CN103745438A - 大面积背景光含雾图像的去雾方法 - Google Patents

Abstract

本发明公开一种大面积背景光含雾图像的去雾方法，包括，S1、获得含雾图像的强度直方图A，判断直方图A是否满足有较大面积背景光，计算背景光部分峰值的横坐标x_A；S2、利用暗通道先验算法对图像进行去雾，计算去雾后图片的直方图B，确定出现毛刺的坐标(x_B,h_B)；S3、重建直方图B：保留强度小于标x_B的部分，重建强度大于x_B的部分，并采用单增的上凸函数进行重建；S4、对重建的直方图和去雾图片进行直方图规定化，得到改进后的去雾图片。本发明通过直方图对暗通道先验算法进行后处理，操作简单灵活，根据不同的具体图像设置不同的参数，避免了暗通道先验处理结果难以微调；算法效率较高，获得的去雾图片质量较高，并且更加贴近真实无雾图景。

Description

大面积背景光含雾图像的去雾方法

技术领域

本发明涉及及图像处理技术，具体涉及一种大面积背景光含雾图像的去雾方法。

背景技术

照相机在户外取景时，相片质量通常会因为大气中悬浮的颗粒对物体光的吸收或散射而造成不同程度的影响，而大雾天气中上述现象变得尤为明显。在有雾的天气取景时，由于空气大量水滴的干扰，一方面物体的反射光经过水滴的吸收和折射后到达镜头时会产生衰减，另一方面由于水滴对大气光的漫反射，会有较多的大气光同时进入镜头；一方面造成图片中物体的颜色亮度较为暗淡，另一方面大量的大气光也使得图像整体显得灰白，丧失了物体本应有的颜色。当需要获取的景物含有大量的背景光时，失真就显得尤为明显。

在计算机视觉领域，一般认为图像的亮度、对比度反应的物体特征，由于含雾图像带有的上述种种因素，采用一般的图像处理技术处理含雾图片不可避免的会出现偏差，影响处理的结果；特别是在诸如交通运输、户外监视、地形侦测等需要运用计算机视觉算法解决实际问题的领域，图像的去雾有着广泛的需求。

发明内容

本发明要解决的技术问题在于对大面积背景光含雾图像进行去雾，避免去雾结果图像对比度偏低、图像昏暗不清晰的问题。

本发明的技术方案包括一种大面积背景光含雾图像的去雾方法，包括以下步骤：

S1、获得所述含雾图像的强度直方图A，判断所述直方图A是否满足有较大面积背景光，是则计算背景光部分峰值的横坐标x_A；

S2、利用暗通道先验算法对图像进行去雾，计算去雾后图片的直方图B，并确定出现毛刺的坐标(x_B,h_B)；

S3、重建直方图B：保留强度小于横坐标x_B的部分，重建强度大于横坐标x_B的部分，并采用单增的上凸函数进行重建；

S4、对重建的直方图B’和去雾图片进行直方图规定化，得到改进后的去雾图片。

本发明的有益效果包括：通过直方图对暗通道先验算法进行后处理，操作简单灵活，可以根据不同的具体图像设置不同的参数，避免了暗通道先验处理结果难以微调；算法效率较高，获得的去雾图片质量较高，并且更加贴近真实无雾图景。

附图说明

图1为本发明实施例的去雾方法实现效果图。

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详细说明。

本发明提供一种大面积背景光含雾图像的去雾方法，包括步骤：

S1、获得所述含雾图像的强度直方图A，判断所述直方图A是否满足有较大面积背景光，是则计算背景光部分峰值的横坐标x_A；

S2、利用暗通道先验算法对图像进行去雾，计算去雾后图片的直方图B，并确定出现毛刺的坐标(x_B,h_B)；

S3、重建直方图B：保留强度小于横坐标x_B的部分，重建强度大于横坐标x_B的部分，并采用单增的上凸函数进行重建；

S4、对重建的直方图B’和去雾图片进行直方图规定化，得到改进后的去雾图片。

本发明实施例通过直方图对暗通道先验算法进行后处理，操作简单灵活，可以根据不同的具体图像设置不同的参数，避免了暗通道先验处理结果难以微调；算法效率较高，获得的去雾图片质量较高，并且更加贴近真实无雾图景。

本发明一实施例提供一种大面积背景光含雾图像的去雾方法，包括，

S1、获得所述含雾图像的强度直方图A，判断所述直方图A是否满足有较大面积背景光，是则计算背景光部分峰值的横坐标x_A；

上述述有较大面积背景光为图像的强度直方图在低强度部分和高强度部分有一个峰，且所述两个峰之间有分界线；在直方图中可以明显的看到前景区域和背景光区域所贡献的亮度分布。

如图1所示，图中a是原始的含雾图像，b是经过暗通道先验算法的去雾结果，c是本发明算法的改进结果，d、e、g分别是三者的直方图，f是本发明算法对e的重建。

S2、利用暗通道先验算法对图像进行去雾，计算去雾后图片的直方图B，并确定出现毛刺的坐标(x_B,h_B)；

S3、重建直方图B：保留强度小于横坐标x_B的部分，重建强度大于横坐标x_B的部分，为增强整个图像的对比度和背景光的亮度，采用单增的上凸函数进行重建；

单增的上凸函数是其随着横坐标的增加斜率也在增加，一方面可以提升直方图高强度部分的比例，同时也不会由于密度越大的地方宽度越窄使背景光变得过于明亮。

上述单增的上凸函数为二次函数，二次函数参数为：

起点坐标为(x_B,h_B)，出现噪声的点正是前景光和背景光的分界线；

终点横坐标为x_A，为使背景光的亮度和大气光接近，终点纵坐标为αh_max，其中，h_max为直方图B的最高点；

第三点坐标为

其中，α范围为0.8-0.9，β范围为0.2-0.3。

S4、对重建的直方图B’和去雾图片进行直方图规定化，得到改进后的去雾图片。

提升一部分强度的密度函数的值就相当于降低另一部分的密度函数的值，因此单纯改变背景光也是增强了前景光的对比度；直方图规定化适用于小范围灵活性的改变图像，如果改动过多会造成比较大的失真，从而降低图像的质量。

