一种基于暗通道先验的图像去雾透射率优化方法与流程

本发明涉及数字图像处理及图像去雾的技术领域，具体涉及一种基于暗通道先验的图像去雾透射率优化方法。

背景技术：

近年来，雾霾越来越频繁地出现于我国各大城市，有些地方甚至全年大部分时间都笼罩在雾霾下。2013，年北京仅有5天不是雾霾天；这一年的一月，有四次雾霾笼罩了三十个省市。雾霾较大时，能见度降低，严重地影响了所拍图片的清晰度。

在雾霾天气下拍摄的图像由于大气光的影响会被严重的降质，掺杂大量的雾气成分，图像整体偏灰白色，边缘信息较少，可检测性大大降低。尤其是浓雾天气下拍摄的图像，细节信息损失较多，不利于计算机对图像进行处理，而且视觉效果较差。

依赖于计算机视觉的系统在雾霾天气下工作时会受到严重的干扰，甚至无法正常工作，如交通视频监控、军事侦察等。因此，研究雾霾天气下图像的清晰化方法具有重要的现实意义和实用价值，近几年来图像去雾技术一直是图像处理领域的一个研究热点。本发明的研究便是对雾天降质图像的复原和细节增强，改善暗通道先验去雾方法在天空等特殊区域失效的缺陷、以尽可能地增强去雾的效果。

目前，在图像去雾领域国内外研究者们做了许多工作，提出了很多有效的去雾方法。现有的去雾算法大致可以分为两大类：基于图像增强的方法和基于物理模型的方法。

第一类是基于图像增强的方法，这类方法是采用通用的图像处理方法对被降质的图像进行增强，改善图像的质量。该类方法简单，处理速度较快，但通常去雾效果较差，尤其是对于雾气较浓或雾气分布不均的图像。文章【1】(Gonzalez R C,Woods R E.Digital Image Processing.Reading,MA:Addison-Wesley,1992.)提出了全局的直方图均衡化的增强方法，该方法较简单，但是处理效果不理想，可能会造成图像部分信息的损失,以致图像失真。文章【2】(Kim T K,Paik J K,Kang B S.Contrast enhancement system using spatially adaptive histogram equalization with temporal filtering.IEEE Transactions on Consumer Electronics,1998,44(1):82-87)中提出了局部的直方图均衡化，有不错的处理效果，但是会造成严重的块效应。文章【3】(Land E H.The retinex theory of color vision.Scientific America,1977,237(6):108-128)提出了基于色彩恒常性的Retinex算法，该算法采用照明-反射模型来模拟雾天图像退化的过程。通过消除照射分量，求解反射分量来复原无雾场景。Retinex算法对浓雾区域和场景深度的变化不敏感，复原后的图像通常会保留较多的雾气成分。

基于物理模型的去雾方法是通过研究雾气产生原理，了解图像退化机理，构建物理模型，从而反演出无雾的场景。该类方法从本质上对图像进行了去雾，通常具有很好的效果，因此也是去雾研究的热点。目前主流的去雾算法有Tarel、何凯明、孟高峰等人提出的算法，其依赖的物理模型为大气散射模型。文章【4】(He K,Sun J,Tang X.Single image haze removal using dark channel prior.IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353)通过对大量无雾图像统计特征观察，发现了被命名为暗通道先验的先验规律。该方法在处理效果上有非常好的表现，开辟了图像去雾的一个新领域。文章【5】(Tarel J P,Hautiere N.Fast visibility restoration from a single color or gray level image.In:Proceedings of the 12th IEEE International Conference on Computer Vision,2009.Kyoto:IEEE,2009.2201-2208)中，提出了一种快速去雾的方法，使用双中值滤波代替【4】中的最小值滤波和导向滤波，大大简化了处理过程，提高效率。但是中值滤波并不是好的边缘保持滤波算法，局部区域景深突变会产生光晕效应。并且算法中的参数较多，无法实现自适应调整，需要人工进行测试调整，在实际应用中受到了限制。文章【6】(Gaofeng MENG,Ying WANG,Jiangyong DUAN,Shiming XIANG,Chunhong PAN.Efficient image dehazing with boundary constraint and contextual regularization.The IEEE International Conference on Computer Vision(ICCV),2013,pp.617-624)引入了透射率边界限制，使用Kirsch算子计算的权重函数反映局部的景深变化，并采用正则化方法计算透射率。该算法能有效避免光晕现象，但是对于天空区域会出现的偏色现象，尤其是薄雾和无雾图像。文章【7】(崔冰琪，解振东，李红，基于暗通道先验图像去雾的方法改进，信息通信(A)，1673-1131(2013)06-0060-02)提出通过小波变换提取图像的低频信息和高频信息，只对低频部分进行暗通道先验去雾，再和高频信息进行重构恢复无雾清晰图片，这种方法对于图像的细节恢复效果较差，图像细节与去雾前差别不大，而且小波变换方法的耗时较高，虽然比软抠图时间较短，但与导向滤波方法相比则时间复杂度很高，因此在实际工程应用中有很大限制。

