一種最優(yōu)對比度和最小信息損失的圖像去霧方法
【專利摘要】本發(fā)明涉及一種最優(yōu)對比度和最小信息損失的圖像去霧方法，其特征在于該方法利用利用高斯混合模型，四分樹，最大化對比度和最小信息損失等函數(shù)實現(xiàn)了圖像去霧方法。首先，基于高斯混合模型和期望值最大算法把圖像分割成天空區(qū)域和非天空區(qū)域兩類；其次，從圖像的天空區(qū)域采用四分樹迭代方法估計大氣散射模型的大氣光照強度；再次，對圖像的非天空區(qū)域采用網(wǎng)格劃分的方法分塊，利用最大化對比度和最小信息損失的函數(shù)計算每個網(wǎng)格單元的大氣光照模型的傳播率；基于常系數(shù)和非天空區(qū)域的最優(yōu)傳播率估計天空區(qū)域的傳播率；最后，合并輸出天空區(qū)域和非天空區(qū)域的恢復圖像。
【專利說明】一種最優(yōu)對比度和最小信息損失的圖像去霧方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機圖像處理，特別涉及一種最優(yōu)對比度和最小化信息損失的圖像去霧方法。

【背景技術(shù)】
[0002]自2012年以來，全國74個重點監(jiān)測城市近半數(shù)受到了嚴重霧霾污染，霧霾籠罩在我們的上空，遮蔽了視線，相機和視頻監(jiān)控等成像系統(tǒng)所捕獲的圖像色彩暗淡、對比度變低，圖像質(zhì)量的嚴重退化，直接影響了圖像的視覺效果，嚴重影響它們的應(yīng)用范圍，在很多應(yīng)用場合需要對受到霧霾污染的圖像進行去霧處理。
[0003]大氣介質(zhì)主要由空氣分子、水汽和氣溶膠組成，空氣中所含氣溶膠粒子是霧霾形成的主要因素，也是圖像質(zhì)量產(chǎn)生退化的根本原因。霧霾天氣下，物體表面反射的光在到達成像設(shè)備的過程中會受到空氣懸浮顆粒的影響，從而使得設(shè)備無法獲得清晰圖片。氣溶膠粒子對光線有散射作用，散射損失使“透射光”強度衰減，造成了圖像的對比度下降。
[0004]圖像去霧研究最早可追溯到1992年L.Bissonnette等人針對霧和雨天氣的圖像去霧。圖像去霧技術(shù)經(jīng)歷了二十多年的發(fā)展，取得了較大的進展，不斷有新思想和新方法產(chǎn)生并用于實際工程中，主要有基于模型和基于非模型兩個方向。
[0005]基于非模型的方法考慮圖像呈現(xiàn)的低亮度和低對比度的特征，以常規(guī)的圖像增強方法作為基本的處理手段?；诜悄Ｐ偷姆椒ú恍枰治鰣D像退化的原因，只按特定的需要突出圖像中感興趣的部分信息，同時將不需要的信息進行衰減或去除。主要包括空間域和頻率域兩類方法，典型的方法包括直方圖均衡化算法、曲波變換、同態(tài)濾波算法、基于大氣調(diào)制傳遞函數(shù)、小波方法及Retinex算法等。基于非模型的去霧方法只是增強圖像的對比度，沒有考慮霧天圖像模糊機理和退化原因，沒有考慮霧霾濃度與目標景深成正比，實際上只是在一定程度上改善了圖像的視覺效果，實質(zhì)上并不是真正的圖像去霧。
[0006]基于模型的去霧方法通過分析圖像退化原因，對大氣散射建模，實現(xiàn)圖像的恢復?；谀Ｐ偷姆椒ǚ譃槿?(I)基于偏微分方程的復原；(2)基于深度關(guān)系的復原；(3)基于先驗信息的復原。
[0007]基于偏微分方程的圖像去霧方法比較適合圖像的色彩清晰度和對比度有較高要求的場合。借助大氣散射模型，建立戶外圖像全局去霧和局部去霧的能量最優(yōu)化模型，推導相應(yīng)的包含圖像梯度和場景景深的偏微分方程。但此方法有一個不足之處在于圖像深度信息的獲取所要求的漸進修改大氣散射系數(shù)都需要通過用戶的交互操作。
