CN103020921A - 基于局部统计信息的单幅图像去雾方法 - Google Patents

Abstract

基于局部统计信息的单幅图像去雾方法，涉及图像处理。提供可实现快速单帧图像去雾，改善雾天等恶劣天气条件下所摄取图像视觉效果的基于局部统计信息的单幅图像去雾方法。将采集到的彩色图像取RGB三个通道中的最小值作为当前点的像素值，得到一幅灰度图像，称之为“暗图像”；将该暗图像数学建模，假设其像素灰度值符合高斯分布，且在较大的矩形窗口内也符合同样的统计规律；在滤波窗口内，用均值减三倍方差统计到窗口内的最小值作为当前像素点的值，滤波后得到暗通道图像；根据大气光照强度和暗通道图像复原场景图像。改进在远近景密集交错处的无法去雾的问题，提高暗通道求取的精度，从统计学的角度求取暗通道，提高图像处理速度。

Description

基于局部统计信息的单幅图像去雾方法

技术领域

本发明涉及图像处理，尤其是涉及基于局部统计信息的单幅图像去雾方法。

背景技术

在安防领域中，恶劣极端天气造成图像质量下降始终给监控带来不便。利用计算机视觉技术，将单帧有雾图像快速复原是当今图像科研领域的热点。

去雾问题在图像信息领域中是一个具有挑战性的问题，采集到图像中雾的浓度和场景的距离信息相关。在经典的去雾算法中，何恺明先生的基于暗通道先验的单幅图像去雾算法很好地利用暗通道的特性准确的估算出了景物到图像采集器之间的距离信息，但中间过程采用了抠图的方法，大大地耗掉了计算机处理时间。

中国专利201010139441.1公开一种基于暗原色的自动图像去雾方法，该方法利用暗原色先验求取传输图像，多尺度Retinex求取亮度分量图像，其处理速度慢，传输函数的下限阈值不能动态自适应调整，处理后的天空区域的存在光晕。

发明内容

本发明的目的在于提供可实现快速单帧图像去雾，改善雾天等恶劣天气条件下所摄取图像视觉效果的基于局部统计信息的单幅图像去雾方法。

本发明包括以下步骤：

1）将采集到的彩色图像取RGB三个通道中的最小值作为当前点的像素值，得到一幅灰度图像，称之为“暗图像”；

2）将该暗图像数学建模，假设其像素灰度值符合高斯分布，且在较大的矩形窗口内也符合同样的统计规律；

3）在滤波窗口内，用均值减三倍方差统计到窗口内的最小值作为当前像素点的值，滤波后得到暗通道图像；

4）根据大气光照强度和暗通道图像复原场景图像。

在步骤1）中，所述将采集到的彩色图像取RGB三个通道中的最小值作为当前点的像素值的具体方法可为：

求取彩色图像中RGB三个通道的最小值最为当前点像素值，得到“暗图像”。

$D(x,y)=\underset{c\∈\{R,G,B\}}{\min }{I}_c(x,y)$

其中，I_c(x,y)为输入彩色图像，D(x,y)为得到的“暗图像”。

在步骤2）中，所述将该暗图像数学建模，假设其像素灰度值符合高斯分布，且在较大的矩形窗口内也符合同样的统计规律的具体方法可为：

用快速双边滤波器逼近求取样本点期望和方差，同时有效的保护好图像的边缘信息，防止在远近景交界处由于边缘模糊而产生“白色边带”效应；

$\mathrm{\μ}(x,y)=\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{Bilateral}}\left(D(x,y)\right)$

$\mathrm{\σ}(x,y)=\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{Bilateral}}\left({(D(x,y)-\mathrm{\μ}(x,y))}^2\right)$

其中，Bilateral是快速双边滤波算子，μ(x,y)和σ(x,y)分别是均值矩阵和方差矩阵。

在步骤3）中，所述在滤波窗口内，用均值减三倍方差统计到窗口内的最小值作为当前像素点的值，滤波后得到暗通道图像的具体方法可为：

根据概率统计学原理，估算图像的暗通道

I_min(x,y)＝μ(x,y)-3σ(x,y)

I_DarkChannel(x,y)≈min(I_min(x,y),D(x,y))

其中，I_DarkChannel(x,y)是最终估算出的暗通道图像。

在步骤4）中，所述根据大气光照强度和暗通道图像复原场景图像的具体方法可为：

估算大气光强度，图像复原大气光强度A_c是由统计暗通道图像中前0.1%最亮点所对应的原图像中的坐标的最高像素值。

$\tilde{t}(x,y)=1-\mathrm{\ω}\frac{I_{\mathrm{DarkChannel}(x,y)}}{\underset{c\∈\{R,G,B\}}{\max }\left(A_c\right)}$

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

其中，t(x,y)是大气耗散函数，它仅仅与场景的深度信息有关，R(x,y)是复原后的无雾图像。

本发明将图像像素的灰度值建立高斯分布数学模型，利用全新的方法更快更准确地估算出暗通道，对于近远景交界处的去雾有良好的效果，同时采用快速双边滤波的方法大大提高了计算处理速度，使实时去雾成为可能。

