一种可见光图像去散射方法

1.本发明涉及计算机视觉与数字图像处理领域，特别是涉及一种可见光图像去散射方法。


背景技术：

2.散射现象广泛存在，例如雾气、云烟等散射介质散射衰减可见光，导致可见光设备成像质量严重下降。这为消防抢险、航空航海、遥感等任务的完成带来了极大的挑战，也限制了诸如自动驾驶、智能交通、机器人等计算机视觉技术落地领域的进一步发展。因此，实现透过散射介质的清晰彩色成像至关重要。现有的可见光图像去雾方法通过单张可见光图像估计透射率图以及大气光，从而求解大气散射模型实现去散射，然而该类方法在浓雾等强散射环境下存在较大局限：浓雾散射环境中可见光图像边缘信息的丢失将导致针对初始估计透射率图的优化失效；当环境中的大气光不均匀时，容易造成散射模型参数误估计，降低去散射效果；图像去雾方法并无法恢复因为散射而丢失的图像边缘与细节信息。
3.相较于可见光，红外波段波长较长，因而具有较强的抵抗散射介质干扰的能力。因此，在存在雾气或云烟的散射环境中，红外相机能够相比可见光相机获得更加清晰的成像结果。近年来，随着民用红外技术的逐步发展，红外传感器的成本逐渐降低，红外相机得到了更广泛的应用。因此，在散射环境下，融合清晰成像的红外图像辅助可见光实现去散射具有较大的应用前景与潜力。
4.目前，已有较多的工作研究可见光图像与红外图像的融合方法，该类方法提取两类图像中更为显著的区域进行融合，从而达到融合增强的效果。近年来也提出了较多的基于深度神经网络的端到端融合方法。然而，由于红外相机与可见光相机之间成像原理存在差异，图像之间存在着较强的像素强度不一致问题。因此在散射环境中，基于图像融合的方法直接融合像素强度，往往会导致失真、光晕现象。同时，该类方法本质上并没有解决散射所带来的图像质量降低的问题，这使得融合结果普遍存在对比度低、整体亮度偏暗，颜色饱和度不高的现象。


技术实现要素：

5.为了解决针对现有基于图像融合方法无法解决散射所带来的图像质量降低的技术问题，本发明的目的在于提供一种可见光图像去散射方法。
6.本发明的技术问题通过以下的技术方案予以解决：
7.一种可见光图像去散射方法，包括如下步骤：
8.s1、对可见光图像进行估计可见光透射率图和大气光；
9.s2、使用红外图像对估计的可见光透射率图进行边缘优化；
10.s3、提取红外图像边缘信息；
11.s4、建立并求解去散射优化模型，输出去散射可见光图像。
12.在一些实施例中，步骤s1中，所述可见光图像在散射场景下表示为：
13.i
vis
(x)＝j
vis
(x)t
vis
(x)+a(1-t
vis
(x))；
14.其中，i
vis
是可见光相机获取的散射场景下的可见光图像，j
vis
是无散射可见光图像，a表示环境光照所引起的大气光，t
vis
(x)是可见光透射率图，x为图像坐标。
15.在一些实施例中，所述估计可见光透射率图和大气光的方法包括暗通道先验算法dcp，颜色衰减先验算法cap，基于雾线的算法haze-lines。
16.在一些实施例中，步骤s2中，所述使用红外图像对估计的可见光透射率图进行边缘优化表示为：
[0017][0018]
其中，guidedfilter(
·
)表示导向滤波算法，该算法输出是进行边缘优化后的可见光透射率图t
vis-refined
，输入参数分别为初始估计的可见光透射率图红外图像i
ir
，hg以及λ，hg是导向滤波的窗口大小，ε表示正则化参数。
[0019]
在一些实施例中，步骤s3中，所述红外图像边缘信息的提取方法包括haar小波、对数加伯滤波、剪切波、梯度算子；
[0020]
其中，采用梯度算子提取红外图像边缘信息表示为：
[0021][0022]
其中，i表示滤波器序号，在梯度算子中，1≤i≤2，表示水平方向的梯度算子，表示竖直方向的梯度算子。
[0023]
在一些实施例中，步骤s4中，所述建立的去散射优化模型包括：引导对比度增强项g(
·
)、透射率图优化的大气散射模型项h(
·
