【文章內(nèi)容簡(jiǎn)介】 自界限模糊的存在對(duì)象與低霧顏色飽和度 的能力。下面就來介紹一下這種算法： 在監(jiān)控，智能車輛，遙感系統(tǒng)，圖像的外觀是受天氣條件，如霾，霧和煙等影響的 ，當(dāng)有可利用的深度信息，就能利用 Koschmieder 法則去將大氣因子 k 和場(chǎng)景深度 d 的聯(lián)系分開。從而實(shí)現(xiàn)去霧。 Koschmieder 法則 如下關(guān)系 式： 在 L(x,y)是明顯的亮度像素 ， d(x,y)是 對(duì)象相 對(duì)的 距離與固有亮度 ,Ls 是天空的亮度和 k 表示大氣的消光系數(shù)。 該模型是直接擴(kuò)展到彩色圖像采用相同的模型在每個(gè) RGB 分量， 假設(shè)一個(gè)線性響應(yīng)一個(gè)相機(jī)。霧的 ?RST 效應(yīng)是一個(gè)指數(shù)衰減 函數(shù) 的固有亮度 和內(nèi)在的顏色 ，因此，降低了對(duì)象的對(duì)比度和其在場(chǎng)景的可見性。這個(gè)第二個(gè)效應(yīng)是增加了一個(gè)白色的大氣 耗散函數(shù) 這是該對(duì)象的距離 d 的增函數(shù)（ x， y）。在圖像霧的存在是普遍性的一種算法設(shè)計(jì) ?出現(xiàn)晴朗天氣圖像處理時(shí)的一個(gè)來源。而不是每個(gè)算法從清晰到大霧天氣，它似乎對(duì)每個(gè)輸入圖像的可見性預(yù)處理進(jìn)行更充分的恢復(fù)。這種預(yù)處理可以應(yīng)用于只有當(dāng)檢測(cè)到霧，例如見 [ 4 ]，以節(jié)省更多的計(jì)算時(shí)間。能見度的恢復(fù)是一個(gè)病態(tài)問題。事實(shí)上，大氣的 耗散 被物體的深度的函數(shù) ，一個(gè)完美的能見度恢復(fù)請(qǐng)求對(duì)物體的真實(shí)顏色估計(jì)（ ）和霧性能（ K， Ls）以及深度圖 D（ x， y）的場(chǎng)景。 作為一個(gè)結(jié)果，提出了基于場(chǎng)景的多圖像的使用方法：在不同的時(shí)間 [ 8 ]或使用不同的偏振 ?過濾器 [ 11 ]圖像使用圖像。這種方法是非常壓抑的采集和不能用在現(xiàn)有的圖像數(shù)據(jù)庫。使用多個(gè)圖像的一個(gè)替代方法是使用圖像場(chǎng)景的一個(gè)近似的深度圖，或精確的深度圖時(shí)，在 [ 7， 2 ]提出的， 6。這些方法更 ?靈活但他們依賴于應(yīng)用程序或與專家之間的相互作用。在計(jì)算機(jī)視覺和計(jì)算機(jī)圖形學(xué)領(lǐng)域的知名度 ?恢復(fù)算法更詳細(xì)的審查，讀者可以 參 6 考 [ 1， 6 ]。 最近，在 [ 1， 12， 5 ]的 ?RST 時(shí)間，三的方法被提出，它的工作從一個(gè)單一的圖像，而不使用任何其他額外的信息來源。在 [ 1 ]，該算法是基于顏色的深而無法處理灰度圖像。該算法是計(jì)算密集型的。相比之下，在 [ 12 ]算法并不總是非常飽和的場(chǎng)景達(dá)到同樣好的結(jié)果，但它有很大的優(yōu)勢(shì)是更通用的，因此更容易應(yīng)用于多種圖像。特別是，它在彩色圖像和灰度圖像的作品。在灰度和彩色圖像的算法也 [ 5 ]。然而，這兩種算法的缺點(diǎn)是 5 在 處理 600400 圖像 時(shí)， 處理時(shí)間分別為 7 分鐘和 10 至 20 秒 。 我們?cè)谶@ 里提出了一種新的基于 ?