[0008]基于深度關(guān)系的方法利用深度關(guān)系圖對圖像進行去霧處理。通過采集不同天氣條件下對應(yīng)的場景圖像計算出背景圖像的深度圖，再結(jié)合相關(guān)的啟發(fā)式信息得到前景目標對象的深度。盡管這些方法的去霧效果較為令人滿意，但其需要借助參考圖像的要求過于苛刻，在實際應(yīng)用中難以實現(xiàn)。
[0009]基于先驗信息的復原方法，需要多幅圖像或更多輔助信息。根據(jù)場景深度信息是否已知可分為兩類。一類是假設(shè)場景深度信息已知的方法，通過復原場景對比度，使用一個簡單的高斯函數(shù)對場景中的光路進行預(yù)測，但此方法需要雷達裝置獲取場景深度。另一類是用輔助信息提取場景深度。利用二值散射模型，不同散射光的偏振特性和交互式景深估計等不同角度提取場景深度信息。但偏振光的方法只能應(yīng)用于大氣散射程度較弱的薄霧，而不適于大霧天氣。有些方法則需要用到不同天氣狀態(tài)下相同景物的圖像或用戶的交互，很難滿足對變換場景的實際應(yīng)用需求。
[0010]依據(jù)深度信息的去霧算法，已經(jīng)發(fā)展到實現(xiàn)單幅圖像去霧的程度。Tan提出了一種擴大帶霧圖像的局部對比度的單幅圖像去霧方法，但存在顏色過飽和，導致光暈偽影現(xiàn)象。Fattal提出了一種基于獨立成份分析的方法，通過假定透過率和表面投影在局部區(qū)域是不相關(guān)的，估算景物的反射率，推斷景物光在空氣中傳播時的透過率，最后實現(xiàn)場景的恢復，但此方法只適合薄霧圖像。He提出了基于暗原色先驗理論的經(jīng)典單幅圖像去霧，但此方法不適合目標亮度和大氣光相似的圖像。
[0011]現(xiàn)有的這些方法比較適合特殊的圖像，都有各自的優(yōu)點。但是，部分去霧方法表現(xiàn)為對比度過度拉伸，或不能正確估計景深導致不能去除霧霾較重的圖像，或只考慮對比度最大化而沒有丟失了原圖的重要信息，或圖像的天空部分顏色被扭曲。


【發(fā)明內(nèi)容】

[0012]為解決上述技術(shù)問題，本發(fā)明提出一種最優(yōu)對比度和最小化信息損失的圖像去霧方法。
[0013]為實現(xiàn)上述發(fā)明目的，本發(fā)明提出一種基于最優(yōu)對比度和最小化信息損失的圖像去霧方法，其特征在于該方法利用利用高斯混合模型，四分樹，最大化對比度和最小信息損失等函數(shù)實現(xiàn)了圖像去霧方法。該方法的具體步驟包括:
[0014]步驟1，建立基于McCartney大氣散射模型的霧霾圖像模型；
[0015]步驟2，利用高斯混合模型和期望值最大算法把圖像分割成天空區(qū)域和非天空區(qū)域兩類；
[0016]步驟3，基于四分樹迭代的方法估計圖像天空區(qū)域的大氣光照強度；
[0017]步驟4，基于網(wǎng)格劃分的方法分塊，基于最優(yōu)對比度和最小信息損失準則估計的圖像非天空區(qū)域的每個網(wǎng)格單元的傳播率；
[0018]步驟5，采用與圖像非天空區(qū)域的平均傳播率的常比例系數(shù)方法估計天空區(qū)域的傳播率；
[0019]步驟6，根據(jù)大氣散射模型，利用估計的模型參數(shù)，合并輸出天空和非天空區(qū)域的恢復圖像。
[0020]所述步驟2中，利用高斯混合模型和期望值最大算法把圖像分割成天空區(qū)域和非天空區(qū)域兩類的具體步驟包括:
[0021]步驟21):采用模糊C均值算法(FCM)對霧霾圖像I初始劃分為2個聚類，并初始化權(quán)重，均值和方差等參數(shù)；