)、图像边缘保持项ed(
·
)和颜色保真项cf(
·
)。
[0024]
在一些实施例中，所述对比度增强项g(
·
)表示为：
[0025][0026]
其中像素x和像素y之间的权重ω(x,y)表示为：
[0027][0028]
其中x表示图像所有像素位置的集合；j(x)表示可见光图像j在像素x的强度，j(y)表示可见光图像j在像素y的强度，r(x)表示红外图像r在像素x的强度，r(y)表示红外图像r在像素y的强度，i
ir
(x)表示长波红外图像在像素x的强度；σr和σs是平滑参数；
[0029]
所述透射率图优化的大气散射模型项h(
·
)表示为：
[0030][0031]
其中，表示2范数的平方，i是可见相机获取的可见光散射图像，t
vis-refined
是步骤s2进行边缘优化得到的可见光透射率图，a是大气光；
[0032]
所述图像边缘保持项ed(
·
)表示为：
[0033][0034]
其中，表示2范数的平方，edgei(i
ir
)是步骤s3提取得到的红外图像边缘信息，edgei(j)是可见光图像边缘；
[0035]
所述颜色保真项cf(
·
)表示为：
[0036][0037]
其中，表示2范数的平方，表示了对图像j执行窗口大小为ha的均值滤波操作。
[0038]
在一些实施例中，步骤s4中，所述求解去散射优化模型表示为最小化以下优化问题：
[0039][0040]
其中，e(
·
)是优化问题的代价函数，j是待去散射的可见光图像，g(
·
)为引导对比度增强项，h(
·
)是透射率图优化的大气散射模型项，ed(
·
)是图像边缘保持项，cf(
·
)是颜色保真项，超参数α、β、γ和δ分别表示各项在代价函数中的权重，取值均应大于0。
[0041]
在一些实施例中，所述去散射优化模型表示为最小化以下优化问题的求解方法，包括如下步骤：
[0042]
s4-1、获取散射场景下的可见光图像i
vis
和散射场景下的红外图像i
ir
,k为迭代次数，jk为第k次迭代的结果，j
k-1
表示第k-1次迭代的结果，初始化j0为散射场景下的可见光图像i
vis
；
[0043]
s4-2、计算所述优化问题的代价函数e(
·
)的梯度项
[0044]
s4-3、通过公式更新可见光图像，得到当前迭代结果jk，其中，为所述优化问题的代价函数e(
·
)的梯度项，t为梯度下降步长；
[0045]
s4-4、计算当前迭代结果jk与前一步迭代结果j
k-1
的均方根误差rmse；
[0046]
s4-5、若rmse(jk,j
k-1
)小于阈值∈，则停止迭代输出去散射可见光图像，反之则跳转到步骤s4-2计算梯度项继续迭代。
[0047]
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述可见光图像去散射方法的步骤。
[0048]
本发明与现有技术对比的有益效果包括：
[0049]
本发明通过估计可见光透射率图和大气光，并基于红外图像的边缘，对可见光透射率图边缘进行优化获得边缘更加清晰的可见光透射率图；然后提取红外图像边缘信息，充分利用了散射环境下红外图像能够清晰成像的优势，基于红外图像的区域对比度信息以及边缘信息优化可见光图像，最后建立并求解去散射优化模型，增强可见光图像去散射效果，从而实现散射场景下的可见光图像清晰彩色成像，对实现透过散射介质的清晰彩色成像具有重要意义。
[0050]
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
[0051]
图1是本发明实施例中可见光图像去散射方法的流程图；
[0052]
图2a是本发明实施例中的可见光图像示意图；
[0053]
图2b是本发明实施例中的红外图像示意图；
[0054]
图2c是本发明实施例中的初始估计的透射率图；
[0055]
图2d是本发明实施例中的基于可见光图像优化的透射率图；
[0056]
图2e是图2d中方框部分的放大图；
