CN110660026B - 一种基于Retinex理论和高饱和度先验的图像去雾方法 - Google Patents

Abstract

本发明公开了基于Retinex理论和高饱和度先验的图像去雾方法，包括：获取雾天场景图像并计算所述雾天场景图像的大气光值；根据图像降质模型计算所述雾天场景图像的大气透过率；将所述雾天场景图像的大气光值和所述雾天场景图像的大气透过率代入所述图像降质模型中得到去雾图像。本发明提供的图像去雾方法采用非均匀大气光值的图像降质模型通过准确估计图像中不同区域的大气光值信息，以改善传统图像去雾算法中采用全局一致的大气光值引起的去雾图像中阴影区域亮度和对比度均较低等问题，使得恢复出的去雾图像给人以更好的视觉效果。

Description

一种基于Retinex理论和高饱和度先验的图像去雾方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于Retinex理论和高饱和度先验的图像去雾方法。

背景技术

图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域涉及人类生活和工作的方方面面，包括航天和航空技术、生物医学工程、通信工程、工业和工程、军事和公安、文化与艺术等方面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之增加。在雾霾天气条件下，受大气中大量悬浮的灰尘、微小水滴以及气溶胶吸收和散射的影响，相机探测器采集到的图像对比度大幅降低，图像整体颜色偏灰白色，这使得图像质量严重下降，图像细节模糊不清，物体特征难以辨认，严重影响了以图像特征为基础的目标检测、目标跟踪等***工作的稳定性，如室外监控***、目标检测识别***等。因此需要采用图像去雾技术来消除图像受雾霾等天气因素的影响，从而增强图像对比度，改善图像视觉效果，同时能够有效恢复场景中原有的纹理以及颜色信息，提升图像质量。

目前，图像去雾领域研究最广泛且处理效果最好的图像去雾算法是基于物理模型的去雾方法，此类方法主要是根据雾天场景下图像降质的物理原理建立图像降质模型，通过该模型来估计出无雾场景图像。已知该图像降质模型为：

I＝J×t+A×(1-t)

式中，I表示雾天场景图像即探测器接收到的辐射，J表示去雾图像即物体本身辐射，A表示场景中的大气光辐射，t表示场景中雾霾的透射率(大气透过率)，J×t表示探测器接收到的经雾霾降质的物体反射光，A×(1-t)表示探测器接收到的大气光的后向散射。通常求解该图像降质模型时，首先利用图像中某些先验信息来估计出模型中的参数t和A，然后利用该模型求解出去雾图像J。而如何准确估计出参数t和A，是图像去雾算法中的关键点和难点。

目前，常用的基于物理模型的图像去雾方法主要有两种：其一是何恺明博士提出的单幅图像去雾先验——暗通道先验方法，其基于对大量户外无雾场景图像的观察，认为在绝大部分户外无雾场景图像中，除去天空区域，图像的其它部分至少有一个颜色通道的像素值非常低，接近于0，即自然图像的暗通道值近似为0。通过暗通道先验可以粗略估计出图像中不同区域的雾霾厚度信息，通过选取图像中雾霾浓度较高处(暗通道中亮度前0.1％的像素点)的像素值来近似估计大气光值A，然后利用雾霾厚度信息可以粗略估计出大气透过率t，同时使用“软抠图”算法来对粗略透过率进行细化，估计出最终的图像透过率t，从而恢复出去雾图像。其二是Schechner等人提出的一种基于偏振信息的图像去雾算法；该方法把环境光分为偏振方向垂直和平行于入射光平面的两个分量。依据粒子散射光的偏振特性，通过求取不同偏振分量图像差，可以得出场景中雾霾分布浓度，从而估计出大气光值A和大气透过率t，最后恢复出去雾图像。

