基于多尺度分析与深度估计的大气退化图像增强方法技术

一种基于多尺度分析与深度估计的大气退化图像增强方法，包括：获取图像的大气光值；获取图像中粗略透射率矩阵；采用线性伸缩的方法优化所述粗略透射率矩阵，获得精细透射率矩阵；基于所述大气光值和精细透射率矩阵，将原始观测图优化为初步还原图；基于无上下采样的多尺度框架对初步还原图实现图像细节的增强。本发明专利技术方法针对大气退化图像，构造粗略透射率矩阵，实现透射率矩阵的细化优化与精细估计深度信息，并结合边缘矩阵分析获取大气光值，根据退化模型构造实现大气退化图像的复原；进而利用无上下采样的多尺度框架下实现增强，可获取较好的增强结果。本方法可应用于遥感成像、交通监控成像等，快速实现大气退化图像的增强。

【技术实现步骤摘要】
基于多尺度分析与深度估计的大气退化图像增强方法
本专利技术涉及图像处理技术，尤其涉及一种基于多尺度分析与深度估计的大气退化图像增强方法。
技术介绍
随着计算机视觉系统应用于户外场景，如城市交通监控、航拍、遥感成像等等，产生了一些亟待解决的问题，尤其是计算机视觉系统对环境非常敏感。在雾、霾等天气条件下，大气中悬浮的大量微小水滴、气溶胶，这些因素的吸收与散射作用使能见度降低，从而导致采集的图像严重降质，极大地限制了系统的功能。在雾、霾等恶劣天气条件下，悬浮的大量粒子、水滴等使得光线散射，物体表面的反射光由于这种散射而发生衰减，这种光强的衰减必然导致成像亮度的降低，部分也会导致图像模糊以及分辨率下降；另外，天空中的其他光线由于粒子、水滴的散射而参与物体成像，从而使得图像对比度的降低。目前，图像大气退化补偿技术的主要任务是去除天气因素对图像质量的影响，从而增强图像的可视度。这是一个跨学科的前沿性课题，由于其广阔的应用前景，在近几年吸引了国内外众多的研究人员的兴趣，并已经成为计算机视觉和图像处理领域研究的热点问题之一。
技术实现思路
本专利技术解决的问题是提供一种基于多尺度分析与深度估计的大气退化图像增强方法，可以对图像直接估计实现退化补偿并得到增强后的图像，成像效果佳。为解决上述问题，本专利技术实施例提供了一种基于多尺度分析与深度估计的大气退化图像增强方法，包括：获取图像的大气光值；获取图像中粗略透射率矩阵；采用线性伸缩的方法优化所述粗略透射率矩阵，获得精细透射率矩阵；基于所述大气光值和精细透射率矩阵，将原始观测图优化为初步还原图；基于无上下采样的多尺度框架对初步还原图实现图像细节的增强。可选的，获取图像的大气光值的方法包括：通过分析原始观测图中的边缘权重信息，构建边缘矩阵，从大于阈值的边缘及附近区域寻找最大强度的像素，并将该像素的值作为选择大气光值的决定性因子。可选的，对于任意位置处的边缘矩阵为其中μ定义如下是模糊图像的局部方差，则是噪声的局部方差；η(i,j)定义为噪声的局部方差由来估计，并且是模糊图的平滑结果的局部方差，而s是一个N×N的平滑算子。可选的，在原始观测图的非天空区域中，粗略透射率矩阵为在原始观测图的天空区域中，粗略透射率矩阵为可选的，优化所述粗略透射率矩阵的方法包括：利用线性伸缩优化公式Tt＝Ag+B，采用局部窗口的方式依次对粗略透射率矩阵进行优化，Tt为精细透射率矩阵，g为原始观测图，对于第n个局部窗口wn，有p为窗口wn内的某个像素，Nw为像素数量，μn与σn为窗口内像素的均值和方差，ε为防止病态的常数，是T在窗口内的均值。还包括，对所述参数An与Bn求取平均，精细透射率矩阵其中Npi是所有包含像素p的窗口的数量，pi指的是所有包含像素p的窗口。还包括，所述初步还原图g为原始观测图，A为大气光值，Tt为精细透射率矩阵，T0为常数。还包括，基于无上下采样的多尺度框架实现图像细节的增强的具体步骤包括：平滑初步还原图；基于不同程度的平滑构建多细节尺度图像；运用多尺度分解图像后，给不同尺度上的子图像以不同的权重，实现图像增强。与现有技术相比，本技术方案具有以下优点：本专利技术方法针对大气退化图像，构造粗略透射率矩阵，结合指向滤波技术，实现透射率矩阵的细化优化与精细估计深度信息，并结合边缘矩阵分析获取大气光值，根据退化模型构造实现大气退化图像的复原；进而利用无上下采样的多尺度框架下实现增强。在本专利技术方法中，只要一幅输入观测图像，即可迅速获取较好的增强结果。本专利技术方法可应用于遥感成像、交通监控成像等等，快速实现大气退化图像的增强。附图说明图1是本专利技术实施例的基于多尺度分析与深度估计的大气退化图像增强方法的流程示意图；图2是本专利技术实施例的基于无上下采样的多尺度框架实现图像细节的增强的流程示意图；图3和图4是本专利技术实施例的利用基于多尺度分析与深度估计的大气退化图像增强方法进行处理的图片对比图。具体实施方式下面结合附图，通过具体实施例，对本专利技术的技术方案进行清楚、完整的描述。请参考图1，为本专利技术实施例的基于多尺度分析与深度估计的大气退化图像增强方法，包括：步骤S101，获取图像的大气光值；步骤S102，获取图像中粗略透射率矩阵；步骤S103，采用线性伸缩的方法优化所述粗略透射率矩阵，获得精细透射率矩阵；步骤S104，基于所述大气光值和精细透射率矩阵，将原始观测图优化为初步还原图；步骤S105，基于无上下采样的多尺度框架对初步还原图实现图像细节的增强。具体的，执行步骤S101，获取图像的大气光值。设定大气的原始观测图像g，需要获取的初步还原图为f。由于图像大气退化模型为g(i,j)＝f(i,j)e-βd(i,j)+A(1-e-βd(i,j))，A是大气光值（环境光的强度），β为大气粒子的散射系数，d(i,j)是像素(i,j)对应处的景物深度。通常上述公式中的e-βd(i,j)被称为透射率T，则(i,j)处的透射率可用T(i,j)表示。在现有技术中，往往把图像中最亮点的强度值当作是大气光值A。由于实际应用场合中景物的复杂性，亮度最大的像素可能是一些景物如白色的建筑等，因此这种情况下最亮值未必可以选为大气光值。本专利技术通过分析原始观测图g中的边缘权重信息，构建边缘矩阵，从大于阈值的边缘及附近区域寻找最大强度的像素，并将该像素的值作为选择大气光值A的决定性因子。边缘矩阵M的值是由局部的信号和噪声决定的。M在局部窗口N×N内计算，对于任意位置处的值M(x,y)有μ值用来确定M的数值的范围，μ定义如下上式是模糊图像的局部方差,则是噪声的局部方差。max_n(A)代表A中的第n个最大值，这里采用了前10个最大值的平均来代替单独最大值以克服随机性。η(i,j)定义为噪声的局部方差由来估计，并且是模糊图的平滑结果的局部方差，而s是一个N×N的平滑算子,如上述分析，M(x,y)∈(0,1)。综上获取边缘权重矩阵后，对于M>th（阈值）的区域在三通道展开最大值的寻找，前5个最大值的平均作为大气光值，获取了A，包含了对应于R（red），G（Green），B（blue）三个值。执行步骤S102，获取图像中粗略透射率矩阵。在本专利技术实施例中，采用暗通道先验对透射率进行估计。在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。于是，用数学表达式可表示为：其中p表示某个像素，Ω表示以p为中心的邻域，pm代表颜色中的r或g或b通道。根据暗通道先验，对于原始观测图的中非天空区域，fdark的强度总是很低且趋近于0，即有fdark(i,j)→0。结合大气退化模型公式，可获取透射率T的求解方式：且由于暗通道先验无法处理天空相关的区域，然而，对天空的成像却也往往有大气退化的影子。因此，为了使得求解同时满足天空区域，引进一个自适应常数k(0<k≤1)，使得计算结果可以有针对性地保留一部分遥远景物的雾——克服天空区域的影响：于是获取了粗略透射率矩阵，同时根据T(i,j)=e-βd(i,j)的公式可从侧面获悉深度信息的估计。执行步骤S103，采用线性伸缩的方法优化所述粗略透射率矩阵，获得精细透射率矩阵。由于步骤S102中获取的粗略透射率矩阵是相对粗糙的，本专利技术采用线性伸缩的方法优化该矩阵，使得大气复原更有效果。假设优化细化的本文档来自技高网...