濾波方法的能見度恢復(fù)算法。它的速度比 [ 1， 12， 5 ]由于它的復(fù)雜性是線性函數(shù)的輸入圖像的像素?cái)?shù)，并能對(duì)彩色和灰度圖像達(dá)到同樣甚至更好的結(jié)果。在 2 節(jié)中，我們的方法以及快速的能見度恢復(fù)算法的詳細(xì)步驟和一個(gè)變異型和邊緣保持平滑算法具有鈍角角了。 3 部分為算法 [ 1， 12， 6 比較， 5 ]基于定量評(píng)價(jià)四彩色圖像，說明了該算法的優(yōu)點(diǎn)和缺點(diǎn)。最后，在第 4 節(jié)中，興趣的能見度恢復(fù)智能車輛車道標(biāo)志檢測(cè)，特別是詳細(xì)的。 能見度恢復(fù)算法 當(dāng)沒有深度信息是可用的 ,就不能直接利用 Koschmieder 定 律 (1)獨(dú)立 將大氣因子 k 和場(chǎng)景深度 d 的 聯(lián) 系 分開 ， 從 而 無 法 實(shí) 現(xiàn)去 霧 。 于 是 引 入 大氣 耗 損 函 數(shù) 的 強(qiáng) 度， Koschmieder 定律可以重 改寫成： 其中 I(x,y)是觀察到的圖像 (灰度或 RGB)在 像素 (x,y)的強(qiáng)度， R(x,y)是圖像 在 沒有霧 的情況下的強(qiáng)度 。因此 ,從 上式可以看出， ,就不要 試圖推斷深度圖 d(x,y)， 我們將推斷 大氣耗散強(qiáng)度 V(x,y)。 能見度 恢復(fù)算法因此被分解成幾個(gè)步驟 :估計(jì) Is,從 I(x,y) 中 推理的 V(x,y),從（ 2）逆求出 R(x,y),平滑處理噪聲放大 ,最后語氣映射。 白平衡 我們假設(shè)白平衡在能見度恢復(fù)算法前進(jìn)行處理 。當(dāng)白平衡是正確執(zhí)行 時(shí) ,霧 就會(huì)變成 純白色 ,這意味著是 Is 可以設(shè)置為 (1, 1,1),同時(shí)假設(shè)輸入圖像 I(x,y)歸一化在 0 和 1 之間。由于 圖像中是有 霧的存在 ,所以白平衡大多是可以簡(jiǎn)化為對(duì)于白色趨近于圖像平均值。 對(duì)于 一些 困難的圖像 ,這些圖像的 光色變化 隨著圖像而變化白平衡就近似等于圖像局部平均值 ,如 下 圖 31： 銅陵學(xué)院畢業(yè)設(shè)計(jì) 7 圖 31 白平衡圖像 圖 1 白顏色的數(shù)量是黑色的連續(xù)曲線 W 及其當(dāng)?shù)仄骄呛谏摼€。結(jié)果 V 估計(jì)通過優(yōu)化 (3)為一個(gè)較大的 值 λ 的顯示為紅色的點(diǎn)劃。結(jié)果 V 獲得該方法顯示為綠色緩沖。 大氣 耗散函數(shù)的推導(dǎo) 圖像恢復(fù)的第一步 就是 推斷大氣 耗散函數(shù) V(x,y)。由于其物理特性 ,大氣 耗散函數(shù) 是受到兩個(gè)限制 條件制約的。 當(dāng)觀測(cè)圖像是 已知的 :它是 0≤V(x,y),并且 對(duì)于每一個(gè)像素 是白色的 ,它就不可能高于 I(x,y)中最小的一個(gè)元素 。我們因此計(jì)算 W(x,y)= min(I(x,y))， 定義為圖像的最小 元素 I(x,y)為每個(gè)像素 (灰度或 RGB)。 W 是在觀察圖像 I 的百度圖像。對(duì)于灰度圖像，很 顯然有 W =I， 第二個(gè)約束 條件是 V(x,y)≤W(x,y)。 能見度修復(fù)是一個(gè) 病態(tài)的問題 ,假設(shè)深度圖像是沿邊緣平滑的，除了大深度的跳躍，可以通過最大結(jié)果圖的對(duì)比度得到正則解。