一种基于亮区域检测的暗通道去雾方法技术

一种基于亮区域检测的暗通道去雾方法，属于数字图像处理技术领域。首先利用雾气图像的L通道的分量将雾气图像划分为亮区域和暗区域；然后采用对数与反比例的组合函数作为增益系数、以L通道的分量作为反比例函数的自变量对亮区域的透射率公式进行修正，得到亮暗区域的透射率；最后，将透射率代入雾天退化模型中实现图像的初步恢复，再经分区域增强处理，得到去雾的无雾图像。本发明专利技术采用LAB颜色空间的L通道的分量自适应划分出亮区域与暗区域，在不同亮度区域采用不同的透射率计算公式，消除了图像失真与光圈现象；采用对亮区域和暗区域分别进行增强的方式对图像进行图像增强，方法简单快速，且可有效解决恢复的无雾图像偏暗的问题，具有良好的去雾效果。具有良好的去雾效果。具有良好的去雾效果。

【技术实现步骤摘要】
一种基于亮区域检测的暗通道去雾方法


[0001]本专利技术属于数字图像处理
，具体涉及一种基于亮区域检测的暗通道去雾方法。

技术介绍

[0002]随着互联网的不断发展，数字图像处理技术被广泛应用到人类生活的方方面面，比如城市交通、视频监控、军事侦察等领域。近年来，由于雾霾天气的出现，极大影响了成像设备的成像质量，获取到的图像对比度降低，模糊不清，对进一步的图像识别等行为干扰严重。因此，研究可靠快速的图像去雾技术有极其重要的现实意义。
[0003]目前，图像去雾技术根据去雾的原理可以分为：基于图像增强的去雾方法与基于图像复原的去雾方法。其中，第一种基于图像增强的去雾方法没有考虑到雾霾图像的生成机理，直接通过增强图像对比度的方式增强图像质量，达到去雾效果，典型算法有：直方图均衡算法、Retinex算法等，此类方法由于没有考虑到雾霾图像生成原因，很难设计出具有普遍意义的去雾算法；第二种基于图像复原的去雾方法基于雾霾图像退化模型，从降质图像进行反推，进而恢复出无雾图像，典型算法有：偏微分方程法、暗通道先验算法等；其中，暗通道先验算法建立在对实际雾霾图像统计分析的基础上，在偏暗区域具有很好的图像去雾效果，但是在亮区域，如天空、水面等区域，去雾之后会产生图像失真或光圈现象，并且恢复图像整体会偏暗。
[0004]综上所述，现有的图像去雾方法均存在去雾之后视觉效果不佳的问题，因此，亟需一种能够改善亮区域去雾效果及恢复图像整体效果的去雾方法。