本发明改进了经典去雾算法中的在远近景密集交错处的无法去雾的问题，提高了暗通道求取的精度，同时放弃用图像抠图的方法而改用从统计学的角度求取暗通道，提高了图像处理速度。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例的实验结果之一。

图3是本发明实施例的实验结果之二。

在图2和3中，（a）为有雾原图，（b）为本发明处理后的结果。

具体实施方式

以下实施例，将结合附图对本发明作进一步的说明。

本实施例针对彩色有雾图像，其复原过程包括以下4个步骤：

步骤一、将采集到的彩色图像取RGB三个通道中的最小值作为当前点的像素值，得到一幅灰度图像，称之为“暗图像”：

彩色图像有RGB三个通道，每个通道分别有一个灰度值，去RGB三个通道的最小值作为当前点像素值，得到暗图像D(x,y)。

步骤二、将该暗图像数学建模，假设其像素灰度值符合高斯分布，且在较大的矩形窗口内也符合同样的统计规律：

把在窗口内的像素灰度值符合高斯分布作为一个先验条件。

步骤三、在滤波窗口内，用均值减三倍方差统计到窗口内的最小值作为当前像素点的值，滤波后得到暗通道图像：

使用快速双边滤波器，快速有效的逼近求样本点期望和方差的过程，分别得到期望矩阵和方差矩阵，然后用期望矩阵减三倍的方差矩阵得到暗通道图像I_DarkChannel(x,y)。

步骤四、根据大气光照强度和暗通道图像复原场景图像：

首先根据已得到的暗通道图像算出耗散函数t(x,y)，统计暗通道图像中前0.1%最亮点所对应的原图像中的坐标的最高像素值作为大气光强度值A。再设置阈值t₀以防止分母为零的情况，同时可以有效的控制远景的去雾程度，保持天空得无穷远景物的真实度。

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

Claims (5)

1.基于局部统计信息的单幅图像去雾方法，其特征在于包括以下步骤：

1）将采集到的彩色图像取RGB三个通道中的最小值作为当前点的像素值，得到一幅灰度图像，称之为“暗图像”；

2）将该暗图像数学建模，假设其像素灰度值符合高斯分布，且在较大的矩形窗口内也符合同样的统计规律；

3）在滤波窗口内，用均值减三倍方差统计到窗口内的最小值作为当前像素点的值，滤波后得到暗通道图像；

4）根据大气光照强度和暗通道图像复原场景图像。

2.如权利要求1所述基于局部统计信息的单幅图像去雾方法，其特征在于在步骤1）中，所述将采集到的彩色图像取RGB三个通道中的最小值作为当前点的像素值的具体方法为：

求取彩色图像中RGB三个通道的最小值最为当前点像素值，得到“暗图像”D(x,y)为：

$D(x,y)=\underset{c\∈\{R,G,B\}}{\min }{I}_c(x,y)$

其中，I_c(x,y)为输入彩色图像。

3.如权利要求1所述基于局部统计信息的单幅图像去雾方法，其特征在于在步骤2）中，所述将该暗图像数学建模，假设其像素灰度值符合高斯分布，且在较大的矩形窗口内也符合同样的统计规律的具体方法为：

用快速双边滤波器逼近求取样本点期望和方差，同时有效的保护好图像的边缘信息，防止在远近景交界处由于边缘模糊而产生“白色边带”效应；

$\mathrm{\μ}(x,y)\text{=}\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{Bilateral}}\left(D(x,y)\right)$

$\mathrm{\σ}(x,y)=\underset{(x,y)\∈\mathrm{\Ω}}{\mathrm{Bilateral}}\left({(D(x,y)-\mathrm{\μ}(x,y))}^2\right)$

其中，Bilateral是快速双边滤波算子，μ(x,y)和σ(x,y)分别是均值矩阵和方差矩阵。

4.如权利要求1所述基于局部统计信息的单幅图像去雾方法，其特征在于在步骤3）中，所述在滤波窗口内，用均值减三倍方差统计到窗口内的最小值作为当前像素点的值，滤波后得到暗通道图像的具体方法为：

根据概率统计学原理，估算图像的暗通道：

I_min(x,y)＝μ(x,y)-3σ(x,y)

I_DarkChannel(x,y)≈min(I_min(x,y),D(x,y))

其中，I_DarkChannel(x,y)是最终估算出的暗通道图像。

5.如权利要求1所述基于局部统计信息的单幅图像去雾方法，其特征在于在步骤4）中，所述根据大气光照强度和暗通道图像复原场景图像的具体方法为：

估算大气光强度，图像复原大气光强度A_c是由统计暗通道图像中前0.1%最亮点所对应的原图像中的坐标的最高像素值，

$\tilde{t}(x,y)=1-\mathrm{\ω}\frac{I_{\mathrm{DarkChannel}}(x,y)}{\underset{c\∈\{R,G,B\}}{\max }\left(A_c\right)}$

$R(x,y)=\frac{I(x,y)-A}{\max \left({t(x,y),t}_0\right)}+A$

其中，t(x,y)是大气耗散函数，它仅仅与场景的深度信息有关，R(x,y)是复原后的无雾图像。

Images