基于自适应大气光校正的图像去雾方法
发布时间：2021-01-21 10:29
针对暗通道先验去雾算法的不足,提出一种自适应大气光校正的改进算法。利用四叉树算法粗略估计大气光,利用提出的自适应大气光校正方法校正粗略估计的大气光;利用均值滤波代替最小值滤波得到暗通道,进而得到平滑的透射率,该透射率不需细化;使用一种自适应透射率补偿方法对天空等明亮区域的透射率进行动态修正;根据大气散射模型复原出无雾图像,并对无雾图像进行色调调整,用来得到清晰明亮的输出图像。实验结果表明,该算法具有较快的处理速度,同时所恢复出的图像细节突出,具有较好的视觉效果。
【文章来源】：计算机应用与软件. 2019,36(03)北大核心
【文章页数】：8 页
【部分图文】：
本文算法流程
全局亮度最大值作为大气光值显然错误。为了准确估计大气光，基于图像中天空区域的像素值方差较小，本文采用四叉树搜索法［6］来初步估计大气光，方法如下:将原图像划分为4个大小相同的矩形区域，记每一区域像素的均值与标准差之差为Score［i］(i=1，2，3，4)，选取Score［i］值最高的区域继续划分为4个更小的区域，再次计算Score［i］，如此迭代进行，直到选取区域满足预先设定的阈值，以最后选取区域的最亮点作为大气光的初步估计值。具体选择过程如图2所示，图中黑色方块区域为最终选取的区域，设定的阈值为长×宽=200像素。图2四叉树搜索算法选择图像块过程2．1．2自适应大气光校正测试发现，对于一些天空区域较小的图像，采用文献［6］的四叉树搜索法求得的大气光值往往偏低，造成最终去雾能力下降。为解决这一问题，本文提出如下自适应大气光校正方法。以最后选定区域的最亮点作为初步估计的大气光A0的值，利用下式对A0值进行校正。A=(1+max(0，log(vw))＞A0(9)式中:w=7+9e－20v，称参数v为自适应大气光校正因子，表示输入图像中非天空或景深突变区域的大小。这里采用max的目的是设定一个校正阈值0，当log(vw)＞0时，给大气光A适量的增加，而当log(vw)＜0时，不进行校正，从而避免了A值不增反降。测试发现，绝大多数图像中v≤0．85的区域属于非天空或景深突变区域，故本文取v=0．85，这样即可自动确定w的值，并最终得到校正后的大气光值A。v和w间的关系如图3所示。图3v和w间的关系曲?
=7+9e－20v，称参数v为自适应大气光校正因子，表示输入图像中非天空或景深突变区域的大小。这里采用max的目的是设定一个校正阈值0，当log(vw)＞0时，给大气光A适量的增加，而当log(vw)＜0时，不进行校正，从而避免了A值不增反降。测试发现，绝大多数图像中v≤0．85的区域属于非天空或景深突变区域，故本文取v=0．85，这样即可自动确定w的值，并最终得到校正后的大气光值A。v和w间的关系如图3所示。图3v和w间的关系曲线图对图4(a)所示有雾图像分别采用文献［9］方法、文献［6］方法和本文方法求取大气光，所得大气光值如表1所示，去雾效果如图4(b)－(d)所示。图4不同方法求取大气光后的去雾效果表1不同方法计算所得的大气光文献［9］方法文献［6］方法本文方法(v=0．83)A(255，248，245)(181，186，185)(212，218，217)由表1可以看出，由文献［9］方法所得大气光值偏高，由文献［6］方法所得大气光值偏低，本文方法对四叉树搜索法所得大气光值进行了较好的校正。比较图4(b)－(d)可以发现，利用本文提出的大气光自适应校正方法求得的大气光恢复的图像去雾效果较好。2．2透射率估计2．2．1暗通道均值He等［9］在求取暗通道过程中使用了最小值滤波。
【参考文献】：
期刊论文
[1]利用分割中值滤波和透射率补偿的图像去雾[J]. 胡妍,王柯俨,许宁,李云松,张闪闪. 西安电子科技大学学报. 2018(04)
[2]鲁棒图像去雾的大气光校正与透射率优化算法[J]. 沈逸云,刘春晓,张金栋,邵雅琪,赵锦威. 计算机辅助设计与图形学学报. 2017(09)
[3]雾霾天气条件下的机器视觉图像清晰化研究[J]. 陈俊君,徐冰. 计算机工程. 2017(02)
[4]基于大气光鲁棒估计的无人机图像去雾方法[J]. 刘春辉,齐越,丁文锐. 北京航空航天大学学报. 2017(06)
[5]暗原色先验图像去雾改进新方法[J]. 尹芳,陈田田,付自如,于晓洋. 计算机科学与探索. 2017(07)
[6]基于暗原色先验的图像快速去雾[J]. 曾浩,尚媛园,丁辉,周修庄,付小雁. 中国图象图形学报. 2015(07)
[7]图像去雾的最新研究进展[J]. 吴迪,朱青松. 自动化学报. 2015(02)
