CN106296612A - 一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法 - Google Patents

Abstract

本发明公开了一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法，属于视频处理与分析技术领域。本发明包括视频采集模块，视频转化模块，视频图像处理模块和显示模块。视频采集模块和视频转化模块采集图像并转化成数字图像帧，视频图像处理模块综合天气情况和图像质量评价，判断图像去雾等级，针对不同等级的图像采用相应的算法进行去雾。本发明结构简单且智能，易于实现，能够极大的提高监控视频在线清晰化处理的效率和质量，同时能够有效的避免一种去雾算法无法满足不同类型视频降质的局限性，在室外视频监控等领域具有广泛的应用价值。

Description

一种图像质量评价和天气状况引导的分级式监控视频清晰化 ***及方法

技术领域

本发明涉及视频处理与分析技术领域，更具体地说，涉及一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法，本发明针对不同天气情况、并根据图像质量评价结果，对视频分类分级，自动选择相应清晰化算法进行实时视频去雾。

背景技术

由于环境污染，区域性气候等原因，雾霾天气在全国范围内越来越常见，这种情况在城市中显得尤为明显。在此种天气条件下监控视频的质量会严重下降。在雾、霾和雨等恶劣天气状况下拍摄到的视频，其特点是：对比度低、动态范围窄、颜色不鲜明且饱和度低，甚至产生颜色偏移。这种退化给人们提取图像中的信息带来了诸多的不便。此外，在计算机视觉领域中，许多算法都以清晰图像为基础，诸如特征提取、目标识别、行为分析等。而雾天等天气条件下拍摄的图像导致大多数基于计算机视觉的算法不能正常工作。

近年来，数字图像处理、计算机视觉等领域的学者提出了一系列的方法用于去除雾霾图像中天气的影响，以达到图像清晰化的目的。Fattal、何凯明、Tarel等提出各自去雾算法，极大地推动了单幅图像去雾技术的发展，并使得图像去雾技术应用于批处理和实时性***成为可能。

但是现阶段已有的算法在去雾过程中总有些不尽人意的地方，如何凯明算法对浓雾部分的处理还行，但图像的对比度和细节特征的增强不足，运行速度也比较慢。

中国专利申请号201510609664.2，申请日为2015年9月23日，发明创造名称为：一种基于直方图均衡化的数字图像去雾方法；该申请案公开了一种利用传统的直方图均衡算法进行数字图像去雾的方案，解决物体表面的反射光在到达成像设备的过程中，由于大气粒子的散射而发生衰减；自然光因大气粒子散射而进入成像设备参与成像等问题。处理步骤为：(1)获取原雾化图像；(2)对原雾化图像RGB模型转换为HSI，对I分量分析图像直方图；(3)设置适合尺寸模版，对I分量进行直方图均衡化增强，得到变换雾化图像的直方图。传统的直方图均衡算法在薄雾部分效果比较理想，但当图中的深度或者是雾的浓度变化较大的时候，算法处理效果不好。

又如中国专利申请号201110282105.7，申请日为2011年9月21日，发明创造名称为：一种基于HIS空间的多尺度Retinex模型的雾天图像清晰化方法，该申请案的处理步骤为：一、采集源图像，若源图像为黑白图像，则将其由byte型转换为double型；若为彩色图像，则将其分别从R、G、B三个通道的黑白像素值由byte型转换为double型。二、将R、G、B三个通道转换到H、I、S；三、对步骤二所获得的像素点分别进行改进的多尺度retinex(MSR)算法，得到新的图像；四、对步骤三所获得的图像进行线性对比度展宽；五、将步骤四所获得的H、I、S分别转换到R、G、B；六、对步骤五所获得的R、G、B进行合成，显示清晰化后的图像。该申请案对雾天条件下所拍摄的模糊图像进行清晰化处理，能恢复出雾天模糊图像中的有效信息，但该申请案采用多尺度的Retinex算法处理的色调容易失真，在边沿部分有光晕效应。

因此，有必要提出一种能针对不同质量的图像进行去雾的方案。

发明内容

1.发明要解决的技术问题

针对不同天气情况视频图像的质量不同，一般去雾算法无法满足不同类型视频降质等问题，本发明提供了一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法，本发明能够将雾、雨等天气下拍摄到的视频进行实时的清晰化处理，操作简单，易于实现且能够使得监控视频图像每次处理的结果都比较理想。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种图像质量评价和天气状况引导的分级式监控视频清晰化***，包括视频采集模块、视频转化模块、视频图像处理模块和显示模块；其中，视频采集模块用于获取监控场景的视频图像信息；视频转化模块接收视频采集模块发送的视频信号，通过解码手段将采集到的视频信号转换成数字图像帧的形式输送给视频图像处理模块；视频图像处理模块通过嵌入式***实现，在天气不好的时候自动启动图像质量评价功能和去雾功能，并对图像进行压缩编码；显示模块用于将压缩编码视频显示出来。

