基于边缘分类加权融合的单幅图像去雾方法技术

本发明专利技术公开了一种基于边缘分类加权融合的单幅图像去雾方法，主要解决现有技术对有雾图像的透射率估计不准确而导致去雾效果不理想的问题。其技术方案为：1)使用相机采集单幅有雾图像；2)对有雾图像的边缘进行分类，获取有雾图像的深度边缘；3)根据深度边缘将有雾图像划分为深度边缘区域和非深度边缘区域；4)利用深度边缘控制，在深度边缘区域和非深度边缘区域采用不同的方式计算有雾图像的修正暗原色值；5)根据有雾图像的修正暗原色值计算有雾图像的优化透射率；6)根据有雾图像的优化透射率获取恢复图像。本发明专利技术得到的透射率更加准确，恢复图像去雾效果明显，具有对比度增强，色调真实自然的优点。可用于户外成像系统。

Single image de fog method based on weighted fusion of edge classification

The invention discloses a single image fog removing method based on edge classification weighted fusion, which mainly solves the problem that the fog effect of the fog image is not accurate because of the inaccurate estimation of the transmittance of the fog image in the prior art. The technical scheme is as follows: 1) use the camera to capture a single fog image; 2) to classify the image edge fog, fog image edge to obtain depth; 3) according to the depth of edge of the fog image is divided into edge region and non depth depth of marginal areas; 4) using the depth edge control, in the different depth edge region and non edge region calculation depth correction of fog the dark color of the image; 5) according to the correction of the fog the dark color of the image is calculated to optimize transmission fog image; 6) according to the optimization of fog image acquisition image transmission. The transmittance of the invention is more accurate, the effect of restoring the image to fog is obvious, and the utility model has the advantages of contrast enhancement and true and natural tone. It can be used in outdoor imaging system.

