本发明属于图像处理领域，尤其涉及一种基于梯度场区域场的单幅图像的复原方法。
背景技术：
目前道路交通监控主要由采集设备、传输设备和处理设备等单元组成。采集设备主要是相机，目的是将道路和行人的信息通过传感器变成图像信息。当前监控设备通常适用于较好的无遮挡的自然环境下，当遇到恶劣的天气，如雾天时，相机采集的图像就会被遮挡，道路监控信息就会有损失。因此，能更好的对各种自然环境的道路信息进行监控存在十分重要的意义。
目前雾天图像复原方法一般有两类：基于暗原色的方法，基于图像增强的方法。基于暗原色理论的方法一般采用直接估计大气背景光的方法获取全局大气背景光的值，对透射率图像进行简单的平滑操作，之后通过暗通道模型，进行雾天图像的复原。该类型的方法虽然能达到复原的目的，但是对大气背景光的粗糙获取，直接影响图像复原的图像亮度；对透射率的平滑操作程度的深浅，直接影响恢复后图像的视觉效果。大多数情况，处理后的图像在天空区域会出现光晕。基于增强的方法，一般采用Retinex理论进行处理，该方法采用的多尺度该方法采用的多尺度的高斯卷积滤波处理，虽然对浓雾有较好的效果，但是对于薄雾，就会出现过增强现象。
环境中背景光的均匀性影响着视频采集图像的质量，传统的暗原色理论在处理采集的雾天图像时，没有考虑到图像中较亮的区域，即环境中背景光对图像有影响的区域，在估计图像的透射率时，采用全局的处理，造成估计的透射率偏小，经过暗原色模型处理恢复后，图像的整体亮度偏暗，且在较亮区域的边缘出现一定程度的光晕现象。
技术实现要素：
本发明的目的在于提供一种基于梯度场区域分割的单幅图像的复原方法，针对雾天图像进行复原，避免了光晕现象，稳定图像的复原质量，让监控者获取更多的有用信息，能对道路情况进行更加有效监控。
本发明一种基于梯度场区域分割的单幅图像的复原方法，对输入的单幅图像进行缩放；一方面，将缩放后的图像分别转换到HSI色空间和灰度空间，在HSI色空间获取图像的亮度空间，对亮度空间进行自动阈值分割，同时对灰度空间进行梯度场分割，综合以上两种分割区域，获得图像的明亮区域和非明亮区域，根据明亮区域来获取代表全局大气背景光的值；另一方面，通过对缩放后的图像获取暗通道图像，运用构建的NSRAD模型进行平滑处理，得到优化后的透射率图像，将该透射率图像放大至原图尺寸之后，引入多区域理论，针对前面获得的明亮区域和非明亮区域进行融合，对透射率图像进一步地修正；最后，在暗原色理论模型的基础上，根据以上获取的代表全局大气背景光的值和修正后的透射率图像，获得去雾图像。
具体包括如下步骤：
步骤1、获取代表全局大气背景光的值
(1)对输入的单幅图像进行缩放，缩放到原图尺寸的一半；
(2)将缩放后的图像转化到HSI色空间，获取图像的亮度空间，对亮度空间进行自动阈值处理，最后通过中值滤波处理和形态学最小区域腐蚀，获得分割区域；
(3)同时将缩放后的图像转化到灰度空间，将图像转化为灰度图像，获取灰度图像的梯度，运用梯度的阈值，进行二值分割，最后通过中值滤波处理和形态学最小区域腐蚀，获得分割区域；
(4)把以上获得的两个分割区域进行“与”操作，获取图像中的天空明亮区域，在明亮区域内计算得到代表全局大气背景光的值A：
[Am，As，Is]＝Th(I(x))
式中，Th(x)为梯度域和亮度空间的阈值处理，I(x)为输入图像，Am、As为明亮区域像素的均值和方差，Is为分割后二值化的图像；
构建拟合出代表全局大气背景光的值A的自适应函数：
式中，ΔA为预置的修正因子，A是Am和As的一次函数，k的取值范围[0,1]之间，θ为判定的阈值；
步骤2、构建NSRAD滤波算法
构建NSRAD模型的表达式为：
式中,表示Ω的边缘,n是的外法线，f(t)为扩散方程，t是输入的初步估计的透射率图像,c(q)是扩散系数；
其中，α为一个大于0的可调整数，控制扩散系数的下降速度，其中，Z为一个自然数，调节扩散速度，其越大，扩散系数下降的越快，同时会增大同质区域的控制系数β,提高过渡区域的细节对比度，q是由局部方差计算得到的控制扩散系数的因子，q0是定义的噪声方差系数，β为同质区域的控制参数；
步骤3、透射率图像的优化
对输入的单幅图像进行缩放后的图像获取暗通道图像Jd(x)，经过NSRAD模型滤波处理，得到优化后的透射率图像t2(x):
t2(x)＝f1(Jd(x))
