[发明专利]一种基于边缘保留滤波的形状自适应图像去雾方法

说明书

【技术领域】

本发明属于数字图像处理领域，具体的说是一种基于边缘保留滤波的形状自适应图像去雾方法，用于提升计算机视觉领域有雾图像的清晰度和可见度。

【背景技术】

受雾霾等恶劣天气影响，户外场景的图像质量往往出现严重下降。导致这种图像降质的主要原因在于大气中随机粒子的存在。光从场景中的物体表面反射到成像设备的过程中发生散射现象，使得其他光路的光线由于散射而进入该成像光路，从而导致图像对比度的下降。低视见度的图像极大地影响了户外机器视觉系统效用和性能。去除这种因雾霾天气引起图像降质的技术通常称为图像去雾，它在计算机视觉领域有着广泛的应用，包括：自动监控系统、智能汽车、室外目标识别、高速公路视觉监视系统和卫星遥感监测等。

单幅图像去雾属于不完全约束的图像复原范畴，是一项极具挑战性的研究课题。当前主流的图像去雾算法大都基于大气物理模型。基于物理模型的方法认为，在雾霾天气下进入成像设备的光由两部分组成，一部分是由于散射作用衰减后到达成像设备的物体反射光，另一部分是经过一定散射合成到达成像设备的环境光。二者共同作用导致雾天图像的对比度降低，颜色偏移等一系列视见度欠佳问题。

近年来，单幅图像去雾得到了广泛地关注和研究。典型的去雾方法有Tan方法(R.Tan,Visibilityinbadweatherfromasingleimage.CVPR,2008,pp:1–8)、Fattal方法(R.Fattal,Singleimagedehazing.SIGGRAPH,2008,pp:1–9)，He方法(K.He,J.Sun,andX.Tang,Singleimagehazeremovalusingdarkchannelprior.CVPR,2009,pp:1956–1963)，Tarel方法(J.TarelandN.Hautière,FastVisibilityRestorationfromaSingleColororGrayLevelImage.ICCV,2009,pp:2201–2208；Tarel,N.Hautière,A.Cord,D.Gruyer,andH.Halmaoui,ImprovedVisibilityofRoadSceneImagesunderHeterogeneousFog.IEEEIntelligentVehiclesSymposium,2010,pp:478–485)和Nishino方法(K.Nishino,L.Kratz,andS.Lombardi,BayesianDefogging.IJCV,2012,pp:263–278)，但是目前存在的去雾方法，大都使用固定大小的局部方形图像块来估计局部对比度和大气传播图。因而存在非同质像素参与景深估计的现象，导致在场景深度不连续处去雾效果欠佳的问题。

【发明内容】

针对上述问题，本发明提供了一种基于边缘保留滤波的形状自适应图像去雾方法，侧重非同质像素区域之间的分离，利用全局的超像素分割获得形状自适应的图像区域，结合图像正则化(非负性、局部标准差小于局部均值)实现对大气传播图的估计。最后，基于估计的大气传播图恢复场景的反照率。该方法有效的恢复出清晰图像，保留了图像细节，具有较好的实用性和较低的计算代价。

本发明是通过以下技术方案实现的，提供一种基于边缘保留滤波的形状自适应图像去雾方法，包括以下步骤：

S1：利用图像采集设备采集获得单幅雾霾图像；

S2：使用暗通道先验对大气光进行估计；

S3：将步骤S1获得的图像使用超像素分割获得形状自适应非方形图像区域，在该区域上使用正则化边缘保留滤波估计大气传播图；

S4：通过设定下界进行噪声控制，得到复原后的场景反照率；

S5：输出场景反照率，即获得去雾后的图像。

特别的，所述步骤S3具体按照以下步骤实施：

S31：对将步骤S1获得的图像进行分割，得到基于形状特征的自适应区域；

S32：通过步骤S2获得的大气光，对步骤S1处理后图像进行调整，得到调整后的雾霾图像；

S33：对步骤S32调整后的雾霾图像进行最小值滤波，得到最小值图像；

S34：对步骤S33获得的最小值图像中的自适应区域进行正则化约束，得到大气耗散函数；

S35：通过设定参数p值对大气传播函数进行调整，得到优化大气耗散函数。

特别的，所述步骤S31中对图像的分割采用一种有效的SLIC超像素分割算法。

特别的，所述步骤S32具体按照以下步骤实施：