文摘

针对低对比度的问题和低雾退化图像的定义,本文提出了一种基于稀疏表示的图像除雾算法。首先,该算法将图像从RGB空间转换到HSI空间,并使用两级图像亮度分量的小波变换提取特征。然后,它使用K-SVD算法训练字典和学习的稀疏特征fog-free图像重建雾的i分量图像。使用非线性拉伸方法对饱和度分量可以提高图像的亮度。最后,从HSI空间转换为RGB颜色空间的除雾的形象。实验结果表明,该算法能有效地改善图像的对比度和视觉效果。与几个常见的除雾算法相比,饱和图像像素的比例比对比算法。

1。介绍

在雾和霾的天气条件,由使用成像设备是容易质量退化。退化图像的图像在军事中的应用带来了困难,交通、无人驾驶车辆,和其他领域1]。因此,dehazing雾蒙蒙的形象具有重要的实际应用价值。

近年来,国内外许多学者已经做了很多研究图像dehazing算法,其中具有代表性的算法主要分为三个类别。第一个是基于图像增强的方法,达到目的的dehazing通过改善图像的对比,主要包括Retinex算法(2),小波变换算法(3[],直方图均衡化算法4]。针对问题的细节损失和不均匀dehazing效果有限的自适应直方图均衡化算法对比,王et al。5)提出了一种自适应剪裁直方图均衡化算法对比,增强图像对比度,丰富了图像细节信息。这种方法不考虑图像退化的原因;图像丢失一些信息而提高对比度。第二个是图像恢复算法基于成像模型,构造图像退化的物理模型,然后估计成像模型中未知参数的先验知识,最后恢复fogless形象,例如,暗通道先验算法(6前),颜色衰减算法(7[],大气耗散函数算法8),等等。他等。9)获得暗通道先验理论通过分析统计大量的户外fogless图像,可用于更好地恢复fogless图像。然而,dehazing后的图像很容易显示光环效应,特别是在天空区域不符合暗通道先验理论存在严重的颜色失真。许多学者提出了改进措施。汉et al。6]孤立的天空区域的图像处理通过设置阈值。为了提高算法的实时性能,图像减少,从而减少所需的时间算出透光率地图,然后插值方法被用来恢复透光率映射到原始图像的大小,和由此产生的图像实现dehazing效果更佳。郭et al。10)将图像分成三个区域,每个区域采用不同的dehazing算法,可以很好地避免假结的边缘的天空和风景。Ti et al。11)提出将模糊图像划分为天空区域,non-sky区域和介绍了公差参数校正透光率向天空区域,不符合暗通道先验理论。风扇等。12)提出了一个dehazing模型结合大气散射模型和颜色衰减之前,大大提高了恢复图像的清晰度和对比度。彭et al。13消除颜色失真而恢复对比自适应校正通过添加颜色。徐et al。14)提出了一种基于稀疏表示的图像dehazing算法和基于K-SVD黑暗的通道前,dehazing良好效果。刘等人。15)精制介质传输地图根据雾灰色图像的稀疏特性,然后相对地解决了雾退化模型。最后,天空的处理优势地区在雾中图像是显而易见的。Weijing [16]dehazing稀疏表示算法应用到图像。通过比较暗通道先验模型,新算法具有更好的dehazing效果和更高的保真度。第三是基于机器学习的神经网络dehazing算法(17- - - - - -20.]。这种方法使用多尺度卷积运算来提取图像的特征映射,然后使用雾图像及其相应的fogless图像作为训练集训练不同的网络结构,最后利用训练模型dehazing形象。然而,这种方法不考虑图像的退化,所以dehazing不完整的现象发生。

针对上述问题,本文提出了一种基于稀疏表示的图像dehazing算法的基础上,分析和总结现有方法的特点。首先,图像从RGB空间转换到HSI空间,和我的两级小波变换提取特征提取组件使用。然后,K-SVD字典训练算法提取的特征,fogless图像的稀疏特性,和fogless的i分量图像重建。S-component是改善图像饱和非线性拉伸。在本文中,该算法测试和dehazing效果好。

2。基于稀疏表示的除雾算法

2.1。一般的算法

本文提出了一个基于稀疏表示的图像除雾算法框架,如图1,主要分为两个过程。是字典训练过程,第一个使用图像对(雾蒙蒙的图片和相应的non-foggy图像)来构建一个训练集,然后提取图像的特征对i分量进行小波变换,并利用K-SVD算法稀疏结合大量的图像对字典训练字典的模糊图像和non-foggy图像。另一种是重建进程,首先输入的i分量图像重建,然后在小波域,提取特点和获得稀疏系数 通过正交匹配追踪(OMP)算法。稀疏表示系数 得到的i分量图像重建。与fogless形象相比,像素值年代分多雾图像的更低。为了提高图像饱和,非线性拉伸函数用于拉伸图像饱和度。最后,处理HSI空间图像转换为RGB颜色空间来获得除雾图像。


