基于透射率细化的遥感图像去雾方法

摘要

本发明提出了一种基于透射率细化的遥感图像去雾方法，用于解决遥感图像中透射率估计不准确，遥感图像的去雾质量低的问题；以及遥感图像去雾后对比度低的问题。本发明的实现步骤为：计算有雾遥感图像的大气强度值；使用高斯加权算法得到有雾遥感图像的高斯加权暗通道图像；计算有雾遥感图像的细化透射率；按照大气强度值和细化透射率，对有雾遥感图像进行去雾，得到去雾图像。本发明克服了现有技术透射率计算不准确的问题，可以对包含遥感图像在内的有雾图像进行高质量的去雾，去雾后可以提高图像的对比度，增加图像的细节信息。

权利要求

1.一种基于透射率细化的遥感图像去雾方法，其特征在于，使用高斯加权算法得到有雾遥感图像的高斯加权暗通道图像，计算细化透射率；该去雾方法的步骤包括如下：步骤1，计算有雾遥感图像I的大气强度值A：

步骤2，使用高斯加权算法得到有雾遥感图像I的高斯加权暗通道图像I'：步骤2.1，按照下式，计算有雾遥感图像I的暗通道图像I1：其中， 表示计算R,G,B三个通道中的最小值，R,G,B分别表示有雾遥感图像中红、绿、蓝三色像素对应的三个通道；

步骤2.2，利用I2＝dilate(I1‑erode(I1))公式，得到暗通道图像I1的边缘图像I2，其中，dilate表示形态学膨胀操作，erode表示形态学腐蚀操作；

步骤2.3，利用I3＝0.5I2+0.5I1公式，计算有雾遥感图像I的补偿暗通道图像I3；

步骤2.4，按照下式，计算有雾遥感图像I的高斯加权暗通道图像I'：{·}

其中，e 表示以自然常数e为底的指数操作；

步骤3，利用T＝255‑I'公式，计算有雾遥感图像I的细化透射率T；

步骤4，按照大气强度值A和细化透射率T，对有雾遥感图像I进行去雾，得到去雾图像R：其中，F表示中心环绕函数， A(1‑T)表示大气光衰减部分， 表示卷积操作。

2.根据权利要求1所述的基于透射率细化的遥感图像去雾方法，其特征在于，步骤1所述的大气强度值A是通过以下步骤获得：第一步，图像中像素的亮度在0至255之间，靠近255的像素亮度高，靠近0的亮度低；将大小为L×W的有雾遥感图像I中的所有像素按亮度从大到小排序，组成亮度像素集合N，其中，L≥512，W≥512；从亮度像素集合N中选取前0.1％的像素构成亮度像素集合N1；

第二步，在亮度像素集合N1中，第一个像素的亮度值计为B1，第二个像素的亮度值计为B2，第三个像素的亮度值计为B3，依次类推，第i个像素的亮度值计为Bi，其中， 表示向下取整操作；将亮度像素集合N1中所有像素的亮度值求和，得到亮度值总和Bsum， 其中，Σ表示求和操作；

第三步，计算亮度像素集合N1中所有像素的亮度值平均值，得到有雾遥感图像I的大气强度值A，

说明书

基于透射率细化的遥感图像去雾方法

技术领域

[0001] 本发明属于图像处理技术领域，更进一步涉及遥感图像处理技术领域中的一种基于透射率细化的遥感图像去雾方法。本发明可通过消除遥感图像中的雾和云，减少遥感图像失真的程度，遥感图像中物体的可见度，便于后续数遥感图像的分割、目标检测识别应用场景。

背景技术

[0002] 当空气中多雾时，获取的遥感图像通常具有低对比度和较差的可见度，这不仅降低了视觉效果，而且还阻碍了计算机视觉系统中的后续处理。针对这一问题，大量的图像去雾方法和技术被提出，用于对遥感图像进行恢复。常见的方法包括以Retinex算法为代表所衍生的一系列算法、直方图均衡化以及小波变换等，但这些方法在对图像进行去雾时易造成细节信息丢失、添加噪声，以及出现过饱和和图像细节信息丢失严重等失真问题。随着深度学习的发展，很多基于各种神经网络的去雾方法被提出。然而，图像去雾属于图像预处理中的一步，往往并不是最终需要的结果，花大量的时间用于对去雾神经网络模型进行训练是一种浪费。