更进一步地，所述的视频图像处理模块包括天气接收模块、***控制模块、图像质量评价模块、去雾模块、图像压缩模块，其中：

天气接收模块用于根据当天天气预报接收当天的天气情况，并初步判断去雾等级，具体分级如下，1级：薄雾；2级：中雾，小雨，小雪；3级：浓雾，雨；图像质量相似的天气情况被归为一级；

***控制模块与视频采集模块相连，用于在天气不好的时候自动启动图像质量评价功能和去雾功能，同时控制监控摄像机的焦距和方位；

图像质量评价模块用于针对天气预报信息不准确的情况，通过视觉对比度VCM对图像的质量进行评估，如果图像质量较好，则确定天气预报误报，图像直接发送给图像压缩模块，否则进行去雾处理后再发送给图像压缩模块；

去雾模块根据去雾等级自动采用不同的去雾算法，对输入图像进行去雾处理；

图像压缩模块用于对接收到的数字图像帧压缩编码成方便传输和显示的视频码流。

本发明的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其步骤为：

步骤一、视频采集模块采集监控场景的视频图像信息，并经视频转化模块通过解码手段转换成数字图像帧的形式，输送给视频图像处理模块；

步骤二、视频图像处理模块的天气接收模块根据天气预报接收当天的天气情况；图像质量评价模块通过视觉对比度VCM对图像质量进行评估，如果图像质量未达到去雾等级，则确定天气预报误报，图像直接发送给图像压缩模块；否则发送给去雾模块进行去雾处理；

步骤三、去雾模块根据步骤二评估的去雾等级自动采用不同的去雾算法，去雾后的图像发送给图像压缩模块；

步骤四、图像压缩模块对接收到的数字图像帧压缩编码成视频码流，并输送给显示模块显示。

更进一步地，步骤二中通过视觉对比度VCM对图像质量进行评估的具体步骤如下：

(1)将采集图像分割成若干子块，子块大小为0.05×min(H,W)，H代表图像的高度，W代表图像宽度；

(2)计算其中每个子块的局部方差大小；

(3)通过最大类间方差法确定一个阈值，统计方差大于该阈值的子块个数占总子块个数的比例，其公式如下：

VCM＝100*R_v/R_t

其中，R_v表示方差超过阈值的子块数目，R_t表示单幅图像中的子块总数。

更进一步地，步骤二中设定VCM值为0-10时，为3级浓雾、雨图像；VCM值为10-30时，为2级中雾、小雨、小雪图像；VCM值为30-45时，为1级薄雾图像。

更进一步地，步骤三中当去雾等级为1级时，采用限制对比度自适应直方图均衡算法进行图像处理；去雾等级为2级时，采用改进MSRCR算法进行图像处理；去雾等级为3级时，采用基于边缘优化透射率估计算法进行图像处理。

更进一步地，步骤三中去雾等级为1级时的图像处理过程为：

(1)先将图像分为互相之间不重叠的n个子块；

(2)计算输入图像中所有子块的累加直方图：

$H_{i,j}\left(n\right)\frac{N-1}{M}{\mathrm{\Σ}}_{K=0}^n{h}_{i,j}\left(k\right)$

式中，M为子块包含的像素点个数，N为子块总的灰度级，H_i,j(n)为累加直方图，h_i,j(k)为子块直方图；

(3)求取累加直方图剪切极限值：

$\mathrm{\β}=\frac{M}{N}(1+\frac{\mathrm{\α}}{100}(s_{max}-1\left)\right);$

其中，β为直方图剪切极限，s_max为累加直方图H_i,j(n)的最大斜率，α为截断系数；

(4)对子块内的像素直方图进行剪切并重新分配：

规定每个灰度级包含的像素个数不能超过β，超出部分被剪切下来，设被剪切总数为N_t，平均每个灰度级分到的像素个数为Aver＝N_t/N，按下式重新分配：

1)h_i,j(k)>β，h_new＝β

2)h_i,j(k)+Aver>β，h_new＝β

3)h_i,j(k)+Aver<β，h_new＝β+Aver

其中，h_new为限制对比度自适应直方图；

(5)对限制对比度自适应直方图h_new进行直方图均衡化处理，先统计直方图每个灰度级出现的次数，再累计归一化的直方图，最后计算新的像素值；

(6)对均衡化后的图像进行插值处理，获得最终图像。

更进一步地，步骤三中去雾等级为2级时的图像处理过程为：

(1)采用平滑滤波模板分别对原始彩色图像的R,G,B三个通道进行去噪处理；

(2)对去噪后的彩色图像进行自适应全局亮度调整，调整公式如下：

$S^{\&prime;}(x,y)=S{(x,y)}^{\frac{1}{r}}$

其中，S(x,y)为图像R,G,B三通道亮度值的平均值，S′(x,y)为亮度调整后的图像，1/r＝min(1，6S_al+2/3)，S_al为图像整体灰度在对数域中灰度的平均值；