图1
基于稀疏表示的除雾算法框架。
2.2。特征提取在图像小波域

小波变换是傅里叶变换的发展。由于其良好的时频局部化能力(21),它可以提取图像的有效信息,所以它广泛应用于图像处理领域。摘要Haar小波作为一个正交函数执行两层分解的二维图像。图2显示了二级小波分解的分解图。


图2
二阶小波的分解图。

其中,HL_1、LH_1 HH_1代表水平,垂直,并对角一阶小波分解后高频组件;LL_2代表二阶小波分解的低频分量。HL_2、LH_2 HH_2代表水平,垂直,并对角二阶小波分解后高频组件,分别。

本文使用二级小波变换提取特征的i分量图像训练集。首先,一级分解得到图像的特征图水平的,垂直的,对角线方向和低频分量,然后分解得到的低频组件高频和低频特征图。字典训练是通过提取的特征映射到恢复我组件。图3显示两级小波分解后提取的特征图。

(一)
(一)
(b)
(b)
图3
二级小波变换特征提取图,(一)亮度组件不同的图片,(b)小波变换特征提取。
2.3。稀疏表示

信号通常有稀疏的特点。信号代表了原始信号的稀疏表示字典中通过一系列的基本信号或一些原子的线性组合,这使得它更容易对信号进行后续处理,如编码、压缩和放大。

图像信号 ,一个线性组合的稀疏字典 可以用来表达(22]。字典中的一列叫做原子。稀疏表示是使用少量的原子的线性组合在字典里来表示信号,及其数学表达式(23]

其中, 代表了系数矩阵。如果稀疏系数矩阵,矩阵中的元素大部分是零,和只有少数非零元素。是一个稀疏表示的线性组合表示。

3所示。字典训练和重建

3.1。基于K-SVD字典训练

字典训练图像的稀疏表示的核心。字典训练后的质量将直接影响稀疏表示的效果。较小的原子之间的残余信号在字典里,越匹配,结构特点和重构图像的质量就越高。由于图像重建是非常不同的,图像的纹理细节有很大的不同,获得的字典不同训练方法会有不同的对重建图像的影响。常见的字典训练算法包括国防部算法(最优方向的方法,MOD) K-SVD算法(K-Singular值分解,K-SVD),光延迟线算法(在线学习方向,光延迟线)。K-SVD算法采用交替迭代更新字典,这是比其他算法更有效。因此,本论文采用K-SVD字典训练算法。培训过程如图4。


图4
字典训练过程。

Aharon K-SVD算法。这个算法提高分解效率降低字典的原子数量;原子保留在字典里也可以代表原始信息。具体实现过程如下(24]:

意味着完整的字典, 意味着稀疏系数:

初始值分配给完整的字典和稀疏矩阵,然后更新列原子 在 ;成本函数 在哪里 是误差矩阵,代表其他原子比的错误 列的形象。然后,方程(3)可以表示为

上面的公式中,如果奇异值分解的价值 直接用于更新吗 和 ,更新后的 值不会被稀疏,因此变换 和 ,,只保留非零值 :

选择所有列误差矩阵 满足一组 形成 ,然后进行奇异值分解:

更新后的值是

其中, 是最大的奇异值 ,和 和 是第一个列向量的 和 ,分别。遍历每一列字典后,优化的字典。K-SVD算法的过程如表所示1。

表1
K-SVD算法步骤。
3.2。除雾图像重建

信号稀疏表示还涉及另一个关键问题,即稀疏编码。所谓稀疏编码是指解决稀疏系数的过程α当overcomplete字典 是已知的。这个系数是一个np难问题的解决方案。解决稀疏系数的常用的方法包括MP算法(匹配追踪算法,议员),OMP算法(正交匹配追踪算法,OMP)和SOMP算法(同步正交匹配追踪算法,SOMP)。原子选择了OMP算法是正交的,确保信号和选定的原子满足正交条件的每一步迭代。同时,选择原子不能再次选择下一次迭代,这大大减少了算法处理时间和原始信号原子分解的数量。鉴于上述优点,本文采用正交匹配追踪算法(24)解决稀疏系数。

对于雾的图像,在HSI颜色空间中,雾是主要分布在我分。本文重构了我分量来提高图像亮度达到除雾的目的。字典训练后,字典的我分的,雾蒙蒙的形象我分nonfoggy的图像,和训练字典用于重建雾蒙蒙的形象我分。流程如图5。首先,进行特征提取的我分雾蒙蒙的图像来获取图像的功能块,然后OMP算法得到稀疏表示系数α结合训练字典的雾蒙蒙的形象。的字典我分的fog-free形象带入方程(1)获得重建的i分量图像的小波域特征,最后使用逆小波变换得到重建图像i分量。


