一种基于梯度域的单幅图像去雾方法与流程

本发明涉及数字图像处理和计算机视觉领域，尤其是一种基于梯度域的单幅图像去雾方法。

背景技术：

随着计算机成本的降低和性能的提升，摄像机和计算机视觉系统已经广泛的应用于目标识别与跟踪、监控、智能导航等相关领域。然而，这些系统设计的关键在于图像采集设备可以捕获到高质量清晰的图像。在雾天条件下，户外采集的图像会受到大气中悬浮粒子、气溶胶等杂质的影响，出现模糊不清、对比度下降、颜色失真等现象，这给后续的图像处理和计算机视觉系统的应用带来了严重的影响。因此，探究雾天图像的降质原因，并采用图像去雾技术改善雾天降质图像的质量，对计算机视觉系统的应用具有重要的意义。

目前图像去雾算法主要分为两类：基于图像增强的方法和基于图像复原的方法。基于图像增强的方法是从图像的特征出发，通过使用图像增强方法对降质图像的对比度、颜色以及亮度进行处理来达到去雾的目的。这类方法的缺陷是没有考虑到雾天图像退化的原因，在图像增强的过程中忽略场景的景深信息，使得增强后的图像在景深较大的地方对比度和颜色不理想。而基于图像复原的方法是从雾天降质图像的退化原因出发，建立物理模型，由于模型中的未知参数较多，无法直接恢复出清晰无雾的图像，因此需要额外的信息、假设条件或一些先验知识来估计相应的参数，然后反演退化过程，得到去雾后的图像。基于图像复原的方法中最具有代表性的是kaiminghe提出的基于暗原色先验的去雾方法，这种方法得到了较好的去雾效果，引起了广泛的关注。但是该方法存在运行时间长，天空区域彩色失真，降质较严重区域对比度恢复不明显等问题。近年来，针对暗原色先验方法和传统图像增强方法的不足，李武劲(李武劲.低能见度下，图像清晰化技术研究[d].四川大学，2012)提出了一种基于梯度域的图像增强算法，虽然避免了以往算法的一些缺陷，但是该方法在梯度域增强时未考虑到原始图像的亮度信息，导致增强后的结果图偏暗，此外在融合操作时采用梯度域多尺度融合操作，选择最大的梯度值作为最后融合的梯度，对噪声敏感且增加了梯度重建的次数，执行效率较低。

基于此，本发明提供了一种基于梯度域的单幅图像去雾方法，在梯度域增强时考虑了原始图像的亮度信息，引入相对梯度，并构造了基于亮度特征的梯度域函数，并将其应用到多尺度上，对梯度域增强图像进行修正操作，使得增强结果更符合人眼视觉效果。此外，在多尺度融合时，本发明采用了带有颜色恢复的加权融合算法对重建后的图像进行融合操作，考虑了原始图像各个通道之间的比例，可以有效的提高结果图像的色彩保真度，解决了因各通道单独处理而引起的颜色失真问题。

技术实现要素：

本发明提供了一种基于梯度域的单幅图像去雾方法，能够有效的改善现有梯度域去雾算法中结果图较暗以及颜色失真等问题。

为了解决上述问题，本发明的技术解决方案为：基于梯度域的单幅图像去雾方法，其特征在于，主要包括如下步骤：

(1)采集原始的雾天降质图像，计算雾天降质图像的梯度和相应的透射率图；

(2)设定多个合适的尺度值，通常选择大、中和小三个尺度，较大的尺度值可对降质图像中的远景区域进行对比度增强，而较小的尺度可对近景区域进行增强；

(3)将对应的尺度值代入到增强函数中，然后采用增强函数对降质图像的梯度进行不同尺度的增强；

(4)构造基于亮度特征的梯度域函数，并将其应用于多尺度上，对增强后的梯度图像进行修正操作，使得增强后的结果图更符合人眼视觉效果；

(5)对步骤(4)中处理后的图像通过最小化梯度均方误差进行梯度域重建操作得到重建后图像；

(6)考虑了原始雾天图像各个通道之间的比例，构造了颜色恢复因子，并将其与加权融合算法相结合，利用带有色彩恢复系数的加权融合公式，对步骤(5)中所得的多幅重建后的图像进行加权融合操作，得到融合后的图像；

(7)对步骤(6)中所得的图像进行动态范围压缩，得到最终增强后的去雾图像。

其中，步骤(4)所述构造基于亮度特征的梯度域函数的具体过程为：首先考虑原始图像的亮度信息，将绝对梯度转换为相对梯度，如下式表示：

其中，i(x,y)代表输入图像的亮度信息，代表输入图像的梯度信息，而代表相对梯度。对于相同的绝对梯度值，亮度较大处的相对梯度值较小。然后构造基于亮度特征的梯度域处理函数，如下式表示：

其中，为平均相对梯度值，max()运算保证相对梯度值较小的得到拉伸，而较大的保持原来的对比度。参数α(1>α>0)控制梯度拉伸的阈值，β(1>β>0)控制拉伸的幅度。α的值越大时，代表越多的梯度值被拉伸，β的值越小时，代表对应的梯度拉伸的幅度越大。

其中，步骤(6)所述加权融合操作的具体过程为：首先考虑原始图像各个通道之间的比例，引入颜色恢复因子，可用如下式子表示：

其中，i∈{r,g,b}，ci(x,y)表示rgb彩色空间中某个颜色通道的色彩恢复因子，代表输入图像的三个颜色通道所占的权重。然后利用带有颜色恢复因子的加权融合策略对每个颜色通道梯度域重建图像rn进行处理，可用如下式子表示：

