[发明专利]用于智能驾驶的单幅图像去雾方法

说明书

本发明提供了一种用于智能驾驶的单幅图像去雾方法，利用最小滤波的方法对输入单幅有雾图像进行滤波，以获取输入图像对应的最小通道图像；利用场景深度与最小通道强度成正比的关系建立场景深度估计模型，快速准确估计出场景深度；根据传输图与场景深度之间的关系估算出场景传输图；联合输入有雾图像和所得的场景深度图，采用新的有效的大气光估计算法估计出大气光；最后，结合场景传输图、大气光和输入单幅有雾图像，利用大气物理模型有效实现单幅图像去雾。本发明能够快速准确地估算出场景传输图，提高单幅图像的去雾质量，避免把有雾图像中像素强度最大的像素当作大气光的错误。

技术领域

本发明涉及信息技术中的计算机视觉领域，尤其是一种图像去雾方法。

背景技术

图像去雾技术是指利用特定的方法或手段，降低甚至消除空气中悬浮微粒或水珠对所采集图像的不良影响，以改善图像视觉效果的图像处理技术。它在智能驾驶系统、智能监控系统、卫星远端传感系统、军事、安防、教育和娱乐等多个领域都有着广泛的应用。单幅图像去雾技术是图像去雾技术中最有发展前景的技术之一。该技术只需输入一幅有雾图像，利用相关先验知识，通过特定方法或手段，可求解出传输图，然后基于大气物理模型，恢复得到去雾图像。然而，现有的单幅图像去雾技术所恢复的去雾图像的质量往往并不理想，存在的主要问题是传输图估计效率低和大气光估计不准确。

传输图估计问题是单幅图像去雾的最大难点所在。目前，对传输图估计的研究已经有很多。由于基于大气物理模型的图像去雾过程实质是求解欠定方程的过程，因此，基于先验知识的方法是通常对有雾或者无雾图像进行大量实验和统计分析，得到相应的先验知识，然后以此为基础，通过对大气物理模型进行变形求解，从而实现单幅图像去雾。比如，暗通道先验的图像去雾方法，就是通过对无雾图像的统计，发现在图像局部区域内，至少有一个颜色通道的亮度接近于0，然后以此求解传输图。这类方法可快速求得大气光传输图，但是这类方法过分地依赖于先验知识，当先验信息不符合所处理的图像时，图像去雾效果就不理想，比如在去雾后的图像里容易出现光晕现象等。基于深度学习的方法则是通过建立分层模型，然后对大量样本训练学习，得到模型参数，从而实现传输图解算。这类方法在图像去雾时虽然效果较好，但计算复杂度比较高。

大气光估计是单幅图像去雾技术的另一个关键问题所在。通常情况下，雾最浓区域的像素可看作是大气光的估计。因此，最简单的大气光估计方法是选择有雾图像中像素强度最大的像素作为大气光估计。然而这种方法通常会把图像中白色区域像素错误地选作为大气光的估计。基于四叉树的大气光估计方法假定天空区域在图像上方，然后通过统计各个区域的灰度平均值，选作平均值最大的区域再次进行分解，直至满足某个预先设定的值时，迭代停止，则把该区域的像素平均值作为大气光估计值。由于这种方法假定了天空区域在上方，因此其应用范围受到了限制。此外，由于四叉树分解的过程是一个不断迭代的过程，因此，该方法求解大气光的运算量仍然比较大。

发明内容

为了克服现有技术的不足，本发明提供一种用于智能驾驶的无人车车载系统中存在的图像去雾视觉效果差的问题，基于车载视频采集系统进行图像去雾，可以同时解决图像去雾时的两个最关键问题：传输图估计问题和大气光估计问题，从而可以恢复出高质量的去雾图像。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤S1，输入单幅有雾图像，进行场景深度估计；

步骤S2，根据深度估计得到的自然场景深度图像，生成能够表示场景环境中雾浓度的传输图像；

步骤S3，根据深度估计得到的自然场景深度图像和输入有雾图像，估计出能够表示环境光强度的大气光；

步骤S4，利用估计的传输图和大气光，结合大气物理模型实现单幅图像去雾。