathrm{dark}}(x,y)=\underset{c\∈\{r,g,b\}}{\min }\left(\underset{(x^{\′},y^{\′})\∈\mathrm{\Ω}(x,y)}{\min }\left(J^c(x^{\′},y^{\′})\right)\right);$

其中，J^c为原图像J的颜色通道；对于彩色图像，则先将原有雾图像从RGB颜色空间转换为YCbCr颜色空间，在YCbCr颜色空间中，亮度信息用单个分量Y来表示；

再将这些暗原色图像值按照递减的顺序排序，确定数值大小为前0.1％的点在暗原色图像中所处的位置，则这些位置所对应的原有雾图像区域中的最大亮度值，即为大气光值A。

步骤B包括：

B1、获得原有雾图像的亮度图像：若原有雾图像为灰度图像，则每一点的像素值即为亮度值；原有雾图像即为亮度图像；若原有雾图像为彩色图像，则先将原有雾图像从RGB颜色空间转换为YCbCr颜色空间；在YCbCr颜色空间中，亮度信息用单个分量Y来表示，彩色信息用两个色差分量Cb和Cr来存储，由此便可将分离后的亮度分量Y提取出来，得到亮度图像Y(x，y)；

B2、对所述的亮度图像进行多尺度Retinex变换，由此即可得到所述亮度分量图像的边缘细节增强、对比度改善的新的亮度图像R_M(x，y)；

B3、求取所述新的亮度图像的反色亮度图像；反色亮度图像I_inv(x，y)按以下公式确定：

I_inv(x，y)＝C-R_M(x，y)，式中C为传播图调整参数；若原有雾图像为灰度图像，则C的取值范围为0.8～1.2；若原有雾图像为彩色图像，则C的取值范围为1～1.4；

B4、对所述的反色亮度图像进行中值滤波，滤波后的图像即为大气散射模型的传播图；所述的中值滤波过程为，把图像中一点的值，用该点邻域中各值的中值来替代，所述的中值为将该点邻域中各值排序后中间的那个元素值。

所述步骤B2包括：

$R_M(x,y)=\underset{n=1}{\overset{N_1}{\mathrm{\Σ}}}{\mathrm{\ω}}_n(\log Y(x,y)-\log [F_n(x,y)*Y(x,y)\left]\right)$

对所述亮度分量图像进行多尺度Retinex变换，该处理过程的数学形式如下：

其中，Y(x，y)表示一幅大小为M×N的亮度分量图像，其中x＝0，1，2，…，M-1和y＝0，1，2，…，N-1；R_M(x，y)是采用多尺度Retinex变换对亮度分量图像进行变换处理后的输出图像；该输出图像R_M(x，y)的大小与亮度分量图像Y(x，y)大小相同，均为M×N，其中x＝0，1，2，…，M-1和y＝0，1，2，…，N-1；即经过多尺度Retinex变换后可直接得到一幅新的亮度图像；N₁为环绕函数尺度个数，取值为3，即选择不同的3个尺度，分别为大尺度、中等尺度和小尺度，以便使求得的亮度图像的对比度得到增强，并且在动态范围得到压缩的同时能够保持亮度图像的基本色调；ω_n为对应于每一个尺度的权值，并且选取时应在保证各尺度的权值之和为1的前提下赋予大尺度的权重比另外2个尺度的值大；F_n(x，y)为对应权值ω_n的第n个环绕函数，有：

$F_n(x,y)=K_n{e}^{-\frac{x^2+y^2}{C_n^2}};$

其中，C_n为第n个尺度的取值(n＝1，2，3)，尺度取值的原则为：小尺度的取值C₁为图像大小的1％～5％，中等尺度的取值C₂为图像大小的10％～15％，大尺度的取值C₃为图像大小的30％～50％；K_n为归一化因子。K_n的取值应使得∫∫F_n(x，y)dxdy＝1。

尺度取值的原则为：当尺度为图像大小的1％～5％时，Retinex结果能够获得非常好的图像边缘细节，可以选择其作为小尺度C₁的值；当尺度为图像大小的10％～15％时，Retinex结果能够同时得到图像边缘细节和色彩，可以选择其作为中等尺度C₂的值；当尺度为图像大小的30％～50％时，Retinex结果得到比较平衡的色彩，可以选择其作为大尺度C₃的值。因此，C_n的大、中、小各尺度的取值会根据图像大小的不同而不同。