所以 這個(gè)問題可以 變?yōu)?:假設(shè)大于 V(x,y)的是平滑的，最大化 V(x,y)可以寫成一下優(yōu)化問題，其中 約束 0≤V(x,y)≤W(x,y)， 參數(shù) λ 是 控制解決方案 的 平滑度 ,φ 是 一個(gè)遞增的凸 函數(shù) ，允許大的跳躍。 (3)式 優(yōu)化 的 運(yùn)算量 太大 ,我們尋找另一種方式來處理 能見度恢復(fù) 這個(gè)問題 ,從而可以進(jìn)行實(shí)時(shí) 處理。一個(gè)可能性就是在執(zhí)行空間侵蝕。注意 到文獻(xiàn)中， 第一步 是近似于對(duì) W 進(jìn)行侵蝕， 因?yàn)樗?在對(duì) 每個(gè)顏色分量侵蝕即每個(gè)分量的最小值。對(duì)侵蝕進(jìn)行試驗(yàn)，發(fā)現(xiàn)它受到 hato 的影響。這就是為什么在文獻(xiàn)中要利用進(jìn)行 matting 修正。這個(gè)問題可以被看作是一個(gè)濾波問題。因此，尋找一個(gè)合適的濾波器，使其可以用來改善結(jié)果的魯棒性。 圖 32 從左到右原始圖像 ,大氣面紗 V(x,y)和恢復(fù)得到執(zhí)行完整的平滑度、大氣 耗散函數(shù) V(x,y)和恢復(fù)執(zhí)行平滑獲得的大部分的時(shí)間 (使用參數(shù)在這兩種情況下 p = ,sv= 41 和 si = 19)。 8 圖 33 從左到右 ,原始圖像 ,圖像和一個(gè)變焦修復(fù)后使用中值濾波、圖像和一個(gè)變焦使用我們命名的中位數(shù)過濾器中值沿直線 (使用參數(shù)在這兩種情況下 p = ,sv = 61 和 si = 1)。 (3)式最 優(yōu)化在于尋找一個(gè)最大體積 的 函數(shù) V(x,y),而 V(x,y) 大部分時(shí)間 都是 光滑的 ，并且 低于 W(x,y)。在圖 1 中 ,紅色點(diǎn)狀不連續(xù)曲線是得到的 V(x)，黑色連續(xù)曲線是 W(x)。由于 受到 V(x)≤W(x)的約束 ,在圖中間的 W(x)使 V(x)在這個(gè)位置是相對(duì)小的值 。這些小的值 當(dāng)當(dāng)場(chǎng)景中間是相似的距離時(shí)，是可 以合理的 。在這種情況下 ,這個(gè) 最小值的 存在表明 ,場(chǎng)景包含色彩弱飽和的對(duì)象。相反，這個(gè)最小值可能是由于一個(gè)黑暗的小和更接近的對(duì)象，如一只小鳥。 在這種情況下 ,這個(gè) 最小值 應(yīng)該 考慮在估計(jì)局部 V 的輪廓，所以如在圖 1 中的綠色曲線必須優(yōu)先考慮，以避免在輪廓周圍存在定量的零。解決這個(gè)魯棒性問題，我們提出來推斷 V(x,y)是一個(gè) W(x,y)的局部均值 和 局部 標(biāo)準(zhǔn)偏 之 差 的百分比。 現(xiàn)在要強(qiáng)調(diào)可能大 跳躍對(duì)恢復(fù)圖像的重要性， 如在圖 2 中 。這個(gè)圖顯示了 當(dāng)完全平滑和對(duì)大氣耗散函數(shù)大部分區(qū)域平滑結(jié)果的差異。 事實(shí)上 ,如果獲得 的大氣耗散函數(shù) V(x,y)似乎也不那么不同 時(shí) ,當(dāng)完全平滑時(shí)，會(huì)出現(xiàn)不正確的光環(huán) 。這意味著當(dāng)?shù)?W(x,y)的局部均值采用 平滑算法 ，從而保持沿邊緣大跳躍。 圖 1 顯示了在黑色點(diǎn)線產(chǎn)生的當(dāng)?shù)仄骄健?