基于人工加雾的最佳雾图复原方法
【技术领域】
[0001] 本发明属于电学技术领域，更进一步涉及图像通信技术领域中的一种基于人工加 雾的最佳雾图复原方法。本发明可以用于雾天室外监控设备，对无雾图像进行人工加雾，获 得最佳去雾算法，从而得到最佳雾图复原图像。
【背景技术】
[0002] 在雾天情况下，由于场景的能见度降低，图像中目标对比度和颜色等特征加倍衰 减，致使室外视频系统无法正常工作，因此需要在图像中消除雾气对场景图像的影响。室 外视频系统中采用的图像去雾方法种类繁多，挑选最佳去雾算法进行去雾是亟待解决的问 题，目前去雾效果的好坏主要靠人眼主观评价和无参考图像质量评价方法，而图像去雾效 果的客观、定量评价问题尚未得到很好地解决。
[0003] 通常进行外场拍摄无雾图像和有雾图像需要消耗大量的人力物力，无法保证两张 图像中相对应的像素点处在同一地理位置，稳定性和可重复性差，受环境影响较大，而利用 计算机可以仿真图像在有雾时的场景，可以在实验室条件下实现，方便快捷，节省人力和物 力。目前，现有的计算机模拟雾图方法大多采用商业软件，例如Lumion, 3ds max, maya等， 这些商业动画软件没有公开各自程序的算法，无法得知程序是否按照正确的雾图形成理论 构造雾图，无法在嵌入式设备中实现自动化应用。
[0004] 郭墦，蔡自兴发表的论文"图像去雾算法清晰化效果客观评价方法"（自动化学报， 2012第9期，38 (9))公开了两种创建雾效的方法，第一种是使用3ds max软件所提供的环 境特效功能来创建雾、霾等大气特效。在雾效的影响下，场景物体消隐在雾中，如同在原图 像上覆盖了一层均匀的雾气遮罩。通过设置雾效渲染功能中的密度参数还可以调整雾气的 浓度，随着密度参数值的增大，均匀雾气遮罩变厚，即雾气变浓，直至场景物体完全消失于 白色的雾中。第二种是利用图像的深度信息，利用光路传播图创建雾环境，使场景中远处的 物体会逐步消隐在雾中。首先利用建模工具软件3ds max创建虚拟场景模型，然后利用该 软件渲染器中的Z-Depth组件，设置该组件参数值来获取其反映景深度信息的传播图。该 方法虽然简单快速，但存在的不足是：无法同时结合场景的深度信息和雾天图像形成模型 从而不能真实客观地构造有雾雾图。
[0005] 西安理工大学所拥有的专利技术"一种用于退化图像恢复的客观无参考图像质量 评价方法"（专利申请号20110429056. 5,授权公告号CN102521839B)公开了一种图像质量 评价方法。该方法可以针对由雾天因素而引发的退化图像进行质量评价。该方法通过设置 滑动窗，对图像以块为单位计算峭度值，进而得到描述整幅图像特征的峭度值，利用边缘强 度权值系数对其加以修正，得到图像质量评价指标。该方法可以快速地完成雾图复原效果 评价，计算量小。但是该专利技术仍然存在的不足是：对于雾天图像，由于雾气干扰，图像的 细节信息已经部分丢失，复原后的图像信息量更少，复原图像评价结果不够真实，准确。
[0006] 浙江大学所拥有的专利技术"一种全参考型图像客观质量评价方法"（专利申请号 200910100963. 8,授权公告号CN101621709B)公开了一种基于结构相似度的全参考型图像 客观质量评价方法。该方法步骤如下：（1)利用空间域视觉特征，获得原始图像的视觉感知 图，并求视觉感知特征显著的位置；（2)利用基于结构相似度的评价方法求原始图像和失 真图像之间的结构相似度图SSIM，计算失真图像相对质量，并求失真严重的位置；（3)定义 视觉注意焦点转移原则，确定新的视觉注意焦点，并重新生成视觉注意焦点转移后的视觉 感知图；(4)用生成的视觉感知图加权结构相似度，获得图像质量的客观评价。该方法可以 用于不同算法的去雾效果比较，对图像的评价结果更加符合人类的主观评价。但是，该专利 技术仍然存在的不足是：图像评价指标单一，不能完全反映去雾后图像与去雾前图像的相 似性。
【发明内容】
[0007] 本发明的目的在于克服上述现有技术的不足，提出一种基于人工加雾的最佳雾图 复原方法。该方法可以客观、全面地选择最佳去雾方法使室外监控设备获得最佳雾图复原 图像。
[0008] 本发明实现的思路是，首先对无雾图像进行图像分割，在分割后的图像中根据远 近景的划分构造不同的深度信息，计算透射率，从而构造有雾图像，接着利用多种去雾算 法进行去雾，最后将无雾图像作为参考图像，采用全参考图像质量评价指标对去雾后图像 进行评价挑选出最佳去雾算法。室外监控设备利用最佳去雾算法进行雾天图像复原。
[0009] 本发明实现的具体步骤包括如下：
[0010] (1)使用相机采集无雾图像；
[0011] ⑵种群粒子初始化：
[0012] (2a)使用MATLAB软件，读入无雾图像，得到无雾图像的灰度图像矩阵，从灰度图 像矩阵中选取最小灰度值和最大灰度值；
[0013] (2b)在最小灰度值至最大灰度值之间随机产生一个整数，作为第一个种群粒子的 第一维，在第一维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第二维，在 第二维至最大灰度值之间随机产生一个整数，作为第一个种群粒子的第三维，完成第一个 种群粒子的初始化；对其余的19个种群粒子按照本步骤的方法完成初始化；
[0014] (3)产生粒子的初始个体最优位置和初始种群全局最优位置：
[0015] (3a)利用类间距方差公式，分别得到20个粒子的类间距方差；
[0016] (3b)将每个粒子的类间距方差取相反数，得到每个粒子的适应度值；
[0017] (3c)将每个粒子的初始的位置作为每个粒子的初始个体最优位置，从所有初始个 体最优位置中，挑选适应度值最小的位置作为初始种群全局最优位置；
[0018] (4)更新种群粒子：
[0019] (4a)采用分数阶达尔文粒子群更新方法，分别对20个粒子的速度和位置进行优 化，得到每个粒子的下一代位置；
[0020] (4b)计算每个粒子在下一代位置处的适应度值；
[0021] (4c)将适应度值小于该粒子个体最优的适应度值的位置作为该粒子的个体最优 位置；
[0022] (4d)将适应度值小于全局最优的适应度值的位置作为种群的全局最优位置；
[0023] (4e)判断当前迭代次数是否满足最大迭代次数，若是，则执行步骤（5)，否则，执 行步骤（4a);
[0024] (5)无雾图像分割：
[0025] (5a)以种群的全局最优粒子的3维数据，作为3个分割阈值；
[0026] (5b)从3个分割阈值中挑选前两个最大的阈值，作为无雾图像的灰度图像矩阵的 两个临界点，将数值大的临界点作为第一个临界点，数值小的临界点作为第二个临界点；
[0027] (5c)将灰度图像矩阵中大于等于第一个临界点的数据所在图像的位置，作为分割 后的远景图像区域；
[0028] (5d)将灰度图像矩阵中小于第一个临界点并大于等于第二个临界点的数据所在 图像的位置，作为分割后的中景图像区域；
[0029] (5e)将灰度图像矩阵中小于第二个临界点的数据所在图像的位置，作为分割后的 近景图像区域；
[0030] (6)按照下式，计算无雾图像的灰度图像矩阵的深度：
【主权项】
1. 一种基于人工加雾的最佳雾图复原方法