1.无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,包括以下步骤:步骤1:获取无人机航拍图像I(x);
dark gray
步骤2:获取无人机航拍图像I(x)的暗通道图像I (x)以及灰度图像I (x);
dark
步骤3:根据步骤2获得的暗通道图像I (x)中的明亮点,结合无人机航拍图像I(x)获取无人机航拍图像的大气光值A;
步骤4:定义大气耗散函数:V(x)=A(1‑t(x)),其中,V(x)表示大气耗散函数,A表示大气光值,t(x)表示图像透射率;并将步骤2获得的暗通道图像作为大气耗散函数的粗估计V(x);
gray
步骤5:根据步骤2获取的灰度图像I (x),求取灰度图像的灰度直方图,并求得自适应阈值ThrB来分割近景与天空或白色区域;
具体实施步骤如下:
gray
步骤5.1:计算灰度图像I (x)的的灰度值的累积分布概率,并计算图像累计分布函数L(x),提取分布在[0.05,0.95]的灰度直方图,利用分布函数计算L(x1)=0.05和L(x2)=
0.95对应的灰阶值x1、x2,最终计算出灰度直方图的中心点步骤5.2:利用最大类间方差法对灰度直方图进行自适应分割得到用于区分目标和背景的阈值sh;
步骤5.3:通过缩小灰度直方图区间准确找到灰度直方图尖峰区域的起始点对应的像素点ThrB,具体如下:找出[max(Mid,sh),A]区间中直方图最小的极值点,并计算其对应的灰阶值,即对应的像素点ThrB,通过二分法缩小区间,最终将区间定为[b,ThrM],并在此区间找出直方图中最小的极小值点,将其对应的像素值定为ThrB;
其中, ThrM为[max(Mid,sh),A]区间中直方图最大值点对应的像素值;
步骤6:利用步骤5求取的自适应阈值ThrB分区域处理粗估计的大气耗散函数,定义新修正公式,计算修正系数,定义改进大气耗散函数公式,并将修正系数代入改进公式求得改进大气耗散函数V'(x);
步骤7:用双边滤波器对步骤6得到的改进大气耗散函数精细化,得到精细化大气耗散函数V”(x);
步骤8:根据步骤7获得的精细大气耗散函数V”(x),使用透射率估计公式求得整幅图像的透射率t(x);
步骤9:建立图像退化过程模型,利用步骤1获得原始图像I(x)以及步骤3、步骤8得到的参数A、t(x),恢复得到去雾图像J(x)。
2.根据权利要求1所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特dark
征在于,步骤2中暗通道图像I (x)表示如下:其中,c为三个颜色通道R、G、B中某一通道的值。
3.根据权利要求1所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,步骤3中求取大气光值A时,选取暗通道图像亮度值最大的前0.1%的像素点对应到原始有雾图像中亮度在前0.1%像素点,将对应的R、G、B三个通道值分别求取平均值,最终大气光值A取三个通道所对应的三个大气光值的平均值。
4.根据权利要求1所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,步骤4中大气耗散函数满足两个约束条件:(1)在每个像素点上,V(x)>0,即大气耗散函数取值为正值;(2) 即V(x)不大于含雾图像I(x)的最小颜色分量,故将暗通道图像作为大气耗散函数的粗估计。
5.根据权利要求1所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,步骤6中新修正公式定义为:gray dark
其中,M为修正系数,I (x)为灰度图像,a为影响函数趋势变化的参数,I 为暗通道图像。
6.根据权利要求5所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,定义改进大气耗散函数为:V'(x)=M*V(x)
其中,V(x)为大气耗散函数粗估计。
7.根据权利要求1所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,步骤7中利用双边滤波器将改进大气耗散函数精细化,即V”(x)=Bil(V'(x));
其中,Bil(x)为双边滤波器,其数学表达式定义为w(i,j)=ws(i,j)wr(i,j)S为以(x,y)为中心的邻域,(x,y)为滤波窗口内中心像素点的坐标,(i,j)为临近像素点的坐标,w(i,j)是加权系数,ws(i,j)为空间相似度核函数,wr(i,j)为亮度相似度核函数,g(x,y)为滤波窗口内中心像素点的亮度值,g(i,j)为临近像素点的亮度值,σs、σr分别为空间相似度核函数、亮度相似度核函数标准差。
8.根据权利要求1所述的无人机航拍图像雾霾天空和白色区域自适应处理方法,其特征在于,步骤9中将原始图像I(x)、大气光A以及求出的透射率t(x),代入图像退化过程模型I(x)=J(x)t(x)+A(1‑t(x))中,变形可得复原图像公式为 即恢复得到去雾图像J(x)。