所述中值滤波所选取的模板大小的取值按下式确定：

其中，M、N分别为图像的长、宽大小，中值滤波的模板大小为Z_m×Z_m，

为向上取整操作。

Retinex(视网膜“Retina”和大脑皮层“Cortex”的缩写)是Edwin Land(艾尔文·兰德)提出来的一个关于人类视觉***如何调节感知到物体的颜色和亮度的模型。不同于传统的图像增强算法，如线性、非线性变换、图像锐化等只能增强图像的某一类特征，如压缩图像的动态范围，或增强图像的边缘等，Retinex可以在灰度动态范围压缩，边缘增强和颜色恒定性三方面达到平衡，因而可以对各种不同类型的图像进行自适应性地增强。Retinex的基本原理是将一幅图像分为亮度图像和反射图像两部分，然后通过降低亮度图像对反射图像的影响而达到增强图像的目的。由于Retinex是建立在实验基础之上，没有统一的数学模型，因此出现了多种不同的Retinex算法，如多尺度Retnixe(MSR)算法等。尽管这些经典算法看起来不一样的，但实质上它们非常相似，都通过对原图像进行某种高斯平滑来提取亮度图像，并且通过复杂的计算使提取的亮度图像尽量准确。

本发明的有益效果：

本发明涉及的检测方法具有的优点如下：

本发明方法运行速度快，效果好，不仅能解决多景深问题，而且不需要人工参与，具有很好的通用性。选取三幅大小分别为600*400、204*209、835*557的雾天图像，采用Matlab 6.5在Pentium(R)D，3.00Ghz，2GB内存的PC机进行实验对比，图3、图6、图9显示了本发明方法与传统的直方图均衡化方法以及最新的去雾方法，如Tan在CVPR 08’，何恺明在CVPR 09’，Tarel在ICCV 09’上所提方法的效果比较。从视觉效果上看，传统的直方图均衡化方法使近处的景物过增强，而远处的景物变得更模糊了。新近提出的Tan方法去雾后的图像场景目标会出现光晕伪影，Tarel方法则无法去除目标小细节处的雾气。相比之下，何氏方法得到的结果自然，取得了较为理想的去雾效果。而本发明方法建立在大气散射物理模型的基础上，去雾效果与何氏方法大体相当。近处与远处的景物都得到了不同程度的增强，细节比较分明，对比度与原有雾图像相比均有显著增强，在图像信息的恢复上也取得了较好的实验效果，且没有出现光晕伪影。

此外，本发明方法由于采用了基于亮度分量的传播图估计方法，较大地提高了算法的速度。通过表1的实验数据可以看出：本发明方法在去雾效果明显优于直方图均衡化方法、Tarel方法，且与何氏方法效果相近的同时，速度是何氏方法的2-3倍，且远远快于Tan方法。下表中的统计数据均在Matlab环境下获得，若本发明方法采用C++编程实现，运行时间将会大大减少，从而实现了图像去雾的自动性、实时性。

本发明方法可广泛应用于视频监控、地形勘测以及现有车辆、飞机、船只的安全驾驶辅助***或将来的自主驾驶车中。

表1算法运行时间比较表

图像编号(dpi)	直方图均衡化(s)	Tan(s)	何氏(s)	Tarel(s)	本发明(s)
						图3(600*400)图6	4.87500.9210	184.426038.7254	13.41802.3780	2.12500.4690	5.15700.9530
(204*209)图9(835*557)	10.2350	249.2972	18.1532	6.8600	9.7660

附图说明

图1为本发明实施例中基于暗原色的自动图像去雾方法的流程图；

图2为本发明实施例中获取大气散射模型传播图像的流程图；

图3为实施例1的灰度雾天图像及各去雾方法的处理效果；(a为原有雾图像，b为直方图均衡化效果图，c为Tarel方法效果图，d为本发明方法效果图)

