一种基于清晰度评价的自适应图像去雾方法技术

本发明专利技术公开了一种基于清晰度评价的自适应图像去雾方法，包括：图像预处理、图像清晰度判决、图像去雾处理和编码决策优化；图像清晰度判决是根据气象学中能见度的定义，对输入的雾霾图像进行分类；图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理；所述的编码决策优化是对处理结果进行图像质量评价，并对评价结果引入编码决策方法，进而再次自适应调用去雾算法进行处理，实现输出效果最优化。本发明专利技术避免了Retinex去雾算法造成图像的饱和度低，降低了对比度增强方法使去雾图像细节信息丢失严重，以及大气散射模型方法鲁棒性弱等问题，本发的图像去雾方法普适性强，稳定性，处理的图像效果好，质量高。

An adaptive image demogging method based on definition evaluation

【技术实现步骤摘要】
一种基于清晰度评价的自适应图像去雾方法
本专利技术涉及计算机视觉、图像去雾
，具体为一种基于清晰度评价的自适应图像去雾方法。
技术介绍
随着社会的不断发展与进步，尤其是科学技术的不断进入，人们的物质生活得到了很大的改善与提高，尤其是城市化进步点不断加快和交通运输业的飞速发展，人们得以走出去更多的了解外面的世界。社会快速发展进步的同时，也带来了许多负面的影响，如大量土地植被破坏，工业污染企业排污严重超标，机车保有量数量急剧增加，对人们赖以生存的空气环境造成了严重的破坏。近年来，随着环境和气候的变化以及空气质量的不断下降，导致了雾霾天气的频繁出现。由于受到雾霾天气的影响，以及空气媒介对大气光的散射、反射和吸收作用，使得获取的图像清晰度降低、图像模糊不清、局部细节丢失严重，直接限制并影响了智能导航、公路视频监控、卫星遥感等视觉系统的有效发挥。为了能够很好的对图像进行清晰度处理，现有公开文件中公开了诸多图像去雾的方法，如基于透射率归一化的增强弱光图像清晰度的方法、一种基于暗通道技术的提高交通视频图像清晰度方法和基于图割的图像去雾方法等；各种去雾方法在一定程度上都对图像去雾提高清晰度起到不同程度的作用。而基于清晰度评价的图像去雾方法，尚未有公开，因此，提供一种基于清晰度评价的自事情图像去雾方法，是一个值得研究的问题。
技术实现思路
为了克服上述现有技术中的不足，本专利技术提供了一种基于非物理模型和物理模型的去雾方法，并针对不同浓度的雾霾图像，从图像清晰度判决分析的角度出发，自适应调用相应地去雾算法进行去雾处理，并对处理结果进行图像质量评价，进而引入编码决策方法，使得输出最佳去雾图像的方法。本专利技术的目的是这样实现的：一种基于清晰度评价的自适应图像去雾方法，包括：图像预处理、图像清晰度判决、图像去雾处理和编码决策优化；所述的图像清晰度判决是根据气象学中能见度的定义，对输入的雾霾图像进行分类；所述的图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理；所述的编码决策优化是对处理结果进行图像质量评价，并对评价结果引入编码决策方法，进而再次自适应调用去雾算法进行处理，实现输出效果最优化。所述的一种基于清晰度评价的自适应图像去雾方法，具体包括以下步骤：第一步：输入原始雾霾图像I(x,y)，并计算图像I(x,y)的局部均值，局部方差，平均梯度，信息熵等清晰度指标；第二步：根据清晰度指标判断图像是否含雾；如果含雾，则进一步判别所含雾霾的浓度情况；反之，则直接输出；第三步：初始化备选去雾算法；第四步：根据不同雾霾浓度的图像依次调用去雾算法进行处理；第五步：对各去雾图像进行图像质量评价，并统计各评价指标；第六步：根据评价指标相对最优准则，进行编码决策，并对结果重新进行自适应清晰度判决，最终输出较优的去雾图像；所述第一步对输入的原始雾霾图像I(x,y)，计算其局部均值，局部方差，平均梯度及信息熵等清晰度指标：设I是一幅具有L灰度级的图像，图像总的像素点个数为M*N；假定I(i,j)是图像中某像素点的灰度值，局部区域的定义为：以(i,j)为中心，窗口大小为m*m(m＝2n+1)的区域，其中n为一个整数。