專利名稱：一種基于圖像簡化分層模型的實時圖像去霧方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于圖像簡化分層模型的實時圖像去霧方法，適用于霧天條件下實時圖像的清晰化處理，屬于計算機視覺領(lǐng)域。
背景技術(shù)：
在霧天條件下，由于場景的能見度降低，人們所獲取到的室外圖像對比度、顏色保真度均較差，這對圖像解析以及信息提取造成了較大影響，不利于圖像特征的提取，降低了圖像的應(yīng)用價值。目前，計算機視覺領(lǐng)域中的諸多應(yīng)用，如圖像匹配制導、衛(wèi)星遙感監(jiān)測、海陸交通監(jiān)控、智能車輛以及目標跟蹤等，均需要充分提取圖像特征。由于低能見度圖像給室外視覺系統(tǒng)的正常工作帶來了很大困難，因此霧天條件下的圖像去霧技術(shù)對于提高室外視覺系統(tǒng)的可靠性、魯棒性具有重要意義。同時對于實時性要求較高的應(yīng)用，如智能車輛、目標跟蹤等，圖像去霧算法的高效性、實時性一樣至關(guān)重要?，F(xiàn)有的圖像去霧技術(shù)主要分為兩大類霧天圖像增強技術(shù)和霧天圖像復(fù)原技術(shù)。 霧天圖像增強技術(shù)中，研究人員廣為采用的方法是直方圖均衡算法。該算法的優(yōu)點在于算法復(fù)雜度低、處理速度快、對于灰度圖像處理效果非常好。缺點則在于該算法對于彩色圖像的處理會引起色彩失真、偽影出現(xiàn)、部分圖像過增強、部分圖像增強不足。霧天圖像增強技術(shù)中的Retinex算法是迄今為止最接近人類視覺系統(tǒng)的圖像處理算法，該算法被廣大研究人員關(guān)注。該算法最初用于解決高動態(tài)范圍圖像的顯示問題，其優(yōu)點在于具備動態(tài)范圍壓縮、顏色恢復(fù)、光照再現(xiàn)能力。但將此算法用于霧天圖像清晰化時卻存在一定的缺點，該算法沒有從整體角度考慮霧對圖像的影響，因此去霧效果不盡人意，尤其針對濃霧情況。霧天圖像復(fù)原技術(shù)中，主要包括假設(shè)場景各點深度信息已知的復(fù)原方法、結(jié)合圖像輔助信息實現(xiàn)深度提取的復(fù)原方法、基于經(jīng)典退化模型點擴散函數(shù)的復(fù)原方法以及基于暗原色的復(fù)原方法等。假設(shè)場景各點深度信息已知的復(fù)原方法，其缺點在于需要預(yù)知天氣情況或者利用價格昂貴的雷達或距離傳感器等硬件設(shè)備獲取精確的場景深度信息。結(jié)合圖像輔助信息實現(xiàn)深度提取的復(fù)原方法，其特點在于需要多幅圖像才可進行清晰化處理或是需要用戶輸入附加信息，此特點導致該算法無法運用在實時圖像處理中?；诮?jīng)典退化模型點擴散函數(shù)的復(fù)原方法，其缺點在于需要預(yù)先知道點擴展函數(shù)，由于實際中霧所造成的圖像污染過程和機理十分復(fù)雜，不同濃度的霧天氣過程難以用統(tǒng)一的點擴散模型表達，一般無法預(yù)知圖像退化的點擴散函數(shù)。近年來，在霧天圖像復(fù)原技術(shù)中出現(xiàn)了一種基于暗原色的單一圖像去霧技術(shù)。該方法通過搜集大量不受霧氣影響的圖像，發(fā)現(xiàn)了一套能夠識別霧氣濃度的暗原色統(tǒng)計規(guī)律。該算法的優(yōu)點在于對受到較濃霧影響的圖像也有較好的去霧效果。缺點則在于算法復(fù)雜度極高、處理速度很慢、當場景目標的亮度與大氣光相似時暗原色先驗信息將失效。在上述背景下，研究一種既能有效清晰霧天圖像，又能進行快速處理的去霧方法顯得尤為重要。

發(fā)明內(nèi)容