式中，f1(x)表示对暗通道图像Jd(x)进行NSRAD模型滤波处理，t2(x)为滤波处理后的透射率图像；
步骤4、将优化后的透射率图像t2(x)放大至原图尺寸之后，引入多区域理论，针对步骤1在求取代表全局大气背景光的值后把优化后的透射率图像t2(x)与暗通道图像Jd(x)进行多区域的融合，获得准确修正的透射率图像t3(x)，其公式如下：
t3(x)＝t2(x)·(1-Is)+IS·(λ·Jd(x)+(1-λ)·t2(x))
式中，t2(x)为经过NSRAD模型滤波处理后的透射率图像，λ为预置的融合系数，Is为分割后二值化的图像，Jd(x)为暗通道图像；
步骤5、在暗原色理论模型的基础上，根据以上获取的代表全局大气背景光的值A和修正后的透射率图像t3(x)，获得去雾图像：
对公式I(x)＝J(x)t(x)+A(1-t(x))和进行简化，令I1(x)＝I(x)-A，则运用简化模型求得的复原图像为：
其中，I(x)为输入的图像，J(x)为无雾情况下的图像，t(x)表示介质的透射率，A为代表全局大气背景光的值，Ic(y)表示某个输入图像的RGB三通道的其中一个通道的图像，t1(x)是初步估计的透射率图像，ω是调节参数；
该简化模型求取的复原图像整体偏暗，对该复原图像进行白平衡处理，得到最终复原后的图像：
J2(x)＝f2(J1(x))
式中，f2(x)为自动白平衡处理函数，J1(x)为运用简化模型求出的图像，J2(x)是最终复原后的图像。
通过对大量的雾天图像进行实验统计特征的分析，发现此类图像有以下的几种特点：在有雾的区域，图像块的像素比较均匀，梯度较小，颜色趋于乳白色，亮度基本是整幅图像中最大的。基于此，本发明根据以上的特点，对雾天图像的明亮区域和非明亮区域进行梯度域的分割，获取明亮区域，从而准确的对天空的亮度值进行估计。本发明利用不同颜色空间对图像中的明亮区域进行分割，获取代表全局大气背景光的值，对不同区域进行融合，来优化透射率图像，对传统的NSRD模型进行优化，提高其处理效果；本发明对道路环境适应性强，算法稳定性好，处理效果较好，能有效消除光晕现象，能使雾天图像得色调和亮度失真有较大的提高，人眼的可视效果提高显著，对于道路监控，能有效地复原雾天的图像，使监测者获得更多有效的信息。
附图说明
图1为本发明的流程图。
以下结合附图和具体实施例对本发明做进一步详述。
具体实施方式
如图1所示，本发明一种基于梯度场区域分割的单幅图像的复原方法，对输入的单幅图像进行缩放，缩放到原图尺寸的一半，一方面，将缩放后的图像分别转换到HSI色空间和灰度空间，在HSI色空间获取图像的亮度空间，对亮度空间进行自动阈值分割，同时对灰度空间进行梯度场分割，综合以上两种分割区域，获得图像的明亮区域和非明亮区域，根据明亮区域来获取代表全局大气背景光的值；另一方面，通过对缩放后的图像获取暗通道图像，运用构建的NSRAD模型进行平滑处理，得到优化后的透射率图像，将该透射率图像放大至原图尺寸之后，引入多区域理论，针对前面获得的明亮区域和非明亮区域进行融合，对透射率图像进一步地修正；最后，在暗原色理论模型的基础上，根据以上获取的代表全局大气背景光的值和修正后的透射率图像，获得去雾图像；具体包括如下步骤：
步骤1、获取代表全局大气背景光的值
(1)对输入的单幅图像进行缩放，缩放到原图尺寸的一半；
(2)将缩放后的图像转化到HSI色空间，获取图像的亮度空间，对亮度空间进行自动阈值处理，最后通过中值滤波处理和形态学最小区域腐蚀，获得分割区域，本发明通过实验，设定腐蚀最小面积为图像的1/1000；
(3)同时将缩放后的图像转化到灰度空间，将图像转化为灰度图像，获取灰度图像的梯度，运用梯度的阈值，进行二值分割，最后通过中值滤波处理和形态学最小区域腐蚀，获得分割区域；
(4)把以上获得的两个分割区域进行“与”操作，获取图像中的天空明亮区域，在明亮区域内计算得到代表全局大气背景光的值A：
[Am，As，Is]＝Th(I(x))
式中，Th(x)为梯度域和亮度空间的阈值处理，I(x)为输入图像，Am、As为明亮区域像素的均值和方差，Is为分割后二值化的图像；
传统暗原色理论中天空的亮度值A选取暗通道图像中亮度最大的0.1％的像素的均值，通过对大量的雾天图像进行处理发现，该估算方法会造成图像的亮度偏暗，且对于不同亮度雾景，由于天空的亮度值估计的不准确，其效果往往相差很大。本发明在实验的基础上，对大量的不同亮度的雾天图像进行统计，并与实际天空的亮度值对比，构建拟合出代表全局大气背景光的值A的自适应函数：
