基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法

摘要

本发明提出了一种基于Angstrom指数的多波段图像去雾方法，该方法具体为：输入多波段图像，在可见光波段范围任选3个波段，构建输入图像获取大气天光位置和场景粗透过率；任选两个波段，结合粗透过率，利用导向滤波器获取精细透过率；利用精细透过率和相应波长，根据Angstrom指数关系，获取场景Angstrom指数，计算遥感图像任意其他波段的场景透过率；利用各波段透过率和大气天光位置，结合大气退化模型，获取最终的去雾图像。本方法针对多波段遥感图像的特点，从图像上选取少量波段获取透过率信息，并利用Angstrom指数关系推演出其他波段的透过率，从而降低了恢复算法的工作量，并最终实现多波段图像的全波段遥感快速去雾恢复，提高了图像的对比度和清晰度，增加图像细节。

说明书

技术领域

本发明涉及计算机图像处理技术，涉及一种基于Angstrom指数的可见光及近红外多波段遥感图像快速去雾方法。

背景技术

在遥感成像的过程中，光辐射不仅仅依赖于观测目标，同时它还受到大气中的各种气体和气溶胶粒子的吸收和散射影响。成像过程中不可避免的大气干扰，通常会导致成像质量的退化，尤其是基于卫星、平流层、航空平台的光学遥感对地观测(特别是侧摆、倾斜拍摄)情况下，成像距离非常远从而使得大气光学厚度增加，导致捕获图像的对比度、色彩饱和度下降，目标细节信息丢失，从而大大降低景物的可识别度。因此，为了从图像中获得更多有用的信息，必须进行图像的复原操作，补偿大气造成的退化影响。

而近些年遥感探测从多光谱向着高光谱，甚至于超光谱方向快速发展。成像光谱的增多，导致了遥感图像数据量的大大增加，从而使得图像的大气补偿耗费大量的计算资源。同时大气在不同波段变现出来的光学性质差异，也导致了目前主流的图像去雾算法无法获取理想的图像恢复效果。因此如何根据多波段遥感图像数据量大，波段差异等特点，有效的应对光学遥感对地观测情况下由于大气造成的图像退化问题，是当前的重要需求。

发明内容

本发明要解决的技术问题是提供一种适用于可见光和近红外波段范围的多波段图像的去雾方法。从而能够降低成像图像各个波段的大气退化影响，提高各波段的对比度和清晰度，增加各波段细节。

为解决上述技术问题，本发明包括如下步骤：

(1)输入一副波段范围在可见光及近红外之内的多波段有雾遥感图像I_n，在其可见光波段范围内，任选3个不同波段，构建一副三通道输入图像I₃。利用先验知识，提取大气天光值位置和场景粗透过率；

(2)从输入的多波段遥感图像波段中任选两个波段，利用步骤(1)中计算出来的场景粗透过率作为引导图，输入到导向滤波器中，最终获取这两个波段的场景精细透过率；

(3)根据获取的两个波段的场景精细透过率和两个波段的波长值，结合不同波段大气光学厚度同光波长的Angstrom指数关系，推算出图像场景各位置区域的Angstrom指数数值；利用该指数数值和上述任一波段场景精细透过率，来快速获取多波段遥感图像的其他波段的场景精细透过率；

(4)利用步骤(1)中获得天光值位置，获取各个波段的大气天光值，结合各波段的场景精细透过率和相应的大气点扩散函数，根据大气多次散射图像退化模型，获取最终的多波段遥感图像去雾结果。

所述步骤1)中的详细步骤包括：

a)对于一副波段范围在可见光及近红外之内的具有n个波段的有雾遥感图像I_n，在其可见光波段范围内，任选3个不同波段，构建一副三通道输入图像I₃。依据暗原色先验知识提取三通道图像的暗通道：

$I_{dark}=\underset{c\in \{1,2,3\}}{min}\left(\underset{y\in \Omega \left(x\right)}{min}\right(I_3^c\left(y\right)\left)\right)---\left(11\right)$

其中I_dark为获取的图像暗通道，表示图像I₃的c通道图像，Ω(x)表示以x像素位置为中心的局部邻域；

b)从上述图像的暗通道中提取最亮点的位置，作为各通道的天光值的取值位置，将各通道的相应位置的值取作为相应通道的天光值；

c)根据暗通道性质，对于无雾区域其值接近于0，因此图像的粗透过率计算如下：

$t^{\prime }\left(x\right)=1+\omega \underset{c}{min}\left(\underset{\Omega }{min}\right(\frac{I_3^c\left(x\right)}{A^c}\left)\right)---\left(12\right)$

