一种基于均值滤波的雾天图像清晰化处理方法
【技术领域】
[0001] 本发明属于数字图像领域，具体为一种基于均值滤波的雾天图像清晰化处理方 法。
【背景技术】
[0002] 随着空气质量的恶化，雾霾天气的现象增多。在雾、霾等天气条件下，大气中悬浮 着大量微小水滴、气溶胶，其对光的散射作用导致捕获的图像质量严重下降，如雾天图像颜 色偏灰白色，对比度降低，物体特征难以辨认等，不仅视觉效果差，图像观赏性降低，还会影 响到图像的后期处理。因此，对这种由自然现象导致图像降质进行分析研究意义重大。
[0003] 目前雾天图像清晰化的处理方法很多，主要分为两大类:基于图像增强的方法和 基于物理模型的方法。基于图像增强的方法借助于已有的成熟图像增强算法提升图像的对 比度，突出图像中景物的特征和有用的信息。但是这类方法可能会造成图像的部分信息丢 失，使图像失真。直方图均衡化是图像增强中常用的方法，全局直方图均衡化是对整幅图像 进行均衡化处理，使得处理后的图像直方图分布均匀，提升全局的对比度。该算法实现简 单，处理速度快，但在实际中，场景各部分的景深不一致，而该算法忽略了局部信息，故恢复 出来的效果不理想。第二类基于物理模型的方法通过研究大气悬浮颗粒对光的散射作用， 建立大气散射模型，了解图像退化的物理机制，从而反演复原出未降质前的图像。这类物理 模型方法复原出的图像效果真实，接近于降质前图像，对一些复杂场景的图像处理效果较 好，图像的信息得到了较完整的保留。但一般情况下，这类方法的计算量大且复杂性高。 Nararimhan和Nayar提出的二色大气模型，从两幅或多幅图像来估计场景的三维结构和颜 色信息，最终恢复出无雾图像。但当场景中存在接近雾霾颜色的物体时，恢复效果并不理 想。Schechner等人通过旋转偏振片获取同一场景的最大和最小偏振度的两幅图像，利用它 们之间的差值估计环境光来恢复图像，该算法依赖于环境光的偏振特性，在一些恶劣的天 气下无法获取光的偏振性将导致算法失效。Tan假设局部区域的环境光为常数，通过对局部 对比度增强的最大化来恢复无雾图像。由于该方法过度增强图像的对比度，其恢复后的图 像色彩过于饱和，且在景深突变的边界出现严重的光晕效应。Fattal假设图像的局部区域 的反射率为常向量，并假设物体表面色度与介质传播具有局部统计不相关性，推算出图像 的透射率，该方法是对非线性反问题的求解，需要有足够的颜色信息对局部区域进行独立 成分的假设，否则会导致统计估计的不可靠，恢复出的图像效果不理想。何凯明等人假设在 至少一个颜色通道里存在一个值趋向于〇的像素，即暗通道先验，利用最小值滤波对透射率 进行粗略估计，最后利用软抠图算法对图像的透射率进行优化，得到较满意的去雾效果。但 该方法对接近于天空颜色的场景的恢复存在着一定的缺陷，并且在优化处理的过程中计算 量相对较大，复杂度较高。
【发明内容】
[0004] 针对现有的很多图像去雾算法具有极高的时空复杂性，且未能满足实时性要求， 难以投入到实际应用中等问题，本发明提出了一种基于均值滤波的雾天图像清晰化处理方 法，本方法先对透射率进行粗略估计，再估计最佳透射率，求得全局大气光的辐射强度A，带 入大气散射模型公式，计算恢复出无雾图像J(x)。本方法有效地降低图像清晰化处理中计 算的复杂度，故可以对图像或视频进行实时去雾的清晰化处理。
[0005] 本发明为解决上述技术问题所采用的技术方案是，一种基于均值滤波的雾天图像 清晰化处理方法，包括以下步骤：
[0006] 1)获取最小值图像：
式中，C为R、G或B通道，Ρ(χ)为雾天 图像I(x)的R、G或Β通道的图像；
[0007] 2)对获取的最小值图像Mmin( X)均值滤波：
[0008] Mave(x) = averagesa(Mmin(x))；
[0009] 3)估计透射率t(x):
[0010]
Μ (λ)
[0011] 式中，Α〇为R、G或Β通道的大气光值，? --为弥补偏差值，Φ =1-ω，φ取值范 围[0·3,0·8];
[0012] 4)估计最佳透射率'Γ(λ-):
[0013]运用图像的均方误差对比度衡量函数E_trast和图像信息量损失评价函数Ει_约 束透射率t(x)的选取：