其中，r'i(x,y)为每个通道最终加权融合后的图像。色彩恢复因子的引入，可以有效的提高结果图的色彩保真度。

其中，步骤(7)所述动态范围压缩的具体过程为：加权融合后的图像r'中部分像素点的亮度值可能会超出正常的显示范围，这是因为梯度域增强很容易将低动态图像变为高动态图像。因此，为了使最终增强的图像可以显示在正常的范围内，可用如下式子表示：

其中，max(r')和min(r')分别表示图像r'中的最大和最小的亮度值，r为最终输出增强后的去雾图像。

与现有的单幅图像去雾技术相比，本发明的优点在于：

(1)本发明在对雾天降质图像梯度增强时，考虑了原始图像的亮度信息，构造了基于亮度特征的梯度域函数，并将其应用于多尺度上，对每个尺度下梯度增强后的图像进行修正操作，使得到的增强效果更符合人眼视觉效果；

(2)本发明在最后融合操作时采用了带有颜色恢复因子的加权融合算法对重建后的图像进行处理，色彩恢复因子引入考虑了原始彩色图像各个通道之间的比例，可以有效的提高结果图像的色彩保真度，避免了结果图像出现颜色失真的现象；

(3)本发明在最后采用了简单有效的加权融合方法，与现有的梯度域去雾和增强算法相比，减少了梯度域重建的次数，提高了算法的执行效率。

附图说明

图1：为本发明的流程框架示意图。

具体实施方式

下面结合附图和具体实施例进一步对本发明进行详细的说明。

如图1所示，本发明是一种基于梯度域的单幅图像去雾方法，其特征在于，主要包括如下步骤：

(1)采集原始的雾天降质图像，计算雾天降质图像的梯度g和相应的透射率图t；此处的梯度包括水平方向和垂直方向的梯度，透射率图的计算方法可用如下表示：

其中，p表示二维空间的坐标，指代图像中像素点的位置，max()运算表示取最大值运算median()表示中值滤波操作，sv为中值滤波采用的窗口大小，w(p)＝min(i(p))表示输入图像的每个像素点在三个通道的最小值，t(p)表示所求的雾天图的透射率。

(2)选择三个尺度值，分别代表大、中和小三个尺度，较大的尺度值可对降质图像中的远景区域进行对比度增强，而较小的尺度可对近景区域进行增强。

(3)将对应的尺度值代入到增强函数中，然后对雾天降质图像的梯度采用增强函数进行不同尺度的增强，即计算g·c(t)，其中增强函数c(t)＝e^λ(1-t)。

(4)考虑原始图像的亮度信息，将绝对梯度转换为相对梯度，如下式表示：

其中，i(x,y)代表输入图像的亮度信息，代表输入图像的梯度信息，而代表相对梯度。对于相同的绝对梯度值，亮度较大处的相对梯度值较小。然后构造基于亮度特征的梯度域处理函数，如下式表示：

其中，为平均相对梯度值，max()运算保证相对梯度值较小的得到拉伸，而较大的保持原来的对比度。参数α(1>α>0)控制梯度拉伸的阈值，β(1>β>0)控制拉伸的幅度。α的值越大时，代表越多的梯度值被拉伸，β的值越小时，代表对应的梯度拉伸的幅度越大。对于大多数图像而言，两个参数设置为α＝0.1,β＝0.8。

然后将构造的基于亮度特征的梯度域处理函数应用于多尺度上，对不同尺度增强后的图像进行修正操作，可用如下式子表示：

g'n(x,y)＝gn(x,y)·φ(x,y)

其中，n为尺度的标号，实验中选择三个尺度，即n分别取1,2,3；φ(x,y)表示对梯度gn(x,y)操作的拉伸函数，g'n(x,y)表示修正后的梯度场。需要注意的是，修正后的梯度场g'n(x,y)与原梯度场gn(x,y)的方向相同，只是在大小发生了变化。

(5)对步骤(4)中处理后的图像通过最小化梯度均方误差进行梯度域重建操作得到重建后图像，梯度域重建的过程可表示为如下过程：

假设已知梯度g，h＝f(x,y)为其重建后的图像。最小化梯度均方误差可表示为：

其中，为图像f(x,y)的梯度，可用其一阶偏导数来近似表示，因此，可用如下式子表示：

上式需满足如下euler-lagrange方程：

将f代入euler-lagrange方程中可得：

再次对上式进行化简，得到泊松微分方程：

其中，表示拉普拉斯算子：div代表散度：通过求解泊松微分方程便可得到重建后的图像h。

为了后续方便表示，将每个颜色通道重建得到的图像记为其中i表示颜色通道，n表示尺度标记。

(6)考虑了原始雾天图像各个通道之间的比例，引入颜色恢复因子，可用如下式子表示：

其中，i∈{r,g,b}，ci(x,y)表示rgb彩色空间中某个颜色通道的色彩恢复因子，代表输入图像的三个颜色通道所占的权重。然后利用带有颜色恢复因子的加权融合策略对每个颜色通道梯度域重建图像进行处理，可用如下式子表示：

其中，r'i(x,y)为每个通道最终加权融合后的图像。色彩恢复因子的引入，可以有效的提高结果图的色彩保真度。

(7)由于梯度域的图像处理容易将低动态图像转换为高动态图像，因此需要对步骤(6)中所得的图像进行动态范围压缩，得到最终去雾后的图像，可用如下式子表示：

其中，max(r')和min(r')分别代表图像r'中的最大和最小的亮度值，r为最终输出增强后的去雾图像。