[发明专利]基于并行灰度线性拉伸和差值导向滤波的融合去雾电路

说明书

本发明公开了一种基于并行灰度线性拉伸和差值导向滤波的融合去雾电路，其中，输入RAM模块存储图像数据并传输给差值模块、移位寄存器阵列和灰度线性拉伸模块；差值模块将图像数据转换成通道差图像数据，移位寄存器阵列对图像数据与通道差图像数据进行移位和寄存，缓存器缓存通道差图像数据，差值导向滤波模块平滑噪声和保护边缘得到平缓图像数据，高升压滤波模块对平缓图像数据锐化得到锐化图像数据；并行灰度线性拉伸模块进行灰度化和线性拉伸得到高对比度图像数据；融合模块将锐化图像数据和高对比度图像数据按权重融合并将去雾的图像数据传输到输出RAM模块。本发明能提升融合去雾加速器的性能，加快处理速度，提高去雾效果。

技术领域

本发明属于视频图像去雾处理的技术领域，可应用于自动驾驶汽车、智能监控系统、航空勘测等基于视觉系统的视频图像去雾电路。

背景技术

计算机视觉应用已经覆盖生活中的方方面面，多媒体成为人们获取和共享信息的重要途径。各种移动设备的摄像头是多媒体捕获信息的主要方式，然而，由于恶劣天气如雾、霾、烟、尘、雨、雪等大气元素的影响，在室外能见度低且捕获的图像质量较差。经因此，受这些天气影响而退化的图像不适用于各种实际应用，如航空领域、视频监视领域、智能交通领域和追踪系统领域等。大多数户外视频监视领域，需要准确、实时、清晰的特征提取，在雾、霾的天气条件下，视觉算法可能会受到影响而导致其检测与分析的偏差，从而影响到重要信息的监测。智能交通领域对于驾驶有着较高的要求，如若在雾、霾天气下智能驾驶系统无法正确判断场景可见性，驾驶员决策性降低，可能会造成交通安全事故。追踪系统如雷达系统、天气预报等，如果不能实时追踪到图像视频进行信息分析，就可能导致定位错误、信息传达有误等。

为了解决受雾霾天气影响的图像问题，已经有许多方法被提出，最早由Oakley等人提出的基于深度信息的图像恢复，该方法通过一个高斯函数预测场景中的光路来对环境对比度进行复原，且不需要预测天气的各类信息。Kopf等人利用场景纹理信息得到相应的深度信息。He等人提出基于暗通道先验规律。Yu等人提出利用通道差值结合环境光照图和透射图估计来进行夜间去雾。Cai等人首次尝试利用CNN来构造端到端的去雾网络,实现从输入单幅有雾图像到透射率图之间的映射。Singh等人提出使用简单的线性拉伸和白平衡调整后的结果进行融合得到去雾图片。Thepade等人广泛分析了色彩衰减理论和图像边缘保护技术,从将色彩还原和梯度计算后的图片融合,得到去雾图像。Ma等人提出了一种新的融合图像选取的思路。第一输入图像是简单的线性拉伸，第二输入图像是利用了基于导向滤波的高增强滤波算法。但是这种去雾算法只是停留在软件建模方面，为了将线性拉伸与导向滤波融合运用到实际场景中，Du等人通过较好的硬件方式优化了该算法，节省了资源且提高了工作效率。但是这种硬件方式在第一输入图像中还存在时间的耗费，第二输入图像只兼顾到保留边缘，其场景照度和颜色效果还有待改进。这些方法处理过程较复杂且处理时间过长，忽略了图像原来的色彩感及环境照度，无法达到实时高质量去雾的要求。

发明内容

本发明为克服现有技术的不足之处，提出了一种基于并行灰度线性拉伸和差值导向滤波的融合去雾电路，以期能提升融合去雾加速器的性能，加快处理速度，提高去雾效果，并尽达到实时高质量去雾的要求。

为达到上述发明目的，本发明所采用的技术方案如下：

本发明一种基于并行灰度线性拉伸和差值导向滤波的融合去雾电路的特点包括：输入RAM模块、差值模块、移位寄存器阵列、缓存器、差值导向滤波模块、高升压滤波模块、并行灰度线性拉伸模块、融合模块和输出RAM模块；

所述输入RAM模块中存储有长×宽为X×Y、位宽为W的RGB图像数据I，并分别传输给差值模块、移位寄存器阵列和并行灰度线性拉伸模块；其中，X、Y和W为正整数；