本發(fā)明提出了一種基于圖像簡化分層模型的實時圖像去霧方法，該方法在有效去霧的同時具備較低的算法復(fù)雜度，從而能夠?qū)崿F(xiàn)霧天條件下實時圖像的清晰化處理。本發(fā)明所述的一種基于圖像簡化分層模型的實時圖像去霧方法，其具體實現(xiàn)步驟如下步驟1 從輸入的霧天彩色視頻數(shù)據(jù)中讀入一幀視頻圖像1 ；步驟2 對步驟1中的視頻圖像1進行平滑處理，得到該視頻圖像的基本圖層B ；步驟3 用步驟1中的視頻圖像1減去步驟2中得到的基本圖層B，得到該視頻圖像的細節(jié)圖層D ；步驟4 對步驟3中得到的細節(jié)圖層D進行拉伸，得到該視頻圖像增強后的細節(jié)圖層 Denh ；步驟5 將步驟4中得到的增強后的細節(jié)圖層Dmh與步驟2中得到的基本圖層B相加，得到去霧后的視頻圖像R ；步驟6 讀入下一幀視頻圖像，轉(zhuǎn)到步驟1，直至彩色視頻數(shù)據(jù)中所有視頻圖像幀處理完畢。本發(fā)明所述步驟2、步驟3、步驟4、步驟5，其整體思路為參照LCIS(Low Curvature Image Simplifiers)圖像簡化分層模型，采用線性濾波器將一幅霧天圖像分解為兩層。其中一層由圖像的大尺度變化信息構(gòu)成，反映圖像的宏觀特征，稱作該圖像的基本圖層。另外一層由圖像的小尺度變化信息構(gòu)成，反映圖像的細節(jié)特征，稱作該圖像的細節(jié)圖層。對霧天圖像而言，圖像對比度降低，場景的物體模糊不清，細節(jié)信息衰減嚴重，因此對反映圖像細節(jié)特征的細節(jié)圖層進行增強處理，對反映圖像宏觀特征的基本圖層予以保留，最后將基本圖層和增強后的細節(jié)圖層相加得到去霧圖像。本發(fā)明所述步驟2中對步驟1中的視頻圖像1進行平滑處理，得到該視頻圖像的基本圖層B為采用雙邊濾波器對步驟1中的視頻圖像1進行平滑處理，得到該視頻圖像的基本圖層B，即B(x,y) = blfilter^XK^y))其中，(x，y)表示圖像像素點坐標，k表示雙邊濾波器blfilter的模板寬度，單位為像素，。s，\分別表示雙邊濾波器blfilter的空間濾波參數(shù)以及值域濾波參數(shù)。本發(fā)明所述步驟3中用步驟1中的視頻圖像1減去步驟2中得到的基本圖層B，得到該視頻圖像的細節(jié)圖層D為D (x, y) = 1 (χ, y)-B(x, y)其中，(χ, y)表示圖像像素點坐標。本發(fā)明所述步驟4中對步驟3中得到的細節(jié)圖層D進行拉伸，得到該視頻圖像增強后的細節(jié)圖層Denh為采用線性變換函數(shù)對步驟3中得到的細節(jié)圖層D進行對比度拉伸變換，得到該視頻圖像增強后的細節(jié)圖層Dmh，即Denh(x, y) = T(D(x, y))
4
其中，(x, y)表示圖像像素點坐標，T表示線性正比變換函數(shù)。本發(fā)明所述步驟5中將步驟4中得到的增強后的細節(jié)圖層Dmh與步驟2中得到的基本圖層B相加，得到去霧后的視頻圖像R為R(x, y) = Denh(χ，y) +B (χ，y)其中，(x, y)表示圖像像素點坐標。本發(fā)明與現(xiàn)有技術(shù)相比，其優(yōu)點在于1.本發(fā)明參照圖像簡化分層模型，采用線性濾波器將圖像分解為兩層，保留圖像基本圖層不變，僅對圖像細節(jié)圖層進行拉伸處理，有效增強了霧天圖像急劇衰減的細節(jié)信息，使得細節(jié)信息得以恢復(fù)。2.本發(fā)明算法復(fù)雜度較低，可以在實時視覺系統(tǒng)中使用。


圖1為本發(fā)明一種基于圖像簡化分層模型的實時圖像去霧方法的整體流程圖；圖2為本發(fā)明一種基于圖像簡化分層模型的實時圖像去霧方法待處理的原始圖像；圖3為本發(fā)明一種基于圖像簡化分層模型的實時圖像去霧方法處理后的去霧圖像。
具體實施例方式下面將參考附圖對本發(fā)明的優(yōu)選實施例進行詳細說明。圖1為本發(fā)明一種基于圖像簡化分層模型的實時圖像去霧方法的整體流程圖。以下將參考圖1，對本發(fā)明一種基于圖像簡化分層模型的實時圖像去霧方法的各個步驟進行詳細描述。步驟1 從輸入的霧天彩色視頻數(shù)據(jù)中讀入一幀視頻圖像l(x，y)，如圖2所示。圖像的寬為W像素，高為H像素，(x, y)為圖像像素點坐標，其中0彡χ彡W-1，0彡y彡H-1， H、W、χ、y為非負整數(shù)。圖像中場景被較濃霧覆蓋，場景最深處的汽車、路邊的布告墻等，只能看出一個輪廓
步驟2 采用雙邊濾波器對步驟1中的視頻圖像1 (X，y)進行平滑處理，得到該視頻圖像的基本圖層B(x，y)，即 B(x,y) = MfflterfeeaffrCKx,y})其中，(x，y)表示視頻圖像像素點坐標，k表示雙邊濾波器blfilter的模板寬度， 單位為像素，σ s，\分別表示雙邊濾波器blfilter的空間濾波參數(shù)以及值域濾波參數(shù)，此處k的優(yōu)選值為9。雙波濾波器blfilter對視頻圖像1中任意一點ρ進行平滑濾波的操作定義為如下公式Wfflter一瓜=^r Gax(||ρ — q_』p- l,|)lc
