CN105447825A - 图像去雾方法及其*** - Google Patents

Abstract

本发明提供了一种图像去雾方法，其包括以下步骤：步骤一，采集包含有雾的图像；步骤二，根据图像的边界条件获得初始的大气散射函数；步骤三，利用递归双边滤波来精化初始的大气散射函数；步骤四，再次使用递归双边滤波器得到局部对比度；步骤五，基于局部对比度，对不同浓度的雾区域自适应地进行处理；步骤六，根据图像退化模型快速获得去雾结果，并进行色调调整后将最终结果进行输出展示。本发明方法去雾结果的边缘信息得到很好的保持，细节更加清晰。并且在景深突变的区域没有出现残雾和光晕效应，最大程度上恢复了真实的场景，整体上符合人们的视觉感受。

Description

图像去雾方法及其***

技术领域

本发明属于图像处理和计算机视觉领域，尤其涉及一种图像去雾方法及其***。

背景技术

目前，针对图像去雾，研究工作主要集中在对单幅图像的去雾。常用的图像去雾方法包括Retinex方法、Fattal方法、He方法和Tarel方法。

Retinex方法设定输入的退化图像是亮度图像与反射图像的乘积。通过去除或降低亮度图像的影响，从而尽量保留反映场景本质的反射图像来去雾。然而，其在颜色信息处理过程中采用了输入图像色度的非线性函数值来补偿颜色信息的丢失，无法还原场景的真实颜色。

Fattal方法首先假设图像局部区域的反射率是常数，并且该反射率与传输率是相互独立。利用独立分量估计反射率的方向，并基于马尔可夫随机场估计图像的颜色，取得较好的去雾结果。但是，该方法假设局部区域内的统计相互独立且需要充分的颜色信息，导致其在低能见度或颜色信息不够明显的情况下，常常会失效。

He方法统计分析大量户外高能见度图像并提取暗通道先验。通过该先验估计大气光和传输率，再利用图像抠图对传输率进一步优化。利用雾天成像的物理模型进行图像去雾。该方法去雾效果较好，无需附加条件，但是当场景中不存在暗原色时，其往往无效。同时，该方法优化传输率时采用抠图处理，本质上是求解一个大规模稀疏的线性方程组，拥有很高的时间与空间复杂度。

Tarel方法假设大气散射函数在一定范围内趋近于最大值，采用改进的中值滤波对大气散射函数进行估计，从而来对单幅图像进行能见度去雾处理。该方法尽管拥有较低的时间复杂度，较高的执行效率，但是并不能够较好的保持图像边缘，并且容易使得去雾结果产生光晕效应。

Tan方法利用低能见度图像的对比度比高能见度图像低这一先验，通过最大化去雾图像局部对比度来增强图像。基于马尔可夫随机场来归一化结果，其在景深突变的区域很容易产生光晕效应，同时去雾出的图像颜色过于饱和。

发明内容

本发明的目的是：针对现有技术的不足，提供一种细节清晰、景深突变区域无残雾和光晕效应、能更好地恢复真实场景的图像去雾方法及其***。

为了达到上述目的，一方面，本发明提供了一种图像去雾方法，其包括以下步骤：

步骤一，采集包含有雾的图像；

步骤二，根据图像的边界条件获得初始的大气散射函数；

步骤三，利用递归双边滤波来精化初始的大气散射函数；

步骤四，再次使用递归双边滤波器得到局部对比度；

步骤五，基于局部对比度，对不同浓度的雾区域自适应地进行处理；

步骤六，根据图像退化模型快速获得去雾结果，并进行色调调整后将最终结果进行输出展示。

另一方面，本发明提供了一种图像去雾***，其包括图像采集模块、处理模块、图像输出模块，其中，

图像采集模块：采集包含有雾的图像并传送给处理模块；

处理模块：根据图像的边界条件获得初始的大气散射函数，利用递归双边滤波来精化初始的大气散射函数，再次使用递归双边滤波器得到局部对比度，基于局部对比度，对不同浓度的雾区域自适应地进行处理，根据图像退化模型快速获得去雾结果，并进行色调调整；

