本发明属于图像处理领域，涉及单幅图像的去雾方法。
背景技术：
雾霾是特定气候条件与人类活动相互作用的结果，近几年已演变成十分严重的社会问题。在雾霾天气这种特殊条件下，采集的图像质量发生严重的退化，对比度明显降低。因此，依据户外场景图像建立的应用，如遥感、智能交通、物体识别以及监控设施等，受到极大的干扰。这不仅影响到观测者的视觉，也不利于有效信息的提取，因此对雾霾天气下采集的图像进行清晰化处理受到众多学者关注。
现有图像去雾方法主要有两类：第一类是基于图像增强的方法；第二类是基于物理模型的方法。基于图像增强的去雾方法主要有直方图均衡化、同态滤波方法以及Retinex算法等主流方法。但上述方法对图像的部分细节信息增强不足，抑或是在抑制噪声方面性能较差。文献1“Jin-Hwan Kim,Won-Dong Jang,Jae-Young Sim,Chang-Su Kim,Optimized contrast enhancement for real-time image and video dehazing.J.Vis.Commun.Image R.24 2013.410–425.”采用增强的去雾方法，是直接在RGB图像上采用四叉树方法来估计大气光值，但会错误估计白色最亮区域。基于物理模型的去雾方法，包括基于深度信息的图像去雾、基于数据假设的单幅图像去雾以及利用不同偏振度的多幅图像去雾等去雾方法。上述去雾方法计算复杂度高，依赖先验知识。文献2“He K M,Sun J,and Tang X O.Single image haze removal using dark channel prior,IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2009:1956-1963.”中提出基于暗通道先验知识(Dark Channel Prior，DCP)的单幅图像去雾方法，该方法对介质传播函数进行粗估计，然后借助抠图算法对介质传播函数进行细化，直接选取最亮像素作为大气光值，对出现大面积天空的图像处理容易出现失真。
发明目的
本发明的目的在于克服现有图像去雾方法的不足,提出一种基于加权最小平方滤波的单幅图像去雾方法。该方法提高现有大气光值的欠准确估计，融合暗通道先验知识和色彩空间转换思想复原图像。
技术实现要素：
为准确地复原有雾图像，本发明提出了一种基于加权最小平方滤波的单幅图像去雾方法。
为实现上述发明目的，本发明提出一种基于加权最小平方滤波的单幅图像去雾方法，其特征在与该方法利用超像素处理的思想，四叉树分割，图像空间转化，加权最小平方滤波等函数和暗通道先验知识实现图像去雾方法。该方法的具体步骤包括：
步骤1)建立雾霾图像的大气散射物理模型；
步骤2)利用超像素处理思想，将图像用区域的特性代替像素的特性；
步骤3)基于超像素处理，采用四叉树划分方法，精确地获取全局大气光值。
步骤4)计算大气幕图；
步骤4a)根据暗通道先验知识，获取大气幕图像的初步估计图；
步骤4b)利用图像亮度-色度空间转换，获得亮度图像；
步骤4c)利用加权最小平方滤波对步骤4a)和步骤4b)分别得到的图像进行多次融合；
步骤4d)获取各自的对比度信息；
步骤4e)加权融合对比度信息图像获取大气幕图；
步骤5)计算传输函数：根据大气幕函数V(x)＝A(1-t(x))和步骤2)、步骤3)得到的大气光强度A，得到传输函数其中ω为预置参数；
步骤6)根据大气物理模型，利用估计出来的模型参数，即可得到复原图像。
本发明的效果在于：本发明采用基于加权最小平方滤波的图像去雾方法，以单幅图像的信息进行去雾处理，采用超像素处理和四叉树划分方法能够准确有效地获取大气光值，在暗通道先验知识的基础上，将细节信息和亮度信息进行多次融合得到的大气幕函数，通过加权最小平方滤波融合进而复原的图像和经典的He(CVPR)去雾方法相比，图像边缘已经平滑，不需要再次滤波。该去雾方法是一种改进的暗通道去雾方法。对近景图像的复原，不仅细节丰富，而且清晰度高，对比度强。其主要理论基础包括：单色大气散射模型四叉树分割，暗通道先验知识，色彩空间转换，加权最小平方滤波，多分辨率图像融合。
