一种基于亮区域检测的暗通道去雾方法

1.本发明属于数字图像处理技术领域，具体涉及一种基于亮区域检测的暗通道去雾方法。


背景技术：

2.随着互联网的不断发展，数字图像处理技术被广泛应用到人类生活的方方面面，比如城市交通、视频监控、军事侦察等领域。近年来，由于雾霾天气的出现，极大影响了成像设备的成像质量，获取到的图像对比度降低，模糊不清，对进一步的图像识别等行为干扰严重。因此，研究可靠快速的图像去雾技术有极其重要的现实意义。
3.目前，图像去雾技术根据去雾的原理可以分为：基于图像增强的去雾方法与基于图像复原的去雾方法。其中，第一种基于图像增强的去雾方法没有考虑到雾霾图像的生成机理，直接通过增强图像对比度的方式增强图像质量，达到去雾效果，典型算法有：直方图均衡算法、retinex算法等，此类方法由于没有考虑到雾霾图像生成原因，很难设计出具有普遍意义的去雾算法；第二种基于图像复原的去雾方法基于雾霾图像退化模型，从降质图像进行反推，进而恢复出无雾图像，典型算法有：偏微分方程法、暗通道先验算法等；其中，暗通道先验算法建立在对实际雾霾图像统计分析的基础上，在偏暗区域具有很好的图像去雾效果，但是在亮区域，如天空、水面等区域，去雾之后会产生图像失真或光圈现象，并且恢复图像整体会偏暗。
4.综上所述，现有的图像去雾方法均存在去雾之后视觉效果不佳的问题，因此，亟需一种能够改善亮区域去雾效果及恢复图像整体效果的去雾方法。


