本发明涉及智能交通视频处理领域,尤其是一种保边能力强、鲁棒性好、对比度和清晰度高的基于非下采样轮廓波和马尔可夫随机场的交通图像去雾方法。
背景技术:
虽然智能交通管理系统能够借助大量的视频传感器获取车辆信息(如提取车辆型号、车牌号和车身颜色等),可是在复杂场景(如恶劣天气)中准确捕获交通视频图像中的异常信息仍被视为目前的应用难题之一。众所周知,由于汽车尾气、煤油燃烧等诸多复杂因素导致我国大部分地区近几年频繁出现雾霾天气,尤其是南方人口密集的发达城市更为明显。雾霾中有很多颗粒物质以及液滴,会对光线有一定的散射作用,加之大雾天气的光照条件往往不够充分,会使交通监控图像出现对比度和清晰度降低、颜色饱和度下降、视觉亮度动态范围缩小、视频图像质量大幅度退化、图像细节信息不明显等现象,于是车辆的细节信息凸显不出来,信息的可辨别度明显不足,从而导致监控设备无法捕获清晰图像,不可避免地影响到智能交通系统工作的可靠性和稳定性。因此,对交通监控视频图像进行去雾处理,减弱雾霾颗粒等杂质的影响,并尽可能多地保留图像细节信息是改善交通视频监控系统性能的重要一环。
目前交通图像去雾方法主要可划分为两大类:基于增强的去雾方法和基于物理模型的图像恢复方法。
基于增强的去雾方法主要采用图像处理中的图像增强原理来改善大雾天气下交通监控画面的质量,典型方法包括单尺度retinex的去雾算法、多尺度retinex的去雾算法、基于小波变换的去雾算法和基于直方图均衡化的算法。尽管该类方法在一定程度上可有效增强含雾图像的细节信息并提高图像的对比度,可是也可能会出现局部细节信息的损失。而且,由于未充分利用大气信息的先验,对于那些场景复杂的图像仍会出现部分区域对比度较低的现象,无法完全满足应用需求。
基于物理模型的图像恢复方法以雾天图像降质的物理过程为基础建立雾天退化模型,在反演图像退化的过程中完成对参数的最优化估计,补偿退化过程中所造成的图像失真,从而改善雾天图像质量,近年来得到越来越多的关注与研究。有研究人员利用偏微分方程和大气散射模型建立图像去雾的最优模型,推导出包含相应图像梯度的偏微分方程。tan等人通过统计发现,无雾图像相对于含雾图像具有较高的对比度,从而提出通过最大化局部对比度的方式实现去雾。但该算法的缺点在于,复原后的图像颜色过于饱和。fattal等人运用独立成分分析的方法,在假设光的传播和场景目标表面遮光部分为局部不相关的前提下,估计出场景的辐照度,并由此推导出清晰的传播图像。由于该算法基于数理统计,并且要求具有足够的颜色信息,在处理浓雾图像时仍存在一定局限。tarel等人则利用中值滤波的变形形式估计大气耗散函数,提出了一种快速图像去雾算法。但他们没有考虑到中值滤波并非是好的边缘保持滤波器,不恰当的参数设置容易引入halo效应。为了克服以上几种算法的不足,hekaiming等人提出了一种基于暗通道的单一图像去雾算法。该算法根据暗通道先验理论,并结合雾天成像模型的方法实现含雾图像的增强,能够使含雾图像得以很好的复原。然而,一方面,软抠图算法具有较高的运算量,很难用到实时的监测场合;另一方面,当场景目标的亮度与大气光相似时,该方法的恢复结果会出现明显的颜色失真(如大面积的天空区域),细节信息损失比较严重,并且这种情况在交通场景又较为多见,比如斑马线等。
技术实现要素:
本发明是为了解决现有技术所存在的上述技术问题,提供一种保边能力强、鲁棒性好、对比度和清晰度高的交通图像去雾方法。
本发明的技术解决方案是:一种基于非下采样轮廓波和马尔可夫随机场的交通图像去雾方法,其特征在于按照如下步骤进行:
步骤1.将输入图像i的颜色空间从rgb转换为hsv;
步骤2.对hsv颜色空间的3个通道分别进行2级非下采样轮廓波变换(non-subsampledcontourlettransform,nsct);
