一種基于圖像分層增強的圖像去霧方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于圖像分層增強的圖像去霧方法及系統(tǒng)，方法包括以下步驟：S1、估測原始圖像的大氣光值A(chǔ)；S2、結(jié)合所述大氣光值構(gòu)造兩層半逆圖像，對兩層半逆圖像進行線性對比度增強；S3、計算原始圖像和增強后的半逆圖像在CIE?LCH空間H通道的絕對差值，根據(jù)所述絕對差值確定增強后的半逆圖像的權(quán)值分布，根據(jù)所述權(quán)值分布將兩層增強后的半逆圖像進行融合；S4、對融合后的圖像進一步線性增強，獲得最終的對比度增強的去霧圖像。實施本發(fā)明可有效克服以往圖像增強算法中出現(xiàn)的增強不足或顏色失真等情況，獲得清晰的去霧圖像，且計算簡單，適用性強，能滿足實時處理應(yīng)用的需求。
【專利說明】一種基于圖像分層增強的圖像去霧方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像清晰化處理領(lǐng)域，具體地說，涉及一種基于圖像分層增強的圖像去霧方法及系統(tǒng)。
【背景技術(shù)】
[0002]霧天條件下，由于大氣中懸浮的大量微小水滴、渾濁的媒介對光的散射、吸收等作用，使得大氣的能見度降低，造成了霧天成像傳感器采集的圖像嚴重退化降質(zhì)，圖像色彩和對比度大幅下降，從而導(dǎo)致以提取圖像特征為基礎(chǔ)的監(jiān)控、跟蹤、智能導(dǎo)航、智能車輛等視覺應(yīng)用系統(tǒng)無法正常穩(wěn)定的工作。因此，研究圖像去霧技術(shù)，提高霧天降質(zhì)圖像的清晰度具有很強的現(xiàn)實意義和重大的應(yīng)用價值。同時，圖像去霧技術(shù)因其跨學(xué)科(涉及到物理學(xué)、數(shù)學(xué)、大氣學(xué)、數(shù)字圖像處理等多門學(xué)科)以及應(yīng)用前景廣闊等特點，已成為計算機視覺和圖像處理領(lǐng)域的研究熱點。近些年來國內(nèi)外已經(jīng)取得了一定的研究成果，這些圖像去霧的方法主要分為兩大類:基于物理模型的圖像復(fù)原方法和基于圖像處理的圖像增強方法。其特點描述如下:
[0003]I)基于物理模型的圖像復(fù)原方法
[0004]基于物理模型的圖像復(fù)原方法，建立霧天圖像的大氣散射模型，通過圖像降質(zhì)過程的逆過程來恢復(fù)清晰圖像，其又可細分為多種類型的方法:基于偏微分方程的方法、基于深度關(guān)系的方法和基于先驗信息的方法，其中最突出的是He提出的基于暗通道先驗信息的圖像去霧方法。該類方法一般能恢復(fù)出比較理想的圖像去霧質(zhì)量，信息損失少，但其缺點在于需要利用數(shù)學(xué)工具或其它輔助信息估計模型參數(shù)，計算復(fù)雜、耗時，很難應(yīng)用到實時處理系統(tǒng)中。
[0005]2)基于圖像處理的圖像增強方法
[0006]基于圖像處理的霧天圖像增強方法不考慮圖像的降質(zhì)原因，主要根據(jù)主觀視覺效果進行對比度增強和顏色校正，其具體有多種增強方式:基于全局化增強的直方圖均衡化方法、同態(tài)濾波方法、多尺度Retinex方法以及基于局部對比度或方差的增強方法等。此類方法計算相對簡單，能有效地提高霧天圖像的對比度，突出圖像的細節(jié)，但其缺點在于會損失很多信息出現(xiàn)不可預(yù)測的圖像失真，且沒有考慮場景的深度信息，對于較復(fù)雜的圖像場景，會出現(xiàn)部分過增強、部分圖像增強不足以及顏色失真等現(xiàn)象，其適用范圍受到一定的限制。
[0007]對于實際應(yīng)用，場景變化復(fù)雜且實時性要求較高，上述方法均不能達到理想的效果O

【發(fā)明內(nèi)容】

[0008]針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種圖像分層增強的圖像去霧方法及系統(tǒng)，所述方法及系統(tǒng)既能提高圖像去霧的運算速度以滿足實時性應(yīng)用，又能適用于不同場景獲得清晰化的圖像。[0009]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是，提供了一種圖像分層增強的圖像去霧方法，所述方法包括以下步驟:
