针对明亮区域的自适应全局暗原色先验的图像去雾方法

摘要

针对明亮区域的自适应全局暗原色先验去雾方法，包括如下步骤：步骤1：求取带雾图像I(x)的全局暗原色值；步骤2：建立模糊逻辑控制器求取容差参数和透射率调整因子；步骤3：利用容差参数将带雾图像分为明亮区域和非明亮区域两部分；步骤4：求取大气光强度；步骤5：求取透射率；步骤6：利用容差参数、透射率和大气光强度得到复原图像。该方法可有效解决明亮区域失真和分块处理带来的块状效应、Halo现象和颜色失真等问题，在不增加曝光处理情况下能获得较好的去雾效果，且图像对比度、信息熵和平均梯度三方面的客观评价结果明显优于其它对比算法，运算效率也有较大提升。

权利要求

1.针对明亮区域的自适应全局暗原色先验去雾方法，包括如下步骤：步骤1：求取带雾图像I(x)的全局暗原色值步骤2：建立模糊逻辑控制器求取两个自适应估计参数K和ω：将高亮度像素点的比例Q和带雾图像的直方图集中程度P共同作为模糊逻辑控制器的输入变量，得到明亮区域的容差参数K和透射率调整因子ω；

高亮度像素点的比例Q的定义式如下：

式中M×N为图像尺寸，I(i,j)为带雾图像某像素点(i,j)的灰度值；i属于0～M-1，j属于0～N-1;直方图集中程度P的定义式如下：

式中H(l)表示灰度值为l的像素点数目，P表示H(l)大于10的那些像素点的灰度值之和与最大灰度级数的比值；

所述高亮度像素点为灰度值大于0.7的像素点；

K：明亮区域的容差参数；

ω：透射率调整因子，用于针对性地保留部分覆盖遥远景物的雾；

步骤3：利用容差参数K将带雾图像分为明亮区域和非明亮区域两部分；

步骤4：求取大气光强度A：将非明亮区域中灰度值按从大到小顺序选取靠前的S％个像素点的平均值作为大气光强度A;式中num：明亮区域和非明亮区域的像素点数目之比；

步骤5：求取透射率tglobal(x)：步骤6：将容差参数K、透射率tglobal(x)和大气光强度A代入式(8)得到复原图像J(x)：其中t0是透射率的下限值，定义为非明亮区域灰度最大值与大气光强度A的比值，为

0.1；

max(B_region)为非明亮区域中的最大灰度值。

2.根据权利要求1所述的方法，其特征在于：模糊逻辑控制器两个输入变量Q和P的模糊论域都归一化到[0，1]范围，输出变量K和ω的模糊论域分别为[0.2，0.6]和[0.6，1]；其中输入变量P采用高斯型隶属度函数描述，其余变量采用三角形或梯形隶属度函数描述。

说明书

针对明亮区域的自适应全局暗原色先验的图像去雾方法

技术领域

[0001] 本发明涉及数字图像处理，具体是基于模型的图像雾，更具体是针对明亮区域的自适应全局暗原色先验去雾方法。

背景技术

[0002] 基于模型的图像去雾算法种类很多，按照处理对象不同可分为基于多幅图像的去雾方法和基于单幅图像的去雾方法两类。前一类方法通过对比分析同一景象在不同天气下的多幅图像来估计传播介质的性质，因此对成像系统要求较高且不适合实时处理；而基于单幅图像的去雾算法因其能够适应各种应用场合而成为当前研究的热点。Tan等通过最大[1]化复原图像的局部对比度达到去雾目的 ，但由于该算法忽视透射率的求解，因此复原图像的色彩常出现过度饱和。Fattal等提出基于统计学的去雾方法[2]，由于需要足够的颜色信息，对于差异性较小的浓雾环境，该方法估计的透射率不够准确。Tarel等利用中值滤波的变形快速估计大气耗散函数[3]，该算法参数较多且不易调整，不恰当的设置容易产生Halo效应。

