本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，涉及一種從單幅遙感圖像中去除云霧的圖像增強(qiáng)方法。

背景技術(shù)：

云霧是衛(wèi)星對地遙感成像過程中常見的干擾源，云霧干擾常使遙感圖像對比度下降，圖像變模糊，部分地物信息缺失。多光譜圖像去云霧、多幅圖像疊加去云霧、多傳感器圖像融合去云霧等方法已經(jīng)廣泛應(yīng)用于去云霧圖像處理中，效果明顯，但都需要同地區(qū)同來源的多幅圖像，數(shù)據(jù)采集成本高，周期長。相比而言，單幅圖像去云霧方法只使用一幅遙感圖像，采集數(shù)據(jù)的成本低，能在較短時(shí)間內(nèi)給出處理結(jié)果，效率高，靈活性強(qiáng)。研究單幅圖像去云霧方法，對于節(jié)約遙感圖像采集成本、提高遙感監(jiān)測效率具有重要意義。

在遙感圖像中，景物處于高頻，云霧處于低頻。小波變換具有多分辨率分析的特點(diǎn)，能有效分離圖像中的不同頻率成分?；谛〔ㄩ撝道碚摰墓鈱W(xué)圖像去云霧方法通過設(shè)置閾值來去除高層小波系數(shù)中的云霧噪聲，同時(shí)保留云區(qū)以外的景物信息，然后通過對高層和低層細(xì)節(jié)系數(shù)加權(quán)處理，增強(qiáng)景物信息，削弱殘余的云霧。但閾值選擇不夠靈活，且處理后存在明顯的云區(qū)邊界。王修信等提出一種小波自適應(yīng)閾值去云霧方法，該方法采用遺傳算法以廣義交叉驗(yàn)證Gcv準(zhǔn)則作為目標(biāo)函數(shù)，自動(dòng)尋找低頻小波系數(shù)中薄云噪聲與地物信息間閾值，再采用該閾值對小波系數(shù)進(jìn)行閾值化去云，效果優(yōu)于小波同態(tài)濾波方法。

雙樹復(fù)小波變換(Dual tree complex wavelet transform，縮寫為DTCWT)具有近似的移不變性、完全重構(gòu)性、多樣的方向選擇性，優(yōu)于傳統(tǒng)小波變換，基于雙樹復(fù)小波變換的去云方法已經(jīng)獲得了較好的處理效果。例如，安徽大學(xué)胡根生提出了一種將雙樹復(fù)小波變換和局部自適應(yīng)轉(zhuǎn)移的最小平方支持向量機(jī)相結(jié)合的薄云去除算法，但該方法需要多幅圖像，依賴于圖像中無云區(qū)域的信息。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是：針對局部含有薄云或濃云覆蓋的單幅遙感圖像，提出一種基于雙樹復(fù)小波變換的單幅圖像去云霧方法，削弱云層覆蓋，突出云下景物，并能自適應(yīng)地突出云區(qū)以外的景物信息，提高視覺效果和去云霧處理質(zhì)量。

一維雙樹復(fù)小波變換將一維實(shí)數(shù)尺度函數(shù)和一維實(shí)數(shù)小波函數(shù)組成復(fù)數(shù)尺度函數(shù)和復(fù)數(shù)小波函數(shù)，得到

和φ_c(t)＝φ_h(t)+jφ_g(t) (1)

其中j是虛數(shù)單位。和φ_h(t)是以H₀和H₁為高、低濾波器的尺度函數(shù)和小波函數(shù)，和φ_g(t)是以G₀和G₁為高、低濾波器的尺度函數(shù)和小波函數(shù)。為獲得雙樹復(fù)小波變換的優(yōu)良性質(zhì)，φ_h(t)和φ_g(t)必須是希爾伯特變換對。為便于區(qū)分，將H₀和H₁稱作實(shí)部濾波器，G₀和G₁稱作虛部濾波器。

