快速清晰恢复.docVIP

降质图像快速恢复摘要： 关键词：图像快速0引言 现代工业的快速发展，使得雾霾、沙尘暴等恶劣天气出现，而在大雾、沙尘等恶劣天气或者低光照情况下图像对比度大大降低随着计算机技术的发展，对天气的景物影像进行成为可能反过来又对图像的清晰度提出了的要求。 1 雾天图像复原的问题, 然而单幅图像技术取得大突破视频增强算法（Retinex算法）相对于种算法， 本文提出一种单幅图像度恢复算法。下面介绍算法。 2能见度恢复算法 当没有可利用的深度信息，就不能利用Koschmieder’s法则去将大气因子k和场景深度d的联系分开,从而就无法进行去雾。于是，引入大气耗散函数（atmospheric veil）的强度，Koschmieder’s法就可以重新改写成： 上式记为(1)式，其中I(x,y)是观察图像（灰度或RGB）在像素（x,y）的强度，R(x,y)是没有雾的图像的强度。从上式看出，就不需要推导深度图d(x,y)，而是推导大气耗散函数V(x,y)。能见度恢复算法因此可以分为以下几步：估计Is,从I(x,y)中推出V(x,y),通过（1）逆求出R(x,y),平滑处理噪声放大，最后色调映射。 2.1白平衡 假设白平衡在能见度恢复算法前进行处理。当白平衡正确执行时，雾就会变成白色，这样Is就可以设为（1,1,1），同时假设输入图像I(x,y)归一化到（0,1）之间。由于图中有雾，白平衡大多是可以简化为对于白色趋近于图像平均值。对于一些困难的图像，这些图像的光色随着图像而变化，白平衡就近似等于图像局部平均值。 2.2大气耗散函数的推导 图像恢复的第一步是推导大气耗散函数V(x,y)。由于它的物理性质，大气耗散函数是受两个限制条件制约的。当已知观察的图像，V(x,y)是正的且对每一个像素是白的。它不会比I(x,y)中元素的最小值高。因此可以这样计算W(x,y)=min(I(x,y)),定义为对每个像素I(x,y)最小元素的图像（灰度或RGB）。W是在观察图像I的白度图像。对于灰度图像，可明显的发现W=I。第二个限制条件是V(x,y)=W(x,y)能见度恢复是一个病态问题，假设深度图是沿边缘平滑的，除了大深度的跳跃，可以通过最大化结果图的对比度得到正则解。所以问题可以变为：假设大于V(x,y)的是平滑的，最大化V(x,y),可以写成以下优化问题。 上式记为(2)式，在式(2)中， 。参数控制解的平滑度，是一个递增的凸函数，允许大的跳跃。 (2)式最优化的计算量太大，我们寻找另一种方式来处理能见度恢复问题从而可以进行实时处理。注意到文献[3]第一步是近似于对W进行侵蚀，因为它包含在对每个颜色分量侵蚀即每个分量的最小值。对侵蚀进行试验，发现它受到halo的影响。这就是为什么在[3]中要利用进行matting修正。这个问题可以被看作是一个滤波问题。因此，寻找合适的滤波器，使其可以用来改善结果的鲁棒性。 （2）的最优化要搜索最大体积的V(x,y)函数，而V(x,y)大部分都平滑且比W(x,y)小。图1中，红色点状不连续曲线是得到的V(x)，黑色连续曲线是W(x).由于V (x) ≤ W(x)得限制，在图中间的W(x)使V(x)在这个位置是相对小的值。这些小值当场景中间是相似距离时，是合理的。在这种情况下，这个山谷的存在表明，场景包含色彩弱饱和的对象。相反，这山谷可能是由于一个黑暗的小和更近的对象，如一只鸟。在这种情况下，这个山谷应考虑在估计局部V的轮廓，所以如在图1中的绿色曲线必须优先考虑，以避免在轮廓周围存在定量的雾。解决这个鲁棒性问题，我们提出来推断V(x,y)是一个W(x,y)的局部均值和局部标准差之差的百分比。 图1 图1优化（2）得到的结果V是红色点折线曲线，本文提出方法得到的V是绿色折线曲线。 现在要强调可能大跳跃对恢复图像的重要性，例如图2。图2说明当完全平滑和对大气耗散函数大部分区域平滑结果的差异。如果得到的大气耗散函数V(x,y)似乎没那么不同时，当完全平滑时，会出现不正确的halo所以W(x,y)的局部均值采用平滑算法，从而保持沿边缘大跳跃。 为了边缘保持平滑，利用双边滤波器，其比中值滤波器更快。因此W的局部均值可以计算出来，公式如下：。其中是中值滤波器中方形窗或圆形窗的尺寸大小。考虑到相对纹理区域可能没有雾，所以W(x,y)的标准差要减去A（x,y）。接着，强化轮廓，这个标准差利用一种更完善的方法。采用对|W(x,y)-A(x,y)|进行中值滤波。最后一步给乘上因子p(在[0,1]之间)来控制能见度恢复的强度。pB(x,y)的值不受V的制约，因此其为阈值。所以，大气耗散函数通过以下计算式进行推导： 。 上式记为(3)式，其中：， 图2恢复图2 2.3保角平滑 计算A，前面用的是经典中值滤波器，中值滤波器可以