[0003] 近来，He等[4]根据户外无雾图像的统计规律，提出一种简单有效的暗原色先验去雾算法，对一般户外图像取得了较好的去雾效果，但由于该算法采用分块处理及最小值滤波操作，当图像存在大面积白色或明亮区域时暗原色先验失效，大气光取值趋近这些区域的亮度值，继而使该部分透射率偏小，造成去雾后相应区域色彩失真和亮度下降[5]；分块处理还容易产生块状效应和Halo现象，影响去雾效果；此外，分块操作本身以及因其采取的细化透射率措施使得算法的运算复杂度较高[6]，有学者采用双边滤波或引导滤波方式[7,8]代替原软抠图细化方法，运算时间有较大幅度降低，但实时性能仍有待进一步提高。

[0004] 以暗原色先验理论为基础，许多学者提出了相关的去雾改进算法。针对暗原色先验对大面积明亮区域失效问题，文献[5]引入容差参数K，将原图像亮度与大气光强的差值|I–A|小于K的区域定义为明亮区域，重新计算透射率。考虑到明亮区域像素的R、G、B各通道值非常接近，文献[9]将每个像素通道间的接近度以及暗原色亮度与大气光强的接近度共同作为明亮区域的判定机制。上述两种方式都可修正暗原色先验在明亮区域错误估计的透射率，但存在的共同问题是容差参数K的取值不能自适应调整，若K值太小则无法完全消除明亮区域的失真，K值过大又会导致非明亮区域复原错误，降低算法去雾能力。

[0005] 对大气光强度A的估计，文献[4-6]采用的方法是：大气光强度A的估计方法为：先取暗原色中0.1％亮度最大的像素，然后取这些像素对应于原图中像素的最大值作为A。文献[7]和文献[10]则在天空区域求取大气光值A。而文献[11]通过分析大气散射模型的约束条件指出，天空的成像过程不满足该模型，在天空干扰下估计的大气光强度将偏大，使去雾图像亮度整体偏暗，天空区域恢复效果欠佳，因此采用了快速腐蚀膨胀和联合均值漂移滤波算法分割出天空区域后再估计大气光强度。然而，除天空区域外，其它的明亮区域也可能影响大气光强度的估计，且上述分割算法耗时较多。

[0006] 针对分块求取暗原色存在的弊端，文献[6]采用全局暗原色方法，对图像执行全局操作，不再分块处理，该方法建立在整幅图像的雾浓度是均匀分布的假设基础上，因此得到的透射率分布比较单一，且未综合考虑本节前述其它问题，去雾后局部效果不理想，细节信息不明显，需进行局部对比度增强。

[0007] 此外，用于估计透射率的调整因子ω和透射率下限t0在大部分暗原色先验去雾算法中都采用固定值[4-9]，较少根据目标图像作自适应调整。

[0008] [1]Tan R T.Visibility in bad weather from a single image[C].2008 IEEE Conference on Computer Vision and Pattern Recognition，Anchorage:IEEE,2008:1－8.[0009] [2]Fattal R.Single image dehazing[C].ACM Transactions on Graphics Los Angeles:ACM，2008，27(3):72.

[0010] [3]Tarel J P，Hautiere N.Fast visibility restoration from a single color or gray level image[C].2009IEEE 12th International Conference on Computer Vision，Kyoto:IEEE，2009:2201-2208.

[0011] [4]He K，Sun J，Tang X.Single image haze removal using dark channel pri [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33(12):2341－2353.

[0012] [5]蒋建国，侯天峰，齐美彬.改进的基于暗原色先验的图像去雾算法[J].电路与系统学报，2011，16(2)：8-12.

[0013] [6]嵇晓强.图像快速去雾与清晰度恢复技术研究[D].中国科学院长春光学精密机械与物理研究所，2012,(5)：89.

[0014] [7]禹晶，李大鹏，廖庆敏.基于物理模型的快速单幅图像去雾方法[J].自动化学报,2011,37(2):143-148.

[0015] [8]He K，Sun J，Tang X.Guided image filtering[C].Computer Vision—ECCV 2010.Berlin:Springer，2010:1－14.

[0016] [9]崔宝侠，贾冬雪，段勇.明亮区域的暗原色先验算法[J].沈阳工业大学学报,2015,37(1):75-79.

[0017] [10]李坤，兰时勇，张建伟等.改进的基于暗原色先验的图像去雾算法[J].计算机技术与发展,2015,25(2):8-11.

[0018] [11]郑勇.基于联合均值漂移的单幅图像去雾算法研究及硬件实现[D].西安电子科技大学，2014,3:28-32.