由此可得到6個(gè)二維復(fù)小波函數(shù)為

當(dāng)i＝0時(shí)，實(shí)部取+號，虛部取-號。當(dāng)i＝1時(shí)，實(shí)部取-號，虛部取+號。通常依據(jù)式(2)-(4)的實(shí)部開展二維雙樹復(fù)小波變換。為此構(gòu)造兩棵樹，如圖2所示，分別采用實(shí)部濾波器和虛部濾波器實(shí)現(xiàn)二維實(shí)小波變換。二維圖像經(jīng)過一次雙樹復(fù)小波變換，兩棵樹分解得到的近似、水平、垂直和對角系數(shù)分別為C_h,和C_g,將得到的近似系數(shù)C_h和C_g按照類似方法在每棵樹分別作二維實(shí)小波變換，即可開展多層雙樹復(fù)小波變換。最后，在兩棵樹分解的每一層，將對應(yīng)的小波系數(shù)進(jìn)行加減運(yùn)算，得到包括75°,15°,-45°,-75°,-15°和45°等6個(gè)方向的高頻子帶系數(shù)。將兩棵樹的最后一層近似系數(shù)作平均，即得到低頻子帶系數(shù)。

由此可見，原始數(shù)字圖像經(jīng)過多層雙樹復(fù)小波變換，將分解為每一層包含6個(gè)方向的高頻子帶和最高層的低頻子帶。層數(shù)較低的高頻子帶頻率高于層數(shù)較高的高頻子帶，最高層的低頻子帶頻率最低。

在受云霧干擾的遙感圖像中，云霧頻率較低，景物頻率較高，背景信息頻率最低。那么將遙感圖像作n層小波變換后，選擇合理的整數(shù)l，將云霧和景物盡可能分開，使第1層至第l層高頻子帶主要包含景物，第l+1至第n層高頻子帶主要含有云霧。除了背景，第n層低頻子帶也可能包含云霧。為敘述方便，以下將以l分開的兩類高頻子帶分別稱為低層高頻子帶和高層高頻子帶。

本發(fā)明對單幅遙感圖像去云霧處理的基本思路是，采用雙樹復(fù)小波變換分解原圖，并將云霧和景物分別分配到高層和低層高頻子帶，以及低頻子帶。分別處理這些子帶，去除云霧。

本發(fā)明提出基于雙樹復(fù)小波變換的單幅圖像去云霧方法，包括如下步驟：

(1)首先，將原圖像做n層雙樹復(fù)小波變換，選擇一個(gè)合適的整數(shù)l，將高頻子帶分割為低層高頻子帶、高層高頻子帶。

(2)然后，使用拉普拉斯濾波器處理低層高頻子帶，增強(qiáng)地面景物信息。處理方法為

g(x,y)＝I(x,y)+s*L{I(x,y)} (5)

其中I表示子帶系數(shù)，g是處理結(jié)果，x和y表示子帶的坐標(biāo).表示拉普拉斯濾波。s取+1或-1，符號和拉普拉斯濾波器中心元素的符號一致。

將所有處理后的低層高頻子帶合在一起，經(jīng)過雙樹復(fù)小波逆變換，得到的重構(gòu)圖像設(shè)為p(x,y)，進(jìn)一步按照式(6)作規(guī)一化處理，使灰度范圍在0-255之間，得到q(x,y)。

其中max和min表示取最大和最小值。

(3)按照反轉(zhuǎn)云厚加權(quán)ICTW方法處理高層高頻子帶。高層高頻子帶合在一起做雙樹復(fù)小波逆變換，重構(gòu)為f(x,y)，按照式(7)處理為ρ(x,y)，再按照式(8)做規(guī)一化處理，得到τ(x,y)。

其中c表示RGB三個(gè)通道中的任一通道，Ω為以(x₀,y₀)為中心的鄰域。

最后，應(yīng)用式(9)，得到高層高頻子帶的處理結(jié)果。

f'(x,y)＝[1-τ(x,y)]*f(x,y) (9)