[0003] 中国科学院长春光学精密机械与物理研究所在其申请的专利文献“一种有雾遥感图像复原方法”(申请号：2019107303597，申请公布号：CN 110490821A)中公开了一种基于单次大气散射模型的遥感图像去雾方法。该方法的实现步骤是，第一，在单次大气散射模型的基础上，建立基于大气微点光源主动照明的遥感图像退化模型，通过所述遥感图像退化模型获取原始有雾遥感图像的光晕分量；第二，根据所述光晕分量去除所述原始有雾遥感图像的大气多散射作用与非均匀性，并将原始有雾遥感图像分为光晕图像和去除光晕后的雾霾图像；第三，采用单次大气散射模型对所述去除光晕后的雾霾图像进行透过率及大气光估计，采用暗通道先验图像去雾算法对所述去除光晕后的雾霾图像进行去雾复原处理，得到去雾复原图像。该方法较为简单的实现了遥感图像去雾。但是，该方法仍然存在的不足之处是，由于没有对透射率细化，获取的透射率值不准确，遥感图像的去雾质量差。

发明内容

[0004] 本发明的目的在于针对上述已有技术的不足，提出一种基于透射率细化的遥感图像去雾方法，用于解决现有技术没有进行透射率细化，遥感图像的去雾质量低的问题。

[0005] 实现本发明目的的技术思路是：本发明通过使用高斯加权算法，获得遥感图像的高斯加权暗通道图像，对图像透射率细化，解决透射率值不准确问题。使用高斯加权算法，获得更精细的透射图，进而可以获得更精细的透射率，以此解决遥感图像去雾质量低的问题。

[0006] 为实现上述目的，本发明采用的技术方案包括如下步骤：

[0007] 步骤1，计算有雾遥感图像I的大气强度值A：

[0008] 步骤2，使用高斯加权算法得到有雾遥感图像I的高斯加权暗通道图像I'：

[0009] 步骤2.1，按照下式，计算有雾遥感图像I的暗通道图像I1：

[0010]

[0011] 其中， 表示计算R,G,B三个通道中的最小值，R,G,B分别表示有雾遥感图像中红、绿、蓝三色像素对应的三个通道；

[0012] 步骤2.2，利用I2＝dilate(I1‑erode(I1))公式，得到暗通道图像I1的边缘图像I2，其中，dilate表示形态学膨胀操作，erode表示形态学腐蚀操作；

[0013] 步骤2.3，利用I3＝0.5I2+0.5I1公式，计算有雾遥感图像I的补偿暗通道图像I3；

[0014] 步骤2.4，按照下式，计算有雾遥感图像I的高斯加权暗通道图像I'：

[0015]

[0016] 其中，e{·}表示以自然常数e为底的指数操作；

[0017] 步骤3，利用T＝255‑I'公式，计算有雾遥感图像I的细化透射率T；

[0018] 步骤4，按照大气强度值A和细化透射率T，对有雾遥感图像I进行去雾，得到去雾图像R：

[0019]

[0020] 其中，F表示中心环绕函数， A(1‑T)表示大气光衰减部分，表示卷积操作。

[0021] 本发明与现有技术相比具有以下优点：

[0022] 通过图像高斯加权融合算法，获得有雾遥感图像的高斯加权暗通道图像，计算有雾遥感图像的细化透射率，克服了现有技术透射率计算不准确的问题，使得本发明提高了遥感图像去雾的质量。

附图说明

[0023] 图1是本发明的流程图；

[0024] 图2是本发明的仿真图，其中，图2(a)为含有雾的原始图像，图2(b)为采用现有技术的方法对原始图像2(a)的去雾后的图像，图2(c)为采用本发明的方法对原始图像2(a)的去雾后的图像；

具体实施方式

[0025] 以下结合附图和具体实施例，对本发明作进一步详细描述。

[0026] 参照图1，本发明包括如下步骤：

[0027] 步骤1，获取有雾图像I的大气强度值A。

[0028] 步骤1.1，图像中像素的亮度在0至255之间，靠近255的像素亮度高，靠近0的亮度低；将大小为L×W的有雾遥感图像I中的所有像素按亮度从大到小排序，组成亮度像素集合N，其中，L≥512，W≥512；从亮度像素集合N中选取前0.1％的像素构成亮度像素集合N1；

[0029] 步骤1.2，在亮度像素集合N1中，第一个像素的亮度值计为B1，第二个像素的亮度值计为B2，第三个像素的亮度值计为B3，依次类推，第i个像素的亮度值计为其中， 表示向下取整操作；将亮度像素集合N1中所有像素的亮度值求和，得到亮度值总和Bsum， 其中，Σ表示求和操作；

[0030] 步骤1.3，计算亮度像素集合N1中所有像素的亮度值平均值，得到有雾遥感图像I的大气强度值A，

[0031] 步骤2，使用高斯加权算法得到有雾遥感图像I的高斯加权暗通道图像I'。

[0032] 步骤2.1，暗通道先验原理是建立在对大量户外无雾图像观察的基础上的，暗通道先验假设认为绝大多数的非天空局部区域中，某些像素会有一个颜色通道的值会趋于0；根据暗通道先验原理得到有雾遥感图像I的暗通道图像I1，可表示为 其中，表示计算R,G,B三个通道中的最小值，R,G,B分别表示有雾遥感图像中红、绿、蓝三色像素对应的三个通道；