发明内容

[0019] 针对暗原色先验去雾算法对明亮区域失效，以及分块求取暗原色存在的块状效应、Halo现象和运算复杂度较高等问题，本发明提出针对明亮区域的自适应全局暗原色先验去雾方法。该方法采用全局暗原色操作取代分块处理，并通过模糊逻辑控制器自适应估计明亮区域的容差参数和透射率调整因子，在非明亮区域求取大气光强度后，根据自适应容差纠正明亮区域被已有技术错误估计的透射率。

[0020] 本发明解决其技术问题所采用的技术方案是：

[0021] 针对明亮区域的自适应全局暗原色先验去雾方法，包括如下步骤：

[0022] 步骤1：求取带雾图像I(x)的全局暗原色值

[0023] 步骤2：建立模糊逻辑控制器求取两个自适应估计参数K和ω：将高亮度像素点的比例Q和带雾图像的直方图集中程度P共同作为模糊逻辑控制器的输入变量，得到明亮区域的容差参数K和透射率调整因子ω；

[0024] 高亮度像素点的比例Q的定义式如下：

[0025]

[0026] 式中M×N为图像尺寸，I(i,j)为带雾图像某像素点(i,j)的灰度值；i属于0～M-1，J属于0～N-1。

[0027] 直方图集中程度P的定义式如下：

[0028]

[0029] 式中H(l)表示灰度值为l的像素点数目，P表示H(l)大于10的那些像素点的灰度值之和与最大灰度级数的比值；最大灰度级数等于256；

[0030] 所述高亮度像素点为灰度值大于0.7的像素点；

[0031] K：明亮区域的容差参数；

[0032] ω：透射率调整因子，用于针对性地保留部分覆盖遥远景物的雾；

[0033] 步骤3：利用容差参数K将带雾图像分为明亮区域和非明亮区域两部分；

[0034] 步骤4：求取大气光强度A：将非明亮区域中灰度值按从大到小顺序选取靠前的S％个像素点的平均值作为大气光强度A。

[0035]

[0036] 式中num：明亮区域和非明亮区域的像素点数目之比；

[0037] 步骤5：求取透射率tglobal(x)：

[0038]

[0039] 步骤6：将容差参数K、透射率tglobal(x)和大气光强度A代入式(8)得到复原图像J(x)：

[0040]

[0041] 其中t0是透射率的下限值，定义为非明亮区域灰度最大值与大气光强度A的比值，典型值为0.1；

[0042]

[0043] max(B_region)为非明亮区域中的最大灰度值。

[0044] 作为一种具体实施方式，模糊逻辑控制器两个输入变量Q和P的模糊论域都归一化到[0，1]范围，输出变量K和ω的模糊论域分别为[0.2，0.6]和[0.6,1]；其中输入变量P采用高斯型隶属度函数描述，其余变量采用三角形或梯形隶属度函数描述。

[0045] 进一步，模糊逻辑控制器的控制规则共有9条，如表1所示：

[0046] 表1模糊逻辑控制规则

[0047]

[0048] 表中，S、M和B为各输入、输出变量的语言值，S代表“小”，M代表“中”，B代表“大”。

[0049] 上述方案中，

[0050] 步骤1为全局暗原色先验：

[0051] 全局暗原色先验由文献[6]提出，是文献[4]基于分块的局部暗原色先验的延伸，其依据是Chazev于1988年提出的DOS(Dark Object Subtraction)理论。全局暗原色先验认为：在整幅图像中至少存在一个可信的暗原色点，其值能近似反映光照在该区域的作用，可利用该暗原色点(即全图中最暗的点)去除空间各向同性的雾。求取全局暗原色 的表达式如下，其强度接近于0。

[0052]

[0053] 其中 c、y、r、g、b、I与文献[6]中的含义一致。文献[6]在计算图像的暗原色时不再进行分块处理，也可理解为最小值滤波操作的模板尺寸为1×1，由此得到有雾图像的全局暗原色值；本发明为描述方便，将带雾图像I(x)的全局暗原色值记为

[0054] 步骤2为明亮区域自适应检测：

[0055] 明亮区域的判定机制采用文献[10]方法，明亮区域满足如下关系：

[0056]