图像输出模块：将最终结果进行输出展示。

本发明的有益效果如下：本发明提供的图像去雾方法及其***，其关键在于能够获得准确的大气散射函数。首先，利用给定图像的边界条件获得初始的大气散射函数。为了能有效地避免光晕现象，利用递归双边滤波来精化初始的大气散射函数。之后再次使用递归双边滤波器得到局部对比度。基于局部对比度，不同浓度的雾区域能够被自适应地进行处理。为了能够得到更真实的效果，采用色调映射对其结果进行处理。为了加速该方法，本发明采用一种自适应的非均匀采样策略。对于输入的输入图像构建其相应的高维特征空间，并借助高斯KD(k-dimensional)树对特征空间进行自适应的剖分。采用高斯权度量像素点对应特征向量的相似度，则每个剖分得到的子空间是由特征相似的像素点聚类构成。计算每个叶结点子空间的采样，并用这些采样点近似表示图像的输入数据集。由此，得到的采样点数量会小于输入数据集。基于这些采样点进行去雾处理，并将计算结果插值到输入数据集。该方法能够快速有效地对单幅图像进行去雾处理。

附图说明

图1为本发明图像去雾方法的流程图。

具体实施方式

如图1所示，本发明提供了一种图像去雾方法，其包括以下步骤：

步骤一，采集包含有雾的图像；

步骤二，根据图像的边界条件获得初始的大气散射函数；

步骤三，利用递归双边滤波来精化初始的大气散射函数；

步骤四，再次使用递归双边滤波器得到局部对比度；

步骤五，基于局部对比度，对不同浓度的雾区域自适应地进行处理；

步骤六，根据图像退化模型快速获得去雾结果，并进行色调调整后将最终结果进行输出展示。

优选的，步骤二中根据图像退化模型得到全局大气光A，采用像素点i为中心的窗口ω(i)对输入图像的r,g,b三通道分别进行最小值滤波，然后，选取滤波后的三通道最大值作为全局大气光A，

$A=\left\{\underset{i}{\max }\right(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^r\left(j\right)),\underset{i}{\max }(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^g\left(j\right)),\underset{i}{\max }(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^b\left(j\right)\left)\right\}$

其中，j是像素点索引，I是输入图像。

进一步优选的，所述初始的大气散射函数由以下方法获得，假设在窗口ω(i)内的大气散射函数为常数，定义其为V(i),根据场景辐射通常是有界的这一物理特性，即J≥B,可以得到

$V\left(i\right)\≤W_b\left(i\right)=\frac{\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{I^a\left(\mathrm{\ζ}\right)}{A^a}\right)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{B^a\left(\mathrm{\ζ}\right)}{A^a}\right)\right)}{\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{1}{A^a}\right)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{B^a\left(\mathrm{\ζ}\right)}{{\left(A^a\right)}^2}\right)\right)}$

其中，V(i)为大气散射函数，ζ为属于窗口ω(i)内的像素点，a∈{r,g,b}，J是场景辐射，B为场景辐射的下边界，W_b(i)为将场景辐射的下边界代入所得大气散射函数的上边界。

再进一步优选的，允许窗口内场景传输值有细微的变化，从而将场景传输的初始估计值进一步调整为，其中，W_a(i)为大气散射函数初始估计值。

再进一步优选的，所述步骤三中采用递归双边滤波算子，基于一系列一维的离散信号操作，通过多次迭代，对初始的大气散射函数的精化如下，

$\begin{array}{c}{M}_{rbf}\left(i\right)=(1-a)\·W_a\left(i\right)+R_{i,i-1}\·a\·M_{rbf}(i-1)\\ =(1-a)\·\underset{u=0}{\overset{i}{\Σ}}{R}_{i,u}\·a^{i-u}\·W_a\left(i\right)\end{array}$