然而，方法一仅适用于图像中色彩较为鲜艳的区域，对于图像偏白或颜色较浅的区域中去雾效果并不理想，容易产生光晕现象，影响处理效果；同时该算法估计的大气光值A对于同一幅图像是全局一致的，然而实际上在存在大量阴影区域的应用场景中，不同区域的大气光值A是不相同的，使用全局一致的大气光值A会导致恢复出的去雾图像中的阴影区域亮度和对比度均较低，影响图像的视觉效果，严重时甚至可能会丢失图像的部分信息。方法二需要拍摄两幅特定偏振角度的偏振图像用来恢复去雾图像，无法适用于现有的户外拍摄设备，尤其是无法去除单幅图像雾霾；同样，该算法使用全局一致的大气光值A，影响图像的视觉效果，甚至可能会丢失图像的部分信息。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于Retinex理论和高饱和度先验的图像去雾方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于Retinex理论和高饱和度先验的图像去雾方法，包括：

获取雾天场景图像并计算所述雾天场景图像的大气光值；

根据图像降质模型计算所述雾天场景图像的大气透过率；

将所述雾天场景图像的大气光值和所述雾天场景图像的大气透过率代入所述图像降质模型中得到去雾图像。

在本发明的一个实施例中，所述雾天场景图像的大气光值的计算公式为：

A＝L+ΔD，

其中，L表示雾天场景图像的光照层图像，ΔD表示实际光照值与光照层图像的差值。

在本发明的一个实施例中，所述图像降质模型为：

其中，I表示雾天场景图像，J表示去雾图像，A表示雾天场景图像的大气光值，t表示雾天场景图像的大气透过率，c表示图像区域位置，n表示彩色图像的RGB颜色通道。

在本发明的一个实施例中，根据图像降质模型计算所述雾天场景图像的大气透过率包括：

计算所述雾天场景图像的初始透过率得到初始透过率图像；

根据所述雾天场景图像计算最终引导图像；

根据所述最终引导图像对所述初始透过率图像进行迭代更新得到最终透过率图像；

根据所述最终透过率图像得到所述雾天场景图像的大气透过率。

在本发明的一个实施例中，计算所述雾天场景图像的初始透过率得到初始透过率图像包括：

计算饱和度增强图像的最小值通道；

根据所述饱和度增强图像的最小值通道计算其他颜色通道像素强度得到饱和度增强图像；

根据所述饱和度增强图像计算初始透过率得到初始透过率图像。

在本发明的一个实施例中，所述饱和度增强图像的最小值通道的计算公式为：

其中，(x,y)表示像素点的坐标值，

表示饱和度增强图像的最小值通道，I^min表示雾天场景图像的最小值通道，λ为一可调参数，取值范围在0.1-0.6之间。

在本发明的一个实施例中，根据所述饱和度增强图像计算初始透过率得到初始透过率图像。包括：

将所述饱和度增强图像作为初始去雾图像；

将所述初始去雾图像带入所述图像降质模型计算初始透过率。

在本发明的一个实施例中，根据所述雾天场景图像计算最终引导图像包括：

对所述雾天场景图像取反得到初始引导图像；

根据所述初始引导图像得到最终引导图像。

在本发明的一个实施例中，根据所述最终引导图像对所述初始透过率图像进行迭代更新得到最终的透过率图像包括：

根据所述最终引导图像对所述初始透过率图像进行引导滤波，得到滤波后的透过率图像；

对所述滤波后的透过率图像进行优化得到优化透过率图像；

若判断当前迭代次数n小于或等于所述预设最大迭代次数num，则对所述优化透过率图像进行迭代更新；

若判断当前迭代次数n大于所述预设最大迭代次数num，则输出所述优化透过率图像，得到最终透过率图像。

在本发明的一个实施例中，对所述滤波后的透过率图像进行优化得到优化透过率图像包括：

对所述滤波后的透过率图像进行优化得到优化透过率图像，包括：

若判断n≤0.2*num，则对所述滤波后的透过率图像进行均值滤波得到优化透过率图像；

若判断0.2*num＜n≤0.4*num，则对所述滤波后的透过率图像进行中值滤波得到优化透过率图像；

若判断n＞0.4*num，则将所述滤波后的透过率图像作为优化透过率图像。

本发明的有益效果：

1、本发明提供的图像去雾方法采用非均匀大气光值的图像降质模型，通过准确估计图像中不同区域的大气光值信息，以改善传统图像去雾算法中采用全局一致的大气光值引起的去雾图像中阴影区域亮度和对比度均较低等问题，使得恢复出的去雾图像给人以更好的视觉效果；