附图说明
图1是本发明具体实施所采用方法的流程图。
具体实施方式
具体实施时，本方法可以处理非实时的数据，如图像文件数据，视频截图数据。
本发明实施例中，针对上述图像数据提供了一种基于加权最小平方滤波的图像去雾方法。
首先利用超像素处理和四叉树分割的方法，精准地获取全局大气光值；然后根据暗通道先验知识和图像空间转化思想，利用加权最小平方滤波多次融合，从而获得精确的大气幕参数；通过得到的大气幕参数间接求出大气传输函数，最后将求取的大气光值和大气传输函数带入模型对有雾图像进行复原处理。
本发明的具体实施步骤：
步骤1)建立雾霾图像的大气散射物理模型；
步骤2)估计大气光值；
步骤2a)利用超像素处理思想，将图像用区域的特性代替像素的特性；
将RGB图像转化成灰度图像，进行超像素处理。将灰度图像分割成块大小为block＝floor(max[3,w*k,h*k])，其中k＝0.01，w和h分别表示图像的宽度和高度。用每一块像素的最小值值代替该块的像素值，这样有雾图像中最亮的白色区域就会变得很暗，避免白色目标对图像复原的影响。
步骤2b)基于超像素处理，采用四叉树划分方法，精确地获取全局大气光值；
在超像素处理的基础上将图像利用四叉树方法分成四个区域，由各区域中每个通道的均值与标准差的插值组成该区域的得分。其次，选出最大的得分区域，并将该最大得分区域分成四个子区域，反复执行上述过程直到得分差值小于设定的阈值后停止划分，继而精准地找到大气光所在区域，最后在选出的区域里面，确定像素亮度值在前0.1％的像素点集合，并将这些像素对应原图像的区域的均值作为大气光值。
步骤3)计算大气幕图；
步骤3a)根据暗通道先验知识，获取大气幕图像的初步估计图，该图像亮度较低；
通过暗通道先验知识，可对大气幕值进行初步估计。在绝大多数非天空的局部区域里，对于色彩艳丽的物体或者表面，在RGB三个通道中，至少一个颜色通道具有很低的值，物体对光的颜色分量进行不同的吸收和反射形成色彩，所以这些颜色分量值较小，对光的反射系数较小，亮度低。则大气幕值的初步估计如下：
步骤3b)利用图像亮度-色度空间转换，获得亮度图像；
大气幕的初步估计显示了图像丰富的边缘细节信息，其亮度值不能准确表示雾气的浓度，将图像转化到亮度-色度空间，提取该空间的亮度信息表示为VL(x)，光照信息对图像成像的影响，属于图像低频分量，亮度信息近似体现原图像的雾气浓度信息。
步骤3c)利用加权最小平方滤波对步骤3a)和步骤3b)分别得到的图像进行多次融合；
其中和是第k次的滤波结果，加权最小滤波框架为Wλ(g)＝(1+λLg)-1g，g为输入图像，拉普拉斯矩阵表达式为Lg＝DxTAxDx+DyTAyDy，Lg为拉普拉斯矩阵，Dx和Dy是离散差分算子，DxT和DyT是后向差分算子，Αx和Ay是对角矩阵，矩阵元素定义为l为输入图像亮度的对数值，p为像素位置，防止元素值为0，设ε＝0.0001λ＝λ0ck制在k+1层细节图像的粗糙程度，λ0＝0.1表示第一次的细节图像的粗糙度，c为常数，c取2，k为滤波的次数，α为常系数，α∈[1.2,2]，取1.2。
步骤3d)获取各自的对比度信息：将每次滤波的结果作为下次滤波的结果；并将每次滤波的结果减去前一次的结果，在除以当前的滤波结果，获得与滤波次数相对应的细节信息；
步骤3e)加权融合对比度信息图像获取大气幕图：分别比较初步估计的大气光值和亮度信息的细节信息，选最大者作为融合因子；
其中n为滤波次数(实验中n＝9)；为第n个滤波器输出亮度信息；和分别是第k个滤波输出的大气幕初步估计对比度图像和亮度空间的对比度图像；
步骤4)计算传输函数：根据大气幕函数V(x)＝A(1-t(x))和步骤2)得到的大气光强度A，得到传输函数其中ω＝0.85为预设参数；
步骤5)根据大气物理模型，利用估计出来的模型参数，即可得到复原图像。
其中t0＝0.1。