[0057]
图2f是本发明实施例中的基于红外图像优化的透射率图；
[0058]
图2g是图2f中方框部分的放大图；
[0059]
图3是本发明实施例中红外引导的去散射优化模型求解流程图；
[0060]
图4a是本发明实施例散射场景一中可见光图像及其放大图；
[0061]
图4b是本发明实施例散射场景一中红外图像及其放大图；
[0062]
图4c是现有技术dcp在散射场景一中示意图及其放大图；
[0063]
图4d是现有技术haze-lines在散射场景一中示意图及其放大图；
[0064]
图4e是现有技术dlf在散射场景一中示意图及其放大图；
[0065]
图4f是现有技术resnet在散射场景一中示意图及其放大图；
[0066]
图4g是本发明实施例在散射场景一中可见光图像去散射的示意图及其放大图；
[0067]
图5a是本发明实施例散射场景二中可见光图像及其放大图；
[0068]
图5b是本发明实施例散射场景二中红外图像及其放大图；
[0069]
图5c是现有技术dcp在散射场景二中示意图及其放大图；
[0070]
图5d是现有技术haze-lines在散射场景二中示意图及其放大图；
[0071]
图5e是现有技术dlf在散射场景二中示意图及其放大图；
[0072]
图5f是现有技术resnet在散射场景二中示意图及其放大图；
[0073]
图5g是本发明实施例在散射场景二中可见光图像去散射的示意图及其放大图；
具体实施方式
[0074]
下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0075]
需要说明的是，本实施例中的左、右、上、下、顶、底等方位用语，仅是互为相对概念，或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。
[0076]
在介绍本发明实施例之前，先对本发明思路说明如下：
[0077]
现有技术存在如下缺陷：1、现有红外增强算法不考虑散射介质自身的红外辐射干扰以及散射介质对光线的衰减干扰，增强结果不自然；2、单张红外图像难以估计场景散射信息。
[0078]
针对以上现有技术缺陷，本发明实施例考虑物理散射成像机理，去除了散射介质自身的红外辐射干扰以及散射介质对光线的衰减干扰；本发明实施例所提出的系统利用可见光相机获取三通道的图像，实现场景散射信息估计，帮助实现红外散射模型求解。
[0079]
本发明实施例提出一种红外图像引导的可见光图像去散射方法。其充分利用散射场景下红外图像能够清晰成像的优势，基于红外图像的边缘以及区域对比度信息引导可见
光图像，通过构建并求解红外图像引导的去散射优化模型，实现散射场景下的可见光图像清晰彩色成像，即可见光图像去散射增强：本发明实施例基于红外图像的区域对比度信息引导可见光进行对比度增强；基于红外图像边缘，实现透射率图优化以及去散射结果边缘保持；基于灰度世界假设，实现去散射结果颜色保真，最终实现可见光图像去散射增强。对实现透过散射介质的清晰彩色成像具有重要意义。
[0080]
如图1所示，本发明实施例提出一种红外图像引导的可见光图像去散射方法，其步骤如下：
[0081]
s1：对可见光图像进行估计可见光透射率图和大气光。可见光在散射场景下的成像模型为：
[0082]ivis
(x)＝j
vis
(x)t
vis
(x)+a(1-t
vis
(x))；(1)
[0083]
其中，i
vis
(x)是可见光相机观测的散射场景下的可见光图像，t
vis
(x)是可见光透射率图，a是环境光照所引起的大气光，j
vis
(x)是无散射可见光图像，x是图像坐标。
[0084]
去雾算法利用可见光r、g、b三通道的统计信息估计图像透射率图t
vis
和大气光a。在本实施例中，使用暗通道先验算法(darkchannelprior，dcp)估计透射率图t
vis
