【文章內容簡介】 自界限模糊的存在對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 和場景深度 d 的聯(lián)系分開。從而實現(xiàn)去霧。 Koschmieder 法則 如下關系 式： 在 L(x,y)是明顯的亮度像素 ， d(x,y)是 對象相 對的 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)。 該模型是直接擴展到彩色圖像采用相同的模型在每個 RGB 分量， 假設一個線性響應一個相機。霧的 ?RST 效應是一個指數(shù)衰減 函數(shù) 的固有亮度 和內在的顏色 ，因此，降低了對象的對比度和其在場景的可見性。這個第二個效應是增加了一個白色的大氣 耗散函數(shù) 這是該對象的距離 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計 ?出現(xiàn)晴朗天氣圖像處理時的一個來源。而不是每個算法從清晰到大霧天氣，它似乎對每個輸入圖像的可見性預處理進行更充分的恢復。這種預處理可以應用于只有當檢測到霧，例如見 [ 4 ]，以節(jié)省更多的計算時間。能見度的恢復是一個病態(tài)問題。事實上，大氣的 耗散 被物體的深度的函數(shù) ，一個完美的能見度恢復請求對物體的真實顏色估計（ ）和霧性能（ K， Ls）以及深度圖 D（ x， y）的場景。 作為一個結果，提出了基于場景的多圖像的使用方法：在不同的時間 [ 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。使用多個圖像的一個替代方法是使用圖像場景的一個近似的深度圖，或精確的深度圖時，在 [ 7， 2 ]提出的， 6。這些方法更 ?靈活但他們依賴于應用程序或與專家之間的相互作用。在計算機視覺和計算機圖形學領域的知名度 ?恢復算法更詳細的審查，讀者可以 參 6 考 [ 1， 6 ]。 最近，在 [ 1， 12， 5 ]的 ?RST 時間，三的方法被提出，它的工作從一個單一的圖像，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。該算法是計算密集型的。相比之下，在 [ 12 ]算法并不總是非常飽和的場景達到同樣好的結果，但它有很大的優(yōu)勢是更通用的，因此更容易應用于多種圖像。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，這兩種算法的缺點是 5 在 處理 600400 圖像 時， 處理時間分別為 7 分鐘和 10 至 20 秒 。 我們在這 里提出了一種新的基于 ?濾波方法的能見度恢復算法。它的速度比 [ 1， 12， 5 ]由于它的復雜性是線性函數(shù)的輸入圖像的像素數(shù)，并能對彩色和灰度圖像達到同樣甚至更好的結果。在 2 節(jié)中，我們的方法以及快速的能見度恢復算法的詳細步驟和一個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 ]基于定量評價四彩色圖像，說明了該算法的優(yōu)點和缺點。最后，在第 4 節(jié)中，興趣的能見度恢復智能車輛車道標志檢測，特別是詳細的。 能見度恢復算法 當沒有深度信息是可用的 ,就不能直接利用 Koschmieder 定 律 (1)獨立 將大氣因子 k 和場景深度 d 的 聯(lián) 系 分開 ， 從 而 無 法 實 現(xiàn)去 霧 。 于 是 引 入 大氣 耗 損 函 數(shù) 的 強 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)的強度， R(x,y)是圖像 在 沒有霧 的情況下的強度 。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 大氣耗散強度 V(x,y)。 能見度 恢復算法因此被分解成幾個步驟 :估計 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 我們假設白平衡在能見度恢復算法前進行處理 。當白平衡是正確執(zhí)行 時 ,霧 就會變成 純白色 ,這意味著是 Is 可以設置為 (1, 1,1),同時假設輸入圖像 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化為對于白色趨近于圖像平均值。 