图4为实施例1的暗原色图像；

图5为实施例1的大气散射模型传播图；

图6为实施例2的彩色雾天图像及各去雾方法的处理效果；(a为原有雾图像，b为直方图均衡化效果图，c为何氏方法效果图，d为本发明方法效果图)

图7为实施例2的暗原色图像；

图8为实施例2的大气散射模型传播图；

图9为实施例3的彩色雾天图像及各去雾方法的处理效果；(a为原有雾图像，b为直方图均衡化效果图，c为tan方法效果图，d为本发明方法效果图)

图10为实施例3的暗原色图像；

图11为实施例3的大气散射模型传播图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

实施例1：

本实施例是针对灰度图像，根据图1所示，其去雾过程按如下三个步骤进行：

1、求取原有雾灰度图像的暗原色图像及大气光值

所述灰度图像的暗原色图像各像素点的值按以下表达式确定：

$J^{\mathrm{dark}}(x,y)=\underset{(x^{\′},y^{\′})\∈\mathrm{\Ω}(x,y)}{\min }\left(J(x^{\′},y^{\′})\right)$

其中，Ω(x，y)是以坐标为x，y的像素点为中心，进行最小值滤波的模板区域，x′，y′为模板区域中各像素点的坐标值。由于图3(a)大小为600*400，则最小值滤波的模板大小为15*15，由此得到此灰度图像的暗原色图像如图4所示。该暗原色图像中每一点的值被称为暗原色图像值，再将这些暗原色图像值按照递减的顺序排序，确定数值大小为前0.1％的点在暗原色图像中所处的位置，则这些位置所对应的原有雾图像区域中的最大亮度值即为大气光A的值。本实施例的A值求得为255。

2、求取大气散射模型传播图

实现此处理过程的具体流程请参看图2。包括以下步骤：

首先，提取原有雾图像的亮度分量图，因原图为灰度图像，则其每一点的像素值即为亮度值。

然后，对灰度图像进行多尺度Retinex(MSR)变换，该处理过程的数学形式

$R_M(x,y)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_n(\log Y(x,y)-\log [F_n(x,y)*Y(x,y)\left]\right)---\left(2\right)$

如下：

其中，R_M(x，y)是采用MSR对亮度分量图像进行变换处理后的输出，N为环绕函数的尺度个数，一般选取大、中、小3个尺度。ω_n为对应于每一个尺度的权值，Y(x，y)为亮度图像，F_n(x，y)为对应权值ω_n的第n个环绕函数，选取高斯形式。对于本实施例其环绕函数尺度大小分别取为12000(图像大小的5％)、36000(图像大小的15％)、120000(图像大小的50％)，并且每个尺度的权重值的选取应在保证和值为1的前提下遵循使图像有比较平衡的色彩的原则，对于本实施例分别选取数值0.05、0.05、0.9。

其次，将传播图调整参数C减去Retinex变换后的新亮度图中每一点的像素

值得到该亮度图的反色亮度图对应点的像素值。此求取过程按以下方式确定：

I_inv(x，y)＝C-R_M(x，y)        (3)

其中，C的取值范围为0.8～1.2，本实施例中C的取值为0.89。

最后，对所述反色亮度图进行模板大小为13*13的中值滤波，即可得到反映局部雾气浓度的大气散射模型传播图如图5所示。

3、确定去雾后的复原图像

根据大气散射模型的表达式，将所述传播图与原有雾灰度图直接进行图像的相关代数运算，得到该灰度图像去雾后的复原图像如图3(d)所示；

所述求取复原图像的表达式为：

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A---\left(4\right)$

其中，I(x，y)为原有雾图像，t(x，y)为传播图，A为大气光值，t₀的取值为0.1。

此外，对于彩色图像，依照以下实施例处理即可。

实施例2：

对彩色图像图6(a)(大小为204*209)进行去雾处理。先将图6(a)在R、G、B三个颜色通道上分别采用大小为7*7的模板进行最小值滤波，将滤波后所得的三个图像对应像素点的最小值作为暗原色图像对应点的像素值，得到图6(a)的暗原色图像如图7所示。并通过此暗原色图像求得图6(a)的大气光A的值为206。

