基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质

1.本发明涉及图像去雾的技术领域，尤其涉及基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质。


背景技术：

2.随着工业技术的迅速发展，也加剧了环境污染问题，使得雾霾天气越来越频繁的出现，在雾天的环境中，视觉成像系统接收到的物体反射光受到空气中散射粒子吸收与散射作用，同时还受到大气光的散射影响，从而导致生成的图像退化降质，这将严重的影响后续的视觉工作任务。
3.单幅图像去雾的方法主要可以分为两大类，其中第一类为基于图像增强的去雾算法，因为雾天图像具有细节模糊，整体对比度低的特点，所以图像增强技术来实现图像去雾，典型的算法有基于直方图均衡，基于视网膜皮层理论(retinex)，基于同态滤波等。但是基于图像增强的去雾方法并没有考虑到雾天图像生成的原因，去雾后的图像容易出现颜色失真的现象，通常不具有普遍的适用性。因此当前去雾的研究重点在与第二类基于图像复原的去雾算法，这一类算法以大气散射物理模型为基础，使用雾天成像模型进行去雾分析，其中最典型的就是基于先验信息的单幅图像去雾方法。
4.2009年，he等人提出的基于暗通道先验(dark channel prior,dcp)的去雾算法是研究最为广泛的基于先验信息的方法，dcp假设在无雾图像中非天空非白色物体区域的像素邻域内至少有一个颜色通道的最小值是趋近于零的。因此可以利用最小值滤波求得粗糙的透射率，由于最小值滤波会破坏原有的深度信息，从而导致去雾后的图像在深度变化处出现光晕效应。he等人使用软抠图(soft matting)来细化透射率。但是软抠图复杂度非常高，几乎无法处理大分辨率图像。he等人又提出了一种引导滤波(guided filter)的方法来代替软抠图，引导滤波提高了dcp的速度，但是在对光晕效应的抑制效果弱于软抠图。此外，出现了许多基于dcp的改进算法。tarel等人使用一系列的中值滤波对大气光幕进行平滑处理，中值滤波相比最小值滤波能较好的保持图像边界，但是还原的图像会存在边缘去雾不彻底的现象。tripathi等人提出一种基于各向异性扩散的去雾方法，该方法中采用各向异性扩散对大气光幕进行保留边缘的平滑，然后利用优化的大气光幕进行去雾，最后利用数据驱动的自适应直方图拉伸进行调整。这种方法还原的无雾图像中的白色物体容易出现颜色失真，而且直方图拉伸很容易影响去雾效果，适用性较差。nandal使用分数阶各向异性扩散代替一般的各向异性扩散来优化大气光幕，并且在空间域求解扩散方程，减少了算法耗时，但是仍然会出现颜色失真的现象。
5.因此，如何解决现有的图像去雾方法对图像去雾后容易导致图像中的白色物体颜色失真或边界不清楚已成为本领域技术人员亟待解决的技术问题。


技术实现要素：

6.本发明提供了基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质，用于
解决现有的图像去雾方法对图像去雾后容易导致图像中的白色物体颜色失真或边界不清楚的技术问题。
7.为解决上述技术问题，本发明提出的技术方案为：
8.一种基于保边滤波和平滑滤波融合的去雾方法，包括以下步骤：
9.获取待处理的有雾图像，并从有雾图像中提取有雾图像的大气光；
10.构建有雾图像的暗通道图像，对暗通道图像进行保边滤波处理，得到边缘清楚的第一滤波图像；对暗通道图像进行平滑滤波处理，得到内部白色物体平滑的第二滤波图像；将第一滤波图像和第二滤波图像进行融合，并从融合后生成的融合图像中提取有雾图像的大气光幕；
11.基于有雾图像的大气光和大气光幕，对有雾图像进行去雾处理。
12.优选的，保边滤波为各向异性扩散滤波，对暗通道图像进行保边滤波处理，通过以下公式实现：
13.w(x，y，0)＝w(x，y)
[0014][0015]
其中，x为暗通道图像的横坐标，y为暗通道图像的纵坐标，t为扩散时间，w(x，y，0)为各向异性扩散滤波的扩散时间t＝0时的暗通道图像，w(x，y)为各向异性扩散滤波的输入图像，div为散度算子，为梯度算子，函数g被称为传导函数，可以为标量函数，也可为张量函数。
[0016]
优选的，各向异性扩散滤波以快速显式扩散格式进行求解。