對于 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： 銅陵學院畢業(yè)設計 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?shù)仄骄呛谏摼€。結果 V 估計通過優(yōu)化 (3)為一個較大的 值 λ 的顯示為紅色的點劃。結果 V 獲得該方法顯示為綠色緩沖。 大氣 耗散函數(shù)的推導 圖像恢復的第一步 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) 是受到兩個限制 條件制約的。 當觀測圖像是 已知的 :它是 0≤V(x,y),并且 對于每一個像素 是白色的 ,它就不可能高于 I(x,y)中最小的一個元素 。我們因此計算 W(x,y)= min(I(x,y))， 定義為圖像的最小 元素 I(x,y)為每個像素 (灰度或 RGB)。 W 是在觀察圖像 I 的百度圖像。對于灰度圖像，很 顯然有 W =I， 第二個約束 條件是 V(x,y)≤W(x,y)。 能見度修復是一個 病態(tài)的問題 ,假設深度圖像是沿邊緣平滑的，除了大深度的跳躍，可以通過最大結果圖的對比度得到正則解。所以 這個問題可以 變?yōu)?:假設大于 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 一個遞增的凸 函數(shù) ，允許大的跳躍。 (3)式 優(yōu)化 的 運算量 太大 ,我們尋找另一種方式來處理 能見度恢復 這個問題 ,從而可以進行實時 處理。一個可能性就是在執(zhí)行空間侵蝕。注意 到文獻中， 第一步 是近似于對 W 進行侵蝕， 因為它包含 在對 每個顏色分量侵蝕即每個分量的最小值。對侵蝕進行試驗，發(fā)現(xiàn)它受到 hato 的影響。這就是為什么在文獻中要利用進行 matting 修正。這個問題可以被看作是一個濾波問題。因此，尋找一個合適的濾波器，使其可以用來改善結果的魯棒性。 圖 32 從左到右原始圖像 ,大氣面紗 V(x,y)和恢復得到執(zhí)行完整的平滑度、大氣 耗散函數(shù) V(x,y)和恢復執(zhí)行平滑獲得的大部分的時間 (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 ,圖像和一個變焦修復后使用中值濾波、圖像和一個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)化在于尋找一個最大體積 的 函數(shù) V(x,y),而 V(x,y) 大部分時間 都是 光滑的 ，并且 低于 W(x,y)。在圖 1 中 ,紅色點狀不連續(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)在這個位置是相對小的值 。這些小的值 當當場景中間是相似的距離時，是可 以合理的 。在這種情況下 ,這個 最小值的 存在表明 ,場景包含色彩弱飽和的對象。相反，這個最小值可能是由于一個黑暗的小和更接近的對象，如一只小鳥。 在這種情況下 ,這個 最小值 應該 考慮在估計局部 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。解決這個魯棒性問題，我們提出來推斷 V(x,y)是一個 W(x,y)的局部均值 和 局部 標準偏 之 差 的百分比。 現(xiàn)在要強調可能大 跳躍對恢復圖像的重要性， 如在圖 2 中 。這個圖顯示了 當完全平滑和對大氣耗散函數(shù)大部分區(qū)域平滑結果的差異。 事實上 ,如果獲得 的大氣耗散函數(shù) V(x,y)似乎也不那么不同 時 ,當完全平滑時，會出現(xiàn)不正確的光環(huán) 。這意味著當?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 顯示了在黑色點線產生的當?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]到相對紋理區(qū)域可能沒有霧，所以 W(x,y)的標準差 減去 A(x,y)。 接著，強化輪廓，這個標準差利用一種更完善的方法。采用對 | W(x,y)?A(x,y)|進行中值濾波。最后一步給乘上 因子 p 在 [0、 1]來 控制能見度修復 的強度 。 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)通過下面的式子進行推導： 其中（ 4） 保角 平滑 計算 A，前面用的是經典中值濾波器，中值濾波器可以保持邊緣，但是不能保持拐角。