[0057] Ic和Ic’代表像素点R、G、B三通道的任意两个通道强度值，图像的像素值归一化到[0,1]。由于算法中的大气光强度A需在明亮区域检测后求取，因此本发明已将原文献[10]关系式中的大气光强度A用归一化最大强度值“1”代替，其与 之间的容差K由模糊逻辑控制器推理得到。

[0058] 容差参数K和透射率调整因子ω共同作为模糊逻辑控制器的输出，根据不同的目标图像进行自适应调整，调整依据作为模糊逻辑控制器的输入变量。本发明的调整依据包括两个输入变量Q和P，其中，输入变量Q为灰度值大于0.7的像素点数目与图像尺寸的比值，代表灰度值较大的天空、水面或白色物体等明亮区域在图像中所占的比例，其定义式如公式(5)。Q值越大，表示明亮区域所占比例越大，则输出的容差K应更小，而调整因子ω的值相对越大，越接近1。另一个输入变量P定义为带雾图像的直方图分布集中程度，定义如公式(6)，P表示H(l)大于10的那些像素点的灰度值之和与最大灰度级数的比值。P值越小，表明带雾图像的直方图分布越集中，图像对比度越差，即雾气浓度越大，则输出的容差K越小，ω值则越大。

[0059] 步骤3和步骤4主要进行大气光强度A估计：

[0060] 利用模糊逻辑控制器得到容差K后即可根据公式(4)将原带雾图像划分为明亮区域(L_region)和非明亮区域(B_region)两部分。为避免天空等明亮区域对估计大气光强度A带来误差，：将非明亮区域(B_region)中灰度值按从大到小顺序选取靠前的S％个像素点的平均值作为大气光强度A。S值大小由明亮区域和非明亮区域的像素点数目之比num决定；该比值越大，表示明亮区域在图像中覆盖范围越大，S值相应越大，求得的平均值越低，用以降低大气光强度值，避免出现Halo现象。

[0061] 步骤5求取透射率tglobal(x)：

[0062] 根据文献[6],对雾天图像退化模型两边取全局最小值运算，可求得R、G、B三通道最小分量，并用 标记带雾图像的全局暗原色值，经变换后得到全局透射率tglobal(x)，按公式(3)求取透射率tglobal(x)。

[0063] R、G、B三通道最小分量如公式(2)：

[0064]

[0065] 其中，tglobal(x)为全局透射率，简称透射率；

[0066] Ac：为R、G、B三个颜色通道中任一通道的大气光强度值；

[0067] Ic(y)：为带雾图像在R、G、B三个颜色通道中任一通道的灰度值；

[0068] 由公式(1)可知，公式(2)右边第一项为0，变换后得到全局透射率tglobal(x)表达式为公式(3)。

[0069] 在公式(3)中，ω的取值根据雾气浓度和光照强度等具体情况而定。一般雾浓度越大，ω的值相对越大，越接近1；反之，在薄雾情况下ω的取值则偏小。

[0070] 步骤6：将求得的带雾图像全局暗原色值 大气光强度A和调整因子ω代入公式(3)求取透射率tglobal(x)后，利用文献[5]的容差机制即可得到估计复原图像J(x)，表达式如公式(8)。

[0071]

[0072] 特别的是，其中明亮区域的容差参数K为模糊逻辑控制器输出的自适应容差。

[0073] 本申请的突出的特点在于：

[0074] 1)针对暗原色先验去雾算法采用分块方式求取暗原色所带来的块状效应、Halo现象和运算复杂度较高等问题，引入了全局暗原色先验算法，并采取相应措施弥补全局暗原色先验在局部去雾效果不理想等问题。

[0075] 2)针对采用容差法纠正明亮区域失效时容差参数K为固定值的问题，改为K值自适应，利用模糊逻辑控制器，根据不同图像的对比度以及直方图的集中程度，自适应地输出相对应的K值；另外，透射率的调整因子也作为模糊逻辑控制器的输出，根据具体情况作自适应调整。

[0076] 3)为避免天空等明亮区域对大气光强度A估计带来的偏差，提出在图像的非明亮区域求取大气光强度值，且A的大小与明亮区域的覆盖范围有关。

[0077] 实验结果表明，该算法可有效解决明亮区域失真和分块处理带来的块状效应、Halo现象和颜色失真等问题。在不增加曝光处理情况下能获得较好的去雾效果，且图像对比度、信息熵和平均梯度三方面的客观评价结果明显优于其它对比算法，运算效率也有较大提升。

