一种UUV近海面可见光图像去雾方法与流程

本发明涉及的是一种光视觉成像方法，尤其是一种uuv近海面可见光图像的去雾方法。

背景技术：

中国海岸线漫长，海上天气状况复杂，由于海雾引起的船只碰撞事故屡见不鲜。光在大气介质中传播时被悬浮颗粒折射或反射，导致安装在海事浮标或者uuv上的摄像机拍摄的视频图像中的大量特征被掩盖，对比度下降，边缘细节模糊，容易造成图像内容的误判，从而对后续的目标定位、识别与跟踪造成影响。因此，海上光视觉图像的去雾处理是一项实用且具有挑战性的问题。

文献《singleimagehazeremovalusingdarkchannelprior》(proceedingsofieeecvpr.miami，usa：ieeecomputersociety,2009:2341-2353)中提出了一种基于暗通道先验的去雾方法。首先利用最小值滤波粗估计出透射率，然后采用软抠图算法对透射率进行细化，进而恢复无雾图像。但是，暗原色先验基于无雾图像的统计学规律，如果目标场景内在就和大气光类似，比如海面白色波浪、天空区域或明亮区域，由于前提条件不正确，导致在这些区域估计的透射率过小，引起恢复后的无雾图像大面积失真或局部出现黑斑现象。因此，基于暗通道去雾的方法不能够完全适应水面雾天图像。

文献《fastvisibilityrestorationfromasinglecolororgraylevelimage》(proceedingsofieeeiccv,2009:2201–2208)中利用中值滤波的变形式估计大气耗散函数，假设大气耗散函数在可行域中逼近最大值，且局部变化平缓，提出一种快速图像去雾方法。但是，中值滤波并非好的边缘保持滤波方法。另有很多基于暗通道和雾天成像物理模型的改进方法。

技术实现要素：

本发明的目的在于提供一种能够较好地保留图像边缘，去雾程度好而且能够克服天空光晕现象的uuv近海面可见光图像去雾方法。

本发明的目的是这样实现的：

(1)获取原始有雾图像，求取三个颜色通道的最小值，记为m(x)；

(2)利用m(x)和四叉树细分法的改进方法求取全局大气光；

(3)对m(x)进行自适应表面模糊；

(4)求出大气散射函数；

(5)借助雾天成像物理模型求得无雾图像并输出。

本发明还可以包括：

1、所述利用m(x)和四叉树细分法的改进方法获取全局大气光具体包括：

1)将图像分为四个矩形区域；

2)求取各区域的平均像素值和方差，平均像素值减去方差视为各区域得分；

3)将得分最高的区域划分为四个小区域；

4)重复步骤2)～3)，直到最高得分区域的面积小于预先设定的阈值st；

5)取该区域的最亮点，其像素值即为全局大气光a。

2、所述对m(x)进行自适应表面模糊的具体包括：

自适应表面模糊处理有两个参数，半径s和阈值t，半径s决定模糊的范围，阈值t决定模糊的程度，模糊的范围就是卷积矩阵的大小，当半径为s时，模糊矩阵直径为2s+1，矩阵元素个数为s*s，矩阵的中间元素即当前的像素值，矩阵元素值的计算公式为：

其中t是阈值，wij为模板矩阵的元素值、也是权重，mij为图像m(x)像素值，m0为模板矩阵中心的像素值；

然后对wij做预处理

wij＝max(1，wij)

根据卷积运算，每一个像素通过模糊之后的值为：

当模板矩阵中心的像素值m0＞a-50时，为明亮区域，模糊半径s＝3，窗口大小为7*7；当模板矩阵中心的像素值m0≤a-50时，对于局部暗区域，窗口半径s＝1，采用3*3的窗口。

本发明的有益效果是：对三个颜色通道的最小值图像进行自适应表面模糊。它与中值滤波、均值滤波等其他卷积处理手段不同，该方法每一个像素都有自己的卷积矩阵，能够较好的保持目标物体的边缘，有利于后续的目标识别、定位和跟踪。同时，为了克服滤波后局部偏暗的现象，借助全局大气光粗略地将图像分为暗区域和亮区域，分别使用不同的半径进行模糊处理。该发明去雾程度较好而且能够克服天空光晕现象。