為了 邊緣保持平滑 ,利用雙邊濾波器，其比中值 濾波器 更快，因此 W 的局部均值可以計(jì)算出來 ,其中 sv是中值濾波器中方形窗或者圓形窗 的 尺寸大小?？紤]到相對(duì)紋理區(qū)域可能沒有霧，所以 W(x,y)的標(biāo)準(zhǔn)差 減去 A(x,y)。 接著，強(qiáng)化輪廓，這個(gè)標(biāo)準(zhǔn)差利用一種更完善的方法。采用對(duì) | W(x,y)?A(x,y)|進(jìn)行中值濾波。最后一步給乘上 因子 p 在 [0、 1]來 控制能見度修復(fù) 的強(qiáng)度 。 pB (x,y)的值 并不 受 V 的 約束 ,因此其為閥值 ?？傊?,大氣 耗散函數(shù)通過下面的式子進(jìn)行推導(dǎo)： 其中（ 4） 保角 平滑 計(jì)算 A，前面用的是經(jīng)典中值濾波器，中值濾波器可以保持邊緣，但是不能保持拐角。這可能產(chǎn)生后現(xiàn)象，在規(guī)則性場(chǎng)景如城市、建筑物中， sv 的值很大，所以提出了一種原始的濾波器，叫做沿線性中值的中值濾波器。該濾波器可以用鈍角保持邊緣和拐角， 假設(shè) 銅陵學(xué)院畢業(yè)設(shè)計(jì) 9 在線性分割 Si 中的 nv 的先驗(yàn)集合， 1≤i≤nv 不一致的采樣位置已給出，濾波器包含在每一個(gè)像素局部處理中。 每 個(gè)分割塊 大小是 sv。對(duì)于每個(gè)像素和每 個(gè)分割塊 Si 位于當(dāng)前像素的中間。 Si 的強(qiáng)度的中值計(jì)算的為 mi。 當(dāng) mi 對(duì)每個(gè)像素和整個(gè)中心的分塊正確修正，經(jīng)過濾波器后的圖像像素可以計(jì)算出來為 mi 的中值且 1≤i≤nv。 圖 34 從左到右 ,原始圖像 ,獲得的結(jié)果與 p = 和 sv = 61,p = 和 sv = 61,p = 和 sv = 61,p = 和 sv = 21(si = 1)。注意恢復(fù)太強(qiáng)勁 ,p = 和太光與 p = ?？雌饋砀玫呐cp = 。在右邊 ,白色斑紋接近車輛被擦除由于太小的價(jià)值相比 ,sv = 21 巷標(biāo)記大小。 sv = 61導(dǎo)致更好的結(jié)果。 圖 35 從左到右 ,原始圖像 ,圖像和一個(gè)變焦修復(fù)后沒有和平滑適應(yīng)對(duì)比 放大 (sv = 61,p = 和 si = 19)。注意 jpeg 工件軟化。 當(dāng)前的像素是接近邊緣 值時(shí) ,所有 mi 是接近 于當(dāng)前像素所在的區(qū)域的強(qiáng)度均值 I。所以提出的濾波器保護(hù)了邊緣。當(dāng)當(dāng)前像素接近拐角 θ 時(shí)， mi 值的百分比不接近而等于 1 。因此 ,對(duì)于 鈍角 ,這個(gè) 百分比 高于 50%,因此 mi 的中值接近 1。這說明相比于沿線性中值中值濾波器保持了邊緣也用鈍角保持了拐角。由于這個(gè)性質(zhì)，線性中值中值濾波器可以應(yīng)用于其他圖像處理中。 圖 3 顯示了使用中位數(shù)的利益劃分中值濾波器 (nv = 5)相對(duì)于經(jīng)典的中值濾波器在圖像 ,看到特別是圍繞 trunc 樹。還有最后一個(gè)濾波器 ,提出了修復(fù)算法不是實(shí)時(shí)的 ,但依然是相當(dāng)快速的使用減少 Si 圖像能見度恢復(fù) 現(xiàn)在 大氣耗散 V 已經(jīng)推 導(dǎo)出來 ,恢復(fù)原始圖像的 色彩 可以 通過 解 (2)得到 R: 在 (4),這兩個(gè)參數(shù) p、 sv 用于控制能見度修復(fù)。 