专利CN105631829A采用反转图像的方法进行去雾，改善了原暗通道算法在夜间等低照度情况下细节损失的缺陷，但该算法无法适应光照较高的场景去雾，而事实上雾气图像的亮度通常较高，低照度情况下去雾的恢复效果较差。

技术实现要素：

本发明目的在于：改善暗通道先验算法在特殊区域偏色的缺陷，透射率计算更符合场景的真实透射率值，使复原的图像亮度更高，色调更加逼真自然，细节增强效果更佳。

本发明采用的技术方案为：一种基于暗通道先验的图像去雾透射率优化方法，该方法包括如下步骤：

步骤1)：获取RGB格式的雾气图像：基于有雾图像的物理模型对RGB格式的图像进行去雾操作，有雾图像的物理模型可以表示成：

I(x)＝J(x)t(x)+A(1-t(x))

其中，I(x)就是待去雾的图像，J(x)是要恢复的无雾的图像，A是全球大气光成分，t(x)为透射率；

步骤2)：求取雾气图像的暗通道分布图；

1)首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，即最小值通道；

2)对最小值通道进行最小值滤波，滤波的半径由窗口大小决定；

暗通道的求取公式如下：

$J^{dark}\left(x\right)=\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c\∈(r,g,b)}{\min }{J}^c\right(y\left)\right)$

式中，min为做最小值运算，r、g、b分别为三个颜色通道，J^c表示彩色图像的每个通道，Ω(x)表示以像素X为中心的一个窗口，暗原色先验的理论指出：J^dark(x)→0；

步骤3)：根据暗通道图求出大气光值；

步骤4)：根据暗通道先验原理计算透射率；

步骤5)：对雾气图像进行去雾操作，得到中间去雾结果；

步骤6)：对步骤4)求得的透射率进行优化；

步骤7)：复原无雾图像，根据大气散射模型来重构无雾的图像。

其中，步骤3)中计算大气光值时，根据有雾图像的物理模型可知，要想恢复出无雾图像，前提是知道大气光值A，求取A值的方法是：

1)统计暗通道中亮度值最高的0.1％个点；

2)在原有雾图像中找到与这些点对应的像素点；

3)在这些像素点中找到具有最大亮度值的像素点，该点即为大气光值A。

其中，步骤4)中计算透射率时；由有雾图像物理模型的变形，并且结合暗通道先验的理论，可以推导出粗略的透射率t₁(x)的表达式，如下所示：

$t_1\left(x\right)=1-\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c\∈(r,g,b)}{\min }\frac{I^c\left(y\right)}{A^c}\right)$

其中，min为做最小值运算，r,g,b分别是三个颜色通道。

通过在上式中引入一个在[0,1]之间的因子，则修正为：

$t_1\left(x\right)=1-\mathrm{\ω}*\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c\∈(r,g,b)}{\min }\frac{I^c\left(y\right)}{A^c}\right)$

其中，ω是去雾因子，用以调节雾气去除程度，避免去雾不足或过度去雾而引起的图像失真现象，选取的去雾因子为0.95。

其中，步骤5)中粗去雾时，粗去雾的公式如下：

$J_1^c\left(x\right)=\frac{I^c\left(x\right)-A^c}{max(0.1,t_1(x))}-A^c,c\∈(r,g,b)$