【技术实现步骤摘要】
基于边缘分类加权融合的单幅图像去雾方法
本专利技术属于数字图像处理
，特别涉及一种单幅图像去雾方法，可用于户外成像系统拍摄的单幅有雾图像的清晰化处理。
技术介绍
在雾天天气条件下，大气中悬浮的微粒和气溶胶对光线有散射作用，导致室外的可见度低，拍摄得到的图像出现色调偏移、对比度和饱和度下降等现象，这使得图像在视觉美观和分析处理上都受到影响。另一方面，雾天会影响道路监测、安防监控等计算机户外监控系统的正常使用，从而对以提取图像特征为基础的智能识别、目标跟踪等的准确性造成了严重威胁。因此，雾天降质图像的清晰化处理具有重要的现实意义，受到了越来越多学者的关注。目前，雾天图像清晰化处理方法有很多，主要可以分为两种，一种是基于图像增强的方法，一种是基于物理模型的方法。基于图像增强的方法，主要通过提高有雾图像的对比度及突出图像的细节以改善图像的视觉效果，但是它没有考虑图像降质的原因，可能会造成图像部分信息的损失，使图像失真。基于物理模型的有雾图像去雾方法来源于McCartney(McCartneyEJ(1976)OpticsoftheAtmosphere:ScatteringbyMoleculesandParticles.JohnWileyandSons,NewYork)提出的大气散射模型原理，McCartney认为最终到达摄像头的光可分为两部分：一部分是场景点发出来的反射光经散射掉一部分光后，余下的一部分进入摄像头，这部分的光属于正投射，使用衰减模型来描述；另一部分同样是由大气粒子的散射作用引起，来自天空大气层反射、地面反射以及其他物体的光，由于大气粒子的散射作用，不再沿着原来的光路直线传播，而是通过散射作用，产生了偏转角，将这些本不属于该场景点的光被错误地散射进入摄像头，这部分附加的光用大气光模型来描述。这种基于物理模型的图像去雾方法正是由于考虑了雾图形成的机理，所以恢复图像效果较好，得到广泛的使用。所述基于物理模型的图像去雾方法，包括基于场景深度信息已知的图像去雾方法、基于多幅图像的去雾算法及基于单幅图像的去雾算法。其中，基于场景深度信息辅助的图像去雾方法和基于多幅图像的去雾方法在实际应用中都因其自身局限性受到很大限制。为使图像去雾更具实用性，近些年来，国内外学者针对单幅图像去雾进行了广泛而深入的研究。其中，关注度最高、应用最广的是何凯明等人(HeK,SunJ,TangX(2011)Singleimagehazeremovalusingdarkchannelprior.IEEETransactionsonPatternAnalysis&MachineIntelligence33(12):2341-53)提出的基于暗原色先验的单幅图像去雾方法，该方法首先根据暗原色先验估计一个初始的粗糙透射率，然后利用软抠图算法求取一个精细的透射率来消除深度突变处的光晕，但是软抠图算法复杂度较高，严重影响算法的实用性。后来何恺明等人(HeK,SunJ,TangX(2013)Guidedimagefiltering.IEEETransactionsonPatternAnalysis&MachineIntelligence35(6):1397-1409)使用引导滤波替代软抠图处理，在保证相近的去雾效果的同时大大降低了算法复杂度。引导滤波得到的精细透射率可以保留其场景深度突变处的边缘信息，消除恢复图像中出现的光晕。但是同时它又引入另外一种错误，引导滤波仅仅根据有雾图像强度值的变化来保留边缘，并没有考虑这些边缘对应的深度信息，也没有能力区分哪些边缘处于场景深度突变或是场景深度相同的区域，导致在本来没有场景深度突变的区域，引导滤波却错误的检测出深度的变化，使得在该处估计的透射率发生突变。而这一错误将导致恢复图像的对比度下降或者色调产生失真。近些年来，很多学者在暗原色先验算法的基础上继续研究，尝试在不使用引导滤波的前提下估计透射率，解决恢复图像的光晕问题。T.M.Bui等人(BuiTM,TranHN,KimWetal(2014)Segmentingdarkchannelpriorinsingleimagedehazing.ElectronicsLetters50(7):516-518)提出了一个简单的分割方法来估计透射率，此方法能够有效抑制恢复图像的中的光晕，但是同时恢复图像出现过饱和现象；Ch.-H.Hsieh等人(HsiehCH,LinYS,ChangCH(2015)Hazeremovalwithouttransmissionmaprefinementbasedondualdarkchannels.In:InternationalConferenceonMachineLearningandCybernetics,vol2,pp512-516)估计透射率时对1×1的暗原色值与15×15的暗原色值进行加权融合，加权系数是一个固定常数，此方法在一定程度上能够减弱恢复图像深度突变处的光晕，但是并没有完全消除，且恢复图像去雾不够彻底；TengYu等人(YuT,RiazI,PiaoJetal(2015)Real-timesingleimagedehazingusingblock-to-pixelinterpolationandadaptivedarkchannelprior.IetImageProcessing9(9):725-734)利用一个块至像素的加权融合方法来保留透射率的边缘信息和平滑纹理噪声，并且对不满足暗原色先验的天空等区域的透射率进行一个补偿。上述基于暗原色先验的去雾方法及其改进算法都是基于有雾图像强度值的变化来估计透射率，并没有考虑图像中边缘的场景深度变化及不同类型边缘的影响，所以去雾效果不是很理想。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提出一种基于边缘分类加权融合的单幅图像去雾方法，以提高透射率的准确性，使得恢复图像的对比度增强，细节更加清晰。本专利技术的技术方案是：将有雾图像中的不同边缘进行分类，得到有雾图像的深度边缘，并设计一个基于深度边缘加权的像素级至块级的融合方案来估计透射率，最后利用雾图的物理模型求解得到恢复图像，其实现步骤包括如下：(1)利用相机采集单幅有雾图像；(2)获取有雾图像的深度边缘：(2a)利用暗原色先验算法计算有雾图像的初始粗糙透射率tori；(2b)获取初始粗糙透射率tori的直方图，根据该直方图的分布将有雾图像划分为3个区域：远景区域、中景区域、近景区域；(2c)对(2b)中的3个区域分别设置不同的检测门限值，利用Canny边缘检测算法对有雾图像进行边缘检测，得到初始边缘检测图；(2d)计算初始边缘检测图中所有边缘的长度及其总数目，并将最短边缘的长度记为L1，最长边缘的长度记为L2，边缘的总数目记为N；(2e)设置第一阈值T1＝N/4，第二阈值T2＝10，将边缘长度在区间[L1,L1+T1)内的边缘定义为短边缘，将边缘长度在区间[L1+T1,L2–T2)内的边缘定义为中等长度边缘，将边缘长度在区间[L2–T2,L2]内的边缘定义为长边缘；(2f)计算初始边缘检测图中所有边缘的方向变化率，并将方向变化率的中值记为V，边缘的方向变化率大于V的边缘定义为方向变化频繁的本文档来自技高网...