2009年香港中文大學(xué)何凱明提出的暗通道先驗(yàn)理論指出，對于室外拍攝的不包含霧霾的數(shù)字圖像，在代表景物像素的RGB三個(gè)通道中，至少有一個(gè)通道的灰度值很低，接近于0。式(7)是針對每個(gè)像元求取RGB三個(gè)通道中最低灰度值的計(jì)算公式，本發(fā)明將按式(7)處理后的圖像稱作暗通道圖像。暗通道先驗(yàn)理論表明，處理高層高頻子帶所得到的暗通道圖像，其中云霧區(qū)域比景物區(qū)域亮，云霧濃度越大的區(qū)域像素值也越大。因此，按照式(8)取得的τ(x,y)一定程度上代表了高層高頻子帶圖中(x,y)位置處云霧的濃度，為此將1-τ(x,y)作為一個(gè)權(quán)重， 對高層高頻子帶圖做加權(quán)處理，去除其中的云霧，保留云區(qū)外的景物。本發(fā)明將步驟(3)的處理方法稱為反轉(zhuǎn)云厚加權(quán)(Inversed cloud thickness weighting,縮寫為ICTW)。

(4)類似步驟(3)，按照反轉(zhuǎn)云厚加權(quán)ICTW方法處理低頻子帶。

(5)將步驟(2)，(3)，(4)的處理結(jié)果疊加在一起，得到最終處理結(jié)果。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

(1)對于受云霧干擾的單幅遙感圖像，去除云霧，突出云覆蓋下的景物信息，并且保留和突出云區(qū)以外的景物信息。

(2)適用于含有均勻云覆蓋的單幅遙感圖像，也適用于局部含有濃云或薄云的單幅遙感圖像。

(3)較好地保留景物的真實(shí)色彩。

(4)具有較強(qiáng)的自適應(yīng)性，所需人工干預(yù)少。

附圖說明

圖1是本發(fā)明去云霧方法流程圖。

圖2是雙樹復(fù)小波變換中兩棵樹一層分解示意圖。

圖3是實(shí)施例一的原圖。

圖4是對圖3的低頻子帶重構(gòu)圖。

圖5是對圖3的高層高頻子帶重構(gòu)圖。

圖6是圖3的低層高頻子帶重構(gòu)圖。

圖7是對圖4低頻子帶的處理結(jié)果。

圖8是對圖5高層高頻子帶的處理結(jié)果。

圖9是對圖6低層高頻子帶的處理結(jié)果。

圖10是采用本發(fā)明方法處理圖3的結(jié)果。

圖11是將雙樹復(fù)小波變換替換成小波變換，按本發(fā)明方法處理圖3的結(jié)果。

圖12是采用基于小波閾值理論去云霧方法處理圖3的結(jié)果。

圖13實(shí)施例二的原圖。

圖14是采用本發(fā)明方法處理圖13的結(jié)果。

圖15是將雙樹復(fù)小波變換替換成小波變換，按本發(fā)明方法處理圖13的結(jié)果。

圖16是采用基于小波閾值理論去云霧方法處理圖13的結(jié)果。

圖17實(shí)施例三的原圖。

圖18是采用本發(fā)明方法處理圖17的結(jié)果。

圖19是將雙樹復(fù)小波變換替換成小波變換，按本發(fā)明方法處理圖17的結(jié)果。

圖20是采用基于小波閾值理論去云霧方法處理圖17的結(jié)果。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。

本發(fā)明去云霧算法流程如圖1所示。

步驟一，將原圖像做n層雙樹復(fù)小波變換，選擇一個(gè)合適的整數(shù)l，將高頻子帶分割為低層高頻子帶，高層高頻子帶。n為最大的可分解數(shù)，l是1到n之間的一個(gè)整數(shù)。設(shè)原圖像具有M行N列像素，那么n值按式(10)計(jì)算

n＝floor[log₂min(M,N)]-2 (10)

其中函數(shù)floor(x)表示取不大于x的最大整數(shù)。

步驟二，使用拉普拉斯濾波器分別處理1至l層低層高頻子帶，增強(qiáng)地面景物信息。將所有處理后的低層高頻子帶合在一起，經(jīng)過雙樹復(fù)小波逆變換，得到的重構(gòu)圖像設(shè)為p(x,y)，進(jìn)一步按照式(6)作規(guī)一化處理，使灰度范圍在0-255之間，得到q(x,y)。

步驟三，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理l+1至n層高層高頻子帶。ICTW方法的實(shí)施步驟如下。