[0010]S1、估測原始圖像的大氣光值A(chǔ) ;
[0011]S2、結(jié)合所述大氣光值構(gòu)造兩層半逆圖像，對兩層半逆圖像進行線性對比度增強；
[0012]S3、計算原始圖像和增強后的半逆圖像在CIE LCH空間H通道的絕對差值，根據(jù)所述絕對差值確定增強后的半逆圖像的權(quán)值分布，根據(jù)所述權(quán)值分布將兩層增強后的半逆圖像進行加權(quán)融合；
[0013]S4、對融合后的圖像進一步線性增強，獲得最終的對比度增強的去霧圖像。
[0014]作為進一步優(yōu)選地，所述步驟SI包括以下子步驟:
[0015]S11、基于Retinex思想將高斯核函數(shù)與原始圖像的灰度圖進行卷積，得到原始圖像的照度分量圖；
[0016]S12、從照度分量圖中搜索出最亮的區(qū)域；
[0017]S13、對應(yīng)照度分量圖中最亮的區(qū)域，將原始圖像的灰度圖中相應(yīng)位置的值作為估計的大氣光值A(chǔ)。
[0018]作為進一步優(yōu)選地，所述步驟S2包括以下子步驟:
[0019]S21、將所述大氣光值A(chǔ)進行分段，取A/2和A/4作為參考，首先取參考值A(chǔ)O為A/2 ；
[0020]S22、將原始圖像分離成3通道，分別計算參考值A(chǔ)O與原始圖像的r、g、b值的差值A(chǔ)0-r，AO-g和AO-b，然后分別取所述差值和對應(yīng)的原通道r、g、b值的最大值作為輸出，構(gòu)成3個半逆通道；
[0021]S23、將3個半逆通道分別進行線性對比度增強，再合并得到增強后的半逆圖像；
[0022]S24、取參考值A(chǔ)O為A/4，重復(fù)步驟S22-S23，獲得另一層增強后的半逆圖像。
[0023]作為進一步優(yōu)選地，所述步驟S3包括以下子步驟:
[0024]S31、轉(zhuǎn)換原始圖像和第一層增強后的半逆圖像到CIE LCH空間，計算它們在H通道上的絕對差，得到差值圖，并將差值圖中絕對差小于設(shè)定閾值的部分進行標記；
[0025]S32、對H通道差值圖中被標記和未被標記的區(qū)域設(shè)定不同的權(quán)值，得到權(quán)值圖并將其作為第一層的權(quán)重分布圖；
[0026]S33、用I和第一層的權(quán)重分布圖作差，得到第二層的權(quán)重分布圖；
[0027]S34、將兩層增強后的半逆圖像進行融合:在每一層中將增強后的半逆圖像與該層對應(yīng)的權(quán)重分布圖相乘，對兩層分別加權(quán)后的結(jié)果求和。
[0028]作為進一步優(yōu)選地，所述步驟S4包括以下子步驟:
[0029]S41、對融合后的圖像的每個通道進行對比度增強；
[0030]S42、將步驟S41中每個通道增強前后的結(jié)果分別進行加權(quán)求和；
[0031]S43、將求和后的三個通道進行合并，獲得最終的對比度增強的去霧圖像。
[0032]相應(yīng)地，本發(fā)明還提供了一種圖像分層增強的圖像去霧系統(tǒng)，包括估測模塊、構(gòu)造模塊、融合模塊和線性增強模塊，
[0033]所述估測模塊用于估測原始圖像的大氣光值A(chǔ) ；
[0034]所述構(gòu)造模塊用于結(jié)合所述大氣光值構(gòu)造兩層半逆圖像，對兩層半逆圖像進行線性對比度增強；
[0035]所述融合模塊用于計算原始圖像和增強后的半逆圖像在CIE LCH空間H通道的絕對差值，根據(jù)所述絕對差值確定增強后的半逆圖像的權(quán)值分布，根據(jù)所述權(quán)值分布將兩層增強后的半逆圖像進行加權(quán)融合；
[0036]所述線性增強模塊用于對融合后的圖像進一步線性增強，獲得最終的對比度增強的去霧圖像。
[0037]作為進一步優(yōu)選地，所述估測模塊包括第一估測子模塊、第二估測子模塊和第三估測子模塊，