這可能產生后現(xiàn)象，在規(guī)則性場景如城市、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 銅陵學院畢業(yè)設計 9 在線性分割 Si 中的 nv 的先驗集合， 1≤i≤nv 不一致的采樣位置已給出，濾波器包含在每一個像素局部處理中。 每 個分割塊 大小是 sv。對于每個像素和每 個分割塊 Si 位于當前像素的中間。 Si 的強度的中值計算的為 mi。 當 mi 對每個像素和整個中心的分塊正確修正，經過濾波器后的圖像像素可以計算出來為 mi 的中值且 1≤i≤nv。 圖 34 從左到右 ,原始圖像 ,獲得的結果與 p = 和 sv = 61,p = 和 sv = 61,p = 和 sv = 61,p = 和 sv = 21(si = 1)。注意恢復太強勁 ,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值相比 ,sv = 21 巷標記大小。 sv = 61導致更好的結果。 圖 35 從左到右 ,原始圖像 ,圖像和一個變焦修復后沒有和平滑適應對比 放大 (sv = 61,p = 和 si = 19)。注意 jpeg 工件軟化。 當前的像素是接近邊緣 值時 ,所有 mi 是接近 于當前像素所在的區(qū)域的強度均值 I。所以提出的濾波器保護了邊緣。當當前像素接近拐角 θ 時， mi 值的百分比不接近而等于 1 。因此 ,對于 鈍角 ,這個 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。由于這個性質，線性中值中值濾波器可以應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)相對于經典的中值濾波器在圖像 ,看到特別是圍繞 trunc 樹。還有最后一個濾波器 ,提出了修復算法不是實時的 ,但依然是相當快速的使用減少 Si 圖像能見度恢復 現(xiàn)在 大氣耗散 V 已經推 導出來 ,恢復原始圖像的 色彩 可以 通過 解 (2)得到 R: 在 (4),這兩個參數(shù) p、 sv 用于控制能見度修復。 p 的值控制恢復 的 強度 ， 通 常設置在 95%至 90 之間。這意味著 ,90%或 95%的數(shù)量的大氣 耗散 被移除。這個參數(shù)是有用的 ，不過有以下問題 a)高恢復能見度 (當 p 是接近 1 時 ),色彩 可能會出現(xiàn)在 過 飽和太暗 ； b)低恢復能見度時色彩會不飽和 ,從而更清晰 。 圖 4 所示 ,在一個灰色級圖像 ， 該參數(shù) sv 精確假設白目標 10 更大尺寸。任何接近白 目標比 sv 更大的尺寸，可以 假定為白色。相反 ,一個白 目標從本質上假設是白色的。 這是說明 了 圖 4 與白色車道標記在圖片的下方。 適應對比度放大的平滑 在圖像恢復可視性 的過程中 ,大氣 耗散函數(shù) 是 很 重要的 ,對比 度也 是 在 增加。這 同樣會 導致噪聲和圖像壓縮 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 局部 平滑。這 個局部 平滑必須 符合 對比度 放大 器 系數(shù) = 。 標準差 σ 的噪聲經過圖像恢復變標準差成 γσ 的 噪聲 。通過大小為 S*S 的窗口進行平均，標準差變?yōu)?。 作為結果，標準差 σ、 s 等于對比度系數(shù) γ 的整數(shù)部分 。 這個規(guī)則設置 s 會在霧區(qū)域產生過大的窗口，因此增加參數(shù) si，設置自適應窗口的最大尺寸 。在圖 5,軟化 后現(xiàn)象是 由到適應平滑顯示 (si = 19)。當 si = 1,這表明該效應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果 [1],我們的結果與 p = ,sv = 41 和 si = 1。 專用 色調 映射 前面 ,我們 已經 描述了 能見度恢復 不同的 步驟 ,得到的恢復圖像通常是比原圖像具有更高的動態(tài)范圍。因 此，能見度恢復最后一步是色調映射，其對視覺是很重要的。為了得到相對于原圖像沒有太多不同的結果圖，我們利用對原圖像和結果圖的對數(shù)形式進行線性映射，這使對應的圖像在圖像的底三層有類似的均值和標準差。由于底部三層通常對應于圖像是無霧部分，所以底部三層很有用的。定義 和 為原圖像對數(shù)形式 (I(x,y))在底部三 層的均值和標準差 , 和 是恢復圖像對數(shù)形式 (R(x,y))在底部三層的均值和標準差 。 色調映射的第一步是計算 。接著將結果圖的高強度動態(tài)范