雾霾图像（通用4篇）
雾霾图像 篇1
摘要：光在雾、霾等介质中传播时, 由于粒子的散射作用导致成像传感器采集的图像信息严重降质。视频图像去雾霾技术在消除不利天气影响、增强视见度的基础上, 考虑系统实时性。从图像增强和物理模型的研究角度对图像去雾算法的处理效率进行综述, 综合了近年来国内外去雾算法的原理与进展, 给出了典型的去雾算法在视觉上的对比和时效评估数据。最后, 展望了该技术的研究难点和发展趋势。
关键词：视频图像去雾,实时性,图像增强,物理模型
近年来, 雾霾天气在我国频繁出现, 对人们的健康和出行造成较大影响, 引发了全社会的普遍关注。雾和霾是两种不同的物质组成, 在大气中以微小粒子的形态悬浮在空中, 可用米氏散射理论进行描述。
目前, 视频图像去雾技术还处在研发阶段, 各方面可供参考的文献并不多。相较国内, 国外的研究工作起步较早, 进展相对快一些。美国国家航空航天局 (NASA) 的Langley研究中心深入研究基于领域的Retinex算法, 对雾、烟、水下和夜晚图像进行增强, 并将其算法移植到DSP图像增强系统中, 处理分辨率为256×256的灰度图像效率达到30帧/s, 能够基本满足小分辨率下的实时性要求。与此同时, 国内的中科院自动化所、清华大学、天津大学以及中南大学也视频图像去雾方面取得了进展。
1 图像去雾的方法
随着图像去雾算法理论研究的深入和实际应用中的需要, 近年来国内外学者越来越关注在小信息量输入 (单幅图像) 的条件下对数字图像外观的建模与重绘。基于大气退化物理模型的单幅图像去雾是通过合理的数学推演和假设, 还原清晰、高品质的图像。在这方面的早期工作是由Tan等人完成的。他们通过统计发现无雾图像相对于有雾图像必定具有较高的对比度, 从而利用最大化局部对比度处理, 基于MRF框架对结果进行规整化, 达到单幅图像的去雾。
Fattal等人在大气衰减的物理模型的基础上, 运用独立成分分析的方法, 通过假设入射光在大气中的传播 (transmission) 和场景对象的表面特性 (surface shading) 是不相关的, 并利用图像邻域信息的马尔科夫特性和局部最优化的思想计算得到清晰的图像。
香港中文大学的何恺明博士等人在2009年的CVPR上提出了基于暗通道优先提取的单幅图像去雾技术。通过DCP (Dark Channel Prior) 先验, 能够快速估计出大气传递参数, 进而求解清晰图像。何凯明等人在后期的研究中引入导向滤波的方法进行处理, 大大提升算法效率。在该研究的基础上, 衍生出很多进型DCP算法, 取得了不错的效果。
Kratz等人应用MAP的方法解决图像雾的问题, 假设有雾的图像是由场景反照率场景深度两个独立的层组成的, 并利用FMR (factorial Markov Random Field) 思想建模最终得到了较为准确的深度信息。
Zhang通过引入边界保持的非线性滤波的方法, 利用该方法能够使transmission m信息更加准确, 同时能够得到较准确的对象界信息, 而且不受图像局部反照率的影响。
