图像去雾方法及其系统的制作方法
【技术领域】
[0001] 本发明属于图像处理和计算机视觉领域，尤其设及一种图像去雾方法及其系统。
【背景技术】
[0002] 目前，针对图像去雾，研究工作主要集中在对单幅图像的去雾。常用的图像去雾方 法包括Retinex方法、化ttal方法、He方法和化rel方法。
[0003] Retinex方法设定输入的退化图像是亮度图像与反射图像的乘积。通过去除或降 低亮度图像的影响，从而尽量保留反映场景本质的反射图像来去雾。然而，其在颜色信息处 理过程中采用了输入图像色度的非线性函数值来补偿颜色信息的丢失，无法还原场景的真 实颜色。
[0004] 化ttal方法首先假设图像局部区域的反射率是常数，并且该反射率与传输率是相 互独立。利用独立分量估计反射率的方向，并基于马尔可夫随机场估计图像的颜色，取得较 好的去雾结果。但是，该方法假设局部区域内的统计相互独立且需要充分的颜色信息，导致 其在低能见度或颜色信息不够明显的情况下，常常会失效。
[000引化方法统计分析大量户外高能见度图像并提取暗通道先验。通过该先验估计大气 光和传输率，再利用图像枢图对传输率进一步优化。利用雾天成像的物理模型进行图像去 雾。该方法去雾效果较好，无需附加条件，但是当场景中不存在暗原色时，其往往无效。同 时，该方法优化传输率时采用枢图处理，本质上是求解一个大规模稀疏的线性方程组，拥有 很高的时间与空间复杂度。
[0006] Tarel方法假设大气散射函数在一定范围内趋近于最大值，采用改进的中值滤波 对大气散射函数进行估计，从而来对单幅图像进行能见度去雾处理。该方法尽管拥有较低 的时间复杂度，较高的执行效率，但是并不能够较好的保持图像边缘，并且容易使得去雾结 果产生光晕效应。
[0007] Tan方法利用低能见度图像的对比度比高能见度图像低运一先验，通过最大化去 雾图像局部对比度来增强图像。基于马尔可夫随机场来归一化结果，其在景深突变的区域 很容易产生光晕效应，同时去雾出的图像颜色过于饱和。
【发明内容】
[0008] 本发明的目的是:针对现有技术的不足，提供一种细节清晰、景深突变区域无残雾 和光晕效应、能更好地恢复真实场景的图像去雾方法及其系统。
[0009] 为了达到上述目的，一方面，本发明提供了一种图像去雾方法，其包括W下步骤：
[0010] 步骤一，采集包含有雾的图像；
[0011] 步骤二，根据图像的边界条件获得初始的大气散射函数；
[0012] 步骤Ξ，利用递归双边滤波来精化初始的大气散射函数；
[0013] 步骤四，再次使用递归双边滤波器得到局部对比度；
[0014] 步骤五，基于局部对比度，对不同浓度的雾区域自适应地进行处理；
[0015] 步骤六，根据图像退化模型快速获得去雾结果，并进行色调调整后将最终结果进 行输出展示。
[0016] 另一方面，本发明提供了一种图像去雾系统，其包括图像采集模块、处理模块、图 像输出模块，其中，
[0017 ]图像采集模块:采集包含有雾的图像并传送给处理模块；
[0018] 处理模块:根据图像的边界条件获得初始的大气散射函数，利用递归双边滤波来 精化初始的大气散射函数，再次使用递归双边滤波器得到局部对比度，基于局部对比度，对 不同浓度的雾区域自适应地进行处理，根据图像退化模型快速获得去雾结果，并进行色调 调整；
[0019] 图像输出模块:将最终结果进行输出展示。
[0020] 本发明的有益效果如下：本发明提供的图像去雾方法及其系统，其关键在于能够 获得准确的大气散射函数。首先，利用给定图像的边界条件获得初始的大气散射函数。为 了能有效地避免光晕现象，利用递归双边滤波来精化初始的大气散射函数。之后再次使用 递归双边滤波器得到局部对比度。基于局部对比度，不同浓度的雾区域能够被自适应地进 行处理。为了能够得到更真实的效果，采用色调映射对其结果进行处理。为了加速该方法， 本发明采用一种自适应的非均匀采样策略。对于输入的输入图像构建其相应的高维特征空 间，并借助高斯KD化-dimensiona 1)树对特征空间进行自适应的剖分。采用高斯权度量像素 点对应特征向量的相似度，则每个剖分得到的子空间是由特征相似的像素点聚类构成。计 算每个叶结点子空间的采样，并用运些采样点近似表示图像的输入数据集。由此，得到的采 样点数量会小于输入数据集。基于运些采样点进行去雾处理，并将计算结果插值到输入数 据集。该方法能够快速有效地对单幅图像进行去雾处理。