那么局部均值可以用下式计算：(1)局部均值：(2)局部方差：(3)平均梯度：(4)信息熵：假设图像灰度级为l的像素出现的概率为pl＝nk/n，其中，n表示像素的总个数，nk表示灰度级为l的像素个数，k＝0,1,…,L-1，则信息熵为：所述第二步进行图像清晰度判决，首先通过第一步对输入原始雾霾图像计算其清晰度判决指标；如果各项指标均处于某一阈值范围内，则依据气象学中图像能见度的判别标准表示输入图像含雾，并进一步判别图像所含雾霾浓度的情况，是否属于薄雾，轻雾，中雾，还是浓雾；反之，则直接输出；所述第三步备选去雾算法初始化，备选去雾算法如下：(1)Retinex去雾算法：Retinex理论根据物体的颜色是由不同波长光的反射能力来确定的，且物体颜色一致性不会受到光照不均的影响。认为图像是由大气直射光和物体反射光之间相互作用而形成的；Retinex模型认为理想的图像I(x,y)可以表示为：I(x,y)＝L(x,y)·R(x,y)其中，L(x,y)表示照射分量，与场景无关，可以确定图像的动态范围；R(x,y)表示反射分量，与照明无关，对应图像中包含细节纹理的高频信息，决定了图像的固有性质；为了求解方便，对上式两边分别取对数运算，把乘法运算转化为加法运算：ln(I(x,y))＝ln(L(x,y))+ln(R(x,y))对上式进行变形，并由Retinex理论可知，单尺度Retinex算法(SSR)可以表示为：Ri(x,y)＝lnIi(x,y)-ln[G(x,y)*Ii(x,y)]其中，Ri(x,y)为第i个单颜色通道图像的输出；Ii(x,y)为原始图像的亮度分量；“*”在此表示卷积运算；为高斯环绕函数。σ是高斯函数的标准差。(2)对比度增强方法：假设图像f(x,y)的灰度直方图可表示为：其中，L表示灰度级范围，pk表示图像中灰度级为k的像素出现的概率，nk表示图像中灰度值为k的个数，rk表示第k级灰度值，n表示图像像素总数；假设r为原图像归一化后的灰度级，s为均衡化处理并归一化后的灰度级，则直方图均衡化就是通过一个变换函数s＝T(r)修正直方图使输入图像的灰度概率密度均匀分布，拉大像素灰度间距。变换函数T(r)必须满足自变量r在[0,1]上函数单调递增，且输入、输出灰度级必须保持一致，即当0≤r≤1时，0≤s≤1；对于图像f(x,y)，变换函数T(r)可以表示为:通过上式改变输入图像的灰度分布，使变换后的图像的灰度分布均匀，拉伸了图像的灰度动态范围，进而改善了图像视觉效果；直方图均衡化实质上就是通过对图像灰度进行非线性拉伸，使图像的像素重新分配，并扩大直方图量化间隔，使一定灰度范围内的像素数量大致相同；(3)大气散射模型方法：大气散射模型方法的目的在于复原图像的细节信息，主要包括：Fattal的算法、Tarel等人算法、He等人算法以及改进算法和Meng等人算法；(a)Fattal的复原算法通过假设透射率与物体表面色度在局部不相关，用独立成分分析估计常向量反照率，并由此推导出投射率图而提出的一种估计透射率和大气光值的去雾方法；(b)Tarel等人的复原算法由于暗通道先验去雾算法使用的软抠图算法太复杂，利用中值滤波和它的改进算法替换软抠图算法，Tarel等人的算法可以实时的处理彩色或灰度图像；(c)He的复原算法以及改进算法He等人通过研究了大量的户外清晰图像，并发现在户外清晰图像上的大部分区域，有一个像素最小值为零的通道，故被称为暗通道先验理论；(d)Meng等人通过对透射率强加一个固有的边界约束并采用基于正则化加权L1范数来优化透射率，而提出的一种改进的暗通道先验去雾算法；根据不同雾霾浓度的图像依次调用第三步初始化的备选去雾算法，并进行去雾处理；对第四步处理的去雾图像进行质量评价，并统计各评价指标；这里通过选用图像能见度的评价指标、颜色恢复的评价指标、图像结构相似性指标进行图像质量评价，质量评价指标如下：(1)图像能见度指标图像能见度的指标包括图像盲评估指标、图像能见度测量(IVM)、图像对比度和视觉对比度测量(VCM)；(a)图像盲评估本文档来自技高网...