其中t′为计算得到的场景粗透过率，ω是常数系数，A^c为c通道的天光值。

所述步骤2)中首先从原始输入图像中任选两个波段I₁，I₂。用步骤(1)中获取的场景粗透过率作为引导图，输入到导向滤波器中，滤波器输出结果就是两个波段相应的场景精细透过率：

$\begin{array}{c}{t}_1=GuideFilter(t^{\prime },I_1)\\ t_2=GuideFilter(t^{\prime },I_2)\end{array}---\left(13\right)$

其中GuideFilter(.)为导向滤波操作，t₁和t₂分别是1波段和2波段的场景精细透过率图。

所述步骤3)中的详细步骤包括：

a)首先求取场景的Angstrom指数，根据不同波段大气光学厚度同光波长的Angstrom指数关系：

$\frac{{\tau }_{{\lambda }_1}}{{\tau }_{{\lambda }_2}}={\left(\frac{{\lambda }_1}{{\lambda }_2}\right)}^{-\alpha }---\left(14\right)$

其中α是Angstrom指数，分别是波长λ₁,λ₂下的气溶胶光学厚度，又因为场景透过率同大气光学厚度存在如下关系：

τ＝-log(t) (15)

因此利用步骤(2)中获取的波段1和波段2的场景精细透过率图，结合式(14)和式(15)，计算出场景图像各区域Angstrom指数：

$\alpha =-\frac{log\left(log\right(t_1\left)\right)-log\left(log\right(t_2\left)\right)}{log\left({\lambda }_1\right)-log\left({\lambda }_2\right)}---\left(16\right)$

b)利用计算出来的Angstrom指数以及上述任一波段的精细透过率，从式(14)和式(15)中可以推断出图像其他任意波段的场景精细透过率计算公式：

$t={t_0}^{{(\lambda /{\lambda }_0)}^{-\alpha }}---\left(17\right)$

其中，t是任意波段的场景精细透过率，λ是相应的波长，t₀是步骤(2)选取的任一波段的图像透过率，λ₀是相应的波长。根据式(17)，我们就可以计算出输入图像任意波段的场景精细透过率。

所述步骤4)中的详细步骤包括：

a)利用广义的高斯分布计算的大气点扩散函数和天光点扩散函数，其式如下：

其中x,y为图像坐标位置，Γ(.)是伽马函数，p和σ为大气参量，分别计算如下：

$\begin{array}{c}p=k\tau \\ \sigma =\frac{1-q}{q}\end{array}---\left(19\right)$

其中k是参数常量，q为前向散射因子，τ为光学厚度。

b)利用如下大气退化模型：

$I_x=F_x·t_x\otimes {\mathrm{APSF}}_o+A_x·(1-t_x)\otimes {\mathrm{APSF}}_a---\left(20\right)$

其中I_x为多波段输入图像的x波段，t_x是相应的场景精细透过率，A_x是利用步骤(1)中标记的天光位置获取的相应天光值，APSF_o和APSF_a分别是用广义的高斯分布计算的大气点扩散函数和天光点扩散函数，其中的光学厚度分别是-log(t_x)和-log(1-t_x)。

c)利用计算出来的各参数，计算退化模型中的天光部分：

$G=F·t\otimes {\mathrm{APSF}}_o=I-A·(1-t)\otimes {\mathrm{APSF}}_a---\left(21\right)$

利用维纳滤波结合获取的大气点扩散函数进行最终的去雾

本发明的有益效果是：本方法针对多波段遥感图像的特点，从图像上选取少量波段获取透过率信息，并利用Angstrom指数关系推演出其他波段的透过率，从而降低了恢复算法的工作量，并最终实现多波段图像的全波段遥感快速去雾恢复，提高了图像的对比度和清晰度，增加图像细节。

附图说明

图1为本发明实施例的流程示意图；

图2为本发明实施例的原始图像；

图3为本发明实施例提取到的暗通道；

图4为本发明实施例提取到的粗图像透过率；

图5为本发明实施例提取到的波段1场景精细透过率；

图6为本发明实施例提取到的波段2场景精细透过率；

图7为本发明实施例计算出的波段3场景精细透过率；

图8为本发明实施例最终去雾图像。

具体实施方式

如图1所示，本实施例基于Angstrom指数的多波段图像快速去雾算法的实施步骤如下：

(1)输入一幅有雾多波段遥感图像(见图2，本例中采用3通道图像)，选取其中三个通道构建输入图像，依据暗原色先验知识提取三通道图像的暗通道：

$I_{dark}=\underset{c\in \{1,2,3\}}{min}\left(\underset{y\in \Omega \left(x\right)}{min}\right(I_3^c\left(y\right)\left)\right)---\left(22\right)$

