一种行驶监控图像去雾方法与流程

本发明属于图像去雾技术领域，涉及车载、船载等视频监控设备图像去雾方法，具体为一种行驶监控图像去雾方法。

背景技术

目前，由于人类对大自然的影响，导致大雾天气是越来越多，越来越严重，对汽车交通、航海等领域造成了严重的影响，交通事故的次数大大增加，如何避免视频监控系统中迷雾的影响是一个非常棘手的问题，利用电子设备消除大雾影响刻不容缓。目前针对去除天气因素对监控图像的影响，增加图像的清晰度，人们采取了很多的方法。其中典型方法是基于物理模型的方法，该方法利用大气散射模型，通过求解图像降质过程的逆过程来恢复清晰图像。这种方法的优点是：在小雾﹑轻霾情况下能够恢复不同景深下的场景，降质逆过程中不会损失清晰图像的质量。但是其致命的缺点是：在大雾﹑浓霾天气时，这种基于物理模型的算法是比较片面，未考虑到全局处理，收效甚微。而非物理模型的方法根据人们视觉感知过程中的视角感受改善图像质量。这种方法的优点是：在一定条件下，色泽相对鲜亮时效果相对较好。而在严重雾霾天气环境下，环境对比度不会一直很好，导致分辨率低，因此其会效果明显下降，实用范围有所局限。

可见，传统的去雾模型因其对全局图像进行处理，原理简单，在全局处理方面效果较好，被广泛应用，但是由于过于侧重全局效果，而忽略了在行车、航海等领域重点是看清安全范围内的情况，安全范围之外次之这样一个实际情况，因此具有较大的局限性。

技术实现要素：

本发明的目的在于提供一种行驶监控图像去雾方法，可以在行车、航海等领域针对各种雾霾恶劣环境下对重点安全范围内的图像进行高效率、实时清晰化处理，解决高速动态过程中图像实时还原处理问题。

为实现上述目的本发明采用以下技术方案：

一种行驶监控图像去雾方法，包括如下步骤：

步骤1、首先对行驶中摄像头采集到的图像信号a1进行去噪处理，得到的图像信号a2，消除a1图像信号中各处突变噪声；

步骤2、对步骤1得到的图像信号a2进行表层滤波处理，得到消除前挡风玻璃上雨滴与烟尘的图像信号a3；

步骤3、利用所载有的雷达系统对图像信号a3进行探测，测出k米水平位置，记为yk，利用yk将图像信号a3分为下方的图像信号a4，与上方的图像信号a5；

步骤4、对步骤3得到的图像信号a5进行稀疏矩阵滤波，得到图像信号a6；

步骤5：对步骤4得到的图像信号a6进行二重卷积操作，得到图像信号a7；

步骤6、对步骤3得到的图像信号a4进行稠密矩阵滤波，得到图像信号a8；

步骤7、对步骤6得到的图像信号a8进行三重卷积操作，得到图像信号a9；

步骤8、利用y＝yk对步骤5得到的图像信号a7与步骤7得到的图像信号a9进行整合得到图像信号a10；

步骤9、对步骤8得到的图像信号a10进行去噪处理得到输出图像信号a11；

作为本发明进一步的方案，步骤1中图像信号去噪的公式具体为：

a2(x，y)＝a1(x，y)-a1(x，y)(n(x，y)+a1(xy)n(xy))(1)；

式(1)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，n(x,y)为公知的图像噪声信号；

其中，a为随机变量，变化范围为1.3-7.4，具体如下：

y<0.5yka＝11.2

0.5yk<y<yka＝9.8

yk<ya＝9.8

t为时间变量。

作为本发明进一步的方案，步骤2中图像信号表层滤波的公式具体为：

式(2)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，fft2为快速傅立叶变化，fft2^-1为快速傅立叶逆变化，在频域图像中，以(1，1)点为原点，水平向右为wx轴正方向，竖直向下为wy轴正方向建立二维图像坐标系，(wx,wy)分别为快速傅立叶变化后二维图像坐标系中的横纵坐标，(wx0,wy0)分别为二维表层滤波器中变量参数；