【附图说明】
[0021 ]图1为本发明图像去雾方法的流程图。
【具体实施方式】
[0022 ]如图1所示，本发明提供了一种图像去雾方法，其包括W下步骤：
[0023] 步骤一，采集包含有雾的图像；
[0024] 步骤二，根据图像的边界条件获得初始的大气散射函数；
[0025] 步骤Ξ，利用递归双边滤波来精化初始的大气散射函数；
[0026] 步骤四，再次使用递归双边滤波器得到局部对比度；
[0027] 步骤五，基于局部对比度，对不同浓度的雾区域自适应地进行处理；
[0028] 步骤六，根据图像退化模型快速获得去雾结果，并进行色调调整后将最终结果进 行输出展示。
[0029] 优选的，步骤二中根据图像退化模型得到全局大气光A，采用像素点i为中屯、的窗 口 ω (i)对输入图像的r，g，b^通道分别进行最小值滤波，然后，选取滤波后的Ξ通道最大 值作为全局大气光A，
[0030]
[0031] 其中，j是像素点索引，I是输入图像。
[0032] 进一步优选的，所述初始的大气散射函数由W下方法获得，假设在窗口 ωα)内的 大气散射函数为常数，定义其为να),根据场景福射通常是有界的运一物理特性，即J>B， 可W得到
[0033]
[0034] 其中，να)为大气散射函数，ζ为属于窗口 ωα)内的像素点，曰￡^，邑，6}，1是场景 福射，Β为场景福射的下边界，Wb(i)为将场景福射的下边界代入所得大气散射函数的上边 界。
[0035] 再进一步优选的，允许窗口内场景传输值有细微的变化，从而将场景传输的初始 估计值进一步调整为
庚中，Wa(i)为大气散射函数初始估计值。
[0036] 再进一步优选的，所述步骤Ξ中采用递归双边滤波算子，基于一系列一维的离散 信号操作，通过多次迭代，对初始的大气散射函数的精化如下，
[0037]
[003引其中，]\fea)为精化后的大气散射函数，
其中，〇sl，〇rl分别为空间域和范围域的参数。此过程记为M(i)=R邸(Wa(i)，〇sl，〇rl)。
[0039] 更进一步优选的，所述步骤四中对大气散射函数初始估计值Wa(i)进行更大尺度 的双边滤波得(i)，M^ (i)和局部对比度N(i)的计算公式分别为，
[0040] M' (i)=RBF(Wa(i)，〇s2,〇r2)，〇s2>〇sl，〇r2>〇rl
[0041 ] N(i)= (i)
[0042] 其中，分别为空间域和范围域的参数，M(i)为对初始的大气散射函数双边 滤波的结果。
[0043] 大气散射函数的估计值为，
[0044]
[004引式中，Vb(i)为基于局部对比度的大气散射函数的估计值，m为M(i)的平均灰度值， k为一个可调的系数，
[0046] 由于0<V(i) <W(i)，采用￥:。）=111日又(111111(口￥6(1)，胖3。）），0)对￥6。）加^约束， 其中，Vf(i)为最终大气散射函数估计值，P是为平衡因子，其作用为保留小部分雾，使得去 雾后的结果更真实。
[0047] 更进一步优选的，所述步骤五中对不同浓度的雾区域自适应地进行处理步骤如 下:首先，基于输入图像的像素点的空间位置信息和颜色信息构造其5维特征空间;然后，利 用高斯K的对对特征空间中的特征点进行自适应的聚类，在特征点相似度较小的区域，进行 细粒度剖分，局部聚类数较多，在特征点相似度较大的区域，进行粗粒度剖分，局部聚类数 较少，如果子空间所包含特征点的颜色方差高于设定的阔值，那么将会继续剖分;反之，贝U 停止剖分，得到叶结点，分别计算叶结点子空间所包含的特征点与该子