(x)，大气光a。需要说明的是，该发明并不局限于使用dcp估计、颜色衰减先验算法(colorattenuationprior，cap)、基于雾线的算法(haze-lines)等图像去雾算法，在更优选的实施例中，可以使用性能更优的去雾算法进行透射率图t
vis
(x)，大气光a估计。
[0085]
s2：使用红外图像对估计的可见光透射率图进行边缘优化；
[0086]
具体地，基于红外图像优化边缘估计的可见光透射率图，其中初始估计的透射率图往往需要经过可见光图像i
vis
(x)优化从而去除伪影并细化边缘，进行进一步优化。
[0087]
在浓雾散射场景中，可见光图像i
vis
(x)中边缘信息的丢失将导致针对初始估计透射率图的优化失效，而红外图像在散射场景下依旧具有清晰的边缘。因此可基于红外图像的边缘，对透射率图边缘进行优化，使得透射率图的边缘更加清晰，从而获得优化后的透射率图t
vis-refined
。
[0088]
因此，利用红外边缘信息的引导，本实施例基于导向滤波使用红外图像对估计的可见光透射率图进行边缘优化的表达式如下：
[0089][0090]
其中，guidedfilter(
·
)表示导向滤波算法，该算法的输出是边缘优化后的可见光透射率图t
vis-refined
，输入参数分别为初始估计的可见光透射率图红外图像i
ir
，hg以及λ，hg是导向滤波的窗口大小，ε表示正则化参数。
[0091]
如图2a、图2c-2e展示了基于导向滤波利用散射场景下的可见光图像进行透射率图优化。如图2a所示的可见光图像和如图2c所示的初始估计的透射率图通过导向滤波算法，得到如图2d和图2e所示的基于可见光图像优化的透射率图。可见光由于散射干扰图像清晰度急剧下降，基于可见光图像优化的透射率图边缘模糊，无法保持轮廓信息；
[0092]
如图2b-2c、图2f-2g展示了基于导向滤波红外图像进行透射率图优化。如图2b所示的红外图像和如图2c所示的初始估计的透射率图通过导向滤波算法，得到如图2f和图2g所示的基于红外图像优化的透射率图。由于红外图像在散射场景中能够清晰成像，因此基于红外图像优化的透射率图可以去除有效光晕，同时迁移了红外图像中建筑物的边缘信
息。需要注意的是，在更优选的实施例所述该阶段，可以使用边缘保持方法包括但不限于双边滤波、导向滤波等算法，从而利用红外图像引导优化透射率图。
[0093]
s3：提取红外图像边缘信息。红外图像在散射场景下依旧具有清晰的边缘，为了获得红外图像的边缘信息，现有众多方法用于提取图像的多尺度多方向边缘信息，因此实施例可以选用包括但不限于：haar小波(哈尔小波)、对数-加伯滤波、剪切波变换、梯度算子等方法提取红外图像边缘信息。在本实施例中，选用了梯度算子提取红外图像边缘信息表达式如下：
[0094][0095]
其中，i表示滤波器序号，在梯度算子中，1≤i≤2，表示水平方向的梯度算子，表示竖直方向的梯度算子。在更优选的实施例中，可以选用haar小波、对数-加伯滤波、剪切波等边缘表示方法表示红外图像边缘信息。
[0096]
s4:建立并求解引导去散射优化模型，输出去散射可见光图像，实现可见光图像去散射。基于红外引导的可见光图像去散射可以表示为最小化以下优化问题，其表示如下：
[0097][0098]
其中，e(
·
)是优化问题的代价函数，j是待去散射的可见光图像，所述去散射优化模型包括以下四项：g(
·
)为引导对比度增强项，基于红外图像的区域对比度信息引导可见光进行对比度增强；h(
·
)是透射率图优化的大气散射模型项，基于优化后的透射率图t
vis-refined
，实现去散射结果符合散射场景下的成像模型；ed(
·
)是图像边缘保持项，基于红外图像边缘，实现去散射结果边缘保持；cf(
·
)是颜色保真项，基于灰度世界假设，实现去散射结果颜色保真。超参数α、β、γ和δ表示各项在代价函数中的权重，取值均应大于0。在本实施例中，超参数分别设为α＝0.4，β＝0.3，γ＝0.5，δ＝0.5。
[0099]