其中,M_rbf(i)为精化后的大气散射函数， $R_{i,u}=\exp (-{\mathrm{\Σ}}_{l=u}^{i-1}|\left|I\right(l)-I(l+1)|{|}^2/2{\mathrm{\σ}}_{r1}^2),$ 其中，σ_s1，σ_r1分别为空间域和范围域的参数。此过程记为M(i)＝RBF(W_a(i),σ_s1,σ_r1)。

更进一步优选的，所述步骤四中对大气散射函数初始估计值W_a(i)进行更大尺度的双边滤波得M′(i)，M′(i)和局部对比度N(i)的计算公式分别为，

M′(i)＝RBF(W_a(i),σ_s2,σ_r2),σ_s2＞σ_s1,σ_r2＞σ_r1

N(i)＝|M(i)-M′(i)|

其中，σ_s2，σ_r2分别为空间域和范围域的参数，M(i)为对初始的大气散射函数双边滤波的结果。

大气散射函数的估计值为，

$V_b\left(i\right)=M\left(i\right)-\frac{M\left(i\right)}{km}\·N\left(i\right)$

式中，V_b(i)为基于局部对比度的大气散射函数的估计值，m为M(i)的平均灰度值，k为一个可调的系数，

由于0≤V(i)≤W(i)，采用V_f(i)＝max(min(pV_b(i),W_a(i)),0)对V_b(i)加以约束，其中，V_f(i)为最终大气散射函数估计值，p是为平衡因子，其作用为保留小部分雾，使得去雾后的结果更真实。

更进一步优选的，所述步骤五中对不同浓度的雾区域自适应地进行处理步骤如下：首先，基于输入图像的像素点的空间位置信息和颜色信息构造其5维特征空间；然后，利用高斯KD树对特征空间中的特征点进行自适应的聚类，在特征点相似度较小的区域，进行细粒度剖分，局部聚类数较多，在特征点相似度较大的区域，进行粗粒度剖分，局部聚类数较少，如果子空间所包含特征点的颜色方差高于设定的阈值，那么将会继续剖分；反之，则停止剖分，得到叶结点，分别计算叶结点子空间所包含的特征点与该子空间均值的相似度，对该叶结点中所有特征点进行加权平均，从而得到该子空间的质心点并将其作为采样点，最终，高斯KD树将会存储m个采样点用以近似表示含有n个像素点的输入图像数据集；最后，将基于自适应采样的计算结果插值到输入图像时，根据像素点与其相应采样点的相似度，将采样点的计算结果加权插值到输入图像。

更进一步优选的，所述步骤六中采用基于所述的对数方程的色调映射方法来进行色调调整，如下所示，

$L_d=\frac{L_{d,max}\·0.01}{\lg (L_{max,w}+1)}\·\frac{ln(L_w+1)}{ln(2+({\left(\frac{L_w}{L_{w,max}}\right)}^{\frac{ln\left(h\right)}{ln\left(0.5\right)}})\·8)}$

其中，L_d是输出的亮度值，L_d,max为能够输出的最大亮度值，L_w为输入的亮度值，L_w,max为输入的最大亮度值，h是偏置系数。

优选的，所述步骤一中图像包括单张照片或连续的视频图像。

本发明另一方面提供了一种图像去雾***，其包括图像采集模块、处理模块、图像输出模块，其中，

图像采集模块：采集包含有雾的图像并传送给处理模块；

处理模块：根据图像的边界条件获得初始的大气散射函数，利用递归双边滤波来精化初始的大气散射函数，再次使用递归双边滤波器得到局部对比度，基于局部对比度，对不同浓度的雾区域自适应地进行处理，根据图像退化模型快速获得去雾结果，并进行色调调整；

图像输出模块：将最终结果进行输出展示。

下面结合具体实施例对本发明作进一步说明，但本发明并不限于以下实施例。

A.根据图像退化模型得到全局大气光，具体如下：在雾天条件下，由于大气中悬浮粒子的影响，场景的光线能量到达观测区域时，会发生衰减。同时，天空中的大气光散射到观测区域时，能量也会附加于目标图像。由此，