2、本发明提供的图像去雾方法根据Retinex理论估计非均匀大气光值并利用高饱和度先验方法计算大气透过率，从而消除图像中雾霾的干扰，恢复原有场景信息，显著提升了图像的对比度和饱和度，提高了处理效果，尤其能够对浓重雾霾场景下的图像产生更好的处理效果；

3、本发明提供的图像去雾方法采用单像素估计大气透过率，估计出的大气透过率结果较为精确，不会在图像中引入低频噪声，适合处理存在树枝、灌木等较为复杂物体的图像；

4、本发明提供的图像去雾方法适用于现有的户外拍摄设备，能够去除单幅图像雾霾。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于Retinex理论和高饱和度先验的图像去雾方法流程示意图；

图2是本发明实施例提供的场景中大气光值非均匀的图像示意图；

图3是本发明实施例提供引导滤波原理图；

图4是本发明实施例提供的透过率图优化算法的整体流程示意图；

图5a～5d是本发明实施例提供的试验一的处理结果对比图；

图6a～6d是本发明实施例提供的试验二的处理结果对比图；

图7a～7d是本发明实施例提供的试验三的处理结果对比图；

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种基于Retinex理论和高饱和度先验的图像去雾方法流程示意图，包括：

步骤1：获取雾天场景图像并计算所述雾天场景图像的大气光值；

在实际情况下，多数雾霾天气场景下拍摄视场较大的图像，其在不同区域大气光值A不同，例如对于大面积阴影区域照射到物体表面大气光值要略低于全局大气光值；对于天空区域其大气光值要高于全局大气光值。请参见图2，图2是本发明实施例提供的场景中大气光值非均匀的图像示意图，在图2中树林深处，大气光值相对较低，同时在天空部分，大气光值相对较高。基于此，在本实施例中，建立图像降质物理模型如下：

其中，I表示雾天场景图像，J表示去雾图像，A表示雾天场景图像的大气光值，t表示雾天场景图像的大气透过率，c表示图像区域位置，n表示彩色图像的RGB颜色通道。对于常见的白色雾霾场景来说，其对不同波长光的大气透过率相同，即在RGB三个颜色通道中的大气透过率相同。

由均匀散射介质透过率公式可知：

t＝e^-βl (2)

式中，β表示大气介质的吸收率，l表示物体景深。通常对于常见的白色雾霾场景来说，大气吸收率β对不同波长的光均相同，因此通过公式(1)和公式(2)可得出去雾图像J以及雾天场景下拍摄的图像I之间，RGB三通道中像素值关系为：

其中，r、g、b分别表示雾天场景图像I的红、绿、蓝三个通道。

本实施例是根据Retinex理论来估计图像中非均匀大气光值的。由Retinex理论可知，图像可分解光照层图像L和反射层图像R，其中光照层图像即表示物体接受到的光照，因此我们可以利用光照层图像L来估计大气光值A。

在本实施例中，采用SSR(Single Scale Retinex，单尺度Retinex算法)算法来求取图像的光照层L。通常来说对于不包含天空区域的图像来说，其大气光值一般与图像中的最大值相近，但是由于SSR算法采用低通滤波原理求取图像的光照层图像L，因为低通滤波邻域平滑的原因，可知在光照层图像L中最大值会小于原图像最大值，即求得光照层图像小于实际光照值，则大气光值A可定义为：

A＝L+ΔD (4)