在单幅图像去雾的实时性方面, 也存着一些进展。Codruta O.Ancuti等人提出基半求反 (Semi-Inverse) 的检测去雾算法。算法同样提出一种先验, 即在日光条件下通对多幅图像进行统计, 得到在有雾图像中, 雾区域的半反图像和原始图像基本无差异。因是有雾的区域或者天空的RGB分量各元值都比较大, 而无雾的地方符合暗通道原理即总有一个分量的值比较小。在以上先验假成立的条件下, 估算大气传递参数, 进而对像进行去雾处理。文中提及的数据表明, 该法已能基本支持视频图像实时去雾处理。
2 视频图像去雾时效评估
通常情况下, 图像去雾算法的评估没真实的图像可供参考, 属于无参考客观质量估范畴, 仅能依据对降质图像和复原 (或增强) 图像的分析比较来衡量算法的性能。目前, 针对图像去雾效果的无参考客观质量评估主要是由Hautiere等人所提出的可见边梯度法。
3 视频图像去雾效果
为了考查现阶段去雾算法是否能够满足视频图像去雾的实时性要求, 利用对数图像处理 (LIP) 模型从定量分析的角度对现阶段几种典型的图像去雾方法的时效进行实验分析。通过单幅图像的去雾处理的运算速度和清晰化指标, 来推算处理方法是否能够满足视频流去雾处理的实时性要求, 为视频图像去雾算法的选择提供理论依据。表1比较了几种典型的去雾算法的运算速度与清晰化指标。
由表1可得, 在处理图像大小为450×600的图片时, 理论上传统的基于物理模型去雾方法在运算速度上普遍比基于图像增强去雾方法的慢, 并且能满足视频流实时处理要求的算法仅有自适应直方图均衡化、自适应色阶和对比度和改进的实时去雾算法。
4 结论与展望
本文对视频图像去雾处理进行了综述性介绍, 给出了国内外几种典型去雾算法的时效分析, 为进一步探索视频图像去雾处理方法, 提高算法效率提供理论依据。
视频图像去雾技术在计算机视觉、模式识别中有着广泛应用, 属于图像处理和计算机视觉领域的研究热点之一, 具有重要的实际应用价值, 吸引着国内外很多研究人员的关注。目前, 国内外的相关研究在视频图像去雾算法的自动、鲁棒和实时性上远没有达到成熟阶段, 因此, 该领域的研究仍存在很大的发展空间。
雾霾图像 篇2
随着当代中国工业化和城镇化的快速发展,工业生产和个人驾车交通出行等产生的废气不断增多,绿化面积却由于城镇建设而呈现下跌趋势,恶劣天气频繁地出现。在恶劣天气条件下,我们获得的图像质量会受到严重影响。
很多户外系统的正常工作都需要获得具有一定质量的图像。例如智能交通系统中图像的拍摄,如果因为天气原因造成图像质量下降,致使无法识别车牌号码、车辆颜色,就会对智能交通系统的工作造成负面影响,导致智能交通系统无法发挥应有的功能。在视频监控系统中,很多视频监控系统采用可见光成像技术,在光照不佳、雨雾天气下,图像亮度降低、对比度减弱、清晰度下降,导致无法看清某些细节信息,因此,监控效果不佳。总之,雾霾天气下的图像增强处理有着广阔的前景和宽广的需求。
图像增强处理,就是根据给定图像的应用场合,根据应用需求强调或凸出图像的整体或局部特征,将不够清晰的较模糊图像变得更清晰,或突出感兴趣的特征,增强不同物体特征之间的区别,提高图像质量、增强图像识别效果。
1 基于Retinex的雾霾图像算法
Retinex理论是一种建立在科学实验和科学分析基础上、基于人类视觉系统的图像增强理论。该算法与线性和非线性变换、图像锐化等传统图像增强算法不同,这些算法只能对图像的某类特征进行增强处理,而Retinex具有大动态范围压缩、颜色恒常性、高色彩保真度等特点,适用于对受光照影响严重的图像进行补偿,能够提高图像的清晰度,使图像的颜色更接近原图像,图像增强后的视觉效果更佳。