I(i)＝J(i)t(i)+A(1-t(i))(1)

其中，i是像素点索引，I是输入图像，J是场景辐射，A是全局大气光。t是场景传输，t(i)＝e^-βd(i)，其中，β是大气粒子散射系数，d是景深。由于大气散射函数为V＝A(1-t(i))，因此公式(1)可改写为

$I\left(i\right)=J\left(i\right)(1-\frac{V\left(i\right)}{A})+V\left(i\right)---\left(2\right)$

对输入图像进行能见度去雾处理以获取高能见度的真实场景，即基于式(1)中的I结合A和t求解J。其中，对于A的计算，典型的方法是He方法。其选取暗通道中前0.1％的最亮像素，并选取这些像素对应输入图像的最亮像素值作为A。为了提高本发明方法的效率且兼顾准确性，采用像素点i为中心的窗口ω(i)对输入图像的r,g,b三通道分别进行最小值滤波。然后，选取滤波后的三通道最大值作为A，如下所示，

$A=\left\{\underset{i}{\max }\right(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^r\left(j\right)),\underset{i}{\max }(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^g\left(j\right)),\underset{i}{\max }(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^b\left(j\right)\left)\right\}$

其中，j是像素点索引。

B.所述初始的大气散射函数由以下方法获得。假设在窗口ω(i)内的大气散射函数为常数，定义其为V(i)。对式(2)两侧分别进行两次最小值运算，可以得到，

$\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{I^a\left(\mathrm{\ζ}\right)}{A^a}\right)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{J^a\left(\mathrm{\ζ}\right)}{A^a}\right)\right)=V\left(i\right)\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{1}{A^a}\right)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{J^a\left(\mathrm{\ζ}\right)}{{\left(A^a\right)}^2}\right)\right)---\left(3\right)$

根据场景辐射通常是有界的这一物理特性，即J≥B,可以得到

$V\left(i\right)\≤W_b\left(i\right)=\frac{\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{I^a\left(\mathrm{\ζ}\right)}{A^a}\right)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{B^a\left(\mathrm{\ζ}\right)}{A^a}\right)\right)}{\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{1}{A^a}\right)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{\min }\left(\underset{a}{\min }\left(\frac{B^a\left(\mathrm{\ζ}\right)}{{\left(A^a\right)}^2}\right)\right)}---\left(4\right)$

此时如果窗口ω(i)大小为1×1，B＝0，并且三个颜色通道的全局大气光A相同，那么将得到但是在大多数情况下，给定图像的边界B不为0，三个颜色通道的A也不一定相同，在此时不适用，但V(i)≤W_b(i)仍适用。

事实上，在上述计算过程中，始终需要保证窗口内场景传输值为常数的前提条件，这在实际情形中通常无法满足。因此，本发明略微放宽该前提条件，允许窗口内场景传输值有细微的变化，从而将场景传输的初始估计值进一步调整为，

$W_a\left(i\right)=\underset{j\∈w\left(i\right)}{max}\left\{W_b\right(j\left)\right\}---\left(5\right)$

直接用初始估计值W_a(i)得到的结果会出现光晕，因此需要对W_a(i)做进一步精化。同时，大气散射函数表现为其在输入图像变化平缓区域应当是平滑的，与图像中的纹理细节信息并无依赖性。并且，在景深突变的边缘区域，大气散射函数会发生跃变。因此，应对上述得到初始估计值W_a(i)进行保边缘精化，去除纹理细节的影响，避免去雾结果产生残雾或光晕现象。