(wx0,wy0)取值如下：

作为本发明进一步的方案，步骤3标注k米水平线的公式具体为：

y＝yk(3)；

式(3)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，(x,yk)为k米水平线的横纵坐标。

作为本发明进一步的方案，步骤4中稀疏矩阵滤波的计算公式具体为：

式(4)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，fft2为快速傅立叶变化，fft2^-1为快速傅立叶逆变化，在频域图像中，以(1，1)点为原点，水平向右为wx轴正方向，竖直向下为wy轴正方向建立二维图像坐标系，(wx,wy)分别为快速傅立叶变化后二维图像坐标系中的横纵坐标，(wx0,wy0)分别为二维表层滤波器中变量参数。

作为本发明进一步的方案，步骤5中二重卷积的表达式具体为：

a71为a6一重卷积所得的中间结果，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数；

式(5)与式(6)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数。

作为本发明进一步的方案，步骤6中稠密矩阵滤波的计算公式具体为：

式(7)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，fft2为快速傅立叶变化，fft2^-1为快速傅立叶逆变化，在频域图像中，以(1,1)点为原点，水平向右为wx轴正方向，竖直向下为wy轴正方向建立二维图像坐标系，(wx,wy)分别为快速傅立叶变化后二维图像坐标系中的横纵坐标。

作为本发明进一步的方案，步骤7中三重卷积的表达式具体为：

a91为a8一重卷积所得的中间结果，在时域图像中，以(1,1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数；

a92为a91一重卷积所得的中间结果，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数；

式(8)，式(9)与式(10)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数。

作为本发明进一步的方案，步骤8中组合图像信号的计算公式具体为：当y＝1，2，3，4…………yk时

a10(x，y)＝a9(x，y)(11)；

当y＝yk+1，yk+2，...............y1时

a10(x，y)＝a7(x，y)(12)；

式(11)与式(12)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x，y)分别为二维图像坐标系中的横纵坐标，(x，yk)为k米水平线的纵坐标，y1为竖直方向像素点的个数。

作为本发明进一步的方案，步骤9中图像信号去噪的公式具体为：

a11(x，y)＝a10(x，y)-a10(xy)(n(x，y)+a10(x，y)n(x，y))(13)；

式(13)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x，y)分别为二维图像坐标系中的横纵坐标，n(x，y)为公知的冲击图像噪声信号，与步骤1相同。

传统的去雾算法趋于理想化，只是想全方位实现去雾，但是这样不太现实，而且收效甚微。而本发明则重视实际，重点处理k米以内的图像，忽略一些不必要的景色，使得其在车载、船载等电子产品的范畴里，具有很大实用价值。

附图说明

图1为本发明方法流程图。

图2为本发明步骤3示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细阐述。

如图1所示，一种行驶监控图像去雾方法，包括如下步骤：

步骤1、首先对行驶中摄像头采集到的图像信号a1进行去噪处理，得到的图像信号a2，消除a1图像信号中各处突变噪声；

图像信号去噪的公式具体为：

a2(x，y)＝a1(x，y)-a1(x，y)(n(x，y)+a1(x，y)n(x，y))(1)；

式(1)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，n(x,y)为公知的图像噪声信号；

其中，a为随机变量，变化范围为1.3-7.4，具体如下：

y<0.5yka＝11.2

0.5yk<y<yka＝9.8

yk<ya＝9.8

t为时间变量。

步骤2、对步骤1得到的图像信号a2进行表层滤波处理，得到消除前挡风玻璃上雨滴与烟尘的图像信号a3；

图像信号表层滤波的公式具体为：

式(2)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，fft2为快速傅立叶变化，fft2^-1为快速傅立叶逆变化，在频域图像中，以(1，1)点为原点，水平向右为wx轴正方向，竖直向下为wy轴正方向建立二维图像坐标系，(wx,wy)分别为快速傅立叶变化后二维图像坐标系中的横纵坐标，(wx0,wy0)分别为二维表层滤波器中变量参数；

(wx0,wy0)取值如下：

步骤3、利用所载有的雷达系统对图像信号a3进行探测，测出k米水平位置，记为yk，利用yk将图像信号a3分为下方的图像信号a4，与上方的图像信号a5(如图2所示)；