其中I_dark为获取的图像暗通道，表示图像I₃的c通道图像，Ω(x)表示以x像素位置为中心的局部邻域。

从上述图像的暗通道(见图3)中提取最亮点的位置，本实施例中其位置为(315，1)像素，作为各通道的天光值的取值位置，将各通道的相应位置的值作为相应通道的天光值，本实施例中其值分别为：A₁＝157，A₂＝174,A₃＝194。

根据暗通道性质，对于无雾区域其值接近于0，因此图像的粗透过率计算如下：

$t^{\prime }\left(x\right)=1+\omega \underset{c}{min}\left(\underset{\Omega }{min}\right(\frac{I_3^c\left(x\right)}{A^c}\left)\right)---\left(23\right)$

其中t′为计算得到的场景粗透过率(见图4)，ω是常数系数，A^c为c通道的天光值；

(2)从原始输入图像中任选两个波段I₁(λ₁＝685nm)，I₂(λ₂＝532nm)。利用步骤(1)获取的场景粗透过率，作为引导图，输入到导向滤波器中，滤波器输出结果就是两个波段相应的场景精细透过率：

$\begin{array}{c}{t}_1=GuideFilter(t^{\prime },I_1)\\ t_2=GuideFilter(t^{\prime },I_2)\end{array}---\left(24\right)$

其中GuideFilter(.)为导向滤波操作，t₁和t₂分别是1波段和2波段的场景精细透过率(见图5和图6)。

(3)利用步骤(2)获取的t₂和t₂，根据不同波段大气光学厚度同光波长的Angstrom指数关系：

$\frac{{\tau }_{{\lambda }_1}}{{\tau }_{{\lambda }_2}}={\left(\frac{{\lambda }_1}{{\lambda }_2}\right)}^{-\alpha }---\left(25\right)$

其中α是Angstrom指数，分别是波长λ₁,λ₂下的气溶胶光学厚度，又因为场景透过率同大气光学厚度的如下关系：

τ＝-log(t) (26)

计算出场景图像各区域Angstrom指数：

$\alpha =-\frac{log\left(log\right(t_1\left)\right)-log\left(log\right(t_2\left)\right)}{log\left({\lambda }_1\right)-log\left({\lambda }_2\right)}---\left(27\right)$

利用计算出来的Angstrom指数以及上述任一波段的精细透过率，从式(14)和式(15)中可以推断出图像其他任意波段的场景精细透过率：

$t={t_0}^{{(\lambda /{\lambda }_0)}^{-\alpha }}---\left(28\right)$

其中，t是任意波段的场景精细透过率，λ是相应的波长，t₀是步骤(2)选取的任一波段的图像透过率，λ₀是相应的波长。根据式(17)，我们就可以计算出输入图像任意波段的场景精细透过率。在本实施例中我们选取波段1的透过率图像作为t₀，即λ₀＝685nm，来求取波段3(λ＝485nm)的图像透过率(见图7)。

(4)根据步骤(3)中获取的各通道透过率，利用用广义的高斯分布来计算的大气点扩散函数和天光点扩散函数，其式如下：

其中x,y为图像坐标位置，Γ(.)是伽马函数，p和σ为和大气参量，分别计算如下：

$\begin{array}{c}p=k\tau \\ \sigma =\frac{1-q}{q}\end{array}---\left(30\right)$

其中k是参数常量，q为前向散射因子，τ为光学厚度。然后利用如下大气退化模型：

$I_x=F_x·t_x\otimes {\mathrm{APSF}}_o+A_x·(1-t_x)\otimes {\mathrm{APSF}}_a---\left(31\right)$

其中I_x为多波段输入图像的x波段，t_x是相应的图像透过率，A_x是利用步骤(1)中标记的天光位置获取的相应天光值，APSF_o和APSF_a分别是用广义的高斯分布计算的大气点扩散函数和天光点扩散函数，其中的光学厚度分别是-log(t_x)和-log(1-t_x)。

c)利用计算出来的各参数，计算退化模型中的天光部分：

$G=F·t\otimes {\mathrm{APSF}}_o=I-A·(1-t)\otimes {\mathrm{APSF}}_a---\left(32\right)$

利用维纳滤波结合获取的大气点扩散函数进行最终的去雾最终的输出去雾结果见图8。