C.利用所述递归双边滤波来精化初始的大气散射函数。基于传统的双边滤波算子对初始估计值W_a(i)进行平滑处理可以达到上述要求。但是，本发明并没有采用传统的双边滤波算子，而是采用递归双边滤波算子。与传统双边滤波类似，递归双边滤波综合考虑图像的空间域和范围域上的相似度，能够达到保边的局部平滑效果。此外，递归双边滤波基于一系列一维的离散信号操作，通过多次迭代，能够精确保持不同角度的边缘信息，获得较传统双边滤波更好的处理结果。采用递归双边滤波对初始值的精化如下：

$\begin{array}{c}{M}_{rbf}\left(i\right)=(1-a)\·W_a\left(i\right)+R_{i,i-1}\·a\·M_{rbf}(i-1)\\ =(1-a)\·\underset{u=0}{\overset{i}{\Σ}}{R}_{i,u}\·a^{i-u}\·W_a\left(i\right)\end{array}---\left(6\right)$

其中, $a=\exp (-\sqrt{2}/{\mathrm{\σ}}_{s1}).R_{i,u}=\exp (-{\mathrm{\Σ}}_{l=u}^{i-1}|\left|I\right(l)-I(l+1)|{|}^2/2{\mathrm{\σ}}_{r1}^2),$ 其中，σ_s1，σ_r1分别为空间域和范围域的参数。将公式(6)简写为M(i)＝RBF(W_a(i),σ_s1,σ_r1)。

D.再次利用递归双边滤波，实际上是对初始估计值进行两次不同尺度的双边滤波，通过这两次滤波结果的差值来衡量图像的局部对比度。精化后的M(i)的结果整体偏暗，并且局部对比度不高，因此需要进一步的调整。由于大气散射函数反映的是大气光参与成像的部分，仅与大气光和场景深度有关，因此背景部分离观察者较远、雾很浓，成像后非常模糊，这部分对应的大气散射函数的值也应较高，同时前景部分离观察者较近，雾较薄，因此它们对应的大气散射函数的值应较低。但是若给定图像本身的RGB值较高，使得在图像M(i)中，对应的灰度值仍然很高。因此，如果直接用M(i)近似大气散射函数V(i)，很可能将颜色较亮的对象误认为是雾浓的区域，从而导致在去雾后的图像中，整体偏暗淡。

在一幅有雾图像中，雾浓的区域相对于雾薄的区域来说，受到大气光的影响更大，对比度更低。因此，可以通过局部对比度来粗略地区分所述的雾浓区域和雾薄区域。基于图像自身的性质，局部对比度可以通过空间邻域内的灰度值标准差，或者对灰度值求梯度来表示。但是这些方法有一个共同的缺陷，在边缘像素点处取值都很大，往往大于它所在区域的平均取值，因此容易产生边缘光晕现象。对于双边滤波器，其核函数的参数σ_s，σ_r直接决定了滤波结果的平滑程度。参数取值越大，图像被平滑得越厉害，丢失的纹理细节越多。因此，为了防止发生边缘光晕效应，对初始估计值W_a(i)进行两次不同尺度的递归双边滤波，通过这两次滤波结果的差值来衡量图像的所述的局部对比度。在前面部分，对初始估计值W_a(i)进行了一次双边滤波得到M(i)，此时，增加核函数的参数取值，对初始估计值W_a(i)进行更大尺度的双边滤波得M′(i)。对于雾浓的区域而言，由于本身很模糊，许多细节不可见，即使对W_a(i)采用更大的参数进行滤波，滤波结果相对于M(i)变化很少；而对于雾薄处的前景对象，由于包含了一定程度的纹理细节，因此当对W_a(i)进行更大尺度的滤波时，可以滤除更多的细节信息，两次滤波结果差值相对较大。在形式上，M′(i)和局部对比度N(i)的计算公式分别为