其中，max为做最大值运算，为了避免噪声的影响，对透射率限制了一个下限0.1，防止J(x)出现负值的情况。

其中，步骤6)中透射率优化时，具体的优化方法是：

1)计算中间结果J₁(x)的最小值通道图

2)对粗略的透射率t₁(x)进行优化，得到优化后的透射率t₂(x)，采用如下公式：

$t_2\left(x\right)=\frac{A^{\min }-I^{dark}\left(x\right)}{\max (1,A^{\min }-J_1^{\min }(x))}$

其中，max为做最大值运算，A^min为大气光值的最小值，I^dark(x)为暗通道分布。

3)利用导向滤波对优化后的透射率进行精细化处理，消除块效应，得到最终优化后的透射率t(x)。

其中，步骤7)中复原无雾图像时，利用前面得到的大气光值A和透射率t(x)可以根据物理模型重构无雾图像J(x)，采用如下公式：

$J^c\left(x\right)=\frac{I^c\left(x\right)-A^c}{\max (0.1,t(x))}-A^c,c\∈(r,g,b)$

其中，为了避免噪声的影响，对透射率限制了一个下限0.1，防止J(x)出现负值的情况。

本发明的原理在于：

本发明的技术方案分为两个阶段：第一阶段是利用暗通道先验理论求解粗略的透射率，并对雾气图像进行粗去雾操作，得到中间去雾结果；第二阶段是利用中间去雾结果优化透射率，然后使用导向滤波对优化后的透射率进行精细化。具体如下：

1)对雾气图像进行粗去雾

由前面步骤所计算的大气光值和粗略透射率，根据物理模型对雾气图像进行去雾操作，得到中间去雾结果。

2)透射率优化

对粗透射率进行优化，使透射率跟接近真实透射率值，然后利用导向滤波对优化后的透射率进行精细化处理，消除块效应。

本发明技术方案的优点和积极效果为：

(1)改善暗通道先验算法的偏色现象

暗通道先验理论计算透射率时直接将无雾图像的暗通道分布近似等于零，这样求取的透射率就会整体偏小，部分区域的细节会有所损失，复原的图像往往会产生偏色现象，影响图像的视觉观赏性。本发明对透射率进行了优化处理，使优化后的透射率更加接近场景的真实值，改善了传统的暗通道先验算法在某些特殊区域产生的偏色现象。

(2)复原图像视觉效果更好

本发明提出的改善方法是针对透射率进行的优化，方法非常简单有效，使得复原的图像细节得到很大的增强，亮度得到提高，改善了暗通道先验算法在亮度较低的场景下图像信息损失较多的缺陷，同时整体色调逼真自然，视觉效果更好。

附图说明

图1为去雾算法流程图；

图2为对比结果示意图，其中，图2(a)为原图示意图，图2(b)为暗通道先验算法结果示意图，图2(c)为本发明结果示意图。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

本发明提出的一种基于暗通道先验的图像去雾透射率优化方法，执行流程如图1所示：

步骤1)：获取RGB格式的雾气图像。

步骤2)：求取雾气图像的暗通道分布图。

步骤3)：根据暗通道图求出大气光值，这里选取的规则是：选取暗通道中值最大的0.1％对应的RGB雾气图像中的最亮点作为该图像的大气光值。

步骤4)：根据暗通道先验原理计算透射率。

步骤5)：对雾气图像进行去雾操作，得到中间去雾结果。

步骤6)：对步骤4)求得的透射率进行优化。

步骤7)：复原无雾图像，根据大气散射模型来重构无雾的图像。

具体步骤如下：

1、雾天图像物理模型

本发明基于有雾图像的物理模型对RGB格式的图像进行去雾操作，有雾图像的物理模型可以表示成：

I(x)＝J(x)t(x)+A(1-t(x))

其中，I(x)就是我们现在已经有的图像(待去雾的图像)，J(x)是我们要恢复的无雾的图像，A是全球大气光成分，t(x)为透射率。

2、计算暗通道

暗通道先验理论指出：在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数，趋近于0，将其称之为暗通道。其具体求取过程为：