【技术保护点】
一种基于多尺度分析与深度估计的大气退化图像增强方法，其特征在于，包括：获取图像的大气光值；获取图像中粗略透射率矩阵；采用线性伸缩的方法优化所述粗略透射率矩阵，获得精细透射率矩阵；基于所述大气光值和精细透射率矩阵，将原始观测图优化为初步还原图；基于无上下采样的多尺度框架对初步还原图实现图像细节的增强。

【技术特征摘要】
1.一种基于多尺度分析与深度估计的大气退化图像增强方法，其特征在于，包括：获取图像的大气光值；获取图像中粗略透射率矩阵；采用线性伸缩的方法优化所述粗略透射率矩阵，获得精细透射率矩阵；基于所述大气光值和精细透射率矩阵，将原始观测图优化为初步还原图；基于无上下采样的多尺度框架对初步还原图实现图像细节的增强；获取图像的大气光值的方法包括：通过分析原始观测图中的边缘权重信息，构建边缘矩阵，从大于阈值的边缘及附近区域寻找最大强度的像素，并将该像素的值作为选择大气光值的决定性因子。2.如权利要求1所述的基于多尺度分析与深度估计的大气退化图像增强方法，其特征在于，对于任意位置处的边缘矩阵为其中μ定义如下g是原始观测图，是模糊图像的局部方差，则是噪声的局部方差；η(i,j)定义为噪声的局部方差由来估计，并且是模糊图的平滑结果的局部方差，而s是一个N×N的平滑算子。3.如权利要求1所述的基于多尺度分析与深度估计的大气退化图像增强方法，其特征在于，在原始观测图的非天空区域中，粗略透射率矩阵为在原始观测图的天空区域中，粗略透射率矩阵为4.如权利要求1所述的基于多尺度分析与深度估计的大气退化图像增强方法，其特征在于，优化所述粗略透射率矩阵的方法包括：利用线性伸缩优化公式Tt＝Ag+B...

【专利技术属性】
技术研发人员：赵巨峰，高秀敏，逯鑫淼，辛青，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33