[0017]
优选的，平滑滤波为高斯滤波，高斯滤波的标准差为：
[0018][0019]
其中，h和w分别为有雾图像的高度与宽度。
[0020]
优选的，将第一滤波图像和第二滤波图像进行融合，并从融合后生成的融合图像中提取大气光幕，包括以下步骤：
[0021]
设定第一融合系数，并根据第一融合系数第一滤波图像和第二滤波图像融合，生成第一融合图像；
[0022]
提取第一融合图像中的第一大气光幕和光晕信息；
[0023]
将光晕信息归一化，得到第二融合系数，根据第二融合系数将第一大气光幕与第一滤波图像进行融合，得到第二融合图像，从第二融合图像中提取第二大气光幕，作为有雾图像的大气光幕。
[0024]
优选的，第一融合系数通过以下公式获取得到：
[0025][0026]
其中，c1为第一融合系数；w
pm
为第一滤波图像；ac为三个颜色通道的大气光；
[0027]
提取第一融合图像中的第一大气光幕，通过以下公式实现：
[0028]v1
＝c1×
wg+(1-c1)w
pm
[0029]
其中，v1为第一大气光幕，wg为第二滤波图像；
[0030]
提取第一融合图像中的光晕信息通过以下公式实现：
[0031][0032]
其中，s
x
为scharr算子在第一融合图像的x方向的矢量，sy为scharr算子在第一融合图像的y方向的矢量；为卷积算子；
[0033]
将光晕信息归一化，通过以下公式实现：
[0034]
c2＝h/max(h)
[0035]
其中，c2为第二融合系数；
[0036]
从第二融合图像中提取第二大气光幕，通过以下公式实现：
[0037]v2
＝c2×wpm
+(1-c2)
×v1
[0038]
其中，v2为第二大气光幕。
[0039]
优选的，基于有雾图像的大气光和大气光幕，对有雾图像进行去雾处理，还包括以下步骤：
[0040]
通过最小值校正公式对有雾图像的大气光幕进行校正，其中，校正公式如下：
[0041]
v＝v
2-(minv
2-minw)
[0042]
其中，v为校正后的大气光幕，v2为有雾图像的大气光幕，minw为暗通道图像中颜色通道的最小值；
[0043]
根据校正后的大气光幕和大气光计算有雾图像的透射率，其中，透射率计算公式如下：
[0044][0045]
其中，t(x，y)为有雾图像的透射率，ω为用于控制去雾程度的经验参数，取值范围为(0，1)，v(x，y)为校正后的大气光幕，a为大气光；
[0046]
根据计算出的有雾图像的透射率以及大气光对有雾图像去雾，其中，去雾公式如下：
[0047][0048]
其中，j(x，y)为无雾图像，i(x，y)为有雾图像，t0为透射率阈值。
[0049]
优选的，从有雾图像中提取有雾图像的大气光通过四叉树搜索方法实现，具体包括以下步骤：
[0050]
1)输入有雾图像i，设定最小矩阵区域大小阈值ω；
[0051]
2)将输入图像均分为四个矩形区域，分别计算每个子区域中每一个颜色通道的均值与标准差；
[0052]
3)分别计算每一个区域的得分s，得分s等于子区域内各颜色通道的均值减去标准差；
[0053]
4)比较四个子区域的得分值，选择得分最高的区域作输入图像，重复2)，3)步骤，若该区域的大小小于阈值ω，则停止区域划分；
[0054]
5)寻找该区域内与纯白色最接近的像素点，选该像素点为大气光a。
[0055]
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行
的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
[0056]
一种计算机存储介质，其上存储有计算机程序，程序被处理器执行时实现上述任一项方法中的步骤。
[0057]
本发明具有以下有益效果：
[0058]
1、本发明中的基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质，通过从有雾图像中提取有雾图像的大气光；构建有雾图像的暗通道图像，对暗通道图像进行保边滤波处理，得到边缘清楚的第一滤波图像；对暗通道图像进行平滑滤波处理，得到内部白色物体平滑的第二滤波图像；将第一滤波图像和第二滤波图像进行融合，并从融合后生成的融合图像中提取有雾图像的大气光幕；基于有雾图像的大气光和大气光幕，对有雾图像进行去雾处理。本发明通过对暗通道图像进行保边滤波处理和平滑滤波处理后融合，再从融合图像中提取大气光幕，对有雾图像进行去雾处理，能在保证去雾后的有雾图像白色物体不失真，且图像内的物体边界清楚。