[0022]步驟22):計算每個像素點分別屬于2個模型的后驗概率，并根據(jù)后驗概率更新每一個模型的權(quán)重，均值和協(xié)方差；
[0023]步驟23):用更新后的權(quán)重，均值和協(xié)方差更新后驗概率，重新把每個像素劃分到后驗概率最大的類中，并計算圖像的對數(shù)似然函數(shù)。
[0024](2-4)如果對數(shù)似然函數(shù)收斂，則停止迭代，否則轉(zhuǎn)入步驟22)。
[0025](2-5利用貝葉斯準則把像素點劃分到后驗概率最大的模型。在分割后的2類結(jié)果中，選擇兩個模型中均值較大的一類為天空圖像，另一部分為非太空圖像。
[0026]本發(fā)明的優(yōu)點在于提出了一種基于最優(yōu)對比度和最小化信息損失的圖像去霧方法，通過高斯混合模型和期望值最大算法把圖像分割成天空區(qū)域和非天空區(qū)域，而不同區(qū)域采用不同的大氣散射光照模型參數(shù)估計方法，具有更好準確性和更快的速度。基于四分樹迭代的方法估計圖像天空區(qū)域的大氣光照強度，具有更好的局部性和更快的速度等優(yōu)點。對于非天空區(qū)域的傳播率估計，采用網(wǎng)格劃分的方法分塊，模型參數(shù)具有更好的局部性?；谧顑?yōu)對比度和最小信息損失準則估計的圖像非天空區(qū)域傳播率，在考慮對比度最大化的同時，信息損失也要最小，盡量保持原圖的邊緣和紋理細節(jié)。對于天空區(qū)域的傳播率估計，采用與非天空區(qū)域的平均傳播率的常系數(shù)比例法，避免天空部分的顏色被扭曲或過飽和，也可以實現(xiàn)與非天空區(qū)域的自然過渡。

【專利附圖】

【附圖說明】
[0027]下面結(jié)合附圖和【具體實施方式】對本發(fā)明做更進一步的具體說明，本發(fā)明的上述和/或其他方面的優(yōu)點將會變得更加清楚。
[0028]圖1為本發(fā)明流程圖。

【具體實施方式】
[0029]本方法分為天空和非天空區(qū)域的分割，基于對比度最大化和信息損失最小化的非天空區(qū)域去霧，基于常比例系數(shù)方法估計天空區(qū)域去霧三個部分，具體的工作流程如圖1所示。
[0030]步驟1，建立基于McCartney大氣散射模型的霧霾圖像模型
[0031]假設(shè)在霧霾條件下的圖像光照模型為，霧霾圖像等于原始目標圖像經(jīng)過霧霾透射后的成像加上無窮遠處的大氣光照強度被霧霾遮檔后的成像疊加
[0032]Ic (P) = t (P) Jc (P) + (1-t (P)) Ac ⑴
[0033]其中，Je(P)和I?分別表示原始圖像和觀測圖像的像素點P，C e Ir，g, b)表示紅、綠、藍三種顏色通道。A。表示在沿著觀測者視線方向無窮遠處的光照強度，通常假設(shè)為全局常量，與局部位置P無關(guān)。t(p) e [O, I]表示沿光線的傳播率，是由攝像頭與場景點的距離決定，反映了光線穿透霧的能力。值越大，表明從場景表面反射的光線，穿透霧到達觀察者視場的數(shù)量越多，t (P)與場景深度成反比，可以由下式計算:
[0034]t(p) = e_Pd(p)(2)
[0035]其中P為全散射系數(shù)，表征了單位體積的顆粒對入射光線的散射能力，其值越大，表明入射光線發(fā)生散射的程度越嚴重，通常假設(shè)為I。d(p)表示攝像頭到像素點P的景深。
[0036]步驟2，利用高斯混合模型和期望值最大算法把圖像分割成天空區(qū)域和非天空區(qū)域兩類