(3)将处理后彩色图像在R,G,B三个分量下的图像像素值类型转换为double型，并转换到对数域；

(4)选取低、中、高三个不同的高斯尺度对图像进行卷积，得到不同尺度下的照射分量L(x,y)，将照射分量L(x,y)写成高斯环绕函数与相对应的通道光强的卷积，即

log L(x,y)＝log[G_k(x,y)*S_i(x,y)]

(5)计算每个通道的反射分量r_i(x,y)，表达式如下：

$C_i(x,y)=\mathrm{\&beta;}\log \&lsqb;{\mathrm{\&alpha;S}}_i^{\&prime;}(x,y)\&rsqb;=\mathrm{\&beta;}\{\log \&lsqb;{\mathrm{\&alpha;S}}_i(x,y)\&rsqb;-\log \&lsqb;{\mathrm{\&Sigma;}}_{i=1}^N{S}_i(x,y)\&rsqb;\}$

$r_i(x,y)=C_i(x,y){\mathrm{\&Sigma;}}_{k=1}^k{W}_k\{{\mathrm{logS}}_i(x,y)-log\&lsqb;G_k(x,y)*S_i(x,y)\&rsqb;\}$

其中，C_i(x,y)为色彩恢复因子，β是增益系数，S_i(x,y)是第i个颜色通道光强，i表示通道数，W_k是加权系数，G_k(x,y)是不同尺度的高斯环绕函数，α是非线性受控强度；

(6)分别计算每个通道的均值和均方差，根据公式进行量化，最后将R,G,B三分量合并，得到最终的输出图像R(x,y)；公式如下：

Min_i＝Mean_i-Dynamic*Var_i

Max_i＝mean_i+Dynamic*Var_i

R_i(x,y)＝(r_i(x,y)-Min_i)/Max_i-Min_i*(255-0)

其中，Min_i、Max_i、Mean_i、Var_i为r_i(x，y)各通道的最小值、最大值、均值和均方差，Dynamic为动态参数。

更进一步地，步骤三中去雾等级为3级时的图像处理过程为：

(1)对原始图像进行最小值滤波并计算大气光值A；

(2)对滤波后的最小值图像进行边缘检测，提取出图像中景深变化较大的边缘区域；

(3)对边缘区域进行阈值分割，确定图像中不同景深区域界线；

(4)对区分好的不同景深区域进行透射率估计，具体步骤为：先判断当前像素点是否处于边缘区域，如果当前像素点在景深突变区域周围，那么就选择当前像素点为中心的15*15的矩形区域，在该区域内对于高于阈值的像素点，选择景深大的部分的最小值作为透射率值，对于低于阈值的像素点，选景深小的部分的最小值作为透射率值；如果当前像素点不在景深突变区域周围，就用15*15块区域内最小值作为当前像素点的透射率值；

(5)采用Guided Filter对透射率图进行处理以去除块效应，获得最终透射率图t(x)；

(6)通过透射率分布图t(x)和大气光值A来复原图像，复原公式如下：

J(x)＝[I(x)-A)]/t(x)+A

其中，J(x)为获得的清晰图像，I(x)为原始去雾图像。

更进一步地，大气光值A的计算过程为：首先，在最小值滤波后的图中选取最亮的0.1％个像素，然后找出这些像素对应的输入图像I的三通道像素值，选取这些像素中最亮的像素值作为大气光值A。

3有益效果

为达到上述目的，本发明提供的技术方案为：

(1)本发明的一种图像质量评价和天气状况引导的分级式监控视频清晰化***，包括视频采集模块、视频转化模块、视频图像处理模块和显示模块，在天气不好的时候自动启动图像质量评价功能和去雾功能，能够将雾、雨等天气下拍摄到的视频进行实时的清晰化处理，结构简单且智能，易于实现，硬件成本低，配置灵活方便，在室外视频监控等领域具有广泛的应用价值；