[0059]
2、在优选方案中，本发明采用各向异性扩散滤波和高斯滤波进行融合，使得基于该融合图像获得大气光幕细节平滑，深度边缘保留，进而进一步提高去雾后的有雾图像的图像质量。
[0060]
3、在优选方案中，本发明中采用快速显式扩散(fast explicit diffusion，fed)来加速各向异性扩散方程的数值求解，极大的减少了算法的计算量，提升了计算效率。
[0061]
4、在优选方案中，本发明采用双融合的策略来优化大气光幕，不但能校正大气光幕的颜色失真，还能消除图像深度边缘出现的光晕效应。
[0062]
5、在优选方案中，本发明采用最小值校正算法优化大气光幕，能有效解决去雾后的图像对比度不足的问题。
[0063]
6、在优选方案中，本发明采用四叉树搜索的方法来估计大气光，能准确估计出有雾图像的大气光。
[0064]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
[0065]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0066]
图1是本发明优选实施例中的基于保边滤波和平滑滤波融合的去雾方法的流程图；
[0067]
图2是本发明优选实施例中的四叉树搜索与传统算法得到的大气光和去雾结果图，其中，(a)为四叉树搜索得到的大气光展示图，(b)为四叉树搜索的去雾结果图，(c)为he提出的基于暗通道先验的去雾算法的去雾结果图，(d)为ming提出的去雾算法的去雾结果图；
[0068]
图3是本发明优选实施例中的大气光幕的优化的流程图，其中，(a)为第一滤波图像w
pm
，(b)为第二滤波图像wg，(c)为第一次融合的初始大气光幕v1的效果图，(d)为第二次融合的大气光幕v2的效果图；
[0069]
图4是本发明优选实施例中的各算法去雾效果图，其中，(a)为hazy提出的去雾算
square filter)中的任意一种，平滑滤波可采用高斯滤波器、均值滤波器、中值滤波器中的任意一种。
[0081]
此外，在本实施例中，还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
[0082]
此外，在本实施例中，还公开了一种计算机存储介质，其上存储有计算机程序，程序被处理器执行时实现上述任一项方法中的步骤。
[0083]
本发明中的基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质，通过从有雾图像中提取有雾图像的大气光；构建有雾图像的暗通道图像，对暗通道图像进行保边滤波处理，得到边缘清楚的第一滤波图像；对暗通道图像进行平滑滤波处理，得到内部白色物体平滑的第二滤波图像；将第一滤波图像和第二滤波图像进行融合，并从融合后生成的融合图像中提取有雾图像的大气光幕；基于有雾图像的大气光和大气光幕，对有雾图像进行去雾处理。本发明通过对暗通道图像进行保边滤波处理和平滑滤波处理后融合，再从融合图像中提取大气光幕，对有雾图像进行去雾处理，能在保证去雾后的有雾图像白色物体不失真，且图像内的物体边界清楚。
[0084]
实施例二：
[0085]
实施例二是实施例一的优选实施例，其与实施例一的不同之处在于，对于基于保边滤波和平滑滤波融合的去雾方法具体步骤进行了细化：
[0086]
在计算机视觉和计算机图形学领域，大气散射物理模型广泛的应用于基于图像复原的图像去雾研究中，该模型可以描述为如下：
[0087]
i(x，y)＝j(x，y)t(x，y)+a[1-t(x，y)] (1)
[0088]
t(x，y)＝e-βa(x，y)
#(2)
[0089]
其中i(x，y)为成像系统采集到的有雾图像，j(x，y)为无雾图像，a为大气光，t(x，y)为透射率，β为大气散射系数，d(x，y)为成像系统到像素(x，y)位置的场景深度。图像去雾的过程就是根据有雾图像i还原无雾图像j的过程。但是仅仅只知道有雾图像i，是无法求解出无雾图像j，所以基于先验信息的去雾算法就是给方程添加额外的约束条件，实现对大气光a和透射率t的估计，从而实现图像去雾。还原无雾图像表达式如下：
