单幅图像的快速去雾算法 matlab,基于回归模型的快速单幅图像去雾算法及系统的制作方法...

基于回归模型的快速单幅图像去雾算法及系统的制作方法

【技术领域】

[0001] 本发明属于图像处理技术领域，尤其涉及一种基于回归模型的快速单幅图像去雾 算法及系统。

【背景技术】

[0002] 雾霾图像多拍摄于恶劣天气下的户外场景，由于空气中悬浮颗粒的存在，光源和 场景反射光在进入成像设备前发生散射，导致图像偏亮，图像对比度，饱和度等指标下降， 信噪比增加。图像的这种变化对人来说会使信息难以辨认，或失去观赏性。对于后续的图像 处理及计算机视觉算法来说，增加了算法失效的可能性。因此图像去雾具有很强的实际需 求及发展空间。

[0003] 早期的图像去雾算法通常需要除图像以外的其它信息，如图片景深信息，3D地理 模型等，同一场景下不同偏振的图片以及不同天气下的图片，相对于单幅图像去雾，这些算 法在有准确的辅助信息的情况下效果非常好，但是在实际的应用中，获取这些辅助信息的 难度和成本远大于获取图像本身，因此这类算法的实际应用范围受到了限制。

[0004] 单幅图像去雾是一个不适定问题，图像的恢复主要依靠某些先验或假设，Tan等直 接采用对比度最大化的方法，但是该方法处理后容易产生halo效应和对比度过度增强的效 应。Fattal基于大气传输函数和表面阴影局部统计不相关的假设，利用独立成分分析来恢 复图像。该算法有一定的去雾效果，但浓雾区域处理效果并不理想。Kim等根据雾霾图像对 比度偏低的特点，利用图像对比度和信息损失共同构建代价函数估计传输参数，该算法在 不损失图像细节的前提下最大化图像对比度，去雾效果较明显，但有些图像仍然会出现增 强过度的现象。

[0005] 近年来，Kratz等提出了针对图像的马尔科夫随机场模型，认为场景反照率和景深 是统计不相关的独立层，使用期望最大化算法对图像进行因式分解。但该算法常导致色彩 过度饱和，甚至因此而丢失图像细节。He等提出了暗通道去雾算法，提出了无雾图像局部暗 通道最小值接近〇的先验，该算法去雾效果良好，理论简单，应用范围非常广泛。但有相当一 部分图像并不符合暗通道统计规律，且软抠图时间复杂度非常高。针对以上问题有不少改 进算法。Tarel和Hautiere使用中值滤波替换了抠图操作以提升运算性能;Gibson等使用标 准中值滤波以避免去雾过程中出现晕轮效果;Yu等使用联合双边滤波来实现快速去雾处 理;Tarel等对路面图像施加平面约束以提高传播图估算的精确程度。

[0006] Yuk等提出了在视频图像中区分前景和背景的去雾算法。采用前景递减前承条件 共辄梯度函数减轻传输参数估算过程中前景的干扰。该算法在视频图像中去雾效果较好， 但由于利用了帧间信息，从本质上说，也相当于采用了多幅图像。Meng等提出了基于边界约 束和上下文正则化的图像去雾算法，该算法提出了一种新的传输参数约束形式，总体效果 要优于He算法，边缘细节部分处理的也比较好。但在天空和路面等图像区域上仍有过度增 强的现象。Tang等提出了基于学习模型的去雾算法，该算法采集了高对比度图像块作为训 练样本，提取了包括暗通道特征在内的多个雾霾图像相关特征，然后利用随机森林得到回 归模型，算法效果很好，但需要对每个像素点取多个尺度的各特征，时间复杂度非常高，不 适合需要快速处理的场合。而且其需要针对不同的去雾问题采用不同的训练集，降低了算 法的实用性。

[0007] 然而，当前主流去雾算法中，存在去雾力度把握不准，计算速度慢无法实时运行， 并且对于浓雾图像进行去雾效果更不尽人意。

【发明内容】

[0008] 本发明的目的旨在至少在一定程度上解决上述相关技术中的技术问题之一。

[0009] 为此，本发明的第一个目的在于提出一种基于回归模型的快速单幅图像去雾算 法。通过该算法能够快速、准确地对图像进行去雾处理，有效提高图像处理的图像质量。

[0010] 本发明的第二个目的在于提出一种基于回归模型的快速单幅图像去雾系统。

[0011] 为达到上述目的，本发明第一方面的实施例公开了一种基于回归模型的快速单幅 图像去雾算法，包括回归模型的训练过程和雾霾图像的处理过程，其中，所述训练过程包 括:生成无雾图像块作为样本;利用大气模型为样本加雾;提取所述样本的样本特征值;根 据所述样本特征值使用SVM(Support Vector Machine,支持向量机)学习回归模型;所述处 理过程包括:输入雾霾图像，将所述雾霾图像分割为多个均匀块，并提取所述雾霾图像的最 大通道图像;对所述均匀块进行图像块特征值提取，以根据所述SVM学习回归模型估计传输 参数，并使用引导滤波优化传输图；对提取到的所述最大通道图像分别进行最大值滤波以 及中值滤波，引导滤波优化大气光;根据所述滤波优化传输图以及所述优化大气光进行反 变换以得到清晰图像。