M′(i)＝RBF(W_a(i),σ_s2,σ_r2),σ_s2＞σ_s1,σ_r2＞σ_r1

N(i)＝|M(i)-M′(i)|

为了区分雾浓的区域和自身亮度值较高的对象。在估计大气散射光时，还需要考虑像素点自身的亮度值。大气散射函数的估计值为

$V_b\left(i\right)=M\left(i\right)-\frac{M\left(i\right)}{km}\·N\left(i\right)$

式中，m为M(i)的平均灰度值，k为一个可调的系数，通过来衡量像素点i的相对亮度值目的是对于颜色亮的非浓雾对象，使其对应的V_b(i)值降低幅度加大，而对于颜色暗的对象，则减小。由于0≤V(i)≤W(i)，采用V_f(i)＝max(min(pV_b(i),W_a(i)),0)对V_b(i)加以约束参数p目的是保留小部分雾，使得去雾后的结果更自然。

E.对结果进行色调调整。由于受雾天环境中大气光的影响，去雾结果的颜色和对比度与真实场景仍然有较大差异，通常表现为亮度和对比度较低，细节可见性较差。因此需要对去雾结果进行色调调整。本发明采用基于所述的对数方程的色调映射方法来调整，如下所示，

$L_d=\frac{L_{d,max}\·0.01}{\lg (L_{max,w}+1)}\·\frac{ln(L_w+1)}{ln(2+({\left(\frac{L_w}{L_{w,max}}\right)}^{\frac{ln\left(h\right)}{ln\left(0.5\right)}})\·8)}$

其中，L_d是输出的亮度值，L_d,max为能够输出的最大亮度值，L_w为输入的亮度值，L_w,max为输入的最大亮度值，h是偏置系数。色调调整之后的结果更符合真实的场景颜色，细节也更加清晰。

F.为了加速输入图像能见度去雾计算且有效保证精确性，本发明并不针对输入图像像素点逐个处理，也没有基于传统的均匀下采样预处理方法对输入图像进行分析，而是采用一种自适应的非均匀采样策略。对于输入的图像构建其相应的高维特征空间，并借助所述的高斯KD树对特征空间进行自适应的剖分。首先，基于输入图像的像素点的空间位置信息和颜色信息构造其5维特征空间。然后，利用高斯KD树对特征空间中的特征点进行自适应的聚类。在特征点相似度较小的区域，进行细粒度剖分，局部聚类数较多。在特征点相似度较大的区域，进行粗粒度剖分，局部聚类数较少。上述过程的结果映射到输入图像上，表现为剖分变化平缓的图像区域时较为粗糙，剖分边缘区域时较为精细。如果子空间所包含特征点的颜色方差高于设定的阈值，那么将会继续剖分；反之，则停止剖分，得到叶结点。分别计算叶结点子空间所包含的特征点与该子空间均值的相似度，对该叶结点中所有特征点进行加权平均，从而得到该子空间的质心点并将其作为采样点。如此，高斯KD树的每一个叶结点将会存储一个采样点。最终，高斯KD树将会存储m个采样点用以近似表示含有n个像素点的输入图像数据集。本发明仅需要针对这些采样点进行去雾处理，而无须涉及所有的像素点。最后，将基于自适应采样的计算结果插值到输入图像时，并不是直接将采样点数据赋值给其所对应的像素点。而是根据像素点与其相应采样点的相似度，将采样点的计算结果加权插值到输入图像。

由于本发明中的客观评价指标方法是图像对比度角度衡量的方法，主要根据国际照明委员会提出的大气能见度定义,结合对数图像处理模型通过可见边检测得到对比度图,在此基础上利用相关评测指标较好地衡量了图像的对比度增强能力。利用三种指标来客观评价不同方法的去雾效果，分别是可见边比值e，可见边规范梯度均值饱和黑色与白色像素点的百分比σ。如果e，越大，σ越小，则去雾的效果越好，边缘保持得更好，对比度更高。