[0090][0091]
其中t0为透射率下阈值，防止分母出现零。
[0092]
一般称(1)式中的第二项a[1-t(x，y)]为大气光幕(atmospheric veil)，并记为v(x，y)，tarel指出大气光幕应该是整体光滑，但是在景深变化处边缘明显，并且在数值上应该是非负的且小于有雾图像颜色通道的最小值，若则有0≤v(x，y)≤w(x，y)。从大气光幕可以推导出透射率表达式如下：
[0093][0094]
其中参数ω用于控制去雾程度，一般选择为0.95。
[0095]
he等人通过对大量的晴天无雾图像进行分析，发现在无雾图像中非天空非白色物
体区域的像素邻域内至少有一个颜色通道的最小值是趋近于零的，即暗通道先验可以表示为：
[0096][0097]
其中ω(x)表示以像素x为中心的邻域，通过(1)和(5)式可以得到透射率的粗估计如下：
[0098][0099]
对比(4)式可以看出，暗通道先验实际上是用最小值滤波处理颜色通道的最小值w(x)来估计大气光幕。(6)式中粗糙的透射率一般通过软抠图或引导滤波进行优化处理，再用于还原无雾图像。
[0100]
在此基础上，在本实施中，如图1所示，针对现有去雾方法还原的无雾图像存在光晕效应和颜色失真的问题，提出了一种基于各向异性扩散与高斯滤波双融合的单幅图像去雾方法。首先利用四叉树搜索的方法来获取大气光。然后对rgb颜色通道最小值图像分别进行各向异性扩散与高斯滤波，各向异性扩散的目的是为了得到细节平滑，深度边缘保留的大气光幕，高斯滤波的目的是为了平滑图像中的局部白色物体，然后采用一种双融合的策略来优化大气光幕，第一次图像融合的目的是校正颜色失真，第二次图像融合是为了消除图像深度边缘出现的光晕效应。最后采用一种简单的最小值校正得到最终优化后的大气光幕。使用快速显式扩散(fast explicit diffusion，fed)来加速各向异性扩散方程的数值求解，极大的减少了算法的计算量，提升了计算效率。
[0101]
如图3所示，该方案具体步骤如下：
[0102]
步骤1、大气光的估计
[0103]
现有的大气光的估计，如he算法，一般选取暗通道图像中亮度值最大0.1％像素点，然后找出其对应在原始有雾图像中的像素点，将这些像素点中亮度最大的选择为大气光a。该方法中计算暗通道图像时的最小值滤波的半径选择对大气光影响较大。当滤波半径较小时，通常无法排除大尺寸白色物体，从而导致错误的选择这些白色物体为大气光，影响去雾效果。而当滤波半径较大时，则导致暗通道图像几乎全暗，此时则无法找到合理的像素点，从而导致对大气光的错误估计。观察到在天空区域或者雾气最浓的区域，其像素之间的方差较小，而因此本文采用一种四叉树搜索的方法来估计大气光，步骤如下：
[0104]
1)输入有雾图像i，最小矩阵区域大小阈值ω；
[0105]
2)将输入图像均分为四个矩形区域，分别计算每个子区域中每一个颜色通道的均值与标准差。
[0106]
3)分别计算每一个区域的得分s，得分s等于子区域内各颜色通道的均值减去标准差。
[0107]
4)比较四个子区域的得分值，选择得分最高的区域作输入图像，重复(2)，(3)步骤，若该区域的大小小于阈值ω，则停止区域划分。
[0108]
5)寻找该区域内与纯白色最接近的像素点，即寻找使||(ir，ig，ib)-(255,255,255)||取最小值的像素点，选该像素点为大气光a。图2展示了本文算法，he算法与meng算法分别求取的大气光，并且将这三种算法求出的大气光分别用于本文的去雾算法的去雾结
果。其中he算法错误的将火车灯视为大气光，使得估计的大气光比实际值高，导致还原后的图像较暗。而meng算法在每一个的颜色通道估计大气光，而不是寻找图像中代表大气光的像素点，使得还原的图像出现了严重的颜色失真。
[0109]
步骤2、大气光幕的优化
[0110]
由于大气光幕有整体光滑，但是在深度变化处边缘明显的性质。这表明大气光幕应该能够表示图像的速度信息。并且图像的景深信息与图像中物体的自身颜色无关。若使用rgb通道的最小值w(x，y)来估计大气光幕，则需要减少图中的白色物体的干扰。在基于暗通道先验的去雾算法中，采用最小值滤波的方式来处理非天空区域的白色物体，当滤波半径大于白色物体尺寸的时候，此时最小值滤波能够很好的处理这种情况。不过由于滤波半径的增大，同样也会影响到深度变化的地方，从而产生光晕效应。