【技术保护点】
基于边缘分类加权融合的单幅图像去雾方法，包括如下步骤:(1)利用相机采集单幅有雾图像；(2)获取有雾图像的深度边缘：(2a)利用暗原色先验算法计算有雾图像的初始粗糙透射率t

【技术特征摘要】
1.基于边缘分类加权融合的单幅图像去雾方法，包括如下步骤:(1)利用相机采集单幅有雾图像；(2)获取有雾图像的深度边缘：(2a)利用暗原色先验算法计算有雾图像的初始粗糙透射率tori；(2b)获取初始粗糙透射率tori的直方图，根据该直方图的分布将有雾图像划分为3个区域：远景区域、中景区域、近景区域；(2c)对(2b)中的3个区域分别设置不同的检测门限值，利用Canny边缘检测算法对有雾图像进行边缘检测，得到初始边缘检测图；(2d)计算初始边缘检测图中所有边缘的长度及其总数目，并将最短边缘的长度记为L1，最长边缘的长度记为L2，边缘的总数目记为N；(2e)设置第一阈值T1＝N/4，第二阈值T2＝10，将边缘长度在区间[L1,L1+T1)内的边缘定义为短边缘，将边缘长度在区间[L1+T1,L2–T2)内的边缘定义为中等长度边缘，将边缘长度在区间[L2–T2,L2]内的边缘定义为长边缘；(2f)计算初始边缘检测图中所有边缘的方向变化率，并将方向变化率的中值记为V，边缘的方向变化率大于V的边缘定义为方向变化频繁的边缘；(2g)对初始边缘检测图中短边缘和方向变化频繁的中等长度边缘进行剔除，得到最终的深度边缘图；(3)根据(2)中得到的深度边缘图，将有雾图像划分为深度边缘区域和非深度边缘区域，即以深度边缘上的每个像素点为中心形成一个大小为p×p的块，所有以深度边缘为中心的块构成深度边缘区域，图像的其余区域构成非深度边缘区域，p的取值15；(4)计算有雾图像的修正暗原色值：(4a)分别计算有雾图像的像素级暗原色值I1(x)和块级暗原色值Ip(x)，其中，x∈ΩM×N，ΩM×N表示一幅M×N的有雾图像的整个图像域，M、N分别是有雾图像的高度和宽度，x是整个图像域中的任一像素；(4b)计算有雾图像修正暗原色值的权值W(x)：其中，exp(·)表示以自然常数e为底的指数操作；σ(x)表示像素x处的“方差”，σ(x)的取值依赖于像素x是位于深度边缘区域或是非深度边缘区域，在深度边缘区域内，σ(x)取值范围是0.5-2，在非深度边缘区域内，σ(x)取值范围是0.05-0.5；(4c)计算有雾图像的修正暗原色值Ism(x)：Ism(x)＝W(x)I1(x)+(1-W(x))Ip(x)；(5)计算有雾图像的优化透射率：(5a)利用暗原色先验算法计算有雾图像的大气光值A；(5b)计算有雾图像非深度边缘区域的平滑暗原色值其中，TW1表示非深度边缘区域内用于归一化的总权值，∑(·)表示求和操作；W(i)表示在像素i处的修正暗原色值的权值，i∈S(x)，S(x)表示以像素x为中心的一个正方形窗口，窗口大小为2p×2p，p＝15，i表示窗口S(x)中的像素；I1(i)和Ip(i)分别表示在像素i处的像素级和块级暗原色值；(5c)计算有雾图像深度边缘区域的平滑暗原色值其中，TW2表示深度边缘区域内用于归一化的总权值，T(x)表示S(x)中I1(i)与I1(x)接近的像素的集合，定义如下：T(x)＝{i|I1(i)-I1(x)<Th,i∈S(x)}...

【专利技术属性】
技术研发人员：王柯俨，张闪闪，李云松，宋娟，刘凯，胡妍，李昱霏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61