(19)中华人民共和国国家知识产权局
(12)发明专利说明书 | ||
(10)申请公布号 CN 105654440 A (43)申请公布日 2016.06.08 | ||
(21)申请号 CN201511021549.X
(22)申请日 2015.12.30
(71)申请人 首都师范大学
地址 100048 北京市海淀区西三环北路105号
(72)发明人 尚媛园 栾中 周修庄 丁辉 付小雁 邵珠宏 赵晓旭
(74)专利代理机构 北京清亦华知识产权代理事务所(普通合伙)
代理人 张大威
(51)Int.CI
G06T5/00
G06K9/62
权利要求说明书 说明书 幅图 |
(54)发明名称
基于回归模型的快速单幅图像去雾算法及系统 | |
(57)摘要
本发明公开了一种基于回归模型的快速单幅图像去雾算法及系统，算法包括回归模型的训练过程和雾霾图像的处理过程，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；提取样本的样本特征值；根据样本特征值使用SVM学习回归模型；处理过程包括：输入雾霾图像，将雾霾图像分割为多个均匀块，并提取雾霾图像的最大通道图像；对均匀块进行图像块特征值提取，以根据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；根据滤波优化传输图以及优化大气光进行反变换以得到清晰图像。该算法能够快速，准确的对图像进行去雾处理，有效提高图像处理质量。 | |
法律状态
法律状态公告日 | 法律状态信息 | 法律状态 |
权 利 要 求 说 明 书
1.一种基于回归模型的快速单幅图像去雾算法，其特征在于，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。
2.如权利要求1所述的基于回归模型的快速单幅图像去雾算法，其特征在于：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。
3.如权利要求1所述的基于回归模型的快速单幅图像去雾算法，其特征在于，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。
4.如权利要求1所述的基于回归模型的快速单幅图像去雾算法，其特征在于，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。
5.如权利要求1所述的基于回归模型的快速单幅图像去雾算法，其特征在于，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。
6.一种基于回归模型的快速单幅图像去雾系统，其特征在于，包括：
训练模块，用于生成无雾图像；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。
7.如权利要求6所述的基于回归模型的快速单幅图像去雾系统，其特征在于：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。
8.如权利要求6所述的基于回归模型的快速单幅图像去雾系统，其特征在于，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。
9.如权利要求6所述的基于回归模型的快速单幅图像去雾系统，其特征在于，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。
10.如权利要求6所述的基于回归模型的快速单幅图像去雾算法，其特征在于，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； 正则化回归算法
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。
说 明 书
<p>技术领域
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
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。
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。
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。
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0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。
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轭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。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论