[0111]
考虑到大气光幕的性质，可以考虑使用p-m滤波来平滑w(x，y)，实现对大气光幕v(x，y)的估计。p-m滤波中对比度因子λ控制着扩散的程度，当λ越大时，边缘保持效果越差，越接近高斯滤波。而λ越小时，边缘保持的越好，但是对细节平滑也会减弱。由于图像中显著的白色物体一般存在明显的边界，这种情况下使用较小对比度因子λ的p-m滤波，难以对这些白色物体进行平滑，从而导致去雾后出现颜色失真。所以需要进行后期处理，比如直方图拉伸，色调映射等。
[0112]
图像处理领域中，各向异性扩散是一种常用的用于减少图像噪声或纹理细节，但是又能够保留显著图像边缘的技术。一般情况下，各向异性扩散指的是perona-malik滤波，简称p-m滤波，其表达式如下：
[0113][0114]
其中i＝i(x，y，t)，div为散度算子，为梯度算子，函数g被称为传导函数，可以为标量函数，也可为张量函数。在p-m滤波中，传导函数g为图像梯度的单调递减函数。当图像梯度较大时，抑制扩散，梯度较小，加速扩散。在本文中使用的传导函数g如下：
[0115][0116]
其中λ为对比度因子，用于控制扩散程度。可以看出传导函数g的值域为[0，1]，
[0117]
p-m方程的解与传导函数g有关。当传导函数g等于常数时，p-m方程有解析解。且解析解为高斯分布函数，即对于高斯滤波。扩散时间t与高斯滤波的标准差σ满足t＝0.5σ2。当传导函数g不为常数时，p-m方程为偏微分方程，一般不存在解析解，通常只有数值解。离散格式的选择将决定算法耗时，传统的显式格式实现简单但是受到最大稳定步长大小的限制，而半隐式格式虽然受步长限制较小，但是却需要求解大型线性方程组，实现复杂。
[0118]
本发明采用一种快速显式扩散(fast explicit diffusion，fed)格式对p-m方程进行求解，fed的核心思想来自于数值分析中的超时间步长与循环理查德森方法。fed格式将扩散时间t分解为m个相同的fed循环进行求解，每一个fed循环中采用一组特殊选择的时间步长τi(i＝0，
…
，n-1)，其中有一半的时间步长违背最大稳定步长τ
max
的限制，但是迭代格式仍然收敛。二维情况的fed格式如下：
[0119][0120]
上式表示第k个fed循环的第i个内循环，其中向量i表示按图像按行重排形成的列向量，e为单位矩阵，a为单个方向的传导矩阵，a(ik)＝(a
ij
(ik))，定义如下：
[0121][0122]
其中gk＝g(ik)，表示像素点单个方向的邻域，一个fed循环中变化的时间步长τi表达式如下：
[0123][0124]
一个fed循环中的变化步长数n计算式如下：
[0125][0126]
其中[]表示大于x的最小整数。
[0127]
2.1双融合优化策略
[0128]
通过上述分析，我们使用一种双融合的策略抑制颜色失真和光晕效应。首先使用一个较小对比度因子λ1的p-m滤波来保留边缘的平滑w(x，y)，得到w
pm
。
[0129]
w(x，y，0)＝w(x，y) (13)
[0130][0131]
当扩散时间t＝t1时，p-m方程的解，即为w
pm
。因为高斯滤波可以看作一个不受限制的扩散过程。高斯滤波的标准差越大，对应的扩散时间越长，像素值高的地方往像素值低的地方扩散的越多，因此可以实现对局部白色物体的校正。本文中采用标准差较大的高斯滤波来平滑w(x，y)，得到wg。与图像大小自适应的标准差σ如下所示：
[0132][0133]
其中h和w分别为图像的高度与宽度，可以看出该高斯滤波对应扩散时间的各向同性扩散滤波。
[0134]
将得到w
pm
与wg进行融合，第一次融合的目的是校正w中的白色物体，所以在w
pm
越接近大气光a的像素点是需要校正的，融合系数要定义融合系数c1如下：
[0135]
[0136]
第一次融合的初始大气光幕v1如下所示：
[0137]v1
＝c1×
wg+(1-c1)w
pm
ꢀꢀ
(17)
[0138]