如表1所示，本发明方法的σ为0，表示不存在有为0或者为255灰度级的像素点，而e与也较大，客观上说明本发明方法的有效性。

在表2中，给出了本发明方法得到去雾结果的采样率，以及本发明方法与其他方法运行时间的比较。可以看出，本发明方法在执行效率有一定的优势。

表1去雾结果的指标比较

表2去雾结果的耗时比较

本发明方法去雾结果的边缘信息得到很好的保持，细节更加清晰。并且在景深突变的区域没有出现残雾和光晕效应，最大程度上恢复了真实的场景，整体上符合人们的视觉感受。Fattal方法在雾浓的区域去雾效果不理想。并且，由于颜色信息不足或者独立成分变化不显著导致原始图像的统计特性不可靠，去雾得到的结果颜色普遍过于饱和，失真现象较为严重。对He方法而言，当原始图像局部区域的颜色与大气光颜色差异较大时，暗通道先验会失效，并且，图像边缘不够明确，在有景深突变的区域，仍然存在残留雾。Tarel方法是用中值滤波来快速估算大气散射函数，导致在一些边缘区域雾没有去除干净。并且还有对比度较差，图像失真的问题产生。

Claims (10)

1.一种图像去雾方法，其包括以下步骤：

步骤一，采集包含有雾的图像；

步骤二，根据图像的边界条件获得初始的大气散射函数；

步骤三，利用递归双边滤波来精化初始的大气散射函数；

步骤四，再次使用递归双边滤波器得到局部对比度；

步骤五，基于局部对比度，对不同浓度的雾区域自适应地进行处理；

步骤六，根据图像退化模型快速获得去雾结果，并进行色调调整后将最终结果进行输出展示。

2.如权利要求1所述的图像去雾方法，其特征在于：步骤二中根据图像退化模型得到全局大气光A，采用像素点i为中心的窗口ω(i)对输入图像的r,g,b三通道分别进行最小值滤波，然后，选取滤波后的三通道最大值作为全局大气光A，

$A=\left\{\underset{i}{\max }\left(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^r\right(j)\right),\underset{i}{\max }\left(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^g\right(j)),\underset{i}{\max }\left(\underset{j\∈\mathrm{\ω}\left(i\right)}{\min }{I}^b\right(j))\}$

其中，j是像素点索引，I是输入图像。

3.如权利要求2所述的图像去雾方法，其特征在于：所述初始的大气散射函数由以下方法获得，假设在窗口ω(i)内的大气散射函数为常数，定义其为V(i)，根据场景辐射通常是有界的这一物理特性，即J≥B,可以得到，

$V\left(i\right)\≤W_b\left(i\right)=\frac{\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{min}\left(\underset{a}{min}\right(\frac{I^a\left(\mathrm{\ζ}\right)}{A^a}\left)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{min}\left(\underset{a}{min}\right(\frac{B^a\left(\mathrm{\ζ}\right)}{A^a}\left)\right)}{\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{min}\left(\underset{a}{min}\right(\frac{1}{A^a}\left)\right)-\underset{\mathrm{\ζ}\∈\mathrm{\ω}\left(i\right)}{min}\left(\underset{a}{min}\right(\frac{B^a\left(\mathrm{\ζ}\right)}{{\left(A^a\right)}^2}\left)\right)}$

其中，V(i)为大气散射函数，ζ为属于窗口ω(i)内的像素点，a∈{r,g,b}，J是场景辐射，B为场景辐射的下边界，W_b(i)为将场景辐射的下边界代入所得大气散射函数的上边界。

4.如权利要求3所述的图像去雾方法，其特征在于：允许窗口内场景传输值有细微的变化，从而将场景传输的初始估计值进一步调整为，其中，W_a(i)为大气散射函数初始估计值。

5.如权利要求4所述的图像去雾方法，其特征在于：所述步骤三中采用递归双边滤波算子，基于一系列一维的离散信号操作，通过多次迭代，对初始的大气散射函数的精化如下，

$\begin{array}{c}{M}_{rbf}\left(i\right)=(1-a)\·W_a\left(i\right)+R_{i,i-1}\·a\·M_{rbf}(i-1)\\ =(1-a)\·\underset{u=0}{\overset{i}{\Σ}}{R}_{i,u}\·a^{i-u}\·W_a\left(i\right)\end{array}$