(2)本发明的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，通过视觉对比度VCM对图像质量进行评估，如果图像质量未达到去雾等级，则确定天气预报误报，图像直接进行压缩编码输出；否则进行去雾处理，能够避免天气预报误判，对不需要去雾的图像进行去雾使得图像变得更差；

(3)本发明的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，根据去雾等级自动采用不同的去雾算法，去雾等级为1级时，采用限制对比度自适应直方图均衡算法；去雾等级为2级时，采用改进MSRCR算法；去雾等级为3级时，采用基于边缘优化透射率估计算法，能够根据天气情况灵活的对监控视频图像进行去雾处理，提高监控视频的质量，同时有效的避免一种去雾算法无法满足不同类型视频降质的局限性。

附图说明

图1是本发明中分级式监控视频清晰化***的结构框图；

图2是本发明中去雾图像质量评价算法流程图；

图3是本发明中薄雾去除算法流程图；

图4是本发明中中雾去除算法流程图；

图5是本发明中浓雾去除算法流程图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

结合图1，本实施例的一种图像质量评价和天气状况引导的分级式监控视频清晰化***，包括视频采集模块1、视频转化模块2、视频图像处理模块3和显示模块4。视频采集模块1用于在天气不好的时候获取监控场景的视频图像信息，并通过双绞线与视频转化模块2连接，视频采集模块1将获取到的视频信号用AV端口输出。

视频转化模块2接收视频采集模块1发送的AV视频信号，通过解码手段将采集到的视频信号转换成数字图像帧(YUV格式)的形式并输入视频处理单元，通过专用的摄像头接口与视频图像处理模块3连接；该视频转化模块2采用TI的低功耗芯片TVP5150AM1PBSR来实现解码。

视频图像处理模块3通过嵌入式***实现，在天气不好的时候自动启动图像质量评价功能和去雾功能，将去雾后的图像压缩编码。该视频图像处理模块3包括天气接收模块3-1、***控制模块3-2、图像质量评价模块3-3、去雾模块3-4、图像压缩模块3-5。其中：

所述的天气接收模块3-1用于根据当天天气预报接收当天的天气情况，并初步判断去雾等级，具体分级如下，1级：薄雾；2级：中雾，小雨，小雪；3级：浓雾，雨；图像质量相似的天气情况被归为一类。

所述的***控制模块3-2通过RS232串行总线与视频采集模块1相连，用于在天气不好的时候自动启动图像质量评价功能和去雾功能，同时也可以控制监控摄像机的焦距和方位等参数。

所述的图像质量评价模块3-3用于针对天气预报的信息可能不准确的情况，通过视觉对比度(Visual Contrast Measure,VCM)对图像的质量进行评估，如果图像质量较好，则确定天气预报误报，图像直接发送给压缩编码模块；否则进行去雾处理，具体步骤如图2所示。

所述的去雾模块3-4根据去雾等级自动采用不同的去雾算法，去雾等级为1级时，采用限制对比度自适应直方图均衡算法；去雾等级为2级时，采用改进MSRCR算法；去雾等级为3级时，采用基于边缘优化透射率估计算法，去雾后的图像发送给视频图像压缩模块3-5。

所述的图像压缩模块3-5用于对接收到的数字图像帧压缩编码成方便传输和显示的视频码流，便于传输和显示。

显示模块4用于将压缩编码视频显示出来，该显示模块4通过VGA线与视频处理单元相连。

本实施例的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，具体过程如下：

步骤一、视频采集模块1采集监控场景的视频图像信息，并经视频转化模块2通过解码手段转换成YUV格式，输送给视频图像处理模块3；

步骤二、视频图像处理模块3的天气接收模块3-1根据天气预报接收当天的天气情况；图像质量评价模块3-3通过视觉对比度对图像质量进行评估，如果图像质量未达到去雾等级，则确定天气预报误报，图像直接发送给图像压缩模块3-5；否则发送给去雾模块3-4进行去雾处理；

步骤三、去雾模块3-4根据步骤二评估的去雾等级自动采用不同的去雾算法，去雾等级为1级时，采用限制对比度自适应直方图均衡算法；去雾等级为2级时，采用改进MSRCR算法；去雾等级为3级时，采用基于边缘优化透射率估计算法，去雾后的图像发送给图像压缩模块3-5；