中值滤波是一种非线性图像平滑技术,它对脉冲噪声有很好的滤除作用,同时能够克服线性滤波器在处理图像细节时出现模糊的问题。
本文将Retinex和中值滤波算法相结合,对含雾图像进行了增强处理。系统原理图如图1 所示。
1.1 图像增强算法
众所周知:(1)真实的世界是没有颜色的,我们平时看到的颜色是由不同强度不同频率的电磁波组成的;(2)每一个颜色区域都是由给定波长的红、绿、蓝三原色构成;(3)每个单位区域的颜色由三原色确定。
Retinex的基础理论是物体颜色是由物体对长波、中波和短波光线的反射能力决定,而不是由反射光强度的绝对值决定。物体的色彩不受光照非均匀性的影响,具有一致性,也就是说,Retinex是以色感一致性(颜色恒常性)为基础的(图2)。
单尺度(Single-Scale Retinex,SSR)算法的公式为:
其中为输出图像,*为卷积符号,是中心环绕函数,表示为:
c表示高斯环绕尺度,是一个尺度,取值必须满足以下条件:
单尺度Retinex算法的实现流程如下:
(1)读入原始图像,若为灰度图,将图像每个像素的灰度值由整数值转换为浮点数,并转换到对数域;若为彩色图,将图像的每个颜色分别处理,将每个分量的像素值由整数值转换为浮点数,并转换到对数域中,便于计算。(2)输入尺度c,在离散条件下,积分转换为求和,进一步确定参数λ 的值。(3)根据前述公式,计算得到r(x ,y );如果是彩图,则每个通道均有一个r(x , y)。(4)将r(x , y)从对数域转换到实数域得到输出图像,并以相应格式输出。
1.2 图像降噪算法
直接获取的灰度图像或通过彩色图像转换而来的灰度图像都存在噪声,噪声对图像质量影响很大。对图像进行中值滤波可去除孤点噪声,同时保持图像的边缘特性,不会使图像出现显著的模糊。
中值滤波的基本思想:将滤波窗口内像素灰度的最大值和最小值均看作噪声,以该窗口内的灰度中值代替窗口中心像素点的灰度值。
中值滤波的步骤如下:(1)将含有若干个点的滑动窗口(滤波模板)在图像中漫游,将窗口中心与图像的某个像素位置重合;(2)读取窗口中各像素的灰度值,并将这些灰度值按从小到大的顺序排成一列;(3)计算这列数据的中间数据,将其作为对应模板中心位置的像素灰度。
2 仿真实验
为了验证该算法的有效性,我们选取了一张典型的雾霾天气图像进行仿真处理。
由图3、图4 可看出图像在增强处理之后对比度、亮度和画面细节都有着显著的提升,有效信息显著增多,但经过增强处理后的图像有较明显的噪声(图4 左下的裂纹和路面颗粒明显失真)。
图5 和图6 为降噪效果对比,可以看到图中的噪声相对减少(图6 左下噪声)。同时图3 和图6 进行对比,可以清楚地看到图像增强降噪处理对图像质量的提升。
3 结论
本文提出了一种基于Retinex的雾霾图像去雾增强算法。受雾霾天气影响的失真图像用Retinex算法进行处理,再使用中值滤波对图像进行去噪处理。Matlab仿真实验表明该算法对受到雾霾天气影响的图像有着较好的增强效果,在降低噪声的情况下有较好的画面观感。
参考文献
[1]韩祥辉,王好贤.恶劣天气环境下退化图像的清晰化算法[J].计算机工程,2011.37(22):207-208.
[2]王萍,张春,罗颖昕.一种雾天图像低对比度增强的快速算法[J].计算机应用,2006.26(1):152-154.
