一种基于频域视觉感知估算的图像去雾方法技术

本发明专利技术公开了一种基于频域视觉感知估算的图像去雾方法，首先，对原图做快速傅里叶变换(FFT)；其次，在频域中分割出代表图像形貌的低频分量并给定权值；然后，将剩余频域进行再分割，引入加权因子后使得代表细节和轮廓的频域分量得到增强而代表噪声的频域分量减弱；最后，通过快速傅里叶反变换(IFFT)再次将图像转换到时域。该算法构造简单，实时性强，除了能恢复出低噪声的高质量的去雾图像外，也考虑到了有雾场景中事物的真实色彩，比以往的算法更具可靠性。

【技术实现步骤摘要】
一种基于频域视觉感知估算的图像去雾方法
本专利技术属于数字图像处理领域，具体涉及一种基于频域视觉感知估算的图像去雾方法。
技术介绍
在露天环境中，雾霾会影响我们对周围事物的判断，同样也是交通安全行车中的一大隐患。因此，去雾算法的研究成了非常热门的话题。近年来，国内外提出了许多去雾算法，这些算法在不同的场景下都得到了一定的效果。这些算法大致可以分为两大类：基于图像增强的去雾算法和基于去雾模型的算法。基于图像增强的去雾算法主要有Retinex方法，自适应直方图均衡化(CLAHE)，自适应对比度及色阶增强算法，它们均能在一定程度上恢复某些有雾图像的场景，但是应用场景比较单一，对于大雾，场景变换时，都会表现出很大的局限性，尽管后来有人对上述某些方法进行了改进，但其仍然存在很多诸如视觉效果不自然，运行时间慢，对参数依赖性大等特点。而基于去雾的物理模型算法主要有中值滤波的去雾和均值滤波的实时去雾，尽管对比与之前的增强算法有了一定的改进，但一些老问题依然存在。因此，在去雾研究领域，必须发现新的理论来指导研究，打破现有的思维定式是一个极大的挑战。自2009年至2013年何恺明提出了暗通道先验这一去雾模型，并相继对其进行了更新和优化，由于该去雾模型的原理简单，且去雾效果明显，后面去雾的研究大多是在此基础上进行改进或优化，算法的可靠性，稳定性，以及运行速度都有了显著的提高，但这种暗通道优先的算法，势必会对R,G,B三个通道做不同权重的处理，导致处理的结果会在一定程度上具有偏色效应(一个通道变暗，就会导致另外两个通道色度过饱和)，与真实图像的色彩会有一定的差距。尽管后面的人也发现了意识到了这种暗通道先验模型所存在的缺陷，后面的方法对暗通道的处理更加的温和，但图像本身颜色失真的问题并不能得到根本性的问题。因此，需要一种新的图像去雾方法以解决上述问题。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于频域视觉感知估算的图像去雾方法。(二)技术方案为实现上述目的，本专利技术提供如下技术方案：1)、输入有雾的图像Iin(x,y)，(x,y)为有雾的图像中像素点的坐标；2)、对步骤1)的有雾的图像Iin(x,y)做傅里叶变换FFT处理，将时域图像转换为频域图像D(x,y)；3)、将步骤2)得到的频域图像中分割出低频成分其中，为低频成分，D(x,y)为频域图像，dl为低频分量的截止频率，n为滤波器的阶数；4)、根据输入图像雾霾的浓度级别，增加低频成分的权重，得到低频分量Hl(x,y)：其中，dl为低频分量的截止频率，α为低频成分的权重，α＞1，D(x,y)为频域图像，n为滤波器的阶数；5)、提取频域图像D(x,y)中除低频成分以外的剩余成分：其中，D(x,y)为频域图像，Dm(x,y)为代表细节的中频成分，Dh(x,y)为代表噪声的高频成分，dl为低频成分的截止频率，n为滤波器的阶数；6)、将步骤5)得到的剩余分量进行轮廓与噪声分解，并将其再分为中频分量与高频分量：其中，dl为低频成分的截止频率，dh为中频成分和高频成分的截止频率，D(x,y)为频域图像，m和n均为滤波器的阶数，其中，0<dl＜dh＜1；7)、引入中频成分Dm(x,y)和高频成分Dh(x,y)的权重，得到中频分量Hm(x,y)和高频分量Hh(x,y)的频域结果：其中，β和γ分别为中频成分的权重和高频成分的权重，D(x,y)为频域图像，Dm(x,y)为代表细节的中频成分，Dh(x,y)为代表噪声的高频成分，8)、对低频分量、中频分量和高频分量进行结合，得到频域滤波器H(x,y)：H(x,y)＝Hl(x,y)+Hm(x,y)+Hh(x,y)；9)、对步骤8)得到的频域滤波器H(x,y)做傅里叶反变换IFFT，得到输出结果Jout(x,y)。优选的，n＝2。优选的，步骤3)中利用巴特沃兹低通滤波器提取出有雾的图像的低频分量。优选的，步骤8)中，当m＝n时，频域滤波器H(x,y)通过下式表示：式中，α、β和γ分别为低频成分的权重、中频成分的权重和高频成分的权重。优选的，步骤7)中0＜γ＜1和/或β＞1。中频分量代表图像的细节，恢复后的图像细节要远超于输入图像，所以β＞1，高频分量代表图像的噪声，所以0＜γ＜1。优选的，步骤4)中α＝1±0.1。低频分量代表图像的形貌与能量，而图像的形貌要保持，所以α≈1。专利技术原理：本专利技术提出的基于频域视觉感知估算的图像去雾方法，是建立在本专利技术提出的频域感知假设理论的基础上进行的去雾，与目前常用的暗通道先验的去雾机制完全不同，利用人眼视觉在图像频段感知的假设：低频域感受图像整体形貌和能量，中频域感受细节和轮廓，高频域感受噪声，而去雾的目的就是恢复图像中原场景的形貌和细节并且滤除噪声，这一目的与我们的频率感受域的提取不谋而合。定位组合上述三个频率域能够恢复出一个低噪声的清晰的高质量的去雾图像。图像去雾的本质目的就是对原有雾图像进行形貌、轮廓以及细节恢复并适当减小噪声。而人眼视觉在频域的感知刚好遵循低频感知形貌，高频感知细节、轮廓和噪声这一规律。本方法的核心思路就是定量估算原图像中分别代表上述特征的频率域，根据各频率域的图像性能引入加权因子，从而恢复出高质量的去雾图像。首先，对原图做傅里叶变换(FFT)；其次，在频域中分割出代表图像形貌的低频分量并给定权值；然后，将剩余频域进行再分割，引入加权因子后使得代表细节和轮廓的频域分量得到增强而代表噪声的频域分量减弱；最后，通过快速傅里叶反变换(IFFT)再次将图像转换到时域。该方法对于远景，大雾，天空等各种环境都表现出了很好的适用性。而且我们不需要依赖于加速，就可以达到快速运行的效果，又由于其受参数的影响较小，对于连续帧的视频流处理实时性较强。与何恺明的方法一样，也可以适用于灰度图像。而且我们原图的色彩恢复更加真实。(三)有益效果与现有技术相比，本专利技术的基于频域视觉感知估算的图像去雾方法构造简单，实时性强，除了能恢复出低噪声的高质量的去雾图像外，也考虑到了有雾场景中事物的真实色彩，比以往的方法更具可靠性。附图说明图1、方法流程图。图2、参数设置，(a)：输入图像，(parameters)：(b)-(j)各图的截至频率dl和dh，(b)-(j)：不同截至频率下的滤波结果。图3、与各经典去雾模型的结果比较。(a)：输入图像，(b)：Fatta的模型，(c)：DCP，(d)：DCP的优化，(e)：Ni的模型，(f)：He的模型，(g)：Berman的模型，(h)：本专利技术提出的模型。图4、大雾图像处理结果比较，(a)(c)(i)：输入图像，(b)(f)(j)：DCP的优化结果，(c)(g)(k)：Berman的模型结果，(d)(h)(l)：本专利技术提出的模型结果。图5、用于交通行车领域图像处理结果比较，(a)(c)(i)：输入图像，(b)(f)(j)：DCP的优化结果，(c)(g)(k)：Berman的模型结果，(d)(h)(l)：本专利技术提出的模型结果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下本文档来自技高网...