1)首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，即最小值通道。

2)对最小值通道进行最小值滤波，滤波的半径由窗口大小决定，经过后期实验效果总结，窗口大小对去雾效果有较大的影响。在这里，我们选取滤波半径为5较为合适。

暗通道的求取公式如下：

$J^{dark}\left(x\right)=\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c\∈(r,g,b)}{\min }{J}^c\right(y\left)\right)$

式中，min为做最小值运算，r,g,b分别是三个颜色通道，J^c表示彩色图像的每个通道，Ω(x)表示以像素X为中心的一个窗口，暗通道先验的理论指出：J^dark(x)→0。

3、计算大气光值

根据有雾图像的物理模型可知，要想恢复出无雾图像，前提是知道大气光值A。本发明中求取A值的方法是：

1)统计暗通道中亮度值最高的0.1％个点。

2)在原有雾图像中找到与这些点对应的像素点，

3)在这些像素点中找到具有最大亮度值的像素点，该点即为大气光值A。

4、计算透射率

由有雾图像物理模型的变形，并且结合暗通道先验的理论，可以推导出粗略的透射率t₁(x)的表达式，如下所示：

$t_1\left(x\right)=1-\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c\∈(r,g,b)}{\min }\frac{I^c\left(y\right)}{A^c}\right)$

其中，min为做最小值运算，r，g，b分别是三个颜色通道。

在现实生活中，即使是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，因此，有必要在去雾的时候保留一定程度的雾，这可以通过在上式中引入一个在[0,1]之间的因子，则修正为：

$t_1\left(x\right)=1-\mathrm{\ω}*\underset{y\∈\mathrm{\Ω}\left(x\right)}{\min }\left(\underset{c\∈(r,g,b)}{\min }\frac{I^c\left(y\right)}{A^c}\right)$

其中，ω是去雾因子，用以调节雾气去除程度，避免去雾不足或过度去雾而引起的图像失真现象，本发明选取的去雾因子为0.95。

5、粗去雾

前面几步中已经计算得到了大气光值和粗略的透射率，根据物理模型对雾气图像进行粗去雾操作，为进一步的透射率优化做准备。粗去雾的公式如下：

$J_1^c\left(x\right)=\frac{I^c\left(x\right)-A^c}{max(0.1,t_1(x))}-A^c,c\∈(r,g,b)$

其中，max为做最大值运算，r,g,b分别为三个颜色通道，为了避免噪声的影响，本发明对透射率限制了一个下限0.1，防止J(x)出现负值的情况。

6、透射率优化

上面求出来的透射率只是粗略的透射率，由于在求取透射率时直接将无雾图像的暗通道近似等于零，这样透射率的计算结果便会偏小，如果直接选其进行无雾图像的恢复，则在细节上没有很好处理，也会产生偏色现象。本发明采用新的优化方法对粗略的透射率进行优化，可使透射率逼近场景的真实透射率值，复原的图像更加逼真。具体的优化方法是：

1)计算中间结果J₁(x)的最小值通道图

2)对粗略的透射率t₁(x)进行优化，得到优化后的透射率t₂(x)，采用如下公式：

$t_2\left(x\right)=\frac{A^{\min }-I^{dark}\left(x\right)}{\max (1,A^{\min }-J_1^{\min }(x))}$

其中，max为做最大值运算，A^min为大气光值的最大值，I^dark(x)。

利用导向滤波对优化后的透射率进行精细化处理，消除块效应，得到最终优化后的透射率t(x)

7、复原无雾图像

利用前面得到的大气光值A和透射率t(x)可以根据物理模型重构无雾图像J(x)，采用如下公式：

$J^c\left(x\right)=\frac{I^c\left(x\right)-A^c}{\max (0.1,t(x))}-A^c,c\∈(r,g,b)$

其中，为了避免噪声的影响，本发明对透射率限制了一个下限0.1，防止J(x)出现负值的情况。

处理结果如图2所示：

从图2的对比结果可以看出，本发明在图像雾气较浓的情况下，能更好地复原雾气图像，细节的恢复效果较暗通道先验算法明显增强，注意到暗通道算法在近处的建筑和路面产生一定的偏色现象，而本发明则成功地克服了这一缺陷，图像的整体色调逼真，亮度也有很大提高，视觉效果更佳。