雾霾图像 篇3
现有去雾算法主要可以分为基于图像增强的去雾和基于物理模型的场景复原方法。Tan[2]通过增强图像局部颜色对比度的方法,首次实现了基于单幅图像的去雾。Kim等[3]采用非块重叠的方法进行局部直方图均衡化,减少雾霾对于图像中有用信息的干扰。图像增强方法只是减少了雾霾的干扰,对雾并没有从本质上去除,因此去雾效果并不理想。而基于物理模型的场景复原方法是根据大气散射建立图像退化模型,利用先验知识并合理的假设某些条件反演退化过程,从而复原图像。该方法在应用时要对图像进行滤波处理,由于图像边缘中含有大量有用特征信息,所以尽可能对噪声有较好的滤除效果,同时尽量保持图像的边缘等重要细节信息[4]。因此,雾霾天气下图像去噪方法的研究实际是在去噪和保留有用高频信息之间进行的权衡。在此基础上,C.Tomasi和R.Manduchi提出了双边滤波策略[5],在图像变化平缓区域,邻域内像素亮度值相差不大,双边滤波转器转化为高斯低通滤波器。在图像变化剧烈的区域,利用边缘点附近亮度值相近的像素点的亮度值平均替代原亮度值[6,7]。含雾图像含有大量噪声,影响特征信息的提取,很难在滤波和边缘保持中平衡,难以满足需要。
基于此,本文提出了一种二次滤波的新思路,可以复原出的图像更接近真实场景,获取的交通图像质量。
1 雾霾天气下交通图像降质模型
雾霾天气下,空气中悬浮的微粒会对光线造成散射和折射,使得采集的图像模糊不清且含有较多噪声,导致拍摄图像质量下降。在分析雾霾天气下图像时,必须考虑到空气中介质对成像的影响,即入射光的衰减和大气光成像过程,并建立模型,从而对雾霾天气下图像的降质原理进行分析。降质模型如图1所示。通过对该模型的分析就可以得到雾霾颗粒对光线及成像的影响。
该模型可用公式(1)描述:
式(1)由入射光衰减模型和大气光成像模型组成,其中E(d,λ)是可见光镜头采集得到的图像即雾霾天气下的降质图像,E0(λ)e-β(λ)d为入射光衰减模型,E!(λ)(1-e-β(λ)d)为大气光成像模型。由于大气中微粒的散射作用导致一部分入射光线无法到达镜头,造成了入射光的衰减。在入射光衰减模型中,E0(λ)表示该点的场景反射光强度,即固有的未衰减时的光的强度。入射光的衰减率和场景点到接受装置的距离有关,式中d代表场景深度,k为大气散射系数,其与波长λ及大气中微粒大小γ关系如式(2)所示。
在大气光成像模型中E!(λ)代表环境光亮度,e-β(λ)d为透射率。
通过对入射光衰减模型和大气光成像模型的分析可以看出导致雾霾天图像降质的原因如下:由于雾霾颗粒(1~10μm)远远大于纯空气中微粒(10-4μm左右)的大小,使得此时公式(2)中相对于波长,决定大气散射系数变成微粒的大小,此时可认为大气对不同颜色的可见光散射系数近似,即所有可见光等量散射,所以看到的雾霾为灰白色,雾霾天气下得到的图像也就变得灰白不清。
显然式(1)的表示过于复杂,为了进一步简化公式令:I(x)=E(d,λ),J(x)=E0(λ),t(x)=e-β(λ)d,A=E!(λ),相应的I(x)就代表了雾霾图像中的某一像素点,J(x)代表无雾清晰图像中的某一像素点,A代表场景中的大气光,那么雾霾天气下的图像降质模型即成像模型可以简记为
2 基于暗通道理论的去雾方法
2.1 暗通道理论
在图像去雾研究时,绝大部分室外无雾图像在任意的局部小块中,总存在一些像素某一个或者几个颜色通道的值都很小,被称为暗通道。以RGB颜色空间的图像为例,暗通道可以用数学表示如下:
式(4)中,c代表R、G、B某一颜色通道,x为某局部区域Ω的中心像素点,y是局部区域Ω内的某一像素点,那么Jc(y)就代表了y像素点的某一颜色通道的值,Jdark(x)代表这一局部区域的暗通道值。与清晰图像的暗通道整体趋于0不同,含雾图像由于受到雾霾影响,图像整体偏灰白,暗通道图像中这些像素点的亮度也会变高,整体比不含雾霾的暗通道图像要图像明亮。因为由含雾图像的暗通道图像可以反映出雾气的浓度,由此得到图像的景深信息,将平面图像中的信息还原为立体的,有深度的信息,这对于研究单幅图像去雾是十分有价值。
2.2 基于暗通道先验的去雾原理及参数估计
根据前面得到的图像降质模型的描述,对式(3)进行变形,去雾后的图像为