[0038]所述第一估測子模塊基于Retinex思想將高斯核函數(shù)與原始圖像的灰度圖進行卷積，得到原始圖像的照度分量圖；
[0039]所述第二估測子模塊用于從所述照度分量圖中搜索出最亮的區(qū)域；
[0040]所述第三估測子模塊用于對應(yīng)照度分量圖中最亮的區(qū)域，將原始圖像的灰度圖中相應(yīng)位置的值作為估計的大氣光值A(chǔ)。
[0041]作為進一步優(yōu)選地，所述第一構(gòu)造子模塊用于將所述大氣光值A(chǔ)進行分段，首先取參考值A(chǔ)O為A/2以獲得第一層增強后的半逆圖像；獲得所述第一層增強后的半逆圖像后，取參考值A(chǔ)O為A/4以獲得另一層增強后的半逆圖像；
[0042]所述第二構(gòu)造子模塊用于將原始圖像分離成3通道，分別計算參考值A(chǔ)O與原始圖像的r、g、b值的差值A(chǔ)0-r，AO-g和A0_b，然后分別取所述差值和對應(yīng)的原通道r、g、b值的最大值作為輸出，構(gòu)成3個半逆通道；
[0043]所述第三構(gòu)造子模塊用于將3個半逆通道分別進行線性對比度增強，再合并得到增強后的半逆圖像。
[0044]作為進一步優(yōu)選地，所述融合模塊包括第一融合子模塊、第二融合子模塊、第三融合子模塊和第四融合子模塊，
[0045]所述第一融合子模塊用于轉(zhuǎn)換原始圖像和第一層增強后的半逆圖像到CIE LCH空間，計算它們在H通道上的絕對差，得到差值圖，并將差值圖中絕對差小于設(shè)定閾值的部分進行標記；
[0046]所述第二融合子模塊用于對H通道差值圖中被標記和未被標記的區(qū)域設(shè)定不同的權(quán)值，得到權(quán)值圖并將其作為第一層的權(quán)重分布圖；
[0047]所述第三融合子模塊用I和第一層的權(quán)重分布圖作差，得到第二層的權(quán)重分布圖；
[0048]所述第四融合子模塊用于將兩層增強后的半逆圖像進行融合:在每一層中將增強后的半逆圖像與該層對應(yīng)的權(quán)重分布圖相乘，對兩層分別加權(quán)后的結(jié)果求和。
[0049]作為進一步優(yōu)選地，所述線性增強模塊包括第一線性增強子模塊、第二線性增強子模塊和第三線性增強子模塊，
[0050]所述第一線性增強子模塊用于對融合后的圖像的每個通道進行對比度增強；
[0051]所述第二線性增強子模塊用于對第一線性增強子模塊中每個通道增強前后的結(jié)果分別進行加權(quán)求和；
[0052]所述第三線性增強子模塊用于將求和后的三個通道進行合并，獲得最終的對比度增強的去霧圖像。[0053]因此，本發(fā)明可獲得以下有益效果:本發(fā)明中的圖像分層增強的去霧方式，一方面提高了去霧方法的魯棒性，避免了類似He方法中因不滿足暗通道先驗產(chǎn)生的失效區(qū)域，有更強的適用性，另一方面其基于兩層增強的方式能有效處理場景深度變化比較大的情況，克服了以往圖像增強算法中出現(xiàn)的增強不足或顏色失真等情況，能獲得細節(jié)更加豐富的清晰圖像；同時本發(fā)明中基于圖像的照度分量來估計大氣光值的方法，與以往直接把圖像中最亮點的像素值作為大氣光值的方法相比，有效避免了 一些白色物體的干擾，能獲得更加合理的估值；此外，本發(fā)明的方案計算簡單，避免了對圖像進行物理模型的估計和復(fù)雜優(yōu)化，有效降低了運算復(fù)雜度，能滿足實時處理應(yīng)用的需求。
【專利附圖】

【附圖說明】
[0054]下面將結(jié)合附圖及實施例對本發(fā)明作進一步說明，附圖中:
[0055]圖1為本發(fā)明基于圖像分層增強的圖像去霧方法的整體流程圖；
[0056]圖2為本發(fā)明一個實施例的待處理的原始圖像；
[0057]圖3為采用本發(fā)明基于圖像分層增強的圖像去霧方法或系統(tǒng)處理后的去霧圖像?！揪唧w實施方式】
[0058]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。
[0059]圖1是本發(fā)明基于圖像分層增強的圖像去霧方法的整體流程圖。如圖1所示，本發(fā)明所述方法包括如下步驟:
[0060]S1、估測原始圖像的大氣光值A(chǔ) ;
[0061]S2、結(jié)合所述大氣光值構(gòu)造兩層半逆圖像，對兩層半逆圖像進行線性對比度增強；
[0062]S3、計算原始圖像和增強后的半逆圖像在CIE LCH空間H通道的絕對差值，根據(jù)所述絕對差值確定增強后的半逆圖像的權(quán)值分布，根據(jù)所述權(quán)值分布將兩層增強后的半逆圖像進行融合；
[0063]S4、對融合后的圖像進一步線性增強，獲得最終的對比度增強的去霧圖像。
[0064]上述步驟SI中，估測原始圖像大氣光值有很多方法，如將原始圖像中最亮點的像素值作為大氣光值等。在本發(fā)明一個優(yōu)選實施例中，基于圖像的照度分量來估計大氣光值，該方法相比于現(xiàn)有技術(shù)有效避免了一些白色物體的干擾，能獲得更加合理的估值。步驟Si包括如下子步驟:
[0065]S11、基于Retinex思想將高斯核函數(shù)與原始圖像的灰度圖進行卷積，得到輸入圖像的照度分量圖；
[0066]基于人眼視覺顏色恒常性的Retinex理論，將一幅圖像表示為反射分量和照度分量乘積的形式，其中照度分量反映了環(huán)境光照特性，通過將輸入圖像的灰度圖與高斯核函數(shù)進行卷積獲得，具體為:
[0067]L(x，y) = F(x，y)*I(x，y)[0068]
【權(quán)利要求】
1.一種基于圖像分層增強的圖像去霧方法，其特征在于，所述方法包括以下步驟: 51、估測原始圖像的大氣光值A(chǔ); 52、結(jié)合所述大氣光值構(gòu)造兩層半逆圖像，對兩層半逆圖像進行線性對比度增強； 53、計算原始圖像和增強后的半逆圖像在CIELCH空間H通道的絕對差值，根據(jù)所述絕對差值確定增強后的半逆圖像的權(quán)值分布，根據(jù)所述權(quán)值分布將兩層增強后的半逆圖像進行加權(quán)融合； 54、對融合后的圖像進一步線性增強，獲得最終的對比度增強的去霧圖像。
2.如權(quán)利要求1所述的基于圖像分層增強的圖像去霧方法，其特征在于，所述步驟SI包括以下子步驟: 511、基于Retinex思想將高斯核函數(shù)與原始圖像的灰度圖進行卷積，得到原始圖像的照度分量圖； 512、從照度分量圖中搜索出最亮的區(qū)域； 513、對應(yīng)照度分量圖中最亮的區(qū)域，將原始圖像的灰度圖中相應(yīng)位置的值作為估計的大氣光值A(chǔ)。
3.如權(quán)利要求1或2所述的基于圖像分層增強的圖像去霧方法，其特征在于，所述步驟S2包括以下子步驟: 521、將所述大氣光值A(chǔ)進行分段，取參考值A(chǔ)O為A/2； 522、將原始圖像分離成3通道，分別計算參考值A(chǔ)O與原始圖像的r、g、b值的差值A(chǔ)0-r, AO-g和AO-b，然后分別取所述差值和對應(yīng)的原通道r、g、b值的最大值作為輸出，構(gòu)成3個半逆通道； 523、將3個半逆通道分別進行線性對比度增強，再合并得到增強后的半逆圖像； 524、取參考值A(chǔ)O為A/4，重復(fù)步驟S22-S23，獲得另一層增強后的半逆圖像。
4.如權(quán)利要求3所述的基于圖像分層增強的圖像去霧方法，其特征在于，所述步驟S3包括以下子步驟: 531、轉(zhuǎn)換原始圖像和第一層增強后的半逆圖像到CIELCH空間，計算它們在H通道上的絕對差，得到差值圖，并將差值圖中絕對差小于設(shè)定閾值的部分進行標記； 532、對H通道差值圖中被標記和未被標記的區(qū)域設(shè)定不同的權(quán)值，得到權(quán)值圖并將其作為第一層的權(quán)重分布圖； 533、用I和第一層的權(quán)重分布圖作差，得到第二層的權(quán)重分布圖； 534、將兩層增強后的半逆圖像進行融合:在每一層中將增強后的半逆圖像與該層對應(yīng)的權(quán)重分布圖相乘，對兩層分別加權(quán)后的結(jié)果求和。
5.如權(quán)利要求4所述的基于圖像分層增強的圖像去霧方法，其特征在于，所述步驟S4包括以下子步驟: 541、對融合后的圖像的每個通道進行對比度增強； 542、將步驟S41中每個通道增強前后的結(jié)果分別進行加權(quán)求和； 543、將求和后的三個通道進行合并，獲得最終的對比度增強的去霧圖像。