技术实现思路

[0005]本专利技术的目的在于，针对背景技术存在的问题，提出了一种基于亮区域检测的暗通道去雾方法。本专利技术针对雾气图像的不同亮度区域，自动采用不同的方法计算透射率，以及增强恢复图像的对比度与亮度，从而实现更好的去雾效果。
[0006]为实现上述目的，本专利技术采用的技术方案如下：
[0007]一种基于亮区域检测的暗通道去雾方法，包括以下步骤：
[0008]步骤1、获取雾气图像，并建立雾天退化模型：
[0009]I(x)＝J(x)t(x)+A(1
‑
t(x))
[0010]其中，x是雾气图像中像素点的空间坐标，I(x)是采集到的雾气图像，J(x)是去雾后的无雾图像，A是全局大气光强度，通常情况下假设与空间坐标无关，t(x)是空间坐标x处的透射率，w是去雾程度，通常设置为0.95，有助于在去雾的同时保留去雾图像的景深感；min是取最小值函数，Ω(x)是以坐标x为中心的模板窗口，r,g,b是RGB图像的三个颜色通道；A
c
是第c个通道的全局大气光强度，y是模板窗口中的任意一个坐标，I
c
(y)是模板窗口Ω(x)中第c个通道的图像；
[0011]步骤2、获取雾气图像中亮区域和暗区域的坐标：
[0012]2.1将雾气图像从RGB颜色空间转换到LAB颜色空间，得到转换后的雾气图像I
′
(x)；
[0013]2.2采用深度学习对卷积神经网络模型进行训练，得到训练后的神经网络回归预测模型；其中训练样本为带阈值标签的雾气图像数据集中L通道的分量；
[0014]2.3将步骤2.1转换后的雾气图像中L通道的分量输入步骤2.2训练后的神经网络回归预测模型中，得到阈值K；然后，将步骤2.1转换后的雾气图像中L通道的分量大于阈值K的像素点标记为亮区域，小于或等于阈值K的像素点标记为暗区域，并分别记录亮区域与暗区域的坐标x；
[0015]步骤3、将步骤2.3得到的暗区域的坐标x代入公式中，得到暗区域的透射率；
[0016]步骤4、将步骤2.3得到的亮区域的坐标x代入得到亮区域的透射率；其中，L(x)是坐标x处L通道的分量，max是取最大值函数；
[0017]步骤5、采用导向滤波对步骤3得到的暗区域的透射率和步骤4得到的亮区域的透射率进行精细化处理；
[0018]步骤6、根据步骤1建立的雾天退化模型得到无雾图像；
[0019]6.1将步骤5精细化处理后得到的透射率中低于t0的透射率设置为t0，其余的透射率则保持不变，t0为预设的透射率阈值；
[0020]6.2将步骤6.1处理后得到的透射率代入I(x)＝J(x)t(x)+A(1
‑
t(x))雾天退化模型中进行求解，得到去雾后的无雾图像J(x)；
[0021]6.3由于直接去雾后的无雾图像整体会偏暗，因此需要采用分别对亮区域和暗区域分区域的线性增强方式对步骤6.2得到的无雾图像J(x)进行图形增强，以增加图像的亮度和对比度，得到最终的无雾图像。
[0022]与现有技术相比，本专利技术的有益效果为：
[0023]本专利技术提供的一种基于亮区域检测的暗通道去雾方法，首先利用雾气图像在LAB颜色空间的L通道的分量将雾气图像划分为亮区域和暗区域；然后采用对数与反比例的组合函数作为透射率的增益系数、以L通道的分量作为反比例函数的自变量对亮区域的透射率计算公式进行修正，得到亮区域和暗区域的透射率；最后，将透射率代入雾天退化模型中实现图像的初步恢复，对初步恢复的图像进行分区域增强处理，得到最终去雾的无雾图像。本专利技术采用LAB颜色空间的L通道的分量自适应划分出亮区域与暗区域，在不同亮度区域采用不同的透射率计算公式，消除了图像失真与光圈现象，提高了去雾效果。本专利技术采用卷积神经网络确定划分阈值的方式对图像的亮区域和暗区域进行划分，并在此基础上，采用对亮区域和暗区域分别进行增强的方式对初步恢复的图像进行图像增强，方法简单快速，且可以有效解决恢复的无雾图像偏暗的问题，具有良好的去雾效果。
附图说明
[0024]图1为本专利技术提供的一种基于亮区域检测的暗通道去雾方法的流程图；
[0025]图2为实施例暗通道去雾方法的对比结果图；(a)为原始的雾气图像，(b)为传统的暗通道先验算法的去雾结果示意图，(c)为实施例划分亮暗区域后的示意图，(d)为本专利技术实施例暗通道去雾方法的去雾结果示意图。
具体实施方式
[0026]下面结合附图和实施例，详述本专利技术的技术方案。
[0027]实施例
[0028]一种基于亮区域检测的暗通道去雾方法，具体包括以下步骤：
[0029]步骤1、获取雾气图像，并建立雾天退化模型：
[0030]I(x)＝J(x)t(x)+A(1
‑
t(x))
[0031]其中，x是雾气图像中像素点的空间坐标，I(x)是采集到的雾气图像，J(x)是去雾后的无雾图像，A是全局大气光强度，通常情况下假设与空间坐标无关，选择暗通道灰度图中灰度值在前0.1％的像素中在雾气图像I(x)中对应位置具有最高亮度的点作为雾气图像的全局大气光强度；t(x)是空间坐标x处的透射率，w是去雾程度，设置为0.95，有助于在去雾的同时保留去雾图像的景深感；min是取最小值函数，Ω(x)是以坐标x为中心的模板窗口，r,g,b是RGB图像的三个颜色通道；A
c
是第c个通道的全局大气光强度，y是模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于亮区域检测的暗通道去雾方法，其特征在于，包括以下步骤：步骤1、获取雾气图像，并建立雾天退化模型：I(x)＝J(x)t(x)+A(1
‑
t(x))其中，x是雾气图像中像素点的空间坐标，I(x)是采集到的雾气图像，J(x)是去雾后的无雾图像，A是全局大气光强度，t(x)是空间坐标x处的透射率，w是去雾程度；min是取最小值函数，Ω(x)是以坐标x为中心的模板窗口，r,g,b是RGB图像的三个颜色通道；A
c
是第c个通道的全局大气光强度，y是模板窗口中的任意一个坐标，I
c
(y)是模板窗口Ω(x)中第c个通道的图像；步骤2、获取雾气图像中亮区域和暗区域的坐标：2.1将雾气图像从RGB颜色空间转换到LAB颜色空间，得到转换后的雾气图像；2.2采用深度学习对卷积神经网络模型进行训练，得到训练后的神经网络回归预测模型；其中训练样本为带阈值标签的雾气图像数据集中L通道的分量；2.3将步骤2.1转换后的雾气图像中L通道的分量输入步骤2.2训...

【专利技术属性】
技术研发人员：贾春阳，王硕，翁小龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：