其中，上述暗通道先验算法为，

有雾的图形为：

I(x)=J(x)t(x)+Y[1-t(x)]   (1)

其中，I为观测到的图像强度，J为在无雾条件下景物的光线强度，Y为环境光成分，t为传播参量；

暗通道先验规律：在非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，换言之，该区域光强度的最小值是个很小的数，其表示为：

J^dark(x)=min_c∈{R,G,B}(min_y∈Ω(x)J^C(y)   (2)

其中，J^C为J的某一个颜色通道，Ω(x)为以x为中心的一方形区域；对于无雾的图像，出了天空的区域，J^dark的强度总是很低并且区域零。

利用暗通道先验，得到传播参量

$\tilde{t}\left(x\right)=1-\mathrm{\ω}\underset{c\∈\{R,G,B\}}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\frac{I^C\left(y\right)}{Y^C}\right)---\left(3\right)$

其中，参量ω保留一部分雾信息；

对所述传播参量

进行精细化，得到传播参量t，由公式（1）得到去雾图像： $J\left(x\right)=\frac{I\left(x\right)-A}{\max (t\left(x\right),t0)}+A---\left(4\right),$

其中，t0是为了防止分母中的t(x)过小而进行的限制。

对于RGB图像，由于每一个像素点的三中颜色通道亮度并不一致因此分别对RGB三色通道求直方图进行处理处理然后再合并是不适用的。直方图为，将RGB矩阵转换为HSI矩阵，HSI空间用图像的色度（hue）、饱和度（saturation）和亮度（intensity）描述一副彩色图像，并对强度分量I做直方图分析，

$H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B),$

其中， $\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}.$

变换前，可以明显地从直方图中看到物体的分布和背景光的分布之间的间隔，有一个明显的极小值点；变换后，背景光和和物体的分布之间界限变得模糊不清，也即变换之后物体和背景光之间的对比度变小；

利用直方图中的出现一线坏点分辨出物体和背景光，并对直方图分别进行处理，得到比较好的分布。

本发明实施例，解决利用暗通道先验的单幅图像去雾算法对含有大面积背景光的含雾图像进行去雾时，避免造成去雾结果图像对比度偏低、图像昏暗不清晰；解决利用暗通道先验的单幅图像去雾算法对含有大面积背景光的含雾图像进行去雾时，造成的背景光部分出现毛刺、噪声等引起图像质量下降；利用直方图规定化的灵活性在小范围对图像质量做出进一步处理，增加处理结果的灵活性，提高求解去雾图像的质量。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (7)

1.一种大面积背景光含雾图像的去雾方法，其特征在于，包括以下步骤：

S1、获得所述含雾图像的强度直方图A，判断所述直方图A是否满足有较大面积背景光，是则计算背景光部分峰值的横坐标x_A；

S2、利用暗通道先验算法对图像进行去雾，计算去雾后图片的直方图B，并确定出现毛刺的坐标(x_B,h_B)；

S3、重建直方图B：保留强度小于横坐标x_B的部分，重建强度大于横坐标x_B的部分，并采用单增的上凸函数进行重建；

S4、对重建的直方图B’和去雾图片进行直方图规定化，得到改进后的去雾图片。

2.根据权利要求1所述的大面积背景光含雾图像的去雾方法，其特征在于，所述有较大面积背景光为图像的强度直方图在低强度部分和高强度部分有一个峰，且所述两个峰之间有分界线。

3.根据权利要求1所述的大面积背景光含雾图像的去雾方法，其特征在于，所述单增的上凸函数为二次函数。

4.根据权利要求3所述的大面积背景光含雾图像的去雾方法，其特征在于，所述二次函数参数为：

起点坐标为(x_B,h_B)；

终点横坐标为x_A，终点纵坐标为αh_max，其中，h_max为直方图B的最高点；

第三点坐标为

5.根据权利要求4所述的大面积背景光含雾图像的去雾方法，其特征在于，所述α范围为0.8-0.9，所述β范围为0.2-0.3。

6.根据权利要求1所述的大面积背景光含雾图像的去雾方法，其特征在于，所述暗通道先验算法为，

有雾的图形为：

I(x)=J(x)t(x)+Y[1-t(x)]   (1)

其中，I为观测到的图像强度，J为在无雾条件下景物的光线强度，Y为环境光成分，t为传播参量；

暗通道先验规律：在非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，其表示为：

J^dark(x)=min_c∈{R,G,B}(min_y∈Ω(x)J^C(y)   (2)

其中，J^C为J的某一个颜色通道，Ω(x)为以x为中心的一方形区域；

利用暗通道先验，得到传播参量

$\tilde{t}\left(x\right)=1-\mathrm{\ω}\underset{c\∈\{R,G,B\}}{\min }\left(\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\frac{I^C\left(y\right)}{Y^C}\right)---\left(3\right)$

其中，参量ω保留一部分雾信息；

对所述传播参量进行精细化，得到传播参量t，由公式（1）得到去雾图像： $J\left(x\right)=\frac{I\left(x\right)-A}{\max (t\left(x\right),t0)}---\left(4\right).$

7.根据权利要求1所述的大面积背景光含雾图像的去雾方法，其特征在于，所述直方图为，将RGB矩阵转换为HSI矩阵，并对强度分量I做直方图分析，

$H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B),$ 其中， $\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}.$

Images