由于高斯滤波会破坏图像的深度信息，使用wg作为大气光幕还原的无雾图像会在景深变化处会出现严重的光晕效应。第一次融合产生的初始大气光幕v1在景深变化处会包含一定的wg分量，从而也会产生光晕效应。通过观察由高斯滤波产生光晕效应与最小值滤波不同，最小值滤波带来的块状效应会导致在同一个块中的光晕都是相同强度的，而高斯滤波产生的光晕是非常平滑的，在近景处开始出现且强度最大，随着深度的增加，逐渐消失在远景处。该光晕沿景深梯度方向的变化率是相似的，因此本文采用scharr算子来提取光晕信息，scharr算子相比sobel算子抗干扰性更强，精确度更高，其表达式如下：
[0139][0140]
光晕信息h计算式如下：
[0141]
其中为卷积算子，将光晕信息h归一化得到融合系数c2：
[0142]
c2＝h/max(h)
ꢀꢀ
(20)
[0143]
当初始大气光幕中像素点属于光晕时，需要还原其正常的景深，所以要将v1与w
pm
进行第二次融合，得到第二次融合的大气光幕v2：
[0144]v2
＝c2×wpm
+(1-c2)
×v1
ꢀꢀ
(21)
[0145]
2.2最小值校正
[0146]
考虑到p-m滤波和高斯滤波都是一种扩散过程，图像中像素值之和不会随着滤波改变，但是最小值与最大值会随着平滑滤波的过程改变。因此得到的大气光幕的最小值比初始的颜色通道最小值w要大，这可能导致还原的图像对比度不足。本文采用一种简单的方式对最小值进行校正
[20]
，得到最终的大气光幕v，即：
[0147]
v＝v
2-(minv
2-minw)
ꢀꢀ
(22)
[0148]
将最后得到的大气光幕v带入(4)式中即可得出本算法的透射率，通过(3)式，即可还原无雾图像。
[0149]
步骤3、实验验证：
[0150]
为了验证本算法的有效性，本文采用主观评价与客观评价相结合的方法对算法进行评估，分别与he等人的基于暗通道先验，软抠图细化与引导滤波细化去雾算法，tarel等人的中值滤波去雾算法，meng等人的边界约束与上下文正则化去雾算法，zhu等人的颜色衰减先验算法，berman等人的雾线先验去雾算法进行比较分析，上述算法中涉及到最小值滤波与形态学闭操作的部分，操作半径均选择为15。本文算法的对比度因子参数λ1为10，扩散时间t1为50，fed格式采用四邻域格式，即最大稳定步长τ
max
为0.25，fed循环次数m为2。实验环境为matlab r2018a，计算机配置为inter(r)core(tm)i7-6700hq cpu@2.60ghz，内存大小8.00gb，操作系统为64位windows 10。
[0151]
1主观评价
[0152]
对于去雾算法来说，主观评价指的是人看到无雾图像的感受，主观评价的好坏主
要与图像中的光晕，颜色失真，失真，对比度等因素相关，本文中针对提出算法的目的，即抑制光晕效果与颜色失真，选取了多幅容易出现以上问题的图像进行主观评价分析，去雾结果如图4所示，在图4中从上至下图像分别命名为：house，lake，canyon。对比有雾图像与还原的无雾图像，除开he在house图中去雾效果较差，其他算法都实现了一定的去雾的效果。对于house图来说，he与zhu光晕效应明显，tarel，meng和berman有去雾不彻底的情况，在叶子间还有未完全去除的雾，并且tarel出现了较为严重的颜色失真。对于lake图中的浓雾情况，he的光晕效应更为明显，而zhu由于去雾效果较弱，光晕效果相比减弱，tarel，meng和berman依旧存在去雾不彻底的情况，对于canyon图来说，除开he与zhu的光晕效应外，tarel对出现较为严重的颜色失真与伪边缘，berman去雾效果可视性较好，但是在天空区域出现了异常的情况。因此整体看来，在景深变化，基于引导滤波透射率优化的算法如he和zhu光晕效果非常明显，而tarel，meng和berman出现了一定程度的去雾不彻底的情况，tarel还容易出现颜色失真的情况，而基于软抠图透射率细化的he和本发明方法能够较好的减轻光晕效应。对于非天空白色物体的校正效果如图5所示。
[0153]
在图5中，对于he，当最小值滤波半径为r＝15时，图像右上角的树枝部分出现了非常严重的光晕效应，但是右小角的海报没有出现颜色失真，当滤波半径减少为3时，树枝部分光晕效应减弱，右小角的海报呈现紫色，出现了颜色失真，meng在改变闭运算的模板半径时也会出现相同情况，本发明能够同时实现抑制光晕效果和校正颜色失真。