步骤四、图像压缩模块3-5对接收到的数字图像帧压缩编码成视频码流，并输送给显示模块4显示。

参看图2，由于相同场景下的有雾图像相对于无雾图像的对比度严重下降，VCM可以估计图像的对比度，有雾场景图像，其相对应的VCM较小；相同场景下的清晰无雾图像的视觉效果较好，其相对应的VCM值变大。本实施例设定浓雾图像(3级)时，VCM值为0-10；中雾，小雨(2级)时，VCM值为10-30；薄雾(1级)时，VCM值为30-45。采用图像VCM值判断采集图像是否达到去雾标准，能够避免天气预报误判，对不需要去雾的图像进行去雾使得图像变得更差。具体过程如下：

(1)将采集图像分割成若干子块，本实施例中子块大小为0.05×min(H,W)，H代表图像的高度，W代表图像宽度；

(2)计算其中每个子块的局部方差大小；

(3)统计方差大于阈值的子块个数占总子块个数的比例，其公式如下：

VCM＝100*R_v/R_t

其中，R_v表示方差超过阈值的子块数目，R_t表示单幅图像中的子块总数。

阈值通过最大类间方差法(OSTU)确定，确定过程简述如下：

首先初始化一阈值t，将图像分为A和B两类；计算A和B两类像素集合的均值和类间方差；将t从0到255循环，当A，B类间方差最大时，对应的方差D即为阈值。

(4)根据得到的图像VCM值，判断采集图像是否要进行去雾。

参看图3，所述去雾模块3-4中，当图像质量为1级时，本实施例采用限制对比度自适应直方图均衡算法对薄雾图像进行处理，具体过程如下：

(1)先将图像分为互相之间不重叠的子块，通常情况下每个子块的大小相等或近似相等；

(2)计算输入图像中所有子块的累加直方图：设M为子块包含的像素点个数，N为子块总的灰度级，H_i,j(n)为累加直方图，h_i,j(k)为子块直方图；

(3)求取累加直方图剪切极限值：

其中，β为直方图剪切极限，s_max为累加直方图H_i,j(n)的最大斜率，其取值范围为1～4之间的整数，α为截断系数，其取值范围在0～100之间。

(4)对子块内的像素直方图进行剪切并重新分配：

规定每个灰度级包含的像素个数不能超过β，超出部分被剪切下来，设被剪切总数为N_t，平均每个灰度级分到的像素个数为Aver＝N_t/N，按下式重新分配：

1)h_i,j(k)>β，h_new＝β

2)h_i,j(k)+Aver>β，h_new＝β

3)h_i,j(k)+Aver<β，h_new＝β+Aver

其中：h_new为限制对比度自适应直方图；h_i,j(k)为子块最初直方图。

(5)进行直方图均衡化处理，具体过程描述如下：

对h_new进行普通的直方图均衡化处理，先统计直方图每个灰度级出现的次数，再累计归一化的直方图，最后计算新的像素值。

(6)对均衡化后的图像进行插值处理，获得最终图像，插值处理具体过程描述如下：

对子块内的像素点(x，y)，按以下公式进行计算：

l(i)＝a[bl_-(i)+(1-b)l_+-(i)]+(1-a)[bl_-+(i)+(1-b)l₊₊(i)]

$a=\frac{y-y_{-}}{y_{+}-y_{-}},b=\frac{x-x_{-}}{x_{+}-x_{-}}$

(x_-,x_-)、(x_-,x₊)、(x₊,x₊)、(x₊,x_-)分别为像素点(x，y)相邻四模块中心点坐标；l_-(i)、l_-+(i)、l_+-(i)、l₊₊分别为(x_-,x_-)、(x_-,x₊)、(x₊,x₊)、(x₊,x_-)处的灰度值，l(i)为(x，y)的灰度值。

参看图4，所述去雾模块3-4中，当图像质量为2级时，本实施例采用改进带颜色恢复的多尺度Retinex算法(MSRCR)对中雾，小雨图像进行去雾处理，具体步骤如下：

(1)采用平滑滤波模板分别对原始彩色图像的R,G,B三个通道进行去噪处理，平滑模板如下：

$w=\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$

(2)因为去噪后使得图像整体的亮度偏高，对去噪后的彩色图像进行自适应全局亮度调整，增强图像中较暗像素所占的比重，调整公式如下：

$S^{\&prime;}(x,y)=S{(x,y)}^{\frac{1}{r}}$

其中，S(x,y)为图像R,G,B三通道亮度值的平均值，S′(x,y)为亮度调整后的图像，1/r＝min(1，6S_al+2/3)，S_al为图像整体灰度在对数域中灰度的平均值，S_al值越小，图像中较暗部分的拉伸程度越大，较暗像素所占的比重越高。

