基于AS模型和自适应双边滤波快速去雾算法

作者:崔金鸽;陈炳权;徐庆;邓波; 刊名:佳木斯大学学报(自然科学版) 上传者:窦宇明

【摘要】为了获得雾天图像原始信息,减少颜色失真及边缘缺失等现象发生,提出了一种基于AS模型和自适应双边滤波快速去雾算法.由双边滤的波平滑特性推出大气耗散函数,并结合估测的大气光强实现了雾天退化处理;针对雾天图像明亮失真区域,引入了辅助函数对透射率进行自适应调控及其优化,实现了对雾天图像颜色失真和局部弱化的处理.实验仿真结果表明,文中算法处理的4组不同景深下的雾天图像整体清晰度要有优于其他算法,运行时间减少,最快可节省54.9480 s.在细节处理上更细腻,边缘信息保留更加完整,尤其是在景深突变的边缘处无Ha-lo效应,颜色失真得到了较大改善.

全文阅读

0引言中国南方天气常常以雾为主霾为辅,采集的图像也因为有雾霾掩盖了原始图像中诸多有用真实的信息,严重地影响视觉效果。目前国内外对图像去雾的方法分为2类[1]:一类是基于图像增强的方法[2~3],常见的有直方图均衡法,基于Retinex法,小波变换法等;另一种就是基于物理模型的方法[4~8],其模型为大气散射模型(AtmosphericScat-tering,简称AS)[9],其本质是空气中颗粒对景物反射光线部分散射导致进入视觉光线衰减。Nayer和Narasimhan[10]对AS模型作了详细的介绍和论证。Tarel等[11]提出一种单幅图像快速去雾算法,提出了由改进中值滤波方法估计大气耗散函数,降低了算法复杂度,但容易引起Halo效应。本文引入基于AS模型和自适应双边滤波快速去雾算法。仿真实验证明,该方法既能有效保护图像边缘信息,又能快速有效地提升图像质量。1AS模型和双边滤波理论1.1AS模型大气散射模型描述了雾天图像的退化过程,可以定义为[9]I(i,j)=J(i,j)t(i,j)+A(1-t(i,j))(1)其中I(i,j)为退化后的图像,J(i,j)为未退化图像,A为大气光强,t(i,j)为介质传播函数即透射率。等式右边第1项为衰减模型,表示在退化过程中未被散射的部分;等式右边第2项为大气耗散模型,是图像模糊的原因。在衰减与耗散模型的作用下,光的颜色、亮度发生改变,从而使得图像的清晰度和对比度下降。模型中A和t(i,j)都是未知量,要得到I(i,j)的值,就必须先估算出A和t(i,j)的值。通过引入大气耗散函数D(i,j),并令D(i,j)=A(1-t(i,j))(2)经变形可得t(i,j)=1-D(i,j)A(3)因此估算出D(i,j)和A的值就可以计算出t(i,j)。D(i,j)在本文中通过自适应双边滤波计算可得,大气光强A反映了图像亮度最大值,基于文献[4]可求得。1.2双边滤波法双边滤波器(BilateralFilter,简称BF)是一种能保持边缘细节信息并具有较好平滑能力的滤波器,在去雾的同时能很好地抑制噪声。在采样过程中,双边滤波器既考虑了像素空间距离,又考虑了像素之间的相似程度,是一种非线性滤波器,对图像空间邻近度和像素相似度采取折衷处理的策略,还考虑了空域信息和亮度相似性,有效地保护图像边缘信息,具有较好的去噪增强能力。其定义为[7]FB(I)=nW(k,n)I(k-n)*[nW(k,n)]-1(4)其中:I(k-n)为退化后图像;W(k,n)为双边滤波权重函数,即空间核函数与值域核函数的乘积;为第k个像素的邻域范围,n;FB(I)为由双边滤波处理后的图像。双边滤波权重函数定义为W(k,n)=Wd*Wr(5)其中Wd为域核函数,Wr为域核函数即高斯范围内的权重,d为空间相似度影响因子方差,r为亮度相似度影响因子方差。且Wd=exp-d2d(k,(k-n))22[]d=exp-n222[]dWr=exp-d2d(k,(k-n))22[]r=exp-(I(k)-I(k-n))222[]r(6)在去雾过程中,双边滤波器为具有相似能力的非局部均值(NLM)滤波器[13]也是一种基于图像结构块的相似性的滤波器,通过图像冗余信息估测像素的真实值,确保图像实际信息不丢失,但存在计算方法复杂计算量大等缺陷。通过双边滤波代替He算法中经典的softmatting法,不仅能够优化透射率,而且节约存储空间,缩短的了运行时间,去雾效果好,具有较大的实用价值。2本文快速去雾算法2.1大气光强的估测方法大气光强是去雾模型中重要的组成部分,A值近似为

参考文献

引证文献

问答

我要提问