快速清晰度恢复Word下载.docx

快速清晰度恢复Word下载.docx

《快速清晰度恢复Word下载.docx》由会员分享，可在线阅读，更多相关《快速清晰度恢复Word下载.docx（15页珍藏版）》请在冰豆网上搜索。

introducea 

fast 

visibility 

froma 

of 

recoverymethod. 

Describedindetail 

thesteps 

fastrecoveryalgorithm 

visibility, 

andtheexperimental 

results, 

theexperimental 

resultswereanalyzed,theresults 

showthatthe 

goodresults 

ofthis 

algorithmto 

fog.

Keywords:

image,quickand 

restoration;

引言：

近年来，随着计算机软硬件技术的不断发展，对有雾天气图像的景物影像进行去雾处理已经成为可能，这反过来又对去雾图像的清晰度和真实感提出了新的要求。

在雾天情况下，由于场景的能见度降低，图像中目标对比度和颜色等特征被衰减，致使室外视频系统无法正常工作，因此需要在视频图像中消除雾气对场景图像的影响。

事实上，图像去雾一直是计算机视觉领域研究的重要内容，其主要应用是视频监控、地形勘测和自动驾驶等领域，因此，自动性和实时性就成为了这些研究关注的重点。

1近两年单幅图像去雾技术

从单幅雾天图像上复原清晰场景是一个非常困难的问题,因为雾对图像的影响程度与目标到相机的距离（即场景深度）密切相关,然而单幅图像深度获取却是一个不完全约束的问题,因此很多去雾的方法都使用

近来,单幅图像去雾技术[1-4]取得重大突破,这些方法的成功得益于强有力的先验知识或假设.Tan[2]认为相对于雾天图像,清晰图像应该具有相当高的对比度,通过最大化局部对比度消除雾,然后使用马尔可夫随机场（MRF）模型进一步归一化结果,该方法能够最大限度的恢复雾天图像的细节和结构,然而,输出的结果图像通常趋于最大饱和度,因为这种方法仅关注提高能见度,并不试图从物理上恢复场景辐射率,此外,该方法复原结果在深度不连续的地方会出现空洞缺陷.

Fattal[1]估计场景的反射率仅需一幅图像,提出了基于独立分量分析的方法（ICA）,首先假设局部小方块的反射率为常量矩阵,其次,假设物体表面反射率和传输图在小方块上是独立的,反射率方向可以通过ICA估计,最后,使用MRF模型推断整幅图像的颜色,该方法具备物理有效性,能够产生自然清晰的图像和有效的深度图,然而,由于该方法基于局部小方块的统计独立假设,当存在较大噪声时（例如:

浓雾区域）,统计结果可能不可靠,此外,作为一种基于颜色统计的方法,该方法对于灰度图像不适用,且很难处理通常没有颜色的浓雾区域.

He[3]提出了一种基于暗原色先验知识统计的方法,用于单幅图像去雾,该方法认为清晰的图像上除天空区域外,在RGB颜色通道中至少有一个通道存在很低的强度值,在雾天图像上,暗原色的强度值主要由空气光组成,该方法直接使用暗原色来估计传输图,并使用图像修补的方法对传输图进行了平滑操作,使用修补后的传输图能够恢复出清晰的图像,并从中获得雾天图像的深度图,该方法具备物理有效性,但是当场景目标在很大的区域和大气光本质上很相似时,并且没有阴影投影到物体上时,暗原色先验知识统计可能无效,并且修补传输图时存在局限性,因为当修补的参数过小时,传输图的细节较多,层次感好,但是平滑太少,局部错误明显增多;

当修补参数过大时,局部错误减少,但是修补之后细节不够明显,整幅传输图层次不够明显,不能有效区分距离的远近.