显然,去雾的重点就是估计出大气光A及各个像素点的透射率t(x)。而只凭借一幅图像求取三个未知数,比较困难,应该采用暗通道先验理论作为求解的约束条件,依靠含雾图像的暗通道图像反映了雾的浓度和景深的变化,由此估计出透射率t(x),即大气光A,进而求解出复原图像。
2.2.1 透射率粗估计方法
透射率反映了光线在大气中的穿透能力,其值的大小与距离和雾的浓度有关。透射率越大,代表光线的传输能力越强,较多的光线能穿过雾霾进入图像采集设备,光线受雾霾微粒的散射影响较小,相对的,透射率越低,代表光线越难穿透雾霾进入图像采集设备,光线受散射影响较大,只有少部分进入图像采集设备参与成像。
图像退化方程变形可以得到:
式(6)中,c为R、G、B三个颜色通道中的某一通道,相应的Ac、Ic(x)、Jc(x)分别代表某一颜色通道大气光强、含雾图像和无雾图像中的某一像素点在这一颜色通道的值,假设已经确定,为了便于计算,在估计透射率时,假设局部小范围的透射率是相同的,即为同一大小,并且对等式两边取最小值,那么就可以变形为:
不含雾霾的图像的暗通道有如下规律,即:
而大气光的值Ac相对大很多,那么可以推出:
透射率为
通过式(10)的计算,完成了对透射率的粗估计,但这时的透射率还不够精确,而且容易出现“halo”效应,还不能用于图像复原。
2.2.2 大气光的估计方法
含雾图像的暗通道图像中像素亮度可视为反映了雾的浓度状况。为防止图像中白色物体被误用作估计大气光的估计,可在暗通道图像中选取亮度靠前的一部分像素,反映图像中雾最浓的部分,也即景深较大的地方。这一部分像素用来估计大气光值A。得到的大气光A的估计及粗估计的透射率,进行精细化,代入公式(4)之中,就可以得到复原的图像。
3 二次滤波去雾算法设计
算法的具体过程如下:
(1)首先读入含雾交通图像,由公式(3)求出含雾图像暗通道图像。
(2)用双边滤波对暗通道图像进行滤波处理,文中选择滤波窗口大小为3×3,双边滤波器核中亮度相似度因子和距离相似度因子的高斯函数标准差分别为0.1和3。
(3)按照2.2.2节中所述大气光估计方法,步骤(2)做双边滤波后,取暗通道图像亮度中前0.1%的点,将含雾霾图像中对应这一点的三个通道值作为大气光估计值。
(4)按照公式(7)透射率的计算方式,将步骤(2)中得到的滤波后暗通道代入其中,计算透射率的粗估计,得到透射率图像t。
(5)将含雾交通图像I的灰度图作为引导图像,将透射率的粗估计作为待滤波图像,窗口大小为60×60,对透射率的粗估计进行引导滤波操作,方法如式(12)所示。
(6)经指导滤波后的透射率即为精确透射率,结合步骤(3)计算大气光A的值,带入公式(4),求得输出J,即为去雾后的图像。
4 实验结果
实验的硬件条件是inter酷睿i5-2410M CPU2.3 GHz,RAM 4 G,软件为MATLAB2014a。原始图片为1 152×760的雾霾交通实测图像。实验中分别使用传统的双边滤波去雾算法和本文的算法对图像进行去雾处理,实验结果如图2所示。其中,图2(a)为原始含雾霾图像,图2(b)为使用传统双边滤波算法[6]去雾后的图像,图2(c)是使用本文算法后得到的去雾图像。观察图2(b)和图2(c)可以知道两种方法都有一定的去雾效果,图2(b)图像偏暗,对比度较低,图像有些失真,图2(c)整体比较明亮,对比度高,背景光与原始图像更加接近,更加符合真实场景。
5 结论
针对已有的雾霾天气下图像去雾算法计算量较大,去雾后图像偏暗的问题本文提出了基于双边滤波-引导滤波的二次滤波的去雾方法。与传统的双边滤波去雾算法相比,双边滤波-引导滤波去雾算法去雾后图像中场景的亮度更符合真实场景,对提高雾霾天气下采集到的交通图像的质量有着一定的效果。
摘要：雾霾天气下采集到的退化含噪图像模糊不清、对比度较低;而使用传统基于双边滤波的去雾方法得到的图像偏暗,效果有限。针对这些问题,提出了一种新的基于二次滤波的算法,实现雾霾天气下交通图像去雾处理;利用双边滤波对含雾图像的暗通道图像进行第一次滤波,用引导滤波对图像的透射率粗估计进行二次滤波优化。根据降质模型对含雾图像进行复原,进而得到去雾后的图像。实验效果证明,与传统方法相比,得到的去雾图像与真实场景亮度更加相似,色彩饱和度较好,图像质量较高。
关键词：雾霾,交通,图像,去雾,双边滤波,引导滤波
参考文献