然后，将原有雾图像转换到YCbCr颜色空间，提取其亮度分量图像，对该亮度图按照式(2)进行Retinex变换，再按照式(3)进行反色变换，其中C的取值范围为1～1.4，本实施例取值为1.08。然后对变换所得图像进行模板大小为6*6的中值滤波即可得到由亮度信息表征的传播图如图8所示。

最后，将求得的由亮度分量表征的传播图t(x，y)、原有雾图像I(x，y)以及获取的大气光值A代入图像复原过程表达式(4)中，即可求得去雾图像如图6(d)所示。

实施例3：

对彩色图像图9(a)(大小为835*557)进行去雾处理。先将图9(a)在R、G、B三个颜色通道上分别采用大小为21*21的模板进行最小值滤波，将滤波后所得的三个图像对应像素点的最小值作为暗原色图像对应点的像素值，得到图9(a)的暗原色图像如图10所示。并通过此暗原色图像求得图9(a)的大气光A的值为224。

然后，将原有雾图像转换到YCbCr颜色空间，提取其亮度分量图像，对该亮度图按照式(2)进行Retinex变换，再按照式(3)进行反色变换，其中C的取值范围为1～1.4，本实施例取值为1.08。然后对变换所得图像进行模板大小为18*18的中值滤波即可得到由亮度信息表征的传播图如图11所示。

最后，将求得的由亮度分量表征的传播图t(x，y)、原有雾图像I(x，y)以及获取的大气光值A代入图像复原过程表达式(4)中，即可求得去雾图像如图9(d)所示。

需要说明的是，以上公开的仅为本发明的具体实例，根据本发明提供的思想，本领域的技术人员能思及的变化，都应落入本发明的保护范围内。

Claims (5)

1.一种基于暗原色的自动图像去雾方法，其特征在于，该方法包括以下步骤：

A、求取原有雾图像的暗原色图像及大气光值；

B、通过原有雾图像的亮度分量图求取大气散射模型中反映局部雾气浓度的传播图；

C、根据有雾图像、传播图和大气光值求取去雾后的复原图像。该方法对于灰度图像和彩色图像均能取得较好的去雾效果。

$J(x,y)=\frac{I(x,y)-A}{\max (t(x,y),t_0)}+A$

求取复原图像的表达式为：

其中x，y为图像每一像素点的坐标值，J(x，y)为复原后的图像，I(x，y)为原有雾图像，t(x，y)为传播图，A为大气光值，t₀的取值为0.1。

2.根据权利要求1所述的基于暗原色的自动图像去雾方法，其特征在于，步骤A为：

当原有雾图像为灰度图像时，选取模板在此灰度图像上进行最小值滤波，得到暗原色图像；对于灰度图像，每一点的像素值即为亮度值；

所述暗原色图像各像素点的值J^dark(x，y)按以下表达式确定：

$J^{\mathrm{dark}}(x,y)=\underset{(x^{\′},y^{\′})\∈\mathrm{\Ω}(x,y)}{\min }\left(J(x^{\′},y^{\′})\right);$

其中，Ω(x，y)是以坐标为x，y的像素点为中心，进行最小值滤波的模板区域，x′，y′为模板区域中各像素点的坐标值，J(x′，y′)为原有雾图像中由滤波模板所划分的各局部区域，若原有雾图像的图像大小为600*400，则模板大小为15*15，其它大小的图像的滤波模板选取按下式确定：

其中，M、N分别为原有雾图像的长、宽大小，滤波模板大小为N_m×N_m，式中

为向上取整操作，暗原色图像中每一点的值被称为暗原色图像值；

再将这些暗原色图像值按照递减的顺序排序，确定数值大小为前0.1％的点在暗原色图像中所处的位置，则这些位置所对应的原有雾图像区域中的最大亮度值，即为大气光值A；

当原有雾图像为彩色图像时，对原有雾图像的R、G、B三个颜色通道分别选取滤波模板进行最小值滤波，将滤波后所得的三个图像对应像素点的最小值作为暗原色图像对应点的像素值；则所述彩色图像的暗原色图像各像素点的值按以下表达式确定：