[0037]大氣光照強度A通常用圖像中最大亮點的天空顏色表示，因為霧霾等天氣會導致圖像的天空環(huán)境部分比較亮，而背景相對于天空的亮度都比較暗。因此，我們用高斯混合模型擬合霧霾圖像的內(nèi)容，混合成分為較亮的天空部分和其他目標和背景兩部分。然后，利用期望值最大算法求解高斯混合模型的參數(shù)，并用貝葉斯準則分割出天空圖像。
[0038]設(shè)霧霾圖像I的N個像素點{Pl，p2, , pN}是獨立同分布，其中像素點Pi(l彡i彡N)對應(yīng)的紅、綠和藍顏色值分別為Ir(Pi)、Ig(Pi)和Ib(Pi)，即(Pi =(Ir (Pi)，Ig(Pi)，Ib (Pi))τ)，霧霾圖像灰度信息由較暗和較亮的兩個高斯密度函數(shù)混合組成，則像素點Pi的混合概率密度函數(shù)P表示為:


2
[0039]P(Pi) = YjCCrJXp^r)(3)

r-1
[0040]其中a r代表第r個密度分量在混合密度中的權(quán)重,滿足a ^彡O且Σ二=1。
第r個密度分量的參數(shù)Q11= {μ r, O J , μ r, σ ^分別表示均值和方差，f； (Pi, Θ r)為第r個高斯密度函數(shù)分量。
[0041]基于最大期望值(Expectat1n Maximum)估計混合模型的參數(shù)步驟如下:
[0042](2-1)采用模糊C均值算法(FCM)對霧霾圖像I初始劃分為2個聚類，并初始化權(quán)重，均值和方差等參數(shù)。
[0043](2-2)計算像素點Pi分別屬于模型r (r = 1，2)的后驗概率I Pi)，并根據(jù)后驗概率更新每一個模型r的權(quán)重，均值和協(xié)方差:
[0044]
?r = Σ I P1、1 N I4)
[0045]
NN
α = Σρ(ρ I/?/Σρ(爐/1凡.)(Μ
i二I
[0046]
Σ, = 土 p(爐,I Pi)(Pi — ",)(P, — ", )Γ / Σ I P:) (?
ζ.=1?=1
[0047](2-3)用這些權(quán)重，均值和協(xié)方差更新后驗概率，重新把Pi劃分到后驗概率最大的類中，并計算圖像的對數(shù)似然函數(shù)。
[0048](2-4)如果對數(shù)似然函數(shù)收斂，則停止迭代，否則轉(zhuǎn)入(2-2)。
[0049](2-5)利用貝葉斯準則把像素點Pi劃分到后驗概率最大的模型。在分割后的2類結(jié)果中，選擇兩個模型中均值μ^較大的一類為天空圖像。
[0050]步驟3，基于四分樹迭代的圖像天空區(qū)域大氣光照強度估計:
[0051]對分割后的天空圖像進行迭代四分樹定位和估計大氣光照強度。對天空圖像按照高度和寬度的二分之一處的位置對天空圖像均勻劃分為四塊，然后計算每個分塊的平局亮度值最大區(qū)域作為下一次劃分的分塊，迭代劃分，直到分塊小于指定的閾值(一般取值5 X 5或7 X 7)結(jié)束。以最后分塊顏色的平均值作為大氣光照強度。
[0052]步驟4，基于網(wǎng)格劃分的方法分塊，基于最優(yōu)對比度和最小信息損失準則估計的圖像非天空區(qū)域的每個網(wǎng)格單元的傳播率
[0053]假設(shè)天空區(qū)域的傳播率為h，非太空區(qū)域的傳播率為t2。且假設(shè)景深具有局部相似性，把圖像按照16X16大小進行網(wǎng)格劃分，假設(shè)每一個網(wǎng)格的傳輸率相同。根據(jù)霧霾圖像模型的公式(I)，當傳播率固定時，原始圖像Je(P)的非天空區(qū)域用下式估計:
[0054]=) + Ac(7)


1
[0055]恢復原始圖像只依賴于傳播率〖2 (p)。因為霧霾圖像的對比度比較低，我們將依據(jù)最大化每一個網(wǎng)格的對比度和最小化信息損失的準則估計傳播率。