[1]胡平.雾霾天气下高速公路监控视频的一种增强算法.公路交通科技,2014;31(1):139-144,158Hu Ping.An enhancement algorithm for expressway surveillance video in fog and haze weather.Journal of Highway and Transportation Research and Development,2014;31(1):139-144,158
[2] Tan R T.Visibility in bad weather from a single image.Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2008;1(1):1-8
[3] Kim J Y,Kim L S,Hwang S H.An advanced contrast enhancement using partially overlapped sub-block histogram equalization.IEEETransactions on Circuits and Systems for Video Technology,2001;11(4):475-484
[4]唐晓庆,范赐恩,刘鑫.基于边缘保持滤波的单幅图像快速去雾.西安交通大学学报,2015;49(3):144-150Tang Xiaoqing,Fan Ci’en,Liu Xin.A fast haze removing algorithms of single image using edge preserving filtering.Journal of Xi'an Jiaotong University,2015;49(3):144-150
[5] Tomasi C,Manduchi R.Bilateral filtering for gray and color images.IEEE International Conference on Computer Vision,1998;1(1):839-846
[6]孙抗,汪渤,周志强,等.基于双边滤波的实时图像去雾技术研究.北京理工大学学报,2011;31(7):811-813Sun Kang,Wang Bo,Zhou Zhiqiang,et al.Realtime image haze removal using bilateral filter.Journal of Beijing Institute of Technology,2011;31(7):811-813
雾霾图像 篇4
关键词：光照模型,雾霾图像,滤波器
0引言
雾是很常见的自然现 象,它导致能 见度降低。霾是由大量微小粒子所导致 的浑浊现 象,核心物质 是空气中 悬浮的灰尘颗粒,即气溶胶颗粒。在雾霾天气下,拍摄的图像和视频内容对比度低、模糊和退化,严重影响户外图像采集与处理。因此,研究图像 去雾技术 去除图像 中雾霾信号的干扰,恢复清晰的高质量图像内容,具有重要意义。
图像去雾问题涉及天气条件的随机性与复杂性,最早可以追溯到1992年Bissonnette[1]针对雾和雨天气的图像去雾研究。国内外学者已经提出了多种方法,可分为基于模型和基于非模型两类方法。基于非模型的方法考虑图像呈现的低亮度和低对比度特征,以常规的图像增强方法作为基本处理手段。基于模型的去雾方法从图像复原角度出发,需要考查图像退化原因,对大气散射作用进行建模分析,实现场景复原。
采用基于物理模型的复原方法进行处理的前提是已知景深信息,对于单幅图像的去雾,由于雾所依赖的深度信息未知,因而只能 依赖于一 个强有力 的先验或 假设。 He[2]通过对大量户外无雾图像的统计实验发现,除去天空区域,其它大部分局部像素中至少有一个颜色通道的亮度很低,可据此暗原色先验知识计算图像的景深信息。
1大气光照模型
物体所散射的光线会被空气中的微小粒子所阻挡,导致看到的物体模糊不清。如式(1)所示的大气光照模型在雾霾图像去雾中广泛采用[2,3]:
其中,I(x)表示采集设备得到的有雾霾的图像,恢复后的无雾霾图像为J(x),A是极远处的大气光强度,t是光线通过媒介透射到照相机过程中没有被散射的部分,即透射率。式中J(x)t(x)是直接衰减项,描述的是景物光线在透射媒介中经衰减后的部分,A(1-t(x))是大气光中被散射的部分。去雾霾的图像恢复就是通过I(x)求解参数t和A ,然后解出J(x)。