标注k米水平线的公式具体为：

y＝yk(3)；

式(3)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，(x,yk)为k米水平线的横纵坐标。

步骤4、对步骤3得到的图像信号a5进行稀疏矩阵滤波，得到图像信号a6；

稀疏矩阵滤波的计算公式具体为：

式(4)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，fft2为快速傅立叶变化，fft2^-1为快速傅立叶逆变化，在频域图像中，以(1，1)点为原点，水平向右为wx轴正方向，竖直向下为wy轴正方向建立二维图像坐标系，(wx,wy)分别为快速傅立叶变化后二维图像坐标系中的横纵坐标，(wx0,wy0)分别为二维表层滤波器中变量参数。

步骤5：对步骤4得到的图像信号a6进行二重卷积操作，得到图像信号a7；

步骤5中二重卷积的表达式具体为：

a71为a6一重卷积所得的中间结果，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数；

式(5)与式(6)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数。

步骤6、对步骤3得到的图像信号a4进行稠密矩阵滤波，得到图像信号a8；

步骤6中稠密矩阵滤波的计算公式具体为：

式(7)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，fft2为快速傅立叶变化，fft2^-1为快速傅立叶逆变化，在频域图像中，以(1,1)点为原点，水平向右为wx轴正方向，竖直向下为wy轴正方向建立二维图像坐标系，(wx,wy)分别为快速傅立叶变化后二维图像坐标系中的横纵坐标。

步骤7、对步骤6得到的图像信号a8进行三重卷积操作，得到图像信号a9；

三重卷积的表达式具体为：

a91为a8一重卷积所得的中间结果，在时域图像中，以(1,1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数；

a92为a91一重卷积所得的中间结果，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数；

式(8)，式(9)与式(10)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，(x,y)分别为二维图像坐标系中的横纵坐标，x1为水平方向像素点的个数，y1为竖直方向像素点的个数。

步骤8、利用y＝yk对步骤5得到的图像信号a7与步骤7得到的图像信号a9进行整合得到图像信号a10；

组合图像信号的计算公式具体为：

当y＝1，2，3，4…………yk时

a10(x,y)＝a9(x,y)(11)；

当y＝yk+1，yk+2，...............y1时

a10(x,y)＝a7(x,y)(12)；

式(11)与式(12)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标,(x,yk)为k米水平线的纵坐标，y1为竖直方向像素点的个数。

步骤9、对步骤8得到的图像信号a10进行去噪处理得到输出图像信号a11；图像信号去噪的公式具体为：

a11(xy)＝a10(x，y)-a10(x，y)(n(x，y)+a10(x，y)n(x，y))(13)；

式(13)中，在时域图像中，以(1，1)点为原点，水平向右为x轴正方向，竖直向下为y轴正方向建立二维图像坐标系，(x,y)分别为二维图像坐标系中的横纵坐标，n(x,y)为公知的冲击图像噪声信号，与步骤1相同。

本发明采用的是行驶监控图像的去雾方法，根据使用的不同场合以及实现成本设计两种不同功能的载波信号，在不同使用范围内对其目的信号与载波信号进行不同的分类，再运用调制解调技术使得目的信号更加清楚呈现，而载波信号可以消失不见。针对其它的全局去雾而言，本发明针对在k米(一般取200米)范围之内，及k米范围之外的景物采取不同的算法进行处理，使得在大雾天气高速行驶时仍然在安全范围之内看清周围的物体。安全范围之内采用的方法是：在安全范围之内，我们发现周围环境属于轻雾，景物相对比较模糊，只是有一些小白点参杂在景物之中，大致的图像还能辨识出来，本发明对安全范围内的景物先进行滤波，然后进行去噪操作，处理后我们会发现近处的景物会异常清楚。针对安全范围之外的景物，发现远处周围环境属于浓雾，景物若隐若现，白茫茫一片，只是偶尔点缀一些模糊的景物，特征模糊不是很明显，此时本发明采用的方法是先进行去噪，然后进行滤波操作，这时对于安全范围之外的景物变得模糊。这样做的优势在于，会得到安全范围之内异常清晰的图像，对于不是很有用的外围图像可以舍去或者模糊处理。

以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。