[0056]原始圖像每個顏色通道Je(P)滿足大于等于O且小于等于255的條件，根據(jù)公式
(7)，可得
[0057]0<^-(/, (P)-A ) + ^,-^255H)

trj
[0058]求解公式(8)，傳播率t2應(yīng)該滿足下式:
[0059]t7 > max I min min!々(廠)~max max !人.(廠)~4^*) (4)


255-Ac
[0060](4-1)基于最大化對比度的天空區(qū)域傳播率估計
[0061]計算網(wǎng)格區(qū)域中每一個點與該點所在網(wǎng)格的均值之差的平方和為對比度
[0062]Cuv = Σ(Ι< (Ρ)^； (Ρ)Υ(Ρ e B)(10)
/=1 h Nb
[0063]其中為Ie(P)所在網(wǎng)格B的均值，Nb為網(wǎng)格B的像素點個數(shù)。根據(jù)公式(10)
可知，傳播率〖2與對比度成反比。因此，傳播率〖2滿足公式(9)的約束下，為了最大化對比度，非天空區(qū)域的傳播率取最小值:
[0064]^2=max{ min min{^ ~max max{ ,?)~—}} (li)
c&\r,g,b) pgBceir^gM} peB 255 — A
[0065](4-2)基于信息損失最小的天空區(qū)域傳播率優(yōu)化
[0066]最優(yōu)對比度會導致圖像的最小部分的灰度值(0，a c)和最大部分的灰度值(βε，255) (c e {r, g, b))對應(yīng)的信息丟失，α。和β。表示觀測圖像I。截斷的區(qū)域的下溢和上溢參數(shù)值。下溢參數(shù)0。對應(yīng)原始圖像1的灰度值0，上溢參數(shù)β。對應(yīng)原始圖像J。的灰度值255，分別代入公式(J)，可得:
[0067]ac=(l-t2)Ac(12)
[0068]β c = 255t2+(l-t2)Ac(13)
[0069]計算原始圖像J(p)在最大對比度變化之后的下溢和上溢區(qū)域面積作為信息損失函數(shù)。計算基于直方圖的信息損失函數(shù)，可得:
ac i—A汾；_ A
[0070]Ekss=Yj {￡(—^)+4.)2/ι(0+Σ(^+4-255)2/7(/)} (14)
i=0 h i=pc h
[0071]其中hji)是像素i在顏色通道c的直方圖，A。為顏色通道c的大氣光照強度。為了同時滿足最大化對比度和最小化損失函數(shù)的要求，根據(jù)拉格朗日乘數(shù)函數(shù)，轉(zhuǎn)化為下面函數(shù)的極小值問題。
[0072]E(t2, λ) = -Cmse+ λ Eloss (15)
[0073]λ為控制對比度和信息損失的相對重要性權(quán)重。分別對公式(15)的〖2和λ求變導，建立方程組
dE(t0,A)
-=-=U
[0074]彳2
dEU”A) Λ
-=~- = U
I dA
[0075]求解公式(16)的t2為非天空區(qū)域的最優(yōu)傳播率。
[0076]步驟5，基于常系數(shù)與圖像非天空區(qū)域的平均傳播率估計天空區(qū)域的傳播率
[0077]因為圖像中的天空區(qū)域相對于非天空區(qū)域的景深明顯要大，其對應(yīng)的傳播率應(yīng)該較小。很多去霧方法用非天空區(qū)域傳播率估計方法去估計天空區(qū)域的傳播率，導致天空區(qū)域的噪聲和顏色扭曲。根據(jù)公式(2)，可以天空區(qū)域的點P1傳播率h和非太空區(qū)域的點p2傳播率t2的比例系數(shù):
f p-diPi)