2基于暗通道先验知识的去雾模型
通过对大量户外无雾图像进行观察,He[2]发现了图像的暗通道先验知识:在绝大多数非天空的区域里,每一个像素中至少有一个颜色通道的值很低,部分原图和暗通道分别如图1(a)-图1(d)所示。在该区域,光强度的最小值趋近于零。
对于一幅图像J ,暗通道先验模型为:
其中,Jc代表图像J的某一个颜色通道,Ω(x)是以某像素x为中心的 相邻区域。式(2)表明,除了天空 区域,Jdark的强度总是很低并且趋近于0。
根据大气光照模型,式(1)变换为:
其中c表示某一个颜色通道。假设对于每一个以像素x为中心的相邻区域,透射率t(x)假设为常数t珓(x), 即在该区域的t(x)有相同的值。对式(3)两边求两次最小值,可得:
式(4)中,J是待求的无雾图像。根据暗原色先验知识,有:
把式(5)代入式(4),可得参数透射率的估值:
实际情况不可能满足理想模型的条件,晴朗的天空中也存在一些微小颗粒。因此,雾霾还是能影响到远处的物体。另外,人类能感受到景深也是由于雾的存在。因此, 在去雾时有必要保留一定程度的雾,这可以通过在式(6) 中引入一个在[0,1]之间的因子ω 进行控制,则式(6)修正为:
当透射率t(x)很小时,会导致恢复图像J(x)的值偏大。为此,设置一个阈值t0,当t(x)<t0时,令t(x)=t0。 因此,图像恢复修正为:
大气光照强度A可以从雾霾图像中求得[4]。具体步骤为:从暗通道图中按照亮度大小取前0.1% 的像素,求出这些像素的平均值作为A的值。
3基于导向滤波的精细图像恢复
假设每一个窗口内透射率为常数,得到的t(x)不平滑,如图2(a)所示的原图,基于大气光照模型和暗通道模型的投射率如图2(b)所示,呈现马赛克现象。
使用不平滑的透射率,恢复的图像会出现一些不自然的过渡。为此,使用导向滤波器[5]平滑透射率。首先定义一个线性平移变换滤波器,输入导向图像D ,本文使用原图的灰度图作为导向图像。设像素点的透射率为pi,则滤波输出qi为:
滤波核Wij是导向图像D的函数并与p独立。假设导向滤波器在导向图像D和滤波输出q在窗口wk中是一个局部线性模型:
4实验结果
为了验证算法的有 效性,本文采用Win7操作系统, Visual C#2010编程语言实现。实验中,使用快速均值滤波算法[6]计算局部区 域的平均 值,算法的时 间复杂度 为O(n),n为像素点的个数。对于图2(a)、图4(a)所示的雾霾图像,其去雾效果分别如图3和图4(b)所示。通过肉眼主观定性观测,算法的有效性体现得颇为明显。
参考文献
[1]L BISSONNETTE.Imaging through fog and rain[J].Optical Engineering,1992,31(5):1045-1052.
[2]KAIMING HE,JIAN SUN,XIAO-OU TANG.Single image haze removal using dark channel prior[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2009:1956-1963.
[3]R TAN.Visibility in bad weather from a single image[C].In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2008:1-8.
[4]A J PREETHAM,P SHIRLEY,B SMITS.A practical analytic model for daylight[C].In Proceedings of the 26th Annual Conference on Computer Graphics and Interactive Techniques,1999:91-100.
[5]KAIMING HE,JIAN SUN,XIAOOU TANG.Guided image filtering[C].Lecture Notes in Computer Science(LNCS),2010:1-14.