本文提出一种从单幅图像快速能见度恢复算法。

相对于上面所提到的几种算法，本算法的主要优点是他的速度。

他的复杂度只是图像像素数的线性函数。

他的速度允许能见度恢复应用于实时处理应用例如从车载摄像头中进行信号，障碍检测。

另一个优点是处理彩色图像和灰度图像的能力。

下面介绍快速能见度恢复算法。

2能见度恢复算法

当没有可利用的深度信息，就不能利用Koschmieder’s法则去将大气因子k和场景深度d的联系分开,从而就无法进行去雾。

于是，引入大气耗散函数（atmosphericveil）的强度

，Koschmieder’s法就可以重新改写成：

（1）

其中I（x,y）是观察图像（灰度或RGB）在像素（x,y）的强度，R（x,y）是没有雾的图像的强度。

从上式看出，就不需要推导深度图d（x,y），而是推导大气耗散函数V（x,y）。

能见度恢复算法因此可以分为以下几步：

估计Is,从I（x,y）中推出V（x,y）,通过

（1）逆求出R（x,y）,平滑处理噪声放大，最后色调映射。

2.1白平衡

假设白平衡在能见度恢复算法前进行处理。

当白平衡正确执行时，雾就会变成白色，这样Is就可以设为（1,1,1），同时假设输入图像I（x,y）归一化到（0,1）之间。

由于图中有雾，白平衡大多是可以简化为对于白色趋近于图像平均值。

对于一些困难的图像，这些图像的光色随着图像而变化，白平衡就近似等于图像局部平均值

2.2大气耗散函数的推导

图像恢复的第一步是推导大气耗散函数V（x,y）。

由于它的物理性质，大气耗散函数是受两个限制条件制约的。

当已知观察的图像，V（x,y）是正的且对每一个像素是白的。

它不会比I（x,y）中元素的最小值高。

因此可以这样计算W（x,y）=min（I（x,y））,定义为对每个像素I（x,y）最小元素的图像（灰度或RGB）。

W是在观察图像I的白度图像。

对于灰度图像，可明显的发现W=I。

第二个限制条件是V（x,y）<

=W（x,y）.