[8]直方图均衡化的数学模型研究[J]. 吴成茂. 电子学报. 2013(03)
[9]图像去雾算法清晰化效果客观评价方法[J]. 郭璠,蔡自兴. 自动化学报. 2012(09)
本文编号：2990992
【文章来源】：计算机应用与软件. 2019,36(03)北大核心
【文章页数】：8 页
【部分图文】：
本文算法流程
全局亮度最大值作为大气光值显然错误。为了准确估计大气光，基于图像中天空区域的像素值方差较小，本文采用四叉树搜索法［6］来初步估计大气光，方法如下:将原图像划分为4个大小相同的矩形区域，记每一区域像素的均值与标准差之差为Score［i］(i=1，2，3，4)，选取Score［i］值最高的区域继续划分为4个更小的区域，再次计算Score［i］，如此迭代进行，直到选取区域满足预先设定的阈值，以最后选取区域的最亮点作为大气光的初步估计值。具体选择过程如图2所示，图中黑色方块区域为最终选取的区域，设定的阈值为长×宽=200像素。图2四叉树搜索算法选择图像块过程2．1．2自适应大气光校正测试发现，对于一些天空区域较小的图像，采用文献［6］的四叉树搜索法求得的大气光值往往偏低，造成最终去雾能力下降。为解决这一问题，本文提出如下自适应大气光校正方法。以最后选定区域的最亮点作为初步估计的大气光A0的值，利用下式对A0值进行校正。A=(1+max(0，log(vw))＞A0(9)式中:w=7+9e－20v，称参数v为自适应大气光校正因子，表示输入图像中非天空或景深突变区域的大小。这里采用max的目的是设定一个校正阈值0，当log(vw)＞0时，给大气光A适量的增加，而当log(vw)＜0时，不进行校正，从而避免了A值不增反降。测试发现，绝大多数图像中v≤0．85的区域属于非天空或景深突变区域，故本文取v=0．85，这样即可自动确定w的值，并最终得到校正后的大气光值A。v和w间的关系如图3所示。图3v和w间的关系曲?
=7+9e－20v，称参数v为自适应大气光校正因子，表示输入图像中非天空或景深突变区域的大小。这里采用max的目的是设定一个校正阈值0，当log(vw)＞0时，给大气光A适量的增加，而当log(vw)＜0时，不进行校正，从而避免了A值不增反降。测试发现，绝大多数图像中v≤0．85的区域属于非天空或景深突变区域，故本文取v=0．85，这样即可自动确定w的值，并最终得到校正后的大气光值A。v和w间的关系如图3所示。图3v和w间的关系曲线图对图4(a)所示有雾图像分别采用文献［9］方法、文献［6］方法和本文方法求取大气光，所得大气光值如表1所示，去雾效果如图4(b)－(d)所示。图4不同方法求取大气光后的去雾效果表1不同方法计算所得的大气光文献［9］方法文献［6］方法本文方法(v=0．83)A(255，248，245)(181，186，185)(212，218，217)由表1可以看出，由文献［9］方法所得大气光值偏高，由文献［6］方法所得大气光值偏低，本文方法对四叉树搜索法所得大气光值进行了较好的校正。比较图4(b)－(d)可以发现，利用本文提出的大气光自适应校正方法求得的大气光恢复的图像去雾效果较好。2．2透射率估计2．2．1暗通道均值He等［9］在求取暗通道过程中使用了最小值滤波。
【参考文献】：
期刊论文
[1]利用分割中值滤波和透射率补偿的图像去雾[J]. 胡妍,王柯俨,许宁,李云松,张闪闪. 西安电子科技大学学报. 2018(04)
[2]鲁棒图像去雾的大气光校正与透射率优化算法[J]. 沈逸云,刘春晓,张金栋,邵雅琪,赵锦威. 计算机辅助设计与图形学学报. 2017(09)
[3]雾霾天气条件下的机器视觉图像清晰化研究[J]. 陈俊君,徐冰. 计算机工程. 2017(02)
[4]基于大气光鲁棒估计的无人机图像去雾方法[J]. 刘春辉,齐越,丁文锐. 北京航空航天大学学报. 2017(06)
[5]暗原色先验图像去雾改进新方法[J]. 尹芳,陈田田,付自如,于晓洋. 计算机科学与探索. 2017(07)
[6]基于暗原色先验的图像快速去雾[J]. 曾浩,尚媛园,丁辉,周修庄,付小雁. 中国图象图形学报. 2015(07)
[7]图像去雾的最新研究进展[J]. 吴迪,朱青松. 自动化学报. 2015(02)
[8]直方图均衡化的数学模型研究[J]. 吴成茂. 电子学报. 2013(03)
[9]图像去雾算法清晰化效果客观评价方法[J]. 郭璠,蔡自兴. 自动化学报. 2012(09)
本文编号：2990992
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2990992.html