式中，ΔA为一个修正因子，本实施例设为0.04，A是Am和As的一次函数，k的取值范围[0,1]之间，本实施例设为0.4，θ为判定的阈值，通过大量的实验统计得出其值为0.8；
步骤2、构建NSRAD滤波算法
在处理合成孔径雷达图像时，既要降低斑点的噪声，又要很好的保持图像的细节特征，但是目前的算法都无法具有这些优良的特性。Perona和Malik与1990年提出了P-M模型，利用各向异性扩散方程计算各个方向上的扩散系数，在去除噪声的同时很好的保持了细节特征，P-M模型对图像中的加性噪声具有较好的抑制效果，但是对于图像中含有斑点的乘性噪声却不是很好。为此SRAD模型被提了出来。在2002年由Yongjian Yu等提出，其模型表达式为：
式中,表示Ω的边缘,n是的外法线，f(t)为扩散方程，t是输入的初步估计的透射率图像,c(q)是扩散系数，有以下两种，其数学表达式为：
式中，q是由局部方差计算得到的控制扩散系数的因子，q0是定义的噪声方差系数，其表达式为：
式中，ENL为乘性噪声的等效视数，其特点是在平坦区域保持不变；通过比较滑动窗口的q与平坦区域的q0来区别平坦区域与边缘区域，从而设置相应的扩散系数，q的表达式为：
该数学模型在去除噪声的同时，会产生块状效应、边界模糊和细节缺失等问题。通过数学分析发现，其主要原因是扩散函数的对图像同质结构和非同质中的扩散敏锐性不够造成的。基于此，本发明通过数学实验对比，提出一种新的滤波算法，即NSRAD滤波算法，其新的扩散函数为：
其中，c(q)是扩散系数，α为一个大于0的可调整数，控制扩散系数的下降速度，β为同质区域的控制参数，本实施例将β设为10，其中，Z为一个自然数，调节扩散速度，其值越大，扩散系数下降的越快，同时会增大同质区域的控制系数β,提高过渡区域的细节对比度，本实施例中将Z设为40，q是由局部方差计算得到的控制扩散系数的因子，q0是定义的噪声方差系数；
步骤3、透射率图像的优化
通过对缩放后的图像获取暗通道图像Jd(x)，经过NSRAD模型滤波处理，得到优化后的透射率图像t2(x)；虽然在保边平滑方面具有很明显的效果，但是对于亮度较大且色彩对比明显的图像，经过上述滤波处理会出现光晕现象。目前很多学者通过容差判断，虽然取得了不错的效果，由于其不具有自适应，因此当图像的亮度变化时，其处理效果又有较大的差异；
步骤4、将优化后的透射率图像放大至原图尺寸之后，引入多区域理论，针对步骤1求取全局大气背景光中时把图像分割成的明亮区域和非明亮区域进行融合，并对不同区域分别进行滤波处理，并把滤波处理后的透射率图像t2(x)与暗通道图像Jd(x)进行融合，获得准确修正的透射率图像，其公式如下：
t2(x)＝f1(Jd(x))
t3(x)＝t2(x)·(1-Is)+Is·(λ·Jd(x)+(1-λ)·t2(x))
式中，f1(x)表示对暗通道图像Jd(x)进行滤波处理，t2(x)为滤波处理后的透射率图像,t3(x)为融合后准确修正的透射率图像，λ为融合系数，本实施例中设为0.1，Is为分割后二值化的图像；
步骤5、在暗原色理论模型的基础上，根据以上获取的代表全局大气背景光的值A和修正后的透射率图像t3(x)，获得去雾图像：
暗原色理论的数学模型在理论简化上，可以分为两项：原图项和平滑项，其核心思想就是通过平滑处理，在不影响图像的边缘细节，即不影响高频信息，对暗通道图像进行平滑，获得低频信息，从而达到增强复原的目的。
对公式I(x)＝J(x)t(x)+A(1-t(x))和进行简化，令I1(x)＝I(x)-A，其中I(x)为输入的图像，J(x)为无雾情况下的图像，t(x)表示介质的透射率，A为代表全局大气背景光的值，Ic(y)表示某个输入图像的RGB三通道的其中一个通道的图像，t1(x)是初步估计的透射率图像，ω是调节参数，一般设为0.98，将整个式子可简化为：
由于该简化模型求取的复原图像整体会偏暗，需要自动曝光的处理，对去雾后的图像进行白平衡处理，公式如下：
J2(x)＝f2(J1(x))
式中，f2(x)为自动白平衡处理函数，J1(x)为运用简化模型求出的图像，J2(x)是最终复原后的图像。