图5
我分除雾雾图像的重建过程。

为了提高图像的饱和度,使颜色更加生动形象,有必要把饱和。由于不均匀光照在同一幅图像的不同位置,不同地区有不同的饱和度。为了实现不同的拉伸效果在不同的光线条件下,本文使用了一个分段函数进行非线性拉伸。假设的最小亮度值模糊图像的饱和度分量 和最大亮度值 ,的时间间隔 均匀地分成三个部分,每个部分的长度吗 ,饱和拉伸使用以下公式:

的公式, 代表的价值年代原始图像和分量 代表的价值年代拉伸后分。

在HSI颜色空间H分决定了物体的颜色的本质。它是由波长反映的对象,和不同波长反映不同的颜色。图像的颜色,色调前后除雾大约是不变的。因此,本文不处理H分保持原来的色调。结合处理年代分,我分,原H分和转换为RGB空间得到最后的除雾的形象。

4所示。实验和结果分析

4.1。实验平台和数据集

本文实验进行了Windows 7操作系统和MATLAB开发平台2017,使用D-HAZY数据集作为训练集,该数据集包括80 RGB多雾和non-foggy图像在室内和室外的场景,其中一些在图所示6。为了提高算法的速度,图像的大小是标准为512 512年。

(一)
(一)
(b)
(b)
图6
一些图像训练集:(a)模糊图像和(b) fog-free图像。
4.2。实验和结果分析

五个数据集的图像与文献[5)、文学(6)、文学(10),本文的算法。结果如表所示2。

表2
除雾结果与其他算法的比较。

从表可以看出2之后,(5]算法处理,提高图像对比度,颜色亮,雾清除更彻底,但是第四个图片是overenhanced,导致白光在墙上。后的算法(6处理图像,整个形象出现蓝色,对比度降低,颜色是黑色,颜色失调。例如,第一和第二图像严重失真由于过度的提高。的图像处理算法10)可以达到良好的结果。图像的整体颜色是自然的,但并非完全dehazed形象的一部分。例如,在第一张照片,有一层雾在遥远的树木。本文算法处理后,除雾效果更好的对不同的图像,图像的亮度适中,充满了分层。对于图像不well-processed其他算法,如第二个和第三个图片,该算法没有出现黑暗或扭曲。

为了客观地比较几种算法,本文采用盲对比度增强评价方法,使用三个指标 , , ,SSIM(结构相似,SSIM)和PSNR(峰值信噪比PSNR)除雾效果,比较形象 新添加的比例明显恢复图像的边缘, 平均梯度的比例, 饱和的比例是像素(纯黑色或纯白色)恢复图像,及其计算方法如下(25]: 在哪里 表示原始图像中的可见边的数量 , 代表的数量明显除雾图像的边缘 , 可见边的集合在fog-free形象吗 ,和 是我可见边缘的像素fog-free形象。 non-foggy图像的梯度的比例是 和模糊的图像 在 , 是纯黑色或纯白色像素的数量,然后呢 和 分别代表图像的宽度和高度。

一般来说,当 , ,SSIM和PSNR值相对较大, 值相对较小,这意味着图像dehazing效果很好。除雾的客观评价结果在表5图像的质量2如表所示3。可以看出,饱和的百分比的像素图像处理的算法本文明显低于其他三个算法,从算法并没有太大的区别在10];新添加的可见边缘率略低于其他三个算法,和SSIM PSNR值高于其他三种算法。从平均的角度来看, 和 本文算法的值略低于其他三个算法,但是 值明显优于其他算法。PSNR值明显高于其他三种算法。

表3
图像质量的客观评价。

5。结论

基于图像稀疏表示理论,提出了一种新的图像除雾的算法。算法使用两级小波变换提取图像特征的i分量图像,利用提取的特征的稀疏字典培训领域,学习fog-free图像的稀疏特性,雾的i分量图像,重构企业非线性拉伸方法增加图像亮度。实验结果表明,该算法可以有效地提高图像的对比,改善图像的视觉效果。与常见的除雾算法相比,饱和像素的比例,SSIM, PSNR的形象比对比算法。尽管本文中的算法取得了良好的效果,是相对简单的特征提取,导致部分图像dehazing和颜色问题。下一步将研究如何提取更多的有用特性进行字典训练和改进算法的效果。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究由以下项目:科研项目的国家语言委员会(yb135 - 125);山东省重点研发项目(2019 ggx101008和2016 ggx105013);山东省自然科学基金(ZR2017MF048);科技计划山东省高校(J17KA214)。