其中，A表示图像大气光值，L表示雾天场景拍摄的图像I的光照层图像，ΔD表示实际光照值与光照层图像的差值，这里为简化大气光值A的计算模型，我们可将ΔD看作定值，并且已知在图像中不同区域内，光照层图像L值不同，在大面积阴影区域中L的值较小，相应的A值也较小，在天空区域中L值较大，相应的A值也较大，因此公式(4)满足大气光值在图像中的分布规律。

已知SSR算法求取光照层图像公式为：

式中L表示雾天场景图像光照层图像，I表示雾天场景下拍摄到的图像，

表示卷积符号，F表示卷积模板，其计算公式为：

其中，(x,y)为点的坐标，λ为一个尺度参数，保证卷积模板中所有值之和为1，c为高斯环绕尺度。

在本实施例中，取大小为a×b且环绕尺度

的二维卷积模板，其中a和b分别表示图像I的高度和宽度。

在本实施例中，由公式(1)可知，相同透过率t的情况下，A取值越小，恢复的去雾图像J的强度就越大，反之A取值越大，恢复的去雾图像J的强度就越小。因此公式(4)中ΔD的取值与恢复去雾图像J的强度相关，其取值小则恢复图像亮度高，其取值大则恢复图像亮度低。然而ΔD的取值过低或者过高会导致恢复的图像产生“过曝”或者“欠曝”区域。经试验测试，一般取ΔD为30时恢复的去雾图像效果最好。

步骤2：根据图像降质模型计算所述雾天场景图像的大气透过率；

在本实施例中，雾天场景图像的大气透过率是采用基于迭代的透过率图优化算法，通过“透过率图求取中间去雾图，中间去雾图求取透过率图”交替迭代运算得到最终的透过率图。

第一，计算所述雾天场景图像的初始透过率得到初始透过率图像。

1)计算饱和度增强图像的最小值通道；

对于日常拍摄的环境来说，已知在无雾场景下拍摄的图像的饱和度高于雾霾场景下拍摄的图像，因此本发明通过该先验知识，以及公式(3)中去雾图像三通道像素之间的关系求解图像中雾霾的初始透过率t₀。对于RGB三通道彩色图像来说，其饱和度计算公式为：

式中，(x,y)表示图像中的点的坐标，r、g、b分别表示图像I的RGB三个通道，max(·)表示取最大值，min(·)表示取最小值。由公式(3)和(7)可知，对于图像I中饱和度不为0的区域，去雾图像J的饱和度S随着RGB三个通道中最小值的减小而增大，直到最小值为0时去雾图像J的饱和度取最大值1。

因此，本实施例通过减小原图像I中RGB三通道最小值的强度来提升图像饱和度，使之接近无雾场景下拍摄到的图像。由于自然场景下图像饱和度较高，但并不接近于1，而且对于天空区域以及场景中的白色区域，过多的减少原图像I中最小值的强度会降低图像视觉效果，因此对原图像I中RGB三通道最小值的减弱强度不宜过高，并且对于图像中暗区域减小的值应该相对较小，对于图像中较亮的区域减小的值应该相对较大，

在本实施例中，利用大气光值A在暗区域值较小，亮区域值较高的特性，定义饱和度增强图像J₀的最小值通道(即图像RGB三通道中取最小值得到的图像通道)的值为：

式中，(x,y)表示图像中像素点的坐标值，I^min表示图像I的最小值通道，λ为一个可调的尺度参数，通常λ值越大图像饱和度越大，意味着图像去雾程度越高，但是对于薄雾霾图像来说，大的λ值可能会使图像过饱和，产生较差的视觉效果，一般λ取值范围一般在0.1-0.6之间。