$J^{\mathrm{dark}}(x,y)=\underset{c\∈\{r,g,b\}}{\min }\left(\underset{(x^{\′},y^{\′})\∈\mathrm{\Ω}(x,y)}{\min }\left(J^c(x^{\′},y^{\′})\right)\right);$

其中，J^c为原图像J的颜色通道；对于彩色图像，则先将原有雾图像从RGB颜色空间转换为YCbCr颜色空间，在YCbCr颜色空间中，亮度信息用单个分量Y来表示；

再将这些暗原色图像值按照递减的顺序排序，确定数值大小为前0.1％的点在暗原色图像中所处的位置，则这些位置所对应的原有雾图像区域中的最大亮度值，即为大气光值A。

3.根据权利要求1所述的基于暗原色的自动图像去雾方法，其特征在于，步骤B包括：

B1、获得原有雾图像的亮度图像：若原有雾图像为灰度图像，则每一点的像素值即为亮度值；原有雾图像即为亮度图像；若原有雾图像为彩色图像，则先将原有雾图像从RGB颜色空间转换为YCbCr颜色空间；在YCbCr颜色空间中，亮度信息用单个分量Y来表示，彩色信息用两个色差分量Cb和Cr来存储，由此便可将分离后的亮度分量Y提取出来，得到亮度图像Y(x，y)；

B2、对所述的亮度图像进行多尺度Retinex变换，由此即可得到所述亮度分量图像的边缘细节增强、对比度改善的新的亮度图像R_M(x，y)；

B3、求取所述新的亮度图像的反色亮度图像；反色亮度图像I_inv(x，y)按以下公式确定：

I_inv(x，y)＝C-R_M(x，y)，式中C为传播图调整参数；若原有雾图像为灰度图像，则C的取值范围为0.8～1.2；若原有雾图像为彩色图像，则C的取值范围为1～1.4；

B4、对所述的反色亮度图像进行中值滤波，滤波后的图像即为大气散射模型的传播图；所述的中值滤波过程为，把图像中一点的值，用该点邻域中各值的中值来替代，所述的中值为将该点邻域中各值排序后中间的那个元素值。

4.如权利要求3所述的基于暗原色的自动图像去雾方法，其特征在于，所述步骤B2包括：

$R_M(x,y)=\underset{n=1}{\overset{N_1}{\mathrm{\Σ}}}{\mathrm{\ω}}_n(\log Y(x,y)-\log [F_n(x,y)*Y(x,y)\left]\right)$

对所述亮度分量图像进行多尺度Retinex变换，该处理过程的数学形式如下：

其中，Y(x，y)表示一幅大小为M×N的亮度分量图像，其中x＝0，1，2，…，M-1和y＝0，1，2，…，N-1；R_M(x，y)是采用多尺度Retinex变换对亮度分量图像进行变换处理后的输出图像；该输出图像R_M(x，y)的大小与亮度分量图像Y(x，y)大小相同，均为M×N，其中x＝0，1，2，…，M-1和y＝0，1，2，…，N-1；即经过多尺度Retinex变换后可直接得到一幅新的亮度图像；N₁为环绕函数尺度个数，取值为3，即选择不同的3个尺度，分别为大尺度、中等尺度和小尺度，以便使求得的亮度图像的对比度得到增强，并且在动态范围得到压缩的同时能够保持亮度图像的基本色调；ω_n为对应于每一个尺度的权值，并且选取时应在保证各尺度的权值之和为1的前提下赋予大尺度的权重比另外2个尺度的值大；F_n(x，y)为对应权值ω_n的第n个环绕函数，有：

$F_n(x,y)=K_n{e}^{-\frac{x^2+y^2}{C_n^2}};$

其中，C_n为第n个尺度的取值(n＝1，2，3)，尺度取值的原则为：小尺度的取值C₁为图像大小的1％～5％，中等尺度的取值C₂为图像大小的10％～15％，大尺度的取值C₃为图像大小的30％～50％；K_n为归一化因子。

5.如权利要求3或4所述的基于暗原色的自动图像去雾方法，其特征在于，所述中值滤波所选取的模板大小的取值按下式确定：

中值滤波模板边长

其中，M、N分别为图像的长、宽大小，中值滤波的模板大小为Z_m×Z_m，

为向上取整操作。

Images