[0078]^ = ^—- = edip^d{^=b (17)
e 2
[0079]點P1的景深(Kp1)，點P2的景深d(p2),兩者的距離之差為(KP2)-Cl(P1)。當天空區(qū)域與非天空區(qū)域像素點景深距離之差為1，2，5，10，15，20時，對應(yīng)的傳播率比例系數(shù)b如表I所示。依據(jù)表I可知道，當距離之差越大，系數(shù)越小。在霧霾天氣情況下，一般能見度比較小，天空區(qū)域與非天空區(qū)域像素點景深相對比較小，系數(shù)相對較大。
[0080]表I天空和非天空像素的距離差與傳播率比例
[0081]

(Kp2)-(Kp1)b
~0.36787944117144~
~0.13533528323661~
~0.00673794699909~
"100.00004539992976~
"?50.00000030590232~
~200.00000000206115~
[0082]假設(shè)圖像中天空區(qū)域的傳播率都相同，用非天空區(qū)域所有網(wǎng)格的傳播率均值乘以較小的相對系數(shù)計算天空區(qū)域的傳播率:
[0083]tx=bt2(18)
[0084]步驟6，根據(jù)大氣散射模型，利用估計的模型參數(shù)，合并輸出天空和非天空區(qū)域的恢復圖像。
[0085]根據(jù)公式(16)求解的非天空區(qū)域的最優(yōu)傳播率t2和第三步估計的大氣光照強度A。帶入公式(I)，恢復圖像的非天空區(qū)域。根據(jù)公式(18)的天空區(qū)域的最優(yōu)傳播率h和第三步估計的大氣光照強度A。，帶入公式(I)，恢復圖像的天空區(qū)域。再把兩部分內(nèi)容合并到一幅圖像輸出。
[0086]本發(fā)明的創(chuàng)新點包括:
[0087](I)天空區(qū)域包含了圖像采集時的霧霾程度和天氣條件等先驗知識，且二者的景深相差比較大，本發(fā)明通過高斯混合模型和期望最大值的方法把霧霾圖像分割為天空區(qū)域和非天空區(qū)域，對分割后的區(qū)域采用不同的策略恢復圖像具有更好的針對性和適應(yīng)性。
[0088](2)霧霾圖像最大的問題在于圖像對比度比較低，改變對比度會導致信息損失，因此本發(fā)明采用平衡對比度和信息損失的方法，既可以改善圖像的對比度的圖像整體質(zhì)量，還能保留圖像的紋理和邊緣等局部細節(jié)。
[0089]天空區(qū)域與非天空區(qū)域既有區(qū)別也有聯(lián)系，區(qū)別在于天空區(qū)域的不同網(wǎng)格具有相近的景深，聯(lián)系在于都在相同的外界條件下獲取的。本發(fā)明利用非天空區(qū)域的平均傳播率，乘上不同霧霾天下的比例參數(shù)，即不需要對天空區(qū)域的不同網(wǎng)格分別估計，又根據(jù)非天空區(qū)域的平均傳播率實現(xiàn)了不同圖像的自適應(yīng)。
[0090]本發(fā)明提供了一種最優(yōu)對比度和最小信息損失的圖像去霧方法，具體實現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本【技術(shù)領(lǐng)域】的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。本實施例中未明確的各組成部分均可用現(xiàn)有技術(shù)加以實現(xiàn)。
【權(quán)利要求】
