一种基于大气散射模型参数估计的去雾方法及系统

本发明涉及图像去雾，尤其是指一种基于大气散射模型参数估计的去雾方法及系统。

背景技术：

1、图像去雾是图像处理与计算机视觉领域的重要研究方向，主要用于改善雾等大气介质条件下图像对比度降低、颜色偏移和远距离细节模糊等退化问题。早期去雾研究主要基于大气散射模型，通过估计大气光和透射率恢复清晰图像，代表性方法包括暗通道先验、颜色衰减先验和雾线先验等。随着深度学习的发展，卷积神经网络、生成对抗网络和注意力机制被逐渐引入图像去雾任务，推动去雾方法由人工先验建模向数据驱动映射发展。近年来，研究者开始关注深度信息、场景结构和物理成像模型对去雾过程的约束作用，以提升户外复杂场景下去雾结果的稳定性和可解释性。

2、当前主流图像去雾技术分为三类，各类方法均依托自身核心原理实现有雾图像的清晰化修复。其中，基于图像增强的方法无需显式构建雾天成像退化模型，主要通过直方图均衡化、retinex理论、局部对比度增强、图像锐化等常规图像处理手段，直接优化图像灰度、颜色与对比度分布，以此提升雾天图像的整体视觉效果，该类方法具备实现简单、计算速度快的优势。基于物理模型的图像复原方法以大气散射模型为核心基础，精准刻画雾天图像的成像退化过程，通过估算图像大气光与透射率两大核心参数，结合模型反演运算还原无雾清晰图像，暗通道先验、颜色衰减先验、雾线先验是该类别主流代表性算法，整体具备一定的物理可解释性。基于深度学习的去雾方法依托卷积神经网络、生成对抗网络、注意力机制、transformer等深度学习模型，自主学习有雾图像与清晰图像之间的映射关系，或直接学习透射率、大气光等成像中间参数，依靠海量训练数据实现图像去雾，在合成数据集场景中可取得良好的去雾恢复效果。除此之外，近年来部分研究引入双目图像、深度估计及立体匹配结果辅助单幅图像去雾，通过补充场景深度信息，弥补单幅图像信息缺失的问题，但现有方法多侧重于联合估计视差图和去雾图像，或直接预测透射率与大气光，尚未充分围绕大气散射模型中的多个未知参数进行解耦建模。

3、现有各类基于物理模型的去雾方案普遍存在大气光估算抗干扰性能较差的短板，进而影响整体复原成效。传统大气光求取方式大多直接选取整张图像当中亮度最高的像素当作大气光数值，户外真实场景之内普遍存在天空区域、太阳光晕、白色建筑物、路面以及水面反光、强光过曝等高亮区域，算法极易将上述高亮干扰区域误选成大气光采样位置。天空纹理波动、物体反光、日光高光都会对大气光估计形成严重干扰，造成大气光参数出现明显偏差；出错的大气光数值后续干扰计算，最终诱发各类图像失真缺陷，从根源上造成去雾之后画面大面积发黑、发生色彩漂移，例如树木区域浮现荧光绿这类反常偏色现象。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中高亮物体、路面反光、太阳光晕等干扰因素容易造成大气光估算出错，进而引发画面发黑以及异常色彩漂移的缺陷。

2、为解决上述技术问题，本发明提供了一种基于大气散射模型参数估计的去雾方法，包括：

3、基于待处理的有雾图像每个像素的梯度、亮度以及色彩饱和度，计算每个像素的天空特征置信度函数值；

4、基于各个像素的天空特征置信度函数值，筛选待处理的有雾图像中的初始天空候选像素；

5、剔除初始天空候选像素中亮度超过亮度过曝阈值的像素，得到漫反射天空区域掩码，计算漫反射天空区域掩码中每个像素的局部空间方差；

6、根据局部空间方差的大小，对漫反射天空区域掩码内每个像素进行升序排序，取前设定数量的像素在rgb三个颜色通道上的像素均值，作为全局大气光向量；

7、基于全局大气光向量、待处理的有雾图像中每个像素位置的透射率，获取去雾图像。

8、优选地，计算每个像素的天空特征置信度函数值的公式为：

9、，

10、其中，为像素q的天空特征置信度函数值，为以自然常数e为底的指数函数，表示取最大值，和为阈值常数，为像素q的梯度，为像素q的亮度，为待处理的有雾图像中所有像素的平均亮度，为像素q的色彩饱和度，q表示像素。