附图说明

图1为本发明的流程图；

图2为本发明一个实施例的原始可见光有雾图像；

图3为本发明一个实施例取三个颜色通道最小值后的图像m(x)；

图4为本发明一个实施例利用m(x)和四叉树细分法的改进方法获取全局大气光时的区域分割示意图；

图5为本发明一个实施例的m(x)经自适应表面模糊后的图像；

图6为本发明一个实施例的大气散射函数的图像；

图7为本发明一个实施例的去雾图像。

具体实施方式

为了使本发明的目的、技术方案和优点更加清晰明了，以下结合附图和具体实施例，对本发明作进一步详细描述。

如图1所示，一种uuv近海面可见光图像去雾方法，包括以下步骤：

1.利用vs2010和opencv语言编程输入并显示uuv近海面可见光侦查图像，记为i(x)，可见光图像如图2所示。对i(x)取三个颜色通道的最小值，记

图像m(x)如图3所示。

2.利用m(x)和四叉树细分法的改进方法获取全局大气光的步骤包括：

(1)将图片分为四个矩形区域。

(2)求取各区域的像素平均值值和方差，平均像素值减去方差视为各区域得分。

(3)将得分最高的区域划分为四个小区域。

(4)重复步骤(2)～(3)，直到最高得分区域的面积小于预先设定的阈值st。经实验知，320*240的测试图片，st＝5*3.75时，便可在迭代次数最少的情况下求得最亮点的坐标。区域分割示意图如图4所示。

(5)取该区域的最亮点，其像素值即为全局大气光a。

3.对m(x)进行自适应表面模糊的具体步骤包括：

自适应表面模糊与中值滤波、均值滤波等卷积处理手段不同，该方法每一个像素都有自己的卷积矩阵。它主要有两个参数，半径s和阈值t，前者决定模糊的范围，后者决定模糊的程度。模糊的范围就是卷积矩阵的大小，当半径为s时，模糊矩阵直径为2s+1，矩阵元素个数为s*s，矩阵的中间元素即当前的像素值。矩阵元素值的计算公式为：

其中t是阈值，wij为模板矩阵的元素值，也是权重，mij为图像m(x)像素值，m0为模板矩阵中心的像素值。然后对wij做一个预处理

wij＝max(1，wij)(3)

根据卷积运算，每一个像素通过模糊之后的值为：

若整幅图像均采用同一半径进行模糊处理，会发现去雾后图像边缘处，细节过于突出，有“毛刺”现象，像素间过渡不自然，并且滤波后图像某些区域会产生黑色斑块。这是由于在强度变化的边缘，若某像素点强度值低，但窗口内绝大多数像素值强度较大，模糊后该点取较大强度值。因此，对于强度值较低的局部暗区域，防止该点强度值因为窗口内其他像素点被过度放大，将原滤波半径减小。因此，借助全局大气光a粗略地将整幅图像划分为亮区域与暗区域。当模板矩阵中心的像素值m0＞a-50时，为明亮区域，模糊半径s＝3，窗口大小为7*7；当模板矩阵中心的像素值m0≤a-50时，对于局部暗区域，窗口半径s＝1，采用3*3的窗口，减小边缘区域像素被过度放大的现象，去除黑斑效应。m(x)经自适应表面模糊后的图像mblur(x)如图5所示。

4.求出大气散射函数的具体步骤包括：

首先，求m(x)所有元素的均值ave。遍历图像m(x)的像素值，width和height分别为图像的长和宽，然后利用公式

求出均值ave。ave与带雾图像的整体灰度相关，起到了自适应调节亮度的作用。

为了让复原效果更加稳定，适应不同场景，故引入调节参数ρ且ρ·ave。经实验验证，

ρ＝c时去雾效果最好。为了保证滤波后的结果得到补偿，为正值且不能过小，取上限为0.9，得大气散射函数

l(x)＝min{min(ρ·ave，0.9)·mblur(x)，m(7)

大气散射函数的图像如6所示。

5.借助雾天成像物理模型求得无雾图像并输出的具体步骤包括：

在计算机视觉中，根据米氏散射原理，雾天成像物理模型可表式为:

i(x)＝j(x)·t(x)+a(1-t(x)(8)

其中i(x)为观察到的有雾图像；j(x)为恢复的无雾图像；a表示全局大气光；t(x)为大气透射率，表示场景中物体反射的光线没有发生散射而直接传输到摄像机的比例。从式(8)可以看出大气散射模型由2项组成：第一项为入射光衰减模型，表示物体表面反射的光线在空气中传播衰减后的辐射强度；第二项为大气耗散函数，表示大气环境中其他光线对成像所产生的影响，导致图像色彩和亮度的偏移。其中，大气耗散函数l(x)还可以表示为

l(x)＝a(1-t(x))(9)

则(8)式可以改写为

从有雾图像i(x)中估计出出全局大气光a和大气耗散函数l(x)后，公式(10)变形为

便能恢复出清晰的无雾图像j(x)并输出，无雾如图7所示。