p 的值控制恢復(fù) 的 強(qiáng)度 ， 通 常設(shè)置在 95%至 90 之間。這意味著 ,90%或 95%的數(shù)量的大氣 耗散 被移除。這個(gè)參數(shù)是有用的 ，不過有以下問題 a)高恢復(fù)能見度 (當(dāng) p 是接近 1 時(shí) ),色彩 可能會(huì)出現(xiàn)在 過 飽和太暗 ； b)低恢復(fù)能見度時(shí)色彩會(huì)不飽和 ,從而更清晰 。 圖 4 所示 ,在一個(gè)灰色級(jí)圖像 ， 該參數(shù) sv 精確假設(shè)白目標(biāo) 10 更大尺寸。任何接近白 目標(biāo)比 sv 更大的尺寸，可以 假定為白色。相反 ,一個(gè)白 目標(biāo)從本質(zhì)上假設(shè)是白色的。 這是說明 了 圖 4 與白色車道標(biāo)記在圖片的下方。 適應(yīng)對(duì)比度放大的平滑 在圖像恢復(fù)可視性 的過程中 ,大氣 耗散函數(shù) 是 很 重要的 ,對(duì)比 度也 是 在 增加。這 同樣會(huì) 導(dǎo)致噪聲和圖像壓縮 后現(xiàn)象的增加 。見圖 5,原始圖像壓縮使用 jpeg,修復(fù)后 ,壓縮工件能見度變得清晰可見。 為了軟化噪聲和后現(xiàn)象 ,因此需要一個(gè) 局部 平滑。這 個(gè)局部 平滑必須 符合 對(duì)比度 放大 器 系數(shù) = 。 標(biāo)準(zhǔn)差 σ 的噪聲經(jīng)過圖像恢復(fù)變標(biāo)準(zhǔn)差成 γσ 的 噪聲 。通過大小為 S*S 的窗口進(jìn)行平均，標(biāo)準(zhǔn)差變?yōu)?。 作為結(jié)果，標(biāo)準(zhǔn)差 σ、 s 等于對(duì)比度系數(shù) γ 的整數(shù)部分 。 這個(gè)規(guī)則設(shè)置 s 會(huì)在霧區(qū)域產(chǎn)生過大的窗口，因此增加參數(shù) si，設(shè)置自適應(yīng)窗口的最大尺寸 。在圖 5,軟化 后現(xiàn)象是 由到適應(yīng)平滑顯示 (si = 19)。當(dāng) si = 1,這表明該效應(yīng)的改編平滑是取消了。 圖 36 從左到右 ,原始圖像 ,得到了令人滿意的結(jié)果 [1],我們的結(jié)果與 p = ,sv = 41 和 si = 1。 專用 色調(diào) 映射 前面 ,我們 已經(jīng) 描述了 能見度恢復(fù) 不同的 步驟 ,得到的恢復(fù)圖像通常是比原圖像具有更高的動(dòng)態(tài)范圍。因 此，能見度恢復(fù)最后一步是色調(diào)映射，其對(duì)視覺是很重要的。為了得到相對(duì)于原圖像沒有太多不同的結(jié)果圖，我們利用對(duì)原圖像和結(jié)果圖的對(duì)數(shù)形式進(jìn)行線性映射，這使對(duì)應(yīng)的圖像在圖像的底三層有類似的均值和標(biāo)準(zhǔn)差。由于底部三層通常對(duì)應(yīng)于圖像是無霧部分，所以底部三層很有用的。定義 和 為原圖像對(duì)數(shù)形式 (I(x,y))在底部三 層的均值和標(biāo)準(zhǔn)差 , 和 是恢復(fù)圖像對(duì)數(shù)形式 (R(x,y))在底部三層的均值和標(biāo)準(zhǔn)差 。 色調(diào)映射的第一步是計(jì)算 。接著將結(jié)果圖的高強(qiáng)度動(dòng)態(tài)范