技术实现要素：

5.本发明的目的在于，针对背景技术存在的问题，提出了一种基于亮区域检测的暗通道去雾方法。本发明针对雾气图像的不同亮度区域，自动采用不同的方法计算透射率，以及增强恢复图像的对比度与亮度，从而实现更好的去雾效果。
6.为实现上述目的，本发明采用的技术方案如下：
7.一种基于亮区域检测的暗通道去雾方法，包括以下步骤：
8.步骤1、获取雾气图像，并建立雾天退化模型：
9.i(x)＝j(x)t(x) a(1-t(x))
10.其中，x是雾气图像中像素点的空间坐标，i(x)是采集到的雾气图像，j(x)是去雾后的无雾图像，a是全局大气光强度，通常情况下假设与空间坐标无关，t(x)是空间坐标x处的透射率，w是去雾程度，通常设置为0.95，有助于在去雾的同时保留去雾图像的景深感；min是取最小值函数，ω(x)是以坐标x为中心的模板窗口，r,g,b是rgb图像的三个颜色通道；ac是第c个通道的全局大气光强度，y是模板窗口中的任意一个坐标，ic(y)是模板窗口ω(x)中第c个通道的图像；
11.步骤2、获取雾气图像中亮区域和暗区域的坐标：
12.2.1将雾气图像从rgb颜色空间转换到lab颜色空间，得到转换后的雾气图像i
′
(x)；
13.2.2采用深度学习对卷积神经网络模型进行训练，得到训练后的神经网络回归预测模型；其中训练样本为带阈值标签的雾气图像数据集中l通道的分量；
14.2.3将步骤2.1转换后的雾气图像中l通道的分量输入步骤2.2训练后的神经网络回归预测模型中，得到阈值k；然后，将步骤2.1转换后的雾气图像中l通道的分量大于阈值k的像素点标记为亮区域，小于或等于阈值k的像素点标记为暗区域，并分别记录亮区域与暗区域的坐标x；
15.步骤3、将步骤2.3得到的暗区域的坐标x代入公式中，得到暗区域的透射率；
16.步骤4、将步骤2.3得到的亮区域的坐标x代入得到亮区域的透射率；其中，l(x)是坐标x处l通道的分量，max是取最大值函数；
17.步骤5、采用导向滤波对步骤3得到的暗区域的透射率和步骤4得到的亮区域的透射率进行精细化处理；
18.步骤6、根据步骤1建立的雾天退化模型得到无雾图像；
19.6.1将步骤5精细化处理后得到的透射率中低于t0的透射率设置为t0，其余的透射率则保持不变，t0为预设的透射率阈值；
20.6.2将步骤6.1处理后得到的透射率代入i(x)＝j(x)t(x) a(1-t(x))雾天退化模型中进行求解，得到去雾后的无雾图像j(x)；
21.6.3由于直接去雾后的无雾图像整体会偏暗，因此需要采用分别对亮区域和暗区域分区域的线性增强方式对步骤6.2得到的无雾图像j(x)进行图形增强，以增加图像的亮度和对比度，得到最终的无雾图像。
22.与现有技术相比，本发明的有益效果为：
23.本发明提供的一种基于亮区域检测的暗通道去雾方法，首先利用雾气图像在lab颜色空间的l通道的分量将雾气图像划分为亮区域和暗区域；然后采用对数与反比例的组合函数作为透射率的增益系数、以l通道的分量作为反比例函数的自变量对亮区域的透射率计算公式进行修正，得到亮区域和暗区域的透射率；最后，将透射率代入雾天退化模型中实现图像的初步恢复，对初步恢复的图像进行分区域增强处理，得到最终去雾的无雾图像。本发明采用lab颜色空间的l通道的分量自适应划分出亮区域与暗区域，在不同亮度区域采用不同的透射率计算公式，消除了图像失真与光圈现象，提高了去雾效果。本发明采用卷积神经网络确定划分阈值的方式对图像的亮区域和暗区域进行划分，并在此基础上，采用对亮区域和暗区域分别进行增强的方式对初步恢复的图像进行图像增强，方法简单快速，且可以有效解决恢复的无雾图像偏暗的问题，具有良好的去雾效果。
附图说明
24.图1为本发明提供的一种基于亮区域检测的暗通道去雾方法的流程图；
25.图2为实施例暗通道去雾方法的对比结果图；(a)为原始的雾气图像，(b)为传统的暗通道先验算法的去雾结果示意图，(c)为实施例划分亮暗区域后的示意图，(d)为本发明实施例暗通道去雾方法的去雾结果示意图。
具体实施方式
26.下面结合附图和实施例，详述本发明的技术方案。
27.实施例
28.一种基于亮区域检测的暗通道去雾方法，具体包括以下步骤：
29.步骤1、获取雾气图像，并建立雾天退化模型：
30.i(x)＝j(x)t(x) a(1-t(x))
31.其中，x是雾气图像中像素点的空间坐标，i(x)是采集到的雾气图像，j(x)是去雾后的无雾图像，a是全局大气光强度，通常情况下假设与空间坐标无关，选择暗通道灰度图中灰度值在前0.1％的像素中在雾气图像i(x)中对应位置具有最高亮度的点作为雾气图像的全局大气光强度；t(x)是空间坐标x处的透射率，w是去雾程度，设置为0.95，有助于在去雾的同时保留去雾图像的景深感；min是取最小值函数，ω(x)是以坐标x为中心的模板窗口，r,g,b是rgb图像的三个颜色通道；ac是第c个通道的全局大气光强度，y是模板窗口中的任意一个坐标，ic(y)是模板窗口ω(x)中第c个通道的图像；
32.步骤2、获取雾气图像中亮区域和暗区域的坐标：
33.2.1将雾气图像从rgb颜色空间转换到lab颜色空间，得到转换后的雾气图像i
′
(x)；
34.2.2采用深度学习对卷积神经网络模型进行训练，得到训练后的神经网络回归预测模型；其中训练样本为带阈值标签的雾气图像数据集中l通道的分量；
35.2.3将步骤2.1转换后的雾气图像中l通道的分量输入步骤2.2训练后的神经网络回归预测模型中，得到阈值k；具体为，步骤2.1转换后的雾气图像中l通道的分量输入特征提取卷积层后进行批量归一化，激活函数设置为relu，然后经过池化层，再传递到全连接层，将结果通过relu函数激活后进行批量归一化，采用dropout策略避免过拟合，再输入到两个全连接层，得到阈值k；然后，将步骤2.1转换后的雾气图像中l通道的分量大于阈值k的像素点标记为亮区域，小于或等于阈值k的像素点标记为暗区域，并分别记录亮区域与暗区域的坐标x；
36.步骤3、由于传统的暗通道先验算法在全局采用相同的透射率计算公式，其在暗区域有着较好的去雾效果，然而它推导的前提是暗通道先验理论，而亮区域并不满足该理论，往往会带来透射率偏低的问题。因此，本发明采用分区域的方式来计算全局透射率，提出了新的亮区域透射率计算公式，有效的解决了传统方法在亮区域会产生图像失真与光圈现象的问题，分区域计算全局透射率的具体步骤如下：
37.将步骤2.3得到的暗区域的坐标x代入公式中，得到
暗区域的透射率；
38.将步骤2.3得到的亮区域的坐标x代入得到亮区域的透射率；其中，l(x)是坐标x处l通道的分量，max是取最大值函数；
39.步骤4、步骤3计算得到的透射率只是粗略的透射率，粗略透射率直接用于图像的去雾往往在细节处效果较差，并且可能会产生严重的块效应，因此采用导向滤波对步骤3得到的暗区域的透射率和步骤4得到的亮区域的透射率进行精细化处理，使得无雾图像的细节信息得到了很大的加强，同时具有去噪平滑的效果；
40.步骤5、根据步骤1建立的雾天退化模型得到无雾图像；
41.5.1将步骤4精细化处理后得到的透射率中低于0.1的透射率设置为0.1，其余的透射率则保持不变；
42.5.2将步骤5.1处理后得到的透射率代入i(x)＝j(x)t(x) a(1-t(x))雾天退化模型中进行求解，得到去雾后的无雾图像j(x)；
43.5.3由于直接去雾后的无雾图像整体会偏暗，因此需要对其进行增强处理。本发明采用了分区域增强的策略，即分别对亮暗区域进行增强。亮暗区域均采用线性函数进行增强，区别在于增强的系数不同，由于亮区域本身较亮，因此只需要较弱的增强增益较小，而暗区域本身较暗，因此需要程度较高的增强增益较大。实施例中，亮区域的增益系数设置为1.1、亮度的增强程度设置为10，暗区域的增益系数设置为1.1、亮度的增强程度设置为30。
44.图2为实施例暗通道去雾方法的对比结果图；(a)为原始的雾气图像，(b)为传统的暗通道先验算法的去雾结果示意图，(c)为实施例划分亮暗区域后的示意图，(d)为本发明实施例暗通道去雾方法的去雾结果示意图。由图2可知，本发明在亮区域具有更好的去雾效果，避免了图像失真与光圈现象，同时图像的整体亮度得到了增强，具有更逼真的视觉效果。