[0033] 步骤2.2，利用I2＝dilate(I1‑erode(I1))公式，得到暗通道图像I1的边缘图像I2，其中，dilate表示形态学膨胀操作，erode表示形态学腐蚀操作；

[0034] 图像的腐蚀操作能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除，可以有效消除图像中的噪声；图像的膨胀操作与腐蚀操作作用相反，膨胀操作能对图像的边界进行扩张，准确提取图像的边界信；先腐蚀后膨胀构成形态学开运算，可以有效的消除图像的噪声的同时，准确定位图像的边缘信息；

[0035] 步骤2.3，利用I3＝0.5I2+0.5I1公式，计算有雾遥感图像I的补偿暗通道图像I3；

[0036] 图像加权融合操作可以扩大图像所含有的时间空间信息，减少不确定性，增加可靠性；将边缘图像I2和暗通道图像I1进行加权融合，可以有效的补偿图像边缘的暗通道像素；

[0037] 步骤2.4，按照下式，计算有雾遥感图像I的高斯加权暗通道图像I'：

[0038]

[0039] 其中，e{·}表示以自然常数e为底的指数操作；

[0040] 高斯加权函数就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。使用高斯加权函数能有效的细化暗通道图像像素边界，得到更加像素边缘更精细的图像。

[0041] 步骤3，利用T＝255‑I'公式，计算有雾遥感图像I的细化透射率T；

[0042] 步骤4，获得有雾遥感图像I的去雾图像R。

[0043] 步骤4.1，大气散射模型表为I＝Jt+A(1‑t)，其中，I表示有雾遥感图像，J无雾清晰遥感图像，t表示透射率，A表示大气强度值；Retinex理论模型表示为S＝RL，其中，S表示无雾清晰遥感图像，R表示反射分量，L表示照度分量，其中， 表示卷积操作，F表示中心环绕函数，

[0044] 步骤4.2，将大气散射模型和Retinex理论模型融合，设J＝S，则融合去雾模型为[0045] 步骤4.2，根据融合去雾模型，结合大气强度值A和细化透射率T，对有雾遥感图像I进行去雾，得到去雾图像R：

[0046]

[0047] 其中，F表示中心环绕函数， A(1‑T)表示大气光衰减部分， 表示卷积操作。

[0048] 下面结合仿真实验对本发明的效果做进一步的说明：

[0049] 1.仿真实验条件：

[0050] 本发明的仿真实验的实验的硬件平台为：处理器为Intel i5‑10400F，主频为2.9GHz，16G运行内存。

[0051] 本发明的仿真实验平台的软件平台为：Windows  11操作系统和Visual Studio2017软件。

[0052] 本发明仿真实验所使用的图像来自于论文“A remote sensing image dataset for cloud removal”(Computer Vision and Pattern Recognition,Vol.abs/1901.00600)。

[0053] 2.仿真内容及其结果分析：

[0054] 本发明仿真实验是采用本发明和一个现有技术(一种新的无人机遥感图像去雾方法)，分别对一张有雾遥感图像进行去雾处理，其结果如图2所示。

[0055] 在仿真实验中，采用的一个现有技术是指：

[0056] Tao Gao等人在其发表论文“A novel UAV Sensing Image Defogging Method”(IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,pp.2610‑2625)中提出的一种新的无人机遥感图像去雾方法。

[0057] 下面结合图2对本发明的仿真效果做进一步的描述。

[0058] 图2(a)为含有雾的原始图像，图2(b)为采用现有技术的方法对原始图像图2(a)的去雾后的图像，图2(c)为采用本发明的方法对原始图像2(a)的去雾后的图像。

[0059] 由图2(b)可以看出，现有方法去雾后图像中仍有残雾的存在，且图2(b)中河流的边缘模糊，地面物体没有清晰地显示，因此现有方法的去雾质量不高，且细节恢复较差。与现有方法相比较。图2(c)在景深突变处彻底消除了残雾，且抑制了偏色现象，同时可以保留地面物体细节信息，去雾效果更加突出。因此图2(c)的去雾效果好，整体色彩比较自然，可以很好的去除图像中的雾霾，提高图像对比度和饱和度。

[0060] 将本发明与现有公开的经典方法进行对比，对比方法分别为：DCP、CAP和MSBDN；采用的评价指标为结构相似性(SSIM)，SSIM的范围为0～1，值越大表示去雾图像质量越高。对于图2(a)，DCP方法的SSIM为0.405，CAP方法的SSIM为0.774，MSBDN方法的SSIM为0.647，本发明方法的SSIM为0.873。由此表明，本发明方法去雾后的遥感图像，整体色彩比较自然，图像的对比度更高，去雾质量更高。

[0061] 以上仿真实验结果表明，对于含有雾的遥感图像，本发明有好的去雾能力；本发明可以准确地恢复图像，去雾质量高。