【技术保护点】
一种基于清晰度评价的自适应图像去雾方法，其特征在于：包括：第一步、图像预处理；第二步、图像清晰度判决；第三步、图像去雾处理和编码决策优化；所述的图像清晰度判决是根据气象学中能见度的定义，对输入的雾霾图像进行分类；所述的图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理；所述的编码决策优化是对处理结果进行图像质量评价，并对评价结果引入编码决策方法，进而再次自适应调用去雾算法进行处理，实现输出效果最优化。

【技术特征摘要】
1.一种基于清晰度评价的自适应图像去雾方法，其特征在于：包括：第一步、图像预处理；第二步、图像清晰度判决；第三步、图像去雾处理和编码决策优化；所述的图像清晰度判决是根据气象学中能见度的定义，对输入的雾霾图像进行分类；所述的图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理；所述的编码决策优化是对处理结果进行图像质量评价，并对评价结果引入编码决策方法，进而再次自适应调用去雾算法进行处理，实现输出效果最优化。2.根据权利要求1所述的一种基于清晰度评价的自适应图像去雾方法，其特征在于，具体包括以下步骤：第一步：输入原始雾霾图像I(x,y)，并计算图像I(x,y)的局部均值，局部方差，平均梯度，信息熵等清晰度指标；第二步：根据清晰度指标判断图像是否含雾；如果含雾，则进一步判别所含雾霾的浓度情况；反之，则直接输出；第三步：初始化备选去雾算法；第四步：根据不同雾霾浓度的图像依次调用去雾算法进行处理；第五步：对各去雾图像进行图像质量评价，并统计各评价指标；第六步：根据评价指标相对最优准则，进行编码决策，并对结果重新进行自适应清晰度判决，最终输出较优的去雾图像。3.根据权利要求1所述的一种基于清晰度评价的自适应图像去雾方法，其特征在于：所述第一步对输入的原始雾霾图像I(x,y)，计算其局部均值，局部方差，平均梯度及信息熵等清晰度指标：设I是一幅具有L灰度级的图像，图像总的像素点个数为M*N；假定I(i,j)是图像中某像素点的灰度值，局部区域的定义为：以(i,j)为中心，窗口大小为m*m(m＝2n+1)的区域，其中n为一个整数；那么局部均值可以用下式计算：(1)局部均值：(2)局部方差：(3)平均梯度：(4)信息熵：假设图像灰度级为l的像素出现的概率为pl＝nk/n，其中，n表示像素的总个数，nk表示灰度级为l的像素个数，k＝0,1,…,L-1，则信息熵为：4.根据权利要求1或2所述的一种基于清晰度评价的自适应图像去雾方法，其特征在于：所述第二步进行图像清晰度判决，首先通过第一步对输入原始雾霾图像计算其清晰度判决指标；如果各项指标均处于某一阈值范围内，则依据气象学中图像能见度的判别标准表示输入图像含雾，并进一步判别图像所含雾霾浓度的情况，是否属于薄雾，轻雾，中雾，还是浓雾；反之，则直接输出。5.根据权利要求2所述的一种基于清晰度评价的自适应图像去雾方法，其特征在于：所述第三步备选去雾算法初始化，备选去雾算法如下：(1)Retinex去雾算法：Retinex理论根据物体的颜色是由不同波长光的反射能力来确定的，且物体颜色一致性不会受到光照不均的影响；认为图像是由大气直射光和物体反射光之间相互作用而形成的；Retinex模型认为理想的图像I(x,y)可以表示为：I(x,y)＝L(x,y)·R(x,y)其中，L(x,y)表示照射分量，与场景无关，可以确定图像的动态范围；R(x,y)表示反射分量，与照明无关，对应图像中包含细节纹理的高频信息，决定了图像的固有性质；为了求解方便，对上式两边分别取对数运算，把乘法运算转化为加法运算：ln(I(x,y))＝ln(L(x,y))+ln(R(x,y))对上式进行变形，并由Retinex理论可知，单尺度Retinex算法(SSR)可以表示为：Ri(x,y)＝lnIi(x,y)-ln[G(x,y)*Ii(x,y)]其中，Ri(x,y)为第i个单颜色通道图像的输出；Ii(x,y)为原始图像的亮度分量；“*”在此表示卷积运算；为高斯环绕函数；σ是高斯函数的标准差；(2)对比度增强方法：假设图像f(x,y)的灰度直方图可表示为：其中，L表示灰度级范围，pk表示图像中灰度级为k的像素出现的概率，n...

【专利技术属性】
技术研发人员：梁义涛，赵奎斌，李亚飞，李岚，胡江汇，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南,41