[0154]
2客观评价
[0155]
客观评价的评估指标为去雾效果与算法的时间消耗。其中去雾效果的评估可以被分为两类：无参考评估和全参考评估。无参考评估主要是指的对于自然雾天图像去雾效果的评估，而全参考评估指的是对于合成雾天图像的去雾效果的评估。
[0156]
2.1去雾效果的客观评价
[0157]
对于自然雾天图像，我们很难获取到同样条件下真实的无雾图像进行参考分析。所以我们选择了新增可见边之比e、可见边的规范化梯度均值作为无参考的客观评价指标。其中新增可见边之比e与可见边的规范化梯度均值定义式如下：
[0158][0159][0160]
其中n0与nr分别为有雾图像与还原的无雾图像中的可见边数目，表示无雾图像中可见边的集合，pi为可见边上的像素点。理论上来说，指标e与都是数值越大越好，但是由于在部分场景的去雾过程中产生颜色失真，会导致图像出现新增的伪边缘，从而影响客观指标的准确性，因此本文选用了四幅去雾后无失真情况的图像进行对比，还原的无雾图像如图6所示，在图6中，从上至下图像分别命名为：forest，pumpkins，train，tree。下表1为图6中各算法客观指标。
[0161]
表1图6算法客观指标比较
[0162][0163]
从表1中可以看出，he和zhu几乎没有产生较高的e和的值，这表明这两种算法较弱的去雾效果。相比于所比较的算法，本文算法在客观指标新增可见边之比e和可见边的规范化梯度均值上都取得了较好的结果。
[0164]
对于合成图像，我们选择真实图像与还原的无雾图像之间的结构相似性(structural similarity，ssim)与峰值信噪比(peak signal-to-noise ratio，psnr)作为全参考客观评价指标。ssim和psnr都是结果越大，去雾结果越接近真实图像。本文选取reside图像集中的室外合成图像作为测试图像
[22]
。对于部分合成图像的去雾效果如图7所示，在图7中，从上至下分别命名为:bus，temple，flower，city。下表2为图7中各算法客观指标。
[0165]
表2各算法客观指标对比表
[0166][0167]
从表2可以看出，对于合成图像，本文所提算法与zhu的颜色衰减先验去雾算法表现较为优秀。
[0168]
2.2算法耗时的客观评价
[0169]
本文选择了多张不同分辨率大小的图像进行了算法耗时的测试。当实验数据处于稳定状态时，记录了十次实验结果，然后取其平均值作为有效数据。下表3显示了本文算法与其他算法在处理不同分辨率大小图像上的耗时情况。当图像的分辨率较大时，在本文的测试环境下无法运行软抠图，因为软抠图需要求解大型线性方程组，对内存的要求较高。所提算法采用了fed格式来加速各向异性扩散方程的数值求解，减少了到达给定的扩散时间t，所需要的迭代次数，从而减少了算法耗时。总的来说，本文所提算法在低分辨率情况下，耗时最短，当分辨率增大时，算法耗时仅多于zhu。相比使用快速引导滤波的基于暗通道先验的he，平均减少了55.0％的时间消耗。
[0170]
表3不同分辨率算法耗时比较
[0171][0172]
从表3中可以看出，本文算法在处理小分辨率图像时，耗时最短，对与大分辨率图像，算法耗时仅次于zhu的基于颜色衰减先验的快速去雾算法。
[0173]
综上所述，本发明中的基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质，通过构建有雾图像的暗通道图像，从暗通道图像中提取有雾图像的大气光；对暗通道图像进行保边滤波处理，得到边缘清楚的第一滤波图像；对暗通道图像进行平滑滤波处理，得到内部白色物体平滑的第二滤波图像；将第一滤波图像和第二滤波图像进行融合，并从融合后生成的融合图像中提取有雾图像的大气光幕；基于有雾图像的大气光和大气光幕，对有雾图像进行去雾处理。本发明通过对暗通道图像进行保边滤波处理和平滑滤波处理后融合，再从融合图像中提取大气光幕对有雾图像进行去雾处理，能在保证去雾后的有雾图像白色物体不失真，且图像内的物体边界清楚。
[0174]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。