1. 引言
目前,机器视觉已经普及在我们生活的很多场景中,如目标识别、遥感成像、交通监
测等.清晰的图像是计算机视觉系统发挥其价值的必要前提.然而,在雾霾天气下,户外图像
的视觉效果被大幅降低,严重影响到室外智能视觉系统的有效使用.因此,通过降低或消除
图像中雾霾对场景的影响, 进而得到清晰化图像,具有显著的研究价值.目前,图像去雾算
法被划分为 4 个主流方向:①基于图像增强的去雾方法
[1-3]
.②以先验知识为指导的图像去雾
方法
[4-5]
.③基于图像融合技术的去雾方法
[6]
.④基于深度学习的去雾方法
[7-8]
.由于基于深度学
习的方法一般需要大量的数据集进行训练,数据集的成本仍待解决,其泛化性也是未知
的,这便构成了它的局限性.
本文是在文献[4]中存在图像细节丢失、局部失真,偏暗等问题的基础上,提出了一种
基于引导系数加权和自适应图像增强的去雾算法.首先对暗通道先验去雾中导向滤波算法
[9]
进行引导系数加权和双线性插值,实现透射率快速细化;然后利用 K-均值聚类对原图像进
行亮色和非亮色区域标定,约束透射率和大气光值,达到图像噪声抑制和大气光值优化效
果.最终在大气散射模型恢复图像的基础上,利用自适应线性对比度增强方法对恢复的图像
做进一步优化.
2. 暗通道先验和导向滤波
在图像去雾领域中,常常用到的图像恢复模型为大气散射模型:
I(x)=J(x)t(x)+A(1−t(x))I(x)=J(x)t(x)+A(1−t(x))
式中,x 表示图像中对应像素点所处的空间位置;I(x)为原始带雾图像;J(x)为去雾算
法恢复后的清晰图像;透射率 t(x)=e
-βd(x)
,其中,d(x)表示景深,β 表示大气散射系数;A 表
示大气光值,取法如下:将暗通道中所有像素的值由大到小排序,取前 0.1%的像素点作为
候选点,在候选点里选取前 20 个最亮的像素点,分别取各通道中的最大值,以此等价 A,
本文简称候选点取值法.
2.1 暗通道求解
在一幅彩色图像中,其像素点往往在某一个通道中取值最小,并且这个值很低几乎接
近于 0.取图像中所有像素点三通道中的最小值便构成了图像的暗通道图,定义如下:
Jdark(x)=miny∈Ω(x)(minc∈{r,g,b}Jc(y))Jdark(x)=miny∈Ω(x)(minc∈{r,g,b}Jc(y))
式中,J
dark
(x)为暗通道值;c 表示 r, g, b 三通道中的某个通道;Ω(x)为以像素 x 为中心
的滤波区域;J
c
(y)为在 Ω(x)区域对应像素在 c 中的取值.
评论0
最新资源