1.一種最優(yōu)對比度和最小信息損失的圖像去霧方法，其特征在于，包括如下步驟: 步驟1，建立基于McCartney大氣散射模型的霧霾圖像模型； 步驟2，利用高斯混合模型和期望值最大算法把圖像分割成天空區(qū)域和非天空區(qū)域兩類； 步驟3，基于四分樹迭代的方法估計圖像天空區(qū)域的大氣光照強度； 步驟4，基于網(wǎng)格劃分的方法分塊，基于最優(yōu)對比度和最小信息損失準則估計的圖像非天空區(qū)域的每個網(wǎng)格單元的傳播率； 步驟5，采用與圖像非天空區(qū)域的平均傳播率的常比例系數(shù)方法估計天空區(qū)域的傳播率； 步驟6，根據(jù)大氣散射模型，利用估計的模型參數(shù)，合并輸出天空和非天空區(qū)域的恢復圖像。
2.根據(jù)權(quán)利要求1所述的一種最優(yōu)對比度和最小信息損失的圖像去霧方法，其特征在于，在霧霾條件下的圖像光照模型為:
Ic(P) = t(p) Jc(p) + (l-t(p))Ac, 其中，Jc(P)和IJp)分別表示原始圖像和觀測圖像的像素點P，C e {r，g，b)表示紅、綠、藍三種顏色通道；A。表示在沿著觀測者視線方向無窮遠處的大氣光照強度，t(p) e [O, I]表示沿光線的傳播率，t (P)與場景深度成反比，計算公式為:t(p) = e_pd(p)， 其中P為全散射系數(shù)，d(p)表示攝像頭到像素點P的景深。
3.根據(jù)權(quán)利要求1所述的一種最優(yōu)對比度和最小信息損失的圖像去霧方法，其特征在于，所述步驟2中， 設(shè)霧霾圖像I的N個像素點{Pl，p2，...，pN}是獨立同分布，其中像素點？1對應(yīng)的紅、綠和藍顏色值分別為 Ir(Pi)Jg(Pi)和 Ib(Pi)，l ≤ i≤ N，即(Pi= (Ir(Pi)，Ig(Pi), Ib(Pi))τ)；霧霾圖像灰度信息由較暗和較亮的兩個高斯密度函數(shù)混合組成，則像素點Pi的混合概率密度函數(shù)P表示為:
其中a r代表第r個密度分量在混合密度中的權(quán)重，滿足a rO且
Θ ={μ r, σ r}是第r個密度分量參數(shù)，其中μ M σ r分別表示均值和方差，fJPi, Θ J為第r個高斯密度函數(shù)分量。 包括如下步驟: 步驟21:采用模糊C均值算法對霧霾圖像I初始劃分為兩個聚類，并初始化權(quán)重，均值和方差； 步驟22:計算每個像素點分別屬于兩個模型的后驗概率，并根據(jù)后驗概率更新每一個模型的權(quán)重，均值和協(xié)方差； 步驟23:用更新后的權(quán)重，均值和協(xié)方差更新后驗概率，重新把每個像素劃分到后驗概率最大的類中，并計算圖像的對數(shù)似然函數(shù)。 步驟24:如果對數(shù)似然函數(shù)收斂，則停止迭代進行步驟25，否則返回步驟22 ； 步驟25:利用貝葉斯準則把像素點劃分到后驗概率最大的模型，在分割后的兩類結(jié)果中，選擇兩個模型中均值較大的一類為天空圖像，另一部分為非太空圖像。
4.根據(jù)權(quán)利要求1所述的一種最優(yōu)對比度和最小信息損失的圖像去霧方法，其特征在于，步驟3中，對分割后的天空圖像進行迭代四分樹定位和估計大氣光照強度；對天空圖像按照高度和寬度的二分之一處的位置對天空圖像均勻劃分為四塊，然后計算每個分塊的平局亮度值最大區(qū)域作為下一次劃分的分塊，迭代劃分，直到分塊小于指定的閾值結(jié)束；以最后分塊顏色的平均值作為大氣光照強度。
【文檔編號】G06T5/00GK104200445SQ201410504518
【公開日】2014年12月10日 申請日期:2014年9月26日 優(yōu)先權(quán)日:2014年9月26日
【發(fā)明者】謝從華, 黃曉華, 高蘊梅, 喬偉偉, 常晉義 申請人:常熟理工學院