(1)子帶重構(gòu)。將所需處理的所有子帶合在一起，經(jīng)過雙樹復(fù)小波逆變換重構(gòu)，設(shè)重構(gòu)圖像為f(x,y)。

(2)按照式(7)，計(jì)算f(x,y)的暗通道圖像，并按照式(8)做規(guī)一化處理，設(shè)計(jì)算結(jié)果為τ(x,y)。

(3)最后，按照式(9)，對重構(gòu)圖像f(x,y)作加權(quán)處理。

步驟四，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理第n層低頻子帶。

步驟五，將步驟二、三、四的處理結(jié)果疊加在一起，得到最終處理結(jié)果。

下面結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步描述。

實(shí)施例一

采用如圖3所示的一幅含有云霧的彩色遙感圖片，給出本發(fā)明的使用方法。圖像的行列數(shù)都是512，圖像中央部分包含了濃度較高的云，云下景物較難分辨，而云區(qū)以外的景物比較清晰。

首先，根據(jù)式(10)，計(jì)算得到分解層數(shù)n為7。采用qshift_06作濾波函數(shù)組對圖3做7層雙樹復(fù)小波變換，整數(shù)l取為5，其低層高頻子帶、高層高頻子帶、低頻子帶的重構(gòu)圖分別如圖4、5、6所示，可見，三部分子帶均含有一定量的云霧，但高層高頻子帶包含的云居多。 圖4表明，低層高頻子帶云區(qū)有削弱，被遮蓋的景物信息較圖3明顯。

然后，使用拉普拉斯濾波器分別處理1至l層低層高頻子帶，增強(qiáng)地面景物信息。將所有處理后的低層高頻子帶合在一起，經(jīng)過雙樹復(fù)小波逆變換，得到的重構(gòu)圖像進(jìn)一步按照式(6)作規(guī)一化處理，結(jié)果如圖7所示。

其次，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理l+1至n層高層高頻子帶，結(jié)果如圖8所示。中間黑色區(qū)域表明該部分云已經(jīng)削弱，但周圍景色部分仍保留。

接著，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理低頻子帶，結(jié)果如圖9所示，低頻子帶中的云有所衰減。

最后，將圖7、8、9相疊加，處理結(jié)果如圖10所示。

將本發(fā)明中的雙樹復(fù)小波變換替換為實(shí)小波變換，重復(fù)以上步驟，得到的結(jié)果如圖11所示。采用基于小波閾值理論去云霧方法的處理結(jié)果圖12所示。圖10表明，原圖中央部分的濃云有很大削弱，云下的景物依稀可見，云區(qū)外的景物保留較完整，色彩和原圖接近。圖11整體色彩較均勻，對比度不高，云區(qū)外的景物有顏色失真，云區(qū)下的景物細(xì)節(jié)還不夠突出。采用基于小波閾值理論去云霧方法處理后，云區(qū)以外的信息保留較完整，色彩鮮艷，但殘留明顯的云區(qū)邊界。此外，雖然云區(qū)覆蓋下景物較原圖更能分辨，但細(xì)節(jié)仍不夠突出。對比可見，本發(fā)明能有效削弱云霧，突出云覆蓋下的景物信息，較好地保留云區(qū)以外的景物，處理結(jié)果的景物色彩和原圖一致。采用雙樹復(fù)小波變換開展去云霧處理，效果優(yōu)于傳統(tǒng)的實(shí)小波變換方法和基于小波閾值理論去云霧方法。

以上處理結(jié)果的平均亮度、對比度、信息熵等客觀評價(jià)指標(biāo)值如表1所示。對比可見，本發(fā)明方法處理結(jié)果的信息熵最大，表明去云效果優(yōu)于基于傳統(tǒng)實(shí)小波變換的方法和基于小波閾值理論去云霧方法。

實(shí)施例二

如圖13所示的一幅灰度遙感圖片，其中多個(gè)區(qū)域包含有不同濃度的薄云，以下說明采用本發(fā)明方法處理該圖的過程。

首先，圖像大小為256×256，因此，分解層數(shù)n為6。采用qshift_06作濾波函數(shù)組對圖13做6層雙樹復(fù)小波變換，整數(shù)l取為4，將原圖分割為低層高頻子帶、高層高頻子帶、低頻子帶三部分。