6.一種基于圖像分層增強的圖像去霧系統(tǒng)，包括估測模塊、構(gòu)造模塊、融合模塊和線性增強模塊，其特征在于， 所述估測模塊用于估測原始圖像的大氣光值A(chǔ) ;所述構(gòu)造模塊用于結(jié)合所述大氣光值構(gòu)造兩層半逆圖像，對兩層半逆圖像進行線性對比度增強； 所述融合模塊用于計算原始圖像和增強后的半逆圖像在CIE LCH空間H通道的絕對差值，根據(jù)所述絕對差值確定增強后的半逆圖像的權(quán)值分布，根據(jù)所述權(quán)值分布將兩層增強后的半逆圖像進行加權(quán)融合； 所述線性增強模塊用于對融合后的圖像進一步線性增強，獲得最終的對比度增強的去霧圖像。
7.如權(quán)利要求6所述的基于圖像分層增強的圖像去霧系統(tǒng)，其特征在于，所述估測模塊包括第一估測子模塊、第二估測子模塊和第三估測子模塊， 所述第一估測子模炔基于Retinex思想將高斯核函數(shù)與原始圖像的灰度圖進行卷積，得到原始圖像的照度分量圖； 所述第二估測子模塊用于從所述照度分量圖中搜索出最亮的區(qū)域； 所述第三估測子模塊用于對應(yīng)照度分量圖中最亮的區(qū)域，將原始圖像的灰度圖中相應(yīng)位置的值作為估計的大氣光值A(chǔ)。
8.如權(quán)利要求6或7 所述的基于圖像分層增強的圖像去霧系統(tǒng)，其特征在于，所述構(gòu)造模塊包括第一構(gòu)造子模塊、第二構(gòu)造子模塊和第三構(gòu)造子模塊， 所述第一構(gòu)造子模塊用于將所述大氣光值A(chǔ)進行分段，首先取參考值A(chǔ)O為A/2以獲得第一層增強后的半逆圖像；獲得所述第一層增強后的半逆圖像后，取參考值A(chǔ)O為A/4以獲得另一層增強后的半逆圖像； 所述第二構(gòu)造子模塊用于將原始圖像分離成3通道，分別計算參考值A(chǔ)O與原始圖像的r、g、b值的差值A(chǔ)0-r, AO-g和A0_b,然后分別取所述差值和對應(yīng)的原通道r、g、b值的最大值作為輸出，構(gòu)成3個半逆通道； 所述第三構(gòu)造子模塊用于將3個半逆通道分別進行線性對比度增強，再合并得到增強后的半逆圖像。
9.如權(quán)利要求8所述的基于圖像分層增強的圖像去霧系統(tǒng)，其特征在于，所述融合模塊包括第一融合子模塊、第二融合子模塊、第三融合子模塊和第四融合子模塊， 所述第一融合子模塊用于轉(zhuǎn)換原始圖像和第一層增強后的半逆圖像到CIE LCH空間，計算它們在H通道上的絕對差，得到差值圖，并將差值圖中絕對差小于設(shè)定閾值的部分進行標記； 所述第二融合子模塊用于對H通道差值圖中被標記和未被標記的區(qū)域設(shè)定不同的權(quán)值，得到權(quán)值圖并將其作為第一層的權(quán)重分布圖； 所述第三融合子模塊用I和第一層的權(quán)重分布圖作差，得到第二層的權(quán)重分布圖；所述第四融合子模塊用于將兩層增強后的半逆圖像進行融合:在每一層中將增強后的半逆圖像與該層對應(yīng)的權(quán)重分布圖相乘，對兩層分別加權(quán)后的結(jié)果求和。
10.如權(quán)利要求9所述的基于圖像分層增強的圖像去霧系統(tǒng)，其特征在于，所述線性增強模塊包括第一線性增強子模塊、第二線性增強子模塊和第三線性增強子模塊， 所述第一線性增強子模塊用于對融合后的圖像的每個通道進行對比度增強； 所述第二線性增強子模塊用于對第一線性增強子模塊中每個通道增強前后的結(jié)果分別進行加權(quán)求和；所述第三線性增強子模塊用于將求和后的三個通道進行合并，獲得最終的對比度增強的去霧圖像。
【文檔編號】G06T5/50GK103914820SQ201410127722
【公開日】2014年7月9日 申請日期:2014年3月31日 優(yōu)先權(quán)日:2014年3月31日
【發(fā)明者】張云, 田金文, 高駿逸, 李濤, 李斌, 龔俊斌 申請人:華中科技大學(xué)