2)利用公式(3)求取图像J₀的其他颜色通道像素强度，得到饱和度增强图像J₀。

3)将所述饱和度增强图像作为去雾图像，即令J＝J₀，然后通过公式(1)求取初始透过率t₀，得到初始透过率图像

第二，根据所述雾天场景图像计算最终引导图像K。

由公式(2)可知，雾天场景下图像的透过率仅与雾气的吸收系数和拍摄物体的景深有关，和拍摄的物体无关，所以图像的透过率图应该是分层均匀的图像。对于同一景深的物体其透过率值应该相同。然而经过上一步求取的初始透过率t₀会包含图像中物体表面的一些细小的纹理信息，如果保留这些纹理信息可能会降低去雾图像的对比度信息，甚至引入光晕等问题，所以需要在保持图像的层次信息的基础上滤除掉这些细小的纹理信息。

由于引导滤波器的保边图像平滑的特性，其能更好的保留图像的层次信息，并能平滑纹理区域。因此，在本实施例中，采用引导滤波的方式来滤除物体表面的一些细小的纹理信息。请参见图3，图3是本发明实施例提供引导滤波原理图。

引导滤波器的原理主要是假设引导图与输出图像在一个二维窗口内满足线性关系：

q_i＝a_kK_i+b_k (9)

式中，q是输出像素的值，K是引导图像的值，i和k是像素索引，a和b是当窗口中心位于k时该线性函数的系数，其计算公式为：

式中，μ_k是引导图像K在窗口ω_k中的平均值，

是待滤波图像p在窗口ω_k中的均值，

是引导图像K在窗口ω_k中的方差，|ω|是窗口ω_k中像素的数量。

由引导滤波的原理可知，滤波后的输出图像会滤除掉小的纹理信息，同时保留引导图像中的一些细节信息，所以对于透过率图像滤波来说，需要计算一幅较好的引导图像，保证其边缘信息与图像中景深相关，才能够在滤除掉图像中一些微小细节基础上很好的保持透过率图像中的层次信息。

在本实施例中，采用原图像取反获取最终引导图像K。

先对图像I取反获得初始引导图像

由于图像受雾霾影响，远处物体雾霾厚度较大，导致初始引导图像

中亮度较低；近处物体雾霾厚度较小，导致初始引导图像

中亮度较高，即初始引导图像

中包含物体景深信息。由于初始引导图像

中包含图像细节信息，因此对初始引导图像

做以原图为引导图的引导滤波获得最终的引导图像K。

第三，根据最终引导图像对初始透过率图像进行迭代更新得到最终透过率图像；

在本实施例中，由于初始透过率图的值由图像中像素计算，未考虑图像的局域信息，且使用过于简单的饱和度增强算法，即得到的初始透过率t₀比较粗糙。为精细化透过率图，本发明提出了一种基于迭代的透过率图优化算法，通过“透过率图求取中间去雾图，中间去雾图求取透过率图”交替迭代运算得到最终的透过率图。其主要思想为：利用传统滤波算法滤除透过率图中的细小纹理；利用透过率图计算得到中间去雾图像，保持中间去雾图像的最小值通道不变，再次利用公式(1)和(3)，计算得到新的透过率图，以此来保证去雾图像的高饱和度。请参见图4，图4是本发明实施例提供的透过率图优化算法的整体流程示意图；

具体的，设置最大迭代次数为num，并设置当前迭代次数为n；

根据所述最终引导图像对所述初始透过率图像进行引导滤波，得到滤波后的透过率图像；

在本实施例中，使用最终引导图像K对透过率图做引导滤波以维持透过率图中的层次信息；滤波窗口的大小为设5×5，当n＝0时，即未进行迭代更新，此时的透过率图像

即为初始透过率图像

使用最终引导图像K对初始透过率图像

做引导滤波，得到滤波后的透过率图像。

对所述滤波后的透过率图像进行优化得到优化透过率图像；

对引导滤波后的透过率图像

做低通滤波，获取优化后透过率图t_n；

在本实施例中，需要根据当前迭代次数n选择低通滤波的具体形式：

当迭代次数n≤0.2*num时，则对滤波后的透过率图像进行均值滤波得到优化透过率图像；具体的，使用窗口大小为5×5的均值滤波器来强力去除图像中细小细节信息；

当迭代次数满足0.2*num＜n≤0.4*num时，则对滤波后的透过率图像进行中值滤波得到优化透过率图像；具体的，使用窗口大小为3×3的中值滤波器来模糊图像中的细节信息；