[0012] 根据本发明实施例的基于回归模型的快速单幅图像去雾算法，利用计算机制作大 量的高饱和和无雾图像，通过大气物理模型对无雾图像块进行不同程度的加雾处理形成样 本库，再根据样本库进行提取并分析与图像传输参数的特征，其中，提取的样本特征通过样 本特征值进行表示，利用SVM学习回归算法来建立图像去雾的准确回归模型，经过传输图与 大气光进行反变换得到清晰的图像。该算法能够快速、准确的对图像进行去雾处理，有效 提高图像处理的图像质量。另外，根据本发明上述实施例的基于回归模型的快速单幅图像 去雾算法还可以具有如下附加的技术特征：

[0013] 在本发明的一个实施例中，在提取所述样本特征值之前还包括:利用计算机生成 无雾的样本图像块，利用大气模型为每个图像块按照不同传输参数加雾;将所述多个图像 块按照传输参数的大小进行排序;从排序后的多个图像块中提取所述样本特征值。

[0014] 在本发明的一个实施例中，其中，所述样本特征值包括:均方差、能见度、对比度、 平均值、最小通道均值、直方图均衡度和饱和度中的部分或全部。

[0015] 进一步地，在本发明的一个实施例中，在根据所述样本特征值使用SVM学习回归模 型之前，还包括:将提取出的所述样本特征值进行拼接，得到高维向量;将所述高维向量与 样本标签输入到SVM学习回归算法中，生成所述SVM学习回归模型。

[0016] 在本发明的一个实施例中，所述根据所述滤波优化传输图以及所述优化大气光进 行反变换以得到清晰图像，还包括:根据所述SVM学习回归模型估计得到的滤波优化传输 图，利用gamma变换优化SVM学习回归模型的传输参数;将调整后的滤波优化图和优化大气 光进行反变换以得到所述清晰图像。

[0017] 本发明第二方面的实施例公开了一种基于回归模型的快速单幅图像去雾系统，包 括:训练模块，用于生成无雾图像块作为样本;利用大气模型为样本加雾;提取所述样本的 样本特征值;根据所述样本特征值使用SVM学习回归模型;处理模块，用于输入雾霾图像，将 所述雾霾图像分割为多个均匀块，并提取所述雾霾图像的最大通道图像;对所述均匀块进 行图像块特征值提取，以根据所述SVM学习回归模型估计传输参数，并使用引导滤波优化传 输图；对提取到的所述最大通道图像分别进行最大值滤波以及中值滤波，引导滤波优化大 气光；以及根据所述滤波优化传输图以及所述优化大气光进行反变换以得到清晰图像。

[0018] 根据本发明实施例的基于回归模型的快速单幅图像去雾系统，利用计算机制作大 量的高饱和和无雾图像块，通过大气物理模型对无雾图像进行不同程度的加雾处理形成样 本库，再根据样本库进行提取并分析与图像传输参数有关的特征，其中，提取的样本特征通 过样本特征值进行表示，利用SVM学习回归算法来建立图像去雾的准确回归模型，经过传输 图与大气光进行反变换得到清晰的图像。该系统能够快速、准确的对图像进行去雾处理，有 效提高图像处理的图像质量。

[0019] 另外，根据本发明上述实施例的基于回归模型的快速单幅图像去雾系统还可以具 有如下附加的技术特征：

[0020] 在本发明的一个实施例中，所述训练模块还用于:利用计算机生成无雾的样本图 像块，利用大气模型为每个图像块按照不同的传输参数加雾;将所述多个图像块按照传输 参数的大小进行排序;从排序后的多个图像块中提取所述样本特征值。

[0021] 在本发明的一个实施例中，其中，所述样本特征值包括:均方差、能见度、对比度、 平均值、最小通道均值、直方图均衡度和饱和度中的部分或全部。

[0022] 进一步地，在本发明的一个实施例中，所述训练模块用于:将提取出的所述样本特 征值进行拼接，得到高维向量;将所述高维向量与样本标签输入到SVM学习回归算法中，生 成所述SVM学习回归模型。

[0023]在本发明的一个实施例中，所述处理模块用于:根据所述SVM学习回归模型估计得 到的滤波优化传输图，利用gamma变换优化SVM学习回归模型的传输参数;将调整后的滤波 优化图和优化大气光进行反变换以得到所述清晰图像。

[0024] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。

【附图说明】

[0025] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中：

[0026] 图1是根据本发明实施例的基于回归模型的快速单幅图像去雾算法流程图；

[0027] 图2是根据本发明的一个实施例初始无雾样本生成过程示意图，其中(a)为随机图 像、(b)为对随机图像进行均值滤波、(c)为对(b)图做饱和度放大后的图像及(d)生成部分 无雾样本展示；

[0028] 图3是根据本发明的一个实施例对无雾样本进行加雾的效果图；

[0029] 图4是根据本发明的一个实施例样本各特征的分布情况示意图；

[0030]图5是根据本发明的一个实施例kim算法与本发明算法对测试样本的估计图；

[0031 ]图6是