(3)将处理后的彩色图像的R,G,B三个分量下的图像像素值类型转换为double型，并转换到对数域，如此可以使得实数域中的卷积运算转换到对数域中的加减运算；

(4)选取低、中、高三个不同的高斯尺度(本实施例选取的值分别为15，80，250)对图像进行卷积，得到不同尺度下的照射分量L(x,y)，同时可将照射分量L(x,y)写成高斯环绕函数与相对应的通道光强的卷积，即

log L(x,y)＝log[G_k(x,y)*S_i(x,y)]

(5)根据公式计算每个通道的反射分量r_i(x,y)，表达式如下：

$C_i(x,y)=\mathrm{\&beta;}\log \&lsqb;{\mathrm{\&alpha;S}}_i^{\&prime;}(x,y)\&rsqb;=\mathrm{\&beta;}\{\log \&lsqb;{\mathrm{\&alpha;S}}_i(x,y)\&rsqb;-\log \&lsqb;{\mathrm{\&Sigma;}}_{i=1}^N{S}_i(x,y)\&rsqb;\}$

$r_i(x,y)=C_i(x,y){\mathrm{\&Sigma;}}_{k=1}^k{W}_k\{{\mathrm{logS}}_i(x,y)-log\&lsqb;G_k(x,y)*S_i(x,y)\&rsqb;\}$

其中C_i(x,y)为色彩恢复因子，β是增益系数，S_i(x,y)是第i个颜色通道输入光强，i表示通道数，W_k是加权系数，G_k(x,y)是不同尺度的高斯环绕函数，α是非线性受控强度，α取值123，β取46时效果最好

(6)分别计算每个通道的均值和均方差，根据公式进行量化，最后将R,G,B三分量合并，得到最终的输出图像R(x,y)。公式为：

Min_i＝Mean_i-Dynamic*Var_i

Max_i＝Mean_i+Dynamic*Var_i

R_i(x,y)＝(r_i(x,y)-Min_i)/Max_i-Min_i*(255-0)

其中，Min_i、Max_i、Mean_i、Var_i为r_i(x，y)各通道的最小值、最大值、均值和均方差，Dynamic为动态参数。

结合图5，所述去雾模块3-4中，当图像质量为3级时，采用基于边缘优化透射率估计算法对浓雾图像进行处理，具体步骤如下：

(1)采用最小值滤波模板对原始图像进行最小值滤波并计算大气光值A，模板大小为15*15，大气光值A的计算步骤如下：首先，在最小值滤波后的图中选取最亮的0.1％个像素，然后找出这些像素对应的输入图像I的三通道像素值，选取这些像素中最亮的像素值作为大气光值A。

(2)对滤波后的最小值图进行边缘检测，采用拉普拉斯算子进行边缘检测，模板如下：

$w1=\left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]$

(3)对边缘区域进行阈值分割，确定图像中不同景深区域界线，阈值确定跟前面一样采用Ostu算法分割阈值。

首先初始化一阈值t，将图像分为A和B两类；计算A和B两类像素集合的均值和类间方差；将t从0到255循环，当A，B类间方差最大时，对应的t即为阈值。

(4)对区分好的不同景深区域进行透射率估计，具体步骤为：先判断当前像素点是否处于边缘区域，如果当前像素点在景深突变区域周围，那么就选择当前像素点为中心的15*15的矩形区域，在该区域内对于高于阈值的像素点，选择景深大的部分的最小值作为透射率值，对于低于阈值的像素点，选景深小的部分的最小值作为透射率值；如果当前像素点不在景深突变区域周围，就用15*15块区域内最小值作为当前像素点的透射率值；

(5)采用Guided Filter(导向滤波器)对透射率图进行处理以去除块效应，获得最终透射率图t(x)。

(6)通过透射率分布图和大气光值来复原图像，复原公式如下：

J(x)＝[I(x)-A)]/t(x)+A

其中，J(x)为获得的清晰图像，I(x)为原始去雾图像，A为大气光值。

本实施例提出的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，能够根据天气情况对监控视频图像进行去雾处理，能够极大的提高监控视频的质量，同时能够有效的避免一般去雾算法无法满足不同类型视频降质的局限性。本实施例提出的***结构简单且智能，易于实现，硬件成本低，配置灵活方便，在室外视频监控等领域具有广泛的应用价值。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (10)

1.一种图像质量评价和天气状况引导的分级式监控视频清晰化***，其特征在于：包括视频采集模块(1)、视频转化模块(2)、视频图像处理模块(3)和显示模块(4)；其中，视频采集模块(1)用于获取监控场景的视频图像信息；视频转化模块(2)接收视频采集模块(1)发送的视频信号，通过解码手段将采集到的视频信号转换成数字图像帧的形式输送给视频图像处理模块(3)；视频图像处理模块(3)通过嵌入式***实现，在天气不好的时候自动启动图像质量评价功能和去雾功能，并对图像进行压缩编码；显示模块(4)用于将压缩编码视频显示出来。