当迭代次数n＞0.4*num时，不做低通滤波处理，仅使用引导滤波，用来维持透过率图中的层次信息；此时，将所述滤波后的透过率图像作为优化透过率图像，用于后续算法。

在上一步得到优化的透过率图像后，判断已迭代次数n是否大于总迭代次数num，若n≤num，则需要继续进行迭代更新：

首先根据图像降质模型计算中间去雾图像；

将上一步的透过率代入图像降质模型中，即式(1)中，求取中间去雾图像J_n，然后对当前迭代次数n进行更新，即n＝n+1；

然后，利用中间去雾图像估计新的透过率图，得到中间透过率图像；

最后对中间透过率图像进行引导滤波和低通滤波，更新优化透过率图像。

若判断n＞num，则输出优化透过率图像，即最终的透过率图像。

透过率图像就是图像中每个点的透过率组成的图。因此，根据最终透过率图像可以得到雾天场景图像的大气透过率t。

步骤3：将所述雾天场景图像的大气光值和所述雾天场景图像的大气透过率代入所述图像降质模型中得到去雾图像。

将步骤1估计出的大气光值A以及步骤2计算出的大气透过率t，代入本实施例的图像降质模型，即式(1)中，恢复出最终的去雾图像J。

本实施例主要用来去除雾霾天气场景下拍摄的单幅图像中雾霾信息的干扰，根据公式(1)的图像降质物理模型，通过公式(3)中去雾图像J和原始图像I的像素关系，以及无雾场景下拍摄的图像饱和度较高的假设，通过单幅雾霾场景下拍摄的图像I估计出场景的大气光值A和大气透过率t，最后依据公式(1)求得去雾后的图像J。

本发明提供图像去雾方法大幅提升了图像的对比度和饱和度，与传统的图像去雾算法相比，本发明提出的去雾算法采用的非全局一致大气光值，能够更好的恢复图像中暗区域的场景信息，提升图像的整体亮度，并且由于本去雾算法中采用单像素估计大气透过率，因此估计出的大气透过率结果较为精确，不会在图像中引入低频噪声，适合处理存在树枝、灌木等较为复杂物体的图像，同时与现有的算法相比，本发明提出的去雾算法能够对浓重雾霾图像产生更好的处理效果。

实施例二

下面通过三组试验对比来进一步说明本发明的有益效果。

试验一：请参见图5a～5d，图5a～5d是本发明实施例提供的试验一的处理结果对比图；其中，图5a是原始雾天场景图像，图5b是暗通道处理结果图，图5c是优化对比度增强算法处理结果图，图5d是本发明的算法在λ＝0.4时的处理结果图。从图5a～5d中的左下区域可以看出，本算法在雾霾较为浓重区域，处理结果明显优于其他算法，因此本算法能最大程度的消除场景中的雾霾信息干扰，还原雾霾浓重区域信息；同时由于暗通道算法采用全局一致大气光值，导致其处理结果中暗区域强度过低，图像质量较差，而本算法采用的非全局一致的大气光值，能有效提升整幅图像亮度，维持原有场景信息，得到视觉效果较好的图像。

试验二：请参见图6a～6d，图6a～6d是本发明实施例提供的试验二的处理结果对比图；其中，图6a是原始雾天场景图像，图6b是暗通道处理结果图，图6c是优化对比度增强算法处理结果图，图6d是本发明的算法在λ＝0.4时的处理结果图。从图6a～6d中右面树木所在区域可看出本算法对图像中景深较深的区域，即雾霾较为浓重区域去雾程度最好，能最大程度恢复该区域信息；在图6a～6d中亮度较高的区域，如“鸭子”等物体，可看出优化对比度增强算法对图像中亮度较高的区域可能会产生“过曝”现象，导致图像细节丢失，而本算法能够在保证图像整体亮度较高的情况下，尽可能保持亮度较高区域的细节信息。