[0014] 所述均方误差对比度衡量函数E_trast与透射率t(x)的平方成反比；所述图像信息 量损失评价函数Eloss与透射率t (X)成反比；构造最小代价函数:Emir^-Econtrast+SEloss ;将步 骤3)的透射率t(X)带入最小代价函数E_?行迭代，最小代价函数E_最小时的透射率为最 佳透射率/'(〇;
[0015] 5)估计R、G或B通道大气光值的辐射强度Ao:
[0016] max (Μ , (χ)) < Α〇 < max ( max Γ(χ) ) ;
[0017] 6)估计全局大气光的福射强度A:
[0018]
[0019]式中，T是对向量[1 1 1]进行转置运算；
[0020] 7)恢复无雾图像J(x):将全局大气光辐射强度A和最佳透射率？(X):带入大气散射 模型公式/ω = JGMx) + J(1 - f(x))，恢复出无雾图像JU)。
[0021 ] 上述方案中，所述均方误差对比度衡量函数E_trast为：
[0022]
[0023] 式中，c为R、G或B通道，Γ(χ)为无雾图像的R、G或B通道图像，Γ(χ)为雾天图像的R、 G或B通道图像，;Τ?.)为无雾图像的R、G或B通道图像的均值，7^.0为雾天图像的R、G或B通 道图像的均值，N为整幅图像像素的总个数。
[0024] 上述方案中，所述图像信息量损失评价函数ElcissS:
[0025]
[0026] min(0, Jc(x))为输出的无雾图像的像素值小于0时图像所损失的信息量，max(0, Jc (x)-255)为输出的无雾图像的像素值超过255时图像所损失的信息量，i为输入雾天图像的 像素索引值;[a，b]为预设的输入的雾天图像I(x)像素的取值范围。
[0027] 本发明提供的一种基于均值滤波的雾天图像清晰化处理方法的优势在于：只利用 一次简单的均值滤波即可获得透射率和大气光值的粗略估计;通过均方误差对比度衡量函 数和图像信息量损失评价函数求得最佳的透射率;总体计算方法简单，计算复杂度低，能快 速地恢复出清晰的无雾图像，可在图像或视频系统中实时运用。
【附图说明】
[0028] 图1为本基于均值滤波的雾天图像清晰化处理方法实施例的流程图；
【具体实施方式】
[0029] 下面结合附图详细描述本发明一种基于均值滤波的雾天图像清晰化处理方法的 实施例，本例处理过程如图1所示，包括如下具体步骤：
[0030] 1)获取1?、6、8三通道中的最小值图像：
[0031] 输入雾天图像I(x)，计算图像R、G、B三通道中的最小值图像Mmin(x)，即：
[0032] Μ-ω ?η,/Γ(χ))，
[0033] 式中，c为R、G或Β通道，Γ(χ)为雾天图像Ι(χ)的R、G或Β通道的图像；
[0034] 2)对获取的最小值图像Mmin( X)均值滤波：
[0035] Mave(x) = averagesa(Mmin(x))；
[0036] 3)估计透射率t(x):
[0037] 大气耗散函数定义为:L(X)=A(l-t(x))，
[0038] 图像的R、G、B三个通道的大气光值相同，大气耗散函数满足以下约束条件:A(l_t (x))<I(x),
[0039] 式中，A=[Ao Ao Ao]TSR、G、B三个通道的大气光值，Ao为R、G或B的大气光值，T表示 转置运算符；
[0040] 假设雾天图像Ι(χ)的大气光值和透射率均为常量，对上述的约束条件两端取最小 值操作，即：
[0041]
[0042] 式中，t(x)取值范围L〇，l];
[0043] 进一步对上式的右式进行均值滤波：
[0044]
[0045] 对t(X)进行偏差值弥补，则透射率粗略估计的公式为：
[0046]
[0047] 式中，扮为弥补偏差值，巾=1_〇，(})取值范围[0.3,0.8]; '0
[0048]当Φ取值较小时，透射率t(x)的值较大，最终恢复出来的图像雾气比较多，当Φ取 值较大时，透射率的值较小，最终恢复出来的图像偏暗；
[0049] 4)估计最佳透射率
[0050] 均方误差对比度衡量函数Eccintrast为：
[0051]