2.根据权利要求1所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化***，其特征在于：所述的视频图像处理模块(3)包括天气接收模块(3-1)、***控制模块(3-2)、图像质量评价模块(3-3)、去雾模块(3-4)、图像压缩模块(3-5)，其中：

天气接收模块(3-1)用于根据当天天气预报接收当天的天气情况，并初步判断去雾等级，具体分级如下，1级：薄雾；2级：中雾，小雨，小雪；3级：浓雾，雨；图像质量相似的天气情况被归为一级；

***控制模块(3-2)与视频采集模块(1)相连，用于在天气不好的时候自动启动图像质量评价功能和去雾功能，同时控制监控摄像机的焦距和方位；

图像质量评价模块(3-3)用于针对天气预报信息不准确的情况，通过视觉对比度VCM对图像的质量进行评估，如果图像质量较好，则确定天气预报误报，图像直接发送给图像压缩模块(3-5)，否则进行去雾处理后再发送给图像压缩模块(3-5)；

去雾模块(3-4)根据去雾等级自动采用不同的去雾算法，对输入图像进行去雾处理；

图像压缩模块(3-5)用于对接收到的数字图像帧压缩编码成方便传输和显示的视频码流。

3.一种利用权利要求2所述的分级式监控视频清晰化***进行视频清晰化处理的方法，其步骤为：

步骤一、视频采集模块(1)采集监控场景的视频图像信息，并经视频转化模块(2)通过解码手段转换成数字图像帧的形式，输送给视频图像处理模块(3)；

步骤二、视频图像处理模块(3)的天气接收模块(3-1)根据天气预报接收当天的天气情况；图像质量评价模块(3-3)通过视觉对比度VCM对图像质量进行评估，如果图像质量未达到去雾等级，则确定天气预报误报，图像直接发送给图像压缩模块(3-5)；否则发送给去雾模块(3-4)进行去雾处理；

步骤三、去雾模块(3-4)根据步骤二评估的去雾等级自动采用不同的去雾算法，去雾后的图像发送给图像压缩模块(3-5)；

步骤四、图像压缩模块(3-5)对接收到的数字图像帧压缩编码成视频码流，并输送给显示模块(4)显示。

4.根据权利要求3所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：步骤二中通过视觉对比度VCM对图像质量进行评估的具体步骤如下：

(1)将采集图像分割成若干子块，子块大小为0.05×min(H,W)，H代表图像的高度，W代表图像宽度；

(2)计算其中每个子块的局部方差大小；

(3)通过最大类间方差法确定一个阈值，统计方差大于该阈值的子块个数占总子块个数的比例，其公式如下：

VCM＝100*R_v/R_t

其中，R_v表示方差超过阈值的子块数目，R_t表示单幅图像中的子块总数。

5.根据权利要求4所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：步骤二中设定VCM值为0-10时，为3级浓雾、雨图像；VCM值为10-30时，为2级中雾、小雨、小雪图像；VCM值为30-45时，为1级薄雾图像。

6.根据权利要求5所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：步骤三中当去雾等级为1级时，采用限制对比度自适应直方图均衡算法进行图像处理；去雾等级为2级时，采用改进MSRCR算法进行图像处理；去雾等级为3级时，采用基于边缘优化透射率估计算法进行图像处理。

7.根据权利要求5或6所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：步骤三中去雾等级为1级时的图像处理过程为：

(1)先将图像分为互相之间不重叠的n个子块；

(2)计算输入图像中所有子块的累加直方图：

$H_{i,j}\left(n\right)=\frac{N-1}{M}{\mathrm{\&Sigma;}}_{K=0}^n{h}_{i,j}\left(k\right)$

式中，M为子块包含的像素点个数，N为子块总的灰度级，H_i,j(n)为累加直方图，h_i,j(k)为子块直方图；

(3)求取累加直方图剪切极限值：

$\mathrm{\&beta;}=\frac{M}{N}(1+\frac{\mathrm{\&alpha;}}{100}(s_{max}-1\left)\right);$