能见度恢复是一个病态问题，假设深度图是沿边缘平滑的，除了大深度的跳跃，可以通过最大化结果图的对比度得到正则解。

所以问题可以变为：

假设大于V（x,y）的是平滑的，最大化V（x,y）,可以写成以下优化问题：

（2）

其中

。

参数

控制解的平滑度，

是一个递增的凸函数，允许大的跳跃。

（2）式最优化的计算量太大，我们寻找另一种方式来处理能见度恢复问题从而可以进行实时处理。

注意到文献[3]第一步是近似于对W进行侵蚀，因为它包含

在对每个颜色分量侵蚀即每个分量的最小值。

对侵蚀进行试验，发现它受到halo的影响。

这就是为什么在[3]中要利用进行matting修正。

这个问题可以被看作是一个滤波问题。

因此，寻找合适的滤波器，使其可以用来改善结果的鲁棒性。

（2）的最优化要搜索最大体积的V（x,y）函数，而V（x,y）大部分都平滑且比W（x,y）小。

图1中，红色点状不连续曲线是得到的V（x），黑色连续曲线是W（x）.由于V（x）≤W（x）得限制，在图中间的W（x）使V（x）在这个位置是相对小的值。

这些小值当场景中间是相似距离时，是合理的。

在这种情况下，这个山谷的存在表明，场景包含色彩弱饱和的对象。

相反，这山谷可能是由于一个黑暗的小和更近的对象，如一只鸟。

在这种情况下，这个山谷应考虑在估计局部V的轮廓，所以如在图1中的绿色曲线必须优先考虑，以避免在轮廓周围存在定量的雾。

解决这个鲁棒性问题，我们提出来推断V（x,y）是一个W（x,y）的局部均值和局部标准差之差的百分比。

图1白色W的数量是黑色连续曲线，它的局部均值是黑色点状线，对大值

优化

（2）得到的结果V是红色点折线曲线，本文提出方法得到的V是绿色折线曲线。

现在要强调可能大跳跃对恢复图像的重要性，例如图2。

图2说明当完全平滑和对大气耗散函数大部分区域平滑结果的差异。

如果得到的大气耗散函数V（x,y）似乎没那么不同时，当完全平滑时，会出现不正确的halo。

所以W（x,y）的局部均值采用平滑算法，从而保持沿边缘大跳跃。

为了边缘保持平滑，利用双边滤波器，其比中值滤波器更快。

因此W的局部均值可以计算出来

，其中

是中值滤波器中方形窗或圆形窗的尺寸大小。

考虑到相对纹理区域可能没有雾，所以W（x,y）的标准差要减去A（x,y）。

接着，强化轮廓，这个标准差利用一种更完善的方法。

采用对|W（x,y）-A（x,y）|进行中值滤波。

最后一步给

乘上因子p（在[0,1]之间）来控制能见度恢复的强度。

pB（x,y）的值不受V的制约，因此其为阈值。

所以，大气耗散函数通过以下计算式进行推导

（3）

和

图2从左到右分别为原图像、大气耗散函数图像、完全平滑得到的恢复图像、大气耗散函数图像和大部分平滑得到的恢复图像（两种情况下的参数p=0.95,sv=41和si=19）

2.3保角平滑

计算A，前面用的是经典中值滤波器，中值滤波器可以保持边缘但是不能保持拐角。

这可能产生后现象，在规则性场景如城市、建筑物中，

的值很大。

所以提出了一种原始的滤波器，叫做沿线性中值的中值滤波器（MedianofMedianAlongLines）。

该滤波器可以用钝角保持边缘和拐角。

假设在线性分割Si中的

的先验集合，

不一致的采样位置已给出，滤波器包含在每一个像素局部处理中。

每个分割块大小是

对于每个像素每个分割快Si位于当前像素的中间。

Si的强度的中值计算的为mi。

当mi对每个像素和整个中心的分块正确修正，经过滤波器后的图像像素可以计算出来为mi的中值且

当前的像素接近边缘值时，整个mi接近于当前像素所在的区域的强度均值I。

所以，提出的滤波器保护了边缘。

当当前像素接近拐角

时，mi值的百分比不接近而等于

所以，对于钝角，这个百分比比50%高，因此mi的中值接近I。

这说明相比于沿线性中值中值滤波器保持了边缘也用钝角保持了拐角。

由于这个性质，线性中值中值滤波器可以应用于其他图像处理中。

2.4图像清晰度恢复

现在大气耗散V已经推导出来，原图像色彩的恢复可以通过解

（1）得到

（4）

在（4），参数p和

用于控制能见度恢复。

P的值控制回复的强度，通常设在90%和95%之间。

意思是除去大气耗散数量的90%或者95%。

这个参数很有用，不过有以下问题a）高恢复能见度（当p接近1时）色彩会出现过饱和和太暗;

b）低恢复能见度时色彩会不饱和因此会更清晰。

精确假设白目标更大的尺度。

任何接近于白目标比

更大的尺寸，可以假设是白色的。

相反，比

小的白目标从本质上假设为白色。

2.5适应对比度放大的平滑

在图像清晰度恢复过程中，大气耗散函数很重要，对比度也在增加。

这同样会导致噪声和图像压缩后现象的增加。

为了软化噪声和后现象。

这里局部平滑必须符合对比度放大器因子

标准差

的噪声经过图像恢复变标准差成

的噪声。

通过大小为S*S的窗口进行平均，标准差变为

作为结果，标准差

、s等于对比度因子r.因此选择局部自适应平滑器大小为S*S的平方窗作为中值滤波器。

其中S等于对比度因子r的整数部分。

这个规则设置s会在雾区域产生过大的窗口。

因此增加参数

，设置自适应窗口的最大尺寸。

2.6专用色调映射

前面，已经叙述了能见度恢复的步骤。

得到的恢复图像通常是比原图像具有更高动态范围。

因此，能见度恢复最后一步是色调映射，其对视觉很重要。

为了得到相对于原图像没有太多不同的结果图，我们利用对原图像和结果图的对数形式进行线性映射，这使对应的图像在图像的底三层（inthebottomthirdpartoftheimage）有类似