p<tesoa其中，S(k)表示以像素點ρ為中心，模板寬度為k像素的空間域S，q為該空間域
5S中的像素點，
權(quán)利要求
1.一種基于圖像簡化分層模型的實時圖像去霧方法，其特征在于，包括以下步驟步驟1 從輸入的霧天彩色視頻數(shù)據(jù)中讀入一幀視頻圖像1 ；步驟2 對步驟1中的視頻圖像1進行平滑處理，得到該視頻圖像的基本圖層B ；步驟3 用步驟1中的視頻圖像1減去步驟2中得到的基本圖層B，得到該視頻圖像的細節(jié)圖層D ；步驟4 對步驟3中得到的細節(jié)圖層D進行拉伸，得到該視頻圖像增強后的細節(jié)圖層Denh ；步驟5 將步驟4中得到的增強后的細節(jié)圖層Dmh與步驟2中得到的基本圖層B相加， 得到去霧后的視頻圖像R ；步驟6 讀入下一幀視頻圖像，轉(zhuǎn)到步驟1，直至彩色視頻數(shù)據(jù)中所有視頻圖像幀處理完畢。
2.如權(quán)利要求1所述的一種基于圖像簡化分層模型的實時圖像去霧方法，其特征在于，所述基于圖像簡化分層模型的去霧方法其中，圖像簡化分層模型是指任何一幅圖像都可以經(jīng)過線性濾波器處理進而分解為兩層，其中一層由圖像的大尺度變化信息構(gòu)成，反映圖像的宏觀特征，稱作該圖像的基本圖層，另外一層由圖像的小尺度變化信息構(gòu)成，反映圖像的細節(jié)特征，稱作該圖像的細節(jié)圖層；其中，去霧處理是對反映霧天圖像宏觀特征的基本圖層予以保留，對反映霧天圖像細節(jié)特征的細節(jié)圖層進行增強，然后將增強后的細節(jié)圖層和基本圖層相加得到去霧后圖像。
3.如權(quán)利要求1所述的一種基于圖像簡化分層模型的實時圖像去霧方法，其特征在于，所述步驟2中對步驟1中的視頻圖像1進行平滑處理其中，對視頻圖像1進行平滑處理所采用的線性濾波器為雙邊濾波器。
4.如權(quán)利要求3所述的一種基于圖像簡化分層模型的實時圖像去霧方法，其特征在于，雙邊濾波器模板寬度k為一經(jīng)驗數(shù)值，該經(jīng)驗數(shù)值的具體取值應(yīng)綜合考慮圖像的去霧效果、算法實時性兩個方面。
5.如權(quán)利要求1所述的一種基于圖像簡化分層模型的實時圖像去霧方法，其特征在于，所述步驟4中對步驟3中得到的細節(jié)圖層D進行拉伸，得到該視頻圖像增強后的細節(jié)圖層 Denh 其中，拉伸處理函數(shù)為線性正比變換函數(shù)Denh(x，y) = a*D(x，y)。
6.如權(quán)利要求4所述的一種基于圖像簡化分層模型的實時圖像去霧方法，其特征在于，線性正比變換函數(shù)的拉伸系數(shù)a為一經(jīng)驗數(shù)值，該經(jīng)驗數(shù)值的具體取值應(yīng)考慮圖像退化細節(jié)在有效增強的同時不至過增強而超出圖像的動態(tài)顯示范圍。
全文摘要
本發(fā)明公開了一種基于圖像簡化分層模型的實時圖像去霧方法，適用于霧天條件下實時圖像的清晰化處理，屬于計算機視覺領(lǐng)域。該方法包括從輸入的霧天彩色視頻數(shù)據(jù)中讀入一幀視頻圖像；對該視頻圖像進行平滑處理，得到該視頻圖像的基本圖層；用原始視頻圖像減去該視頻圖像的基本圖層，得到該視頻圖像的細節(jié)圖層；對該視頻圖像的細節(jié)圖層進行拉伸，得到該視頻圖像增強后的細節(jié)圖層；將該視頻圖像增強后的細節(jié)圖層與該視頻圖像的基本圖層相加，得到去霧后的視頻圖像；讀入下一幀視頻圖像，直至彩色視頻數(shù)據(jù)中所有視頻圖像幀處理完畢。該方法在有效去霧的同時具備較低的算法復(fù)雜度，從而能夠?qū)崿F(xiàn)霧天條件下實時圖像的清晰化處理。
文檔編號G06T5/00GK102254306SQ20111019642
公開日2011年11月23日 申請日期2011年7月14日 優(yōu)先權(quán)日2011年7月14日
發(fā)明者紀越峰, 陳璐, 黃治同 申請人:北京郵電大學