【技术保护点】
1.一种基于频域视觉感知估算的图像去雾方法，其特征在于，包括以下步骤：1)、输入有雾的图像Iin(x,y)，(x,y)为有雾的图像中像素点的坐标；2)、对步骤1)的有雾的图像Iin(x,y)做傅里叶变换FFT处理，将时域图像转换为频域图像D(x,y)；3)、将步骤2)得到的频域图像中分割出低频成分

【技术特征摘要】
1.一种基于频域视觉感知估算的图像去雾方法，其特征在于，包括以下步骤：1)、输入有雾的图像Iin(x,y)，(x,y)为有雾的图像中像素点的坐标；2)、对步骤1)的有雾的图像Iin(x,y)做傅里叶变换FFT处理，将时域图像转换为频域图像D(x,y)；3)、将步骤2)得到的频域图像中分割出低频成分其中，为低频成分，D(x,y)为频域图像，dl为低频分量的截止频率，n为滤波器的阶数；4)、根据输入图像雾霾的浓度级别，增加低频成分的权重，得到低频分量Hl(x,y)：其中，dl为低频分量的截止频率，α为低频成分的权重，D(x,y)为频域图像，n为滤波器的阶数；5)、提取频域图像D(x,y)中除低频成分以外的剩余成分：其中，D(x,y)为频域图像，Dm(x,y)为代表细节的中频成分，Dh(x,y)为代表噪声的高频成分，dl为低频成分的截止频率，n为滤波器的阶数；6)、将步骤5)得到的剩余分量进行轮廓与噪声分解，并将其再分为中频分量与高频分量：其中，dl为低频成分的截止频率，dh为中频成分和高频成分的截止频率，D(x,y)为频域图像，m和n均为滤波器的阶数，其中，0<dl＜dh＜1；7)、引入中频成分Dm(x,y)和高频成分Dh(x,y)的权重...

【专利技术属性】
技术研发人员：韩静，徐林丽，柏连发，张毅，沈炯行，邓力升，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32