然后，使用拉普拉斯濾波器分別處理1至l層低層高頻子帶，增強(qiáng)地面景物信息。將所有處理后的低層高頻子帶合在一起，經(jīng)過雙樹復(fù)小波逆變換，得到的重構(gòu)圖像進(jìn)一步按照式(6)作規(guī)一化處理。

接著，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理l+1至n層高層高頻子帶。

其次，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理低頻子帶。

最后，將低層高頻子帶、高層高頻子帶、低頻子帶處理結(jié)果相疊加，處理結(jié)果如圖14所示。將本發(fā)明中的雙樹復(fù)小波變換替換為實(shí)小波變換，重復(fù)以上步驟，得到的結(jié)果如圖15所示。采用基于小波閾值理論去云霧方法的處理結(jié)果圖16所示。圖14具有明顯的去云效果，景物突出較好。圖15除去了絕大部分云霧，具有一定的去云效果，但整體對比度不高，景物細(xì)節(jié)不夠突出。圖16具有較高的對比度，云區(qū)以外的景物信息保留較完整，但殘留的云區(qū)邊界較為明顯，視覺效果還需進(jìn)一步提高。對比可見，采用雙樹復(fù)小波變換開展去云霧處理，效果優(yōu)于傳統(tǒng)的實(shí)小波變換方法和基于小波閾值理論去云霧方法。

圖14，圖15和圖16的平均亮度、對比度、信息熵等客觀評價(jià)指標(biāo)值如表1所示。對比可見，本發(fā)明方法處理結(jié)果的信息熵最大，表明去云效果優(yōu)于基于傳統(tǒng)實(shí)小波變換的方法和基于小波閾值理論去云霧方法。

實(shí)施例三

如圖17所示的一幅具有均勻云霧覆蓋的遙感圖像，以下說明采用本發(fā)明方法處理該圖的過程。

首先，圖像大小為512×512，因此，分解層數(shù)n為7。采用qshift_06作濾波函數(shù)組對圖17做7層雙樹復(fù)小波變換，整數(shù)l取為5，將原圖分割為低層高頻子帶、高層高頻子帶、低頻子帶三部分。

然后，使用拉普拉斯濾波器分別處理1至l層低層高頻子帶，增強(qiáng)地面景物信息。將所有處理后的低層高頻子帶合在一起，經(jīng)過雙樹復(fù)小波逆變換，得到的重構(gòu)圖像進(jìn)一步按照式(6)作規(guī)一化處理。

接著，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理l+1至n層高層高頻子帶。

其次，采用反轉(zhuǎn)云厚加權(quán)ICTW方法處理低頻子帶。

最后，將低層高頻子帶、高層高頻子帶、低頻子帶處理結(jié)果相疊加，處理結(jié)果如圖18所示。將本發(fā)明中的雙樹復(fù)小波變換替換為實(shí)小波變換，重復(fù)以上步驟，得到的結(jié)果如圖19所示。采用基于小波閾值理論去云霧方法的處理結(jié)果圖20所示。對比圖18、19、20可見，采用本發(fā)明方法處理含有均勻云霧覆蓋的單幅遙感圖像，處理結(jié)果對比度高，恢復(fù)景物的色彩和真實(shí)情況一致。圖18，圖19和圖20的平均亮度、對比度、信息熵等客觀評價(jià)指標(biāo)值如表1所示。

表1不同方法處理結(jié)果的評價(jià)指標(biāo)參數(shù)

本發(fā)明方法處理結(jié)果的信息熵最大，表明去云效果優(yōu)于基于傳統(tǒng)實(shí)小波變換的方法和基于小波閾值理論去云霧方法。

本發(fā)明處理含有均勻云覆蓋、濃云或薄云的單幅遙感圖，在削弱云層覆蓋的同時(shí)，提高云下景物的清晰度，能有效保留和突出云區(qū)以外的景物信息，具有自適應(yīng)性強(qiáng)、人工干預(yù)少的優(yōu)點(diǎn)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。