其中,M_rbf(i)为精化后的大气散射函数， $R_{i,u}=\exp (-{\mathrm{\Σ}}_{l=u}^{i-1}|\left|I\right(l)-I(l+1)|{|}^2/2{\mathrm{\σ}}_{r1}^2),$ 其中，σ_s1，σ_r1分别为空间域和范围域的参数，此过程记为M(i)＝RBF(W_a(i),σ_s1,σ_r1)。

6.如权利要求5所述的图像去雾方法，其特征在于：所述步骤四中对大气散射函数初始估计值W_a(i)进行更大尺度的双边滤波得M′(i)，M′(i)和局部对比度N(i)的计算公式分别为，

M′(i)＝RBF(W_a(i),σ_s2,σ_r2),σ_s2＞σ_s1,σ_r2＞σ_r1

N(i)＝|M(i)-M′(i)|

其中，σ_s2，σ_r2分别为空间域和范围域的参数，M(i)为对初始的大气散射函数双边滤波的结果，

大气散射函数的估计值为，

$V_b\left(i\right)=M\left(i\right)-\frac{M\left(i\right)}{km}\·N\left(i\right)$

式中，V_b(i)为基于局部对比度的大气散射函数的估计值，m为M(i)的平均灰度值，k为一个可调的系数，

由于0≤V(i)≤W(i)，采用V_f(i)＝max(min(pV_b(i),W_a(i)),0)对V_b(i)加以约束，其中，V_f(i)为最终大气散射函数估计值，p是为平衡因子。

7.如权利要求5所述的图像去雾方法，其特征在于：所述步骤五中对不同浓度的雾区域自适应地进行处理步骤如下：首先，基于输入图像的像素点的空间位置信息和颜色信息构造其5维特征空间；然后，利用高斯KD树对特征空间中的特征点进行自适应的聚类，在特征点相似度较小的区域，进行细粒度剖分，局部聚类数较多，在特征点相似度较大的区域，进行粗粒度剖分，局部聚类数较少，如果子空间所包含特征点的颜色方差高于设定的阈值，那么将会继续剖分；反之，则停止剖分，得到叶结点，分别计算叶结点子空间所包含的特征点与该子空间均值的相似度，对该叶结点中所有特征点进行加权平均，从而得到该子空间的质心点并将其作为采样点，最终，高斯KD树将会存储m个采样点用以近似表示含有n个像素点的输入图像数据集；最后，将基于自适应采样的计算结果插值到输入图像时，根据像素点与其相应采样点的相似度，将采样点的计算结果加权插值到输入图像。

8.如权利要求5所述的图像去雾方法，其特征在于：所述步骤六中采用基于所述的对数方程的色调映射方法来进行色调调整，如下所示，

$L_d=\frac{L_{d,\max }\·0.01}{\lg (L_{\max ,w}+1)}\·\frac{\ln (L_w+1)}{\ln (2+({\left(\frac{L_w}{L_{w,\max }}\right)}^{\frac{\ln \left(h\right)}{\ln \left(0.5\right)}})\·8)}$

其中，L_d是输出的亮度值，L_d,max为能够输出的最大亮度值，L_w为输入的亮度值，L_w,max为输入的最大亮度值，h是偏置系数。

9.如权利要求1所述的图像去雾方法，其特征在于：所述步骤一中图像包括单张照片或连续的视频图像。

10.一种图像去雾***，其包括图像采集模块、处理模块、图像输出模块，其中，

图像采集模块：采集包含有雾的图像并传送给处理模块；

处理模块：根据图像的边界条件获得初始的大气散射函数，利用递归双边滤波来精化初始的大气散射函数，再次使用递归双边滤波器得到局部对比度，基于局部对比度，对不同浓度的雾区域自适应地进行处理，根据图像退化模型快速获得去雾结果，并进行色调调整；

图像输出模块：将最终结果进行输出展示。