基于分块单幅雾天图像复原方法.docVIP

基于分块单幅雾天图像复原方法 　　摘 要介绍了一种大景深雾天自然图像的分块复原方法。该方法首先根据初步观测到的雾天图像景深大小将其分成多个矩形块，然后使用“基于滤波器的线性渐进反卷积”的方法对每一个图像块去雾，再使用一种“基于SIFT算法的图像拼接方法”将复原好的个图像块拼接成一幅完整的图像，最后使用加权平滑算法对拼接后图像的缝合线进行处理，实现无缝拼接。实验结果验证了上述方法的可行性。 　　【关键词】大景深雾天图像去雾 分块复原 渐进反卷积 无缝拼接 　　恶劣天气（雾，霾，水体）中充满着大量的悬浮粒子，由于这些粒子对光会产生散射和吸收作用，从而导致成像的图像发生严重退化。而雾是一种常见的天气现象，由它引起的图像质量下降问题对目标的提取和识别工作造成了严重的困难。因此本文针对雾天图像进行复原算法的研究。 　　近年来，单幅图像去雾方法取得重大突破，目前应用比较广泛的单幅雾天图像复原方法包括：Tan的单幅图像去雾方法；Fattal的利用独立成分分析的方法；He的基于暗通道先验的方法，该方法利用暗原色统计规律推断透射信息，能够达到非常好的去雾效果，但其不适用于浓雾图像复原。 　　现有的图像复原方法大多是基于光学成像系统线性空间不变的假定上，而实际的光学成像系统不可能是严格到的线性空间不变系统，特别是在视场较大的情况下，点扩散函数在中心视场和边缘视场有较大的变化，因此对于点扩散函数（PSF）随空间发生变化的图像，仍使用同一个退化函数来处理显然是不够准确的。针对上述问题，本文着重讨论图像分块的复原方法。 　　1 图像分块原则 　　对于理想的线性成像系统来说，其成像过程可以用原图像和PSF的卷积来表示，即： 　　（1） 　　式中，S为原图像，P为系统的退化函数，I为输出图像，u，v为物面坐标，x，y为像面坐标。 　　而各视场PSF不同的成像系统，其PSF不仅是像面坐标的函数，也是物面坐标的函数。其成像过程需用下式来表述，即： 　　（2） 　　式中各参数含义同（1）式，可以看到（2）式中的P多了两个变量。在实际的光学成像系统中，PSF的变化是连续的，如果认为它在一定区域内是近似不变的，即等晕区，我们可以在等晕区内使用“基于滤波器的线性渐进反卷积”的方法进行图像复原，然后将各分块图像拼接起来，这就是图像分块的基本思路。 　　2 图像复原算法 　　2.1 雾天图像分层退化模型 　　在雾化成像系统中，散射对成像效果的影响作用是很大的，其分为前向散射和后向散射，前向散射主要是图像退化的点扩散函数，后向散射主要是图像加性噪声，故退化图像用数学形式表示为： 　　g（x，y）=H[f（x，y）]+n（x，y） （3） 　　由上式可知，要得到清晰图像对PSF有准确的估计，而散射退化图像g（x，y）模糊程度和后向散射噪声本身包含了大量的与散射介质固有光学特性（IOP）有关的信息，结合微积分和物理极值的思想，将目标与接收器之间的散射介质分解成为一系列独立的退化单元，假定每个退化单元厚度极小时后向散射噪声不相关，对分层模型进行无穷层数（即距离无穷远处）积分，然后利用纯后向散射背景（距离无穷远处的天空区域）拟合得到以往需要实际测量的退化函数参数。 　　2.2 基于滤波器的线性渐进反卷积 　　通过对上述分层退化模型的分析，可推导出雾天图像的退化函数和噪声信息，实现分层退化的逆过程――渐进反卷积。由于图像退化过程大多时候都可以通过线性退化模型来逼近，上述分层退化模型就是一种线性退化模型，因此通过线性反卷积手段就可以对图像进行复原，本文用经典的维纳滤波器来完成渐进反卷积过程，实现各分块图像去雾。 　　3 分块图像拼接 　　本文所用的拼接技术包括4大部分：图像获取，特征点提取与匹配，图像配准，图像融合，各部分均采用了当前图像处理领域的先进算法，以达到较理想的拼接效果。 　　3.1 图像获取 　　将待复原的雾天图像进行重叠分块，然后对各分块图像分别复原，得到最终需要完成拼接的各子图像。 　　3.2 特征点提取与匹配 　　本文所采用的图像序列特征点的提取算法是2004年Low改进的SIFT算法。 　　SIFT算法的实现主要基于4点：首先需要对于尺度空间的极值进行检测，其次对于特征点的位置进行精炼，再次对于特征点的信息进行计算，最后生成本地特征点的描述信息。该算法的一个显著优点是能够很好地处理所输入雾天图像的干扰噪声。 　　通过对两个特征点描述信息之间的欧氏距离的计算能够得到SIFT的匹配算法。 　　3.3 图像配准 　　可以说图像拼接的核心技术即为图像配准技术。此技术能够确定需要拼接的图像块之间的重叠部分，找到匹配点，进而得出图像序列之间的变换矩阵，由此得到一幅拼接后的完整图像。此外，为了使最后图像的拼接效果更加理想