11、优选地，基于各个像素的天空特征置信度函数值，筛选待处理的有雾图像中的初始天空候选像素的方法包括：

12、将待处理的有雾图像中的最大天空特征置信度函数值与预设百分比相乘，得到目标筛选阈值；

13、将天空特征置信度函数值大于目标筛选阈值的像素，作为初始天空候选像素。

14、优选地，计算漫反射天空区域掩码中每个像素的局部空间方差的公式为：

15、，

16、其中，为像素q的局部空间方差，为以像素q为中心的局部窗口，为像素p在颜色通道上的强度值，为中的像素总数，p为内部任意一个像素，为图像色彩通道，r、g、b 分别指代红色通道、绿色通道、蓝色通道。

17、优选地，待处理的有雾图像中每个像素位置的透射率的获取方法包括：

18、获取待处理的有雾图像及其深度图；

19、提取待处理的有雾图像对应的散射系数响应图，并对其进行全局平均得到全局散射系数；

20、基于待处理的有雾图像的深度图与全局散射系数，计算待处理的有雾图像中每个像素位置的透射率。

21、优选地，获取待处理的有雾图像及其深度图的方法包括：

22、通过双目相机采集左目有雾图像与右目有雾图像；

23、将左目有雾图像或右目有雾图像作为待处理的有雾图像，另一幅作为匹配参照图像，通过双目立体匹配算法，计算待处理的有雾图像和匹配参照图像二者之间的视差图；

24、依据双目相机的焦距和基线距离对视差图进行运算求解，得到待处理的有雾图像对应的深度图。

25、优选地，提取待处理的有雾图像对应的散射系数响应图的方法包括：

26、将待处理的有雾图像通过依次连接的多个卷积层，得到不同尺度的雾气特征；

27、将不同尺度的雾气特征通过refinenet模块融合，得到融合后的特征；

28、将融合后的特征通过投影头，得到待处理的有雾图像对应的散射系数响应图。

29、优选地，计算待处理的有雾图像中每个像素位置的透射率后，还包括对待处理的有雾图像中每个像素位置的透射率进行优化的方法，具体包括：

30、设置透射率下限值，将待处理的有雾图像中像素位置的透射率低于透射率下限值的像素位置，将透射率下限值作为其优化后的透射率。

31、优选地，基于全局大气光向量、待处理的有雾图像中每个像素位置的透射率，获取去雾图像，公式为：

32、，

33、其中，为去雾图像在像素位置x处的像素亮度数值，为待处理的有雾图像在像素位置x处的透射率，为待处理的有雾图像在像素位置x处的像素强度，为全局大气光向量。

34、本发明还提供了一种基于大气散射模型参数估计的去雾系统，包括：

35、天空特征置信度函数计算模块，用于基于待处理的有雾图像每个像素的梯度、亮度以及色彩饱和度，计算每个像素的天空特征置信度函数值；

36、筛选模块，用于基于各个像素的天空特征置信度函数值，筛选待处理的有雾图像中的初始天空候选像素；

37、局部空间方差计算模块，用于剔除初始天空候选像素中亮度超过亮度过曝阈值的像素，得到漫反射天空区域掩码，计算漫反射天空区域掩码中每个像素的局部空间方差；

38、全局大气光向量获取模块，用于根据局部空间方差的大小，对漫反射天空区域掩码内每个像素进行升序排序，取前设定数量的像素在rgb三个颜色通道上的像素均值，作为全局大气光向量；

39、去雾模块，用于基于全局大气光向量、待处理的有雾图像中每个像素位置的透射率，获取去雾图像。

40、本技术提供的一种基于大气散射模型参数估计的去雾方法及系统，具有以下有益效果：

41、1.针对传统方法极易将高亮区域误判为大气光的问题，本发明构建了融合图像梯度、亮度、色彩饱和度与局部空间方差的多维特征联合提纯策略，并设置了严格的亮度过曝阈值强制剔除异常像素。该技术特征精准锁定了代表真实漫反射的大气光基准，成功规避了户外场景中太阳光晕、白色建筑或路面反光对大气光估算的干扰，从根本上消除了去雾后图像大面积发黑或异常的情况。

42、2.针对传统单幅图像去雾因缺乏可靠深度约束而导致参数估算不适定的问题，本发明通过双目立体匹配提取绝对稠密深度图，并将其作为几何硬约束直接注入透射率计算方程。该技术特征有效剥离了透射率与介质浓度（散射系数）之间的信息纠缠，将高度病态的盲目映射转化为具备物理适定性的求解过程，从根本上避免了透射率受物体颜色、纹理影响而产生的远景残雾和局部过增强现象。

43、3.针对现有方法将散射系数设为固定常数导致无法适应多变天气的问题，本发明设计了散射系数预测模块，充分复用有雾图像的多尺度特征，敏锐捕捉空间退化强度，自适应输出当前环境的散射系数响应图，打破了现有方法单一先验或固定参数的局限，使得算法的去雾强度能够动态适应轻雾、大雾及浓雾等不同浓度的户外场景，有效避免了轻雾场景下的过度去雾和浓雾场景下的雾幕残留。