[发明专利]一种基于暗原色先验的图像去雾优化算法

说明书

技术领域

本发明涉及一种基于暗原色先验的图像去雾优化算法，具体地说，是涉及一种图像快速去雾方法，属于图像处理技术领域。

背景技术

在恶劣天气条件下捕获图像，由于大气中悬浮的大量颗粒(如雾、霾)会对光产生吸收、散射作用，从而导致捕获的图像质量下降，出现图像模糊、色彩失真、对比度下降等现象，不仅降低图像的可视性，更对后续图像处理算法(如物体识别、特征提取、图像分析等)的进行造成困难。

目前，计算机视觉领域国内外学者提出的去雾算法按照信息的利用方式可分为基于多幅图像(或其他附加信息)和仅基于单幅图像两类。

有雾图像中雾的分布和图像中景物的深度有关，由于可以从同一景物的多幅图像中提炼景物的深度信息，因此，很多学者提出了基于多幅图像(或其他附加信息)的去雾算法，如利用同一景物在不同偏振滤波器下的多幅图像进行去雾、利用同一景物在不同天气条件下的多幅图像去雾、利用附加的景物深度信息进行去雾。但由于这类算法要求的输入信息较多，使得它们的实用性受到约束，如在一些要求实时性的系统上，很难实时获得所需要的不同天气条件下的多幅图像；而在未知环境中，无法提供景物的附加深度信息。

近两年只利用单幅图像信息的去雾算法也有较多进展。在其中一种去雾算法中，提出通过增大图像局部对比度来恢复无雾图像，但此种方法容易导致恢复后的图像颜色稍显失真，且在景深不连续处会产生光晕伪影(halo)。

在另一种去雾算法中，基于景物表面色度(surfaceshading)与介质传播(mediumtransmission)具有局部统计不相关性的假设，对有雾图像进行去雾，此算法去雾效果明显，但该算法不能处理灰度图像。后来，何恺明学者在对大量无雾图像进行统计的基础上，提出了暗原色先验(darkchannelprior)，并利用这一统计规律粗估计介质传播函数，然后利用图像抠图算法对介质传播函数进行修正，进而对图像进行去雾，这种算法的去雾效果较显著。

而近年来，随着计算机软硬件技术的不断发展，在有雾天气下对视频进行实时除雾已经成为可能，但由于上述算法计算时间较长，对处理器要求高，故在视频清晰度上做出妥协，市面图像去雾技术在视频监控、自动驾驶、城市交通等相关的领域清晰度大多都是360p或者480p，因为设备成本问题高清视频实时除雾一直无法解决。

发明内容

本发明要解决的技术问题是提供一种基于暗原色先验的图像去雾优化算法，不仅解决了高清画质下视频去雾处理慢的问题，也为低成本去雾系统提供了优化方案，使在低性能soc的情况下也可以实现高清视频去雾的操作。

本发明采用的技术方案是：一种基于暗原色先验的图像去雾优化算法，包括如下步骤：

步骤一：从视频提取有雾图像I(x)；

步骤二：对有雾图像I(x)进行最小值滤波处理，得到处理后的图像G(x)；

步骤三：求取图像G(x)的暗通道图J^dark；

求出图像G(x)中每个通道的最小值，存入和图像G(x)大小相同的灰度图中，得到暗通道图J^dark；

对于输入图像G(x)，其暗通道求取公式如下：

式中j^c表示图像G(x)三个颜色通道R、G、B中的一种，Ω(x)表示以坐标x为中心的一个窗口，y为x的通道函数，而暗通道先验定义j^dark(x)→0；

步骤四：估算出大气光值A，选取方法如下：

1)从暗通道图中按照亮度的大小取前0.1％的像素；

2)在步骤1)选取的这些位置中，在原始有雾图像I(x)中寻找对应的具有最高亮度的点的值，作为A值；

步骤五：计算透射率t(x)

大气散射模型如下：

I(x)＝J(x)t(x)+A(1-t(x)) (2)

其中I(x)为待除雾图像，J(x)为待求的无雾的图像，t(x)为图像大气透射率，A为大气光值，

大气散射模型(2)可变形为

上式中，上标C表示R/G/B三个通道的意思，

对式(3)两边求两次最小值运算得到下式：

上式中，J(x)是待求的无雾的图像，根据步骤三中的暗原色先验理论有：

因此，结合公式(4)、(5)可推导出：