具体实施方式

[0078] 两个输入变量的模糊论域都归一化到[0，1]范围，输出变量K和ω的论域分别为[0.2，0.6]和[0.6，1]；除输入变量P采用高斯型隶属度函数外，其余变量都采用三角形或梯形隶属度函数描述。

[0079] 模糊逻辑规则如表1所示，各输入、输出变量的语言值都设为三个，分别是S、M和B，S代表小，M代表中，B代表大。表中共有9条模糊逻辑规则，规则1-3表示当P值为小即雾气浓度很大时，无论明亮区域覆盖范围大小，输出的容差K都为小，而调整因子ω都为大；规则7-9表示P值为大，代表雾气稀薄，图像对比度较好，K和ω的取值主要由输入变量Q决定，Q越大表示明亮区域覆盖范围越大，则K值越小，ω值越大；规则4-6表示当P值为中，雾气浓度适中，K和ω的取值需同时考虑P和Q，取值也较适中。

[0080] 表1模糊逻辑控制规则

[0081]

[0082] 算法效果的客观评价指标按照文献[6]，采用图像对比度、信息熵和平均梯度对去雾结果进行定量分析。其中，图像对比度(即均方差)σ反映图像整体的灰度分布，其值越大，图像的黑白反差越明显；信息熵H反映图像像素位置的灰度信息，以及像素邻域内灰度分布的综合特征，是对图像信息量的度量，其值越大，表示信息量越多；平均梯度(Gray Mean Grads，GMG)反应图像对比度、细节反差和纹理变化特征，常用来评价图像的模糊程度。其值越大，表明图像细节越丰富，纹理越清楚，图像质量越好。

[0083] 对比度σ的定义如下：

[0084]

[0085] 式中M×N为图像尺寸，g(i,j)为图像某像素的灰度值，u为图像灰度均值。信息熵H的定义式如下：

[0086]

[0087] 其中L为图像最大灰度级，Hr为图像中灰度值为r的像素个数。

[0088] 平均梯度GMG函数定义为：

[0089]

[0090] 从主观视觉效果来看，对薄雾场景，Tarel算法和He算法的去雾结果在树叶边缘处都存在一定的白边，Tarel算法的Halo现象要更明显；He算法结果在树林尽头的明亮区域颜色偏暗；本发明方法结果不存在Halo效应，去雾图像颜色较均匀自然，明亮区域的视觉效果更好。对于浓雾场景，He算法的去雾结果整体较昏暗，对比度很差，在采用软抠图法的结果中还观察到明显的块状效应；尽管Tarel算法结果的对比度较高，但由于Halo现象严重，视觉效果比较模糊；本发明方法能自适应估计低能见度环境下偏低的大气光强度值，因此在未增加曝光处理的情况下，对比度也能基本满足视觉要求，去雾图像目标清晰，色彩恢复自然，能见度得到改善，可观察到远处道路旁的行人。对于含大面积天空区域的场景，He算法对天空区域恢复效果不明显，在采用软抠图法的结果中天空区域还出现了一定的色彩失真；Tarel算法则完全对天空区域失效，失真现象严重；本发明方法可有效处理天空区域，但有些过度去雾，看起来不太自然，深色建筑物去雾后颜色偏暗。

[0091] 各算法去雾效果的客观评价结果参见表2至表4。

[0092] 表2薄雾场景(1024×768)去雾比较结果

[0093]

[0094] 表3浓雾场景(300×200)去雾结果

[0095]

[0096] 表4含大面积天空区域场景(600×400)去雾结果

[0097]

[0098] 从上述各表的客观评价参数值考虑，本发明方法的去雾结果在图像对比度、信息熵和平均梯度三方面都明显优于其它三种算法；值得注意的是表4的信息熵结果，由于是对含大面积天空区域的场景去雾，而明亮区域基本上没有信息，信息熵趋近于0，因此去雾后图像的信息熵反而会降低，其值越小，表明对明亮区域去雾越彻底。从各算法的运行时间来看，He算法采用引导滤波代替软抠图后，运行速度有非常大的提升，Tarel算法运行时间介于两种He算法之间，但不适合实时处理；本发明方法的运行速度与采用引导滤波的He算法相当，时间主要用在对明亮区域的逐点判定以及参数的自适应估计等方面。