步骤3.对3个通道的高频nsct系数分别进行增强;
步骤3.1计算第
步骤3.2计算第
步骤3.3对于第
所述
步骤4.利用低频nsct系数估计大气光值;
步骤4.1对低频系数做公式(2)~公式(4)定义的最大值滤波,将得到3个通道的系数最大值
所述
步骤5.利用低频nsct系数计算透射率;
步骤5.1重新开辟一片内存,将hsv3个通道的nsct变换系数复制到该片内存;
步骤5.2将所有的高频系数清0,仅保持低频系数不变,然后进行2级非下采样轮廓波逆变换;
步骤5.3提取出逆变换后的v分量;
步骤5.4设置
所述
步骤5.5对于v分量的每个像素
所述
步骤5.6利用基于图切的
所述n表示具有4-邻域关系的像素集合;
步骤5.7对透射率图像的初始值进行双边滤波,进而得到精细的透射率图像
步骤6.将经过步骤3增强后的hsv3个通道的高频nsct系数及原始低频nsct系数分别进行2级非下采样轮廓波逆变换,得到边缘增强后的hsv3通道图像
步骤7.根据公式(8)-公式(10)定义的大气散射模型分别对
所述
步骤8.将复原后的hsv三通道图像
与现有技术相比,本发明的优点如下:第一,通过nsct的拉普拉斯金字塔滤波器和方向滤波器组提取出有雾图像的强边缘和弱边缘,并对其进行非线性增强,可降低细节信息的丢失概率,有利于提高去雾算法的保边能力和结果图像的清晰度;第二,利用低频nsct系数估计大气光值,有利于更精确地估计出大气光值;第三,在低频nsct子带建立关于透射率的马尔可夫随机场模型,并应用基于图切的
附图说明
图1为本发明实施例与传统基于暗通道的去雾方法、基于小波变换的去雾方法的主观质量对比图。
具体实施方式:
本发明的基于非下采样轮廓波和马尔可夫随机场的交通图像去雾方法,其特征在于按照如下步骤进行;
步骤1.将输入图像i的颜色空间从rgb转换为hsv;
步骤2.对hsv颜色空间的3个通道分别进行2级非下采样轮廓波变换(non-subsampledcontourlettransform,nsct);
步骤3.对3个通道的高频nsct系数分别进行增强;
步骤3.1计算第
步骤3.2计算第
步骤3.3对于第
所述
步骤4.利用低频nsct系数估计大气光值;
步骤4.1对低频系数做公式(2)~公式(4)定义的最大值滤波,将得到3个通道的系数最大值
所述
步骤5.利用低频nsct系数计算透射率;
步骤5.1重新开辟一片内存,将hsv3个通道的nsct变换系数复制到该片内存;
步骤5.2将所有的高频系数清0,仅保持低频系数不变,然后进行2级非下采样轮廓波逆变换;
步骤5.3提取出逆变换后的v分量;
步骤5.4设置
所述
步骤5.5对于v分量的每个像素
所述
步骤5.6利用基于图切的
所述n表示具有4-邻域关系的像素集合;
步骤5.7对透射率图像的初始值进行双边滤波,进而得到精细的透射率图像
步骤6.将经过步骤3增强后的hsv3个通道的高频nsct系数及原始低频nsct系数分别进行2级非下采样轮廓波逆变换,得到边缘增强后的hsv3通道图像
步骤7.根据公式(8)-公式(10)定义的大气散射模型分别对
所述
步骤8.将复原后的hsv三通道图像
本发明实施例与传统基于暗通道的去雾方法、基于小波变换的去雾方法的的主观结果比较如图1所示:从上至下、从左至右分别为(a)原始图像;(b)基于暗通道先验的去雾结果;(c)基于小波变换的去雾结果;(c)本发明实施例的去雾结果。
本发明实施例与传统基于暗通道的去雾方法、基于小波变换的去雾方法的的客观结果比较如表1所示。
表1
对比结果表明:本发明得到的去雾图像中边缘锐化程度更强,色彩对比度、自然度和丰富度更高。