其中，β为直方图剪切极限，s_max为累加直方图H_i,j(n)的最大斜率，α为截断系数；

(4)对子块内的像素直方图进行剪切并重新分配：

规定每个灰度级包含的像素个数不能超过β，超出部分被剪切下来，设被剪切总数为N_t，平均每个灰度级分到的像素个数为Aver＝N_t/N，按下式重新分配：

1)h_i,j(k)>β，h_new＝β

2)h_i,j(k)+Aver>β，h_new＝β

3)h_i，j(k)+Aver<β，h_new＝β+Aver

其中，h_new为限制对比度自适应直方图；

(5)对限制对比度自适应直方图h_new进行直方图均衡化处理，先统计直方图每个灰度级出现的次数，再累计归一化的直方图，最后计算新的像素值；

(6)对均衡化后的图像进行插值处理，获得最终图像。

8.根据权利要求5或6所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：步骤三中去雾等级为2级时的图像处理过程为：

(1)采用平滑滤波模板分别对原始彩色图像的R,G,B三个通道进行去噪处理；

(2)对去噪后的彩色图像进行自适应全局亮度调整，调整公式如下：

$S^{\&prime;}(x,y)=S{(x,y)}^{\frac{1}{r}}$

其中，S(x,y)为图像R,G,B三通道亮度值的平均值，S′(x,y)为亮度调整后的图像，1/r＝min(1，6S_al+2/3)，S_al为图像整体灰度在对数域中灰度的平均值；

(3)将处理后彩色图像在R,G,B三个分量下的图像像素值类型转换为double型，并转换到对数域；

(4)选取低、中、高三个不同的高斯尺度对图像进行卷积，得到不同尺度下的照射分量L(x,y)，将照射分量L(x,y)写成高斯环绕函数与相对应的通道光强的卷积，即

log L(x,y)＝log[G_k(x,y)*S_i(x,y)]

(5)计算每个通道的反射分量r_i(x,y)，表达式如下：

$C_i(x,y)=\mathrm{\&beta;}log\&lsqb;{\mathrm{\&alpha;S}}_i^{\&prime;}(x,y)\&rsqb;=\mathrm{\&beta;}\{log\&lsqb;{\mathrm{\&alpha;S}}_i(x,y)\&rsqb;-log\&lsqb;{\mathrm{\&Sigma;}}_{i=1}^N{S}_i(x,y)\&rsqb;\}$

$r_i(x,y)=C_i(x,y){\mathrm{\&Sigma;}}_{k=1}^k{W}_k\{{\mathrm{logS}}_i(x,y)-log\&lsqb;G_k(x,y)*S_i(x,y)\&rsqb;\}$

其中，C_i(x,y)为色彩恢复因子，β是增益系数，S_i(x,y)是第i个颜色通道光强，i表示通道数，W_k是加权系数，G_k(x,y)是不同尺度的高斯环绕函数，α是非线性受控强度；

(6)分别计算每个通道的灰度值均值和均方差，根据公式进行量化，最后将R,G,B三分量合并，得到最终的输出图像R(x,y)；公式如下：

Min_i＝Mean_i-Dynamic*Var_i

Max_i＝Mean_i+Dynamic*Var_i

R_i(x,y)＝(r_i(x,y)-Min_i)/Max_i-Min_i*(255-0)

其中，Min_i、Max_i、Mean_i、Var_i为r_i(x，y)各通道的最小值、最大值、均值和均方差，Dynamic为动态参数。

9.根据权利要求5或6所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：步骤三中去雾等级为3级时的图像处理过程为：

(1)对原始图像进行最小值滤波并计算大气光值A；

(2)对滤波后的最小值图像进行边缘检测，提取出图像中景深变化较大的边缘区域；

(3)对边缘区域进行阈值分割，确定图像中不同景深区域界线；

(4)对区分好的不同景深区域进行透射率估计，具体步骤为：先判断当前像素点是否处于边缘区域，如果当前像素点在景深突变区域周围，那么就选择当前像素点为中心的15*15的矩形区域，在该区域内对于高于阈值的像素点，选择景深大的部分的最小值作为透射率值，对于低于阈值的像素点，选景深小的部分的最小值作为透射率值；如果当前像素点不在景深突变区域周围，就用15*15块区域内最小值作为当前像素点的透射率值；

(5)采用Guided Filter对透射率图进行处理以去除块效应，获得最终透射率图t(x)；

(6)通过透射率分布图t(x)和大气光值A来复原图像，复原公式如下：

J(x)＝[I(x)-A)]/t(x)+A

其中，J(x)为获得的清晰图像，I(x)为原始去雾图像。

10.根据权利要求9所述的一种图像质量评价和天气状况引导的分级式监控视频清晰化方法，其特征在于：大气光值A的计算过程为：首先，在最小值滤波后的图中选取最亮的0.1％个像素，然后找出这些像素对应的输入图像I的三通道像素值，选取这些像素中最亮的像素值作为大气光值A。