试验三：请参见图7a～7d，图7a～7d是本发明实施例提供的试验三的处理结果对比图；其中，图7a是原始雾天场景图像，图7b是暗通道处理结果图，图7c是优化对比度增强算法处理结果图，图7d是本发明的算法在λ＝0.4时的处理结果图。从图7a～7d中可以看出本算法整体去雾效果优于其他算法，并且对于在景深较深，雾霾浓度较大的区域，相比于其他算法，本算法能够完全去除场景中雾霾信息干扰。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于Retinex理论和高饱和度先验的图像去雾方法，其特征在于，包括：

获取雾天场景图像并计算所述雾天场景图像的大气光值；

根据图像降质模型计算所述雾天场景图像的大气透过率；

将所述雾天场景图像的大气光值和所述雾天场景图像的大气透过率代入所述图像降质模型中得到去雾图像；

其中，根据图像降质模型计算所述雾天场景图像的大气透过率包括：

计算饱和度增强图像的最小值通道，计算公式为：

其中，(x,y)表示像素点的坐标值，

表示饱和度增强图像的最小值通道，I^min表示雾天场景图像的最小值通道，λ为一个可调尺度参数，其取值范围在0.1-0.6之间；A表示雾天场景图像的大气光值；

根据所述饱和度增强图像的最小值通道计算其他颜色通道像素强度得到饱和度增强图像；

根据所述饱和度增强图像计算初始透过率得到初始透过率图像；

根据所述雾天场景图像计算最终引导图像；

根据所述最终引导图像对所述初始透过率图像进行迭代更新得到最终透过率图像；

根据所述最终透过率图像得到所述雾天场景图像的大气透过率。

2.根据权利要求1所述的图像去雾方法，其特征在于，所述雾天场景图像的大气光值的计算公式为：

A＝L+ΔD，

其中，L表示雾天场景图像的光照层图像，ΔD表示实际光照值与光照层图像的差值。

3.根据权利要求1所述的图像去雾方法，其特征在于，所述图像降质模型为：

其中，I表示雾天场景图像，J表示去雾图像，A表示雾天场景图像的大气光值，t表示雾天场景图像的大气透过率，c表示图像区域位置，n表示彩色图像的RGB颜色通道。

4.根据权利要求1所述的图像去雾方法，其特征在于，根据所述饱和度增强图像计算初始透过率得到初始透过率图像，包括：

将所述饱和度增强图像作为初始去雾图像；

将所述初始去雾图像带入所述图像降质模型计算初始透过率。

5.根据权利要求1所述的图像去雾方法，其特征在于，根据所述雾天场景图像计算最终引导图像包括：

对所述雾天场景图像取反得到初始引导图像；

根据所述初始引导图像得到最终引导图像。

6.根据权利要求1所述的图像去雾方法，其特征在于，根据所述最终引导图像对所述初始透过率图像进行迭代更新得到最终透过率图像包括：

根据所述最终引导图像对所述初始透过率图像进行引导滤波，得到滤波后的透过率图像；

对所述滤波后的透过率图像进行优化得到优化透过率图像；

若判断当前迭代次数n小于或等于预设最大迭代次数num，则对所述优化透过率图像进行迭代更新；

若判断当前迭代次数n大于预设最大迭代次数num，则输出所述优化透过率图像，得到最终透过率图像。

7.根据权利要求6所述的图像去雾方法，其特征在于，对所述滤波后的透过率图像进行优化得到优化透过率图像包括：

对所述滤波后的透过率图像进行优化得到优化透过率图像，包括：

若判断n≤0.2*num，则对所述滤波后的透过率图像进行均值滤波得到优化透过率图像；

若判断0.2*num＜n≤0.4*num，则对所述滤波后的透过率图像进行中值滤波得到优化透过率图像；

若判断n＞0.4*num，则将所述滤波后的透过率图像作为优化透过率图像。

Images