引导对比度增强项g的作用是基于红外图像提供的区域对比度信息引导增强图像j，其表示为：
[0100][0101]
其中像素x和像素y之间的权重ω(x,y)为：
[0102][0103]
其中x表示图像所有像素位置的集合。j(x)表示可见光图像j在像素x的强度，j(y)表示可见光图像j在像素y的强度，r(x)表示红外图像r在像素x的强度，r(y)表示红外图像r在像素y的强度，i
ir
(x)表示长波红外图像在像素x的强度。σr和σs是平滑参数。
[0104]
h(
·
)是基于优化透射率图的大气散射模型项，基于优化后的透射率图t
vis-refined
，实现去散射结果符合散射场景下的成像模型，其表示为：
[0105][0106]
其中，表示2范数的平方，i是可见相机获取的可见光散射图像，t
vis-refined
是步
骤s2得到的被边缘优化的可见光透射率图，a是大气光。
[0107]
ed(
·
)是基于红外图像边缘edgei(i
ir
)的边缘保持项，基于红外图像边缘，实现去散射结果边缘保持，其表达式如下：
[0108][0109]
其中，表示2范数的平方，edgei(i
ir
)红外图像边缘信息是步骤s3提取的红外图像边缘信息，edgei(j)是可见光图像边缘。
[0110]
颜色保真项cf(
·
)确保去散射结果更自然，防止出现严重的颜色偏移，借鉴灰度世界假设，假设去雾图像局部区域中每个通道的平均值代表灰度水平，其表达式如下：
[0111][0112]
其中，表示2范数的平方，表示了对图像j执行窗口大小为ha的均值滤波操作。
[0113]
如图3所示，公式(4)所示去散射优化模型表示为最小化以下优化问题可以通过梯度下降迭代求解，包括以下步骤：
[0114]
s4-1、获取散射场景下的可见光图像i
vis
和散射场景下的红外图像i
ir
，k为迭代次数，jk为第k次迭代的结果，j
k-1
表示第k-1次迭代的结果，初始化j0为散射场景下的可见光图像i
vis
。
[0115]
s4-2、计算公式(4)所示优化问题的代价函数e(
·
)的梯度项
[0116]
s4-3、通过公式更新可见光图像得到当前迭代结果jk，t为梯度下降步长。
[0117]
s4-4、计算当前迭代结果jk与前一步迭代结果j
k-1
的均方根误差(rmse)；
[0118]
s4-5、若rmse(jk,j
k-1
)小于阈值∈，则停止迭代输出去散射可见光图像，反之则跳转到计算梯度项步骤继续迭代。
[0119]
本发明实施例具有如下优势：由于在去散射过程引入了红外图像的边缘信息以及区域对比度信息，相比于传统可见光图像去雾方法，本发明实施例提出的可见光图像去散射方法去散射结果得到了更多的细节信息，相比于可见光与红外图像融合方法，该方法并不直接融合像素强度避免了图像失真，利用红外的信息实现更加有效的、自然的去散射效果。
[0120]
实验例：
[0121]
本实验例通过在两个散射场景下的可见光图像和红外图像进行测试，并与可见光图像去雾算法(dcp，haze-lines)，可见光/红外图像融合算法(dlf，resnet)进行对比，验证本发明所提出方法的有效性。在本实验例中，超参数α，β，γ，δ，步长t，权重平滑参数σr和σs，导向滤波参数hg和ε以及均值滤波参数ha分别被固定为0.4,0.3,0.5,0.5,0.3,0.3,250,50,0.01和600。可见光图像初始透射率图通过haze-lines方法估计。优化求解过程在可见光图像三个通道分别进行。阈值∈为0.005，即当迭代结果jk与上一次迭代结果j
k-1
之间的均方根误差小于0.005时，则认为优化问题收敛，输出去散射可见光图像。
[0122]
图4a-g和图5a-g分别展示了散射场景一和散射场景二的可见光图像、红外图像、可见光图像去雾算法(dcp，haze-lines)处理图像以及可见光/红外图像融合算法(dlf，resnet)处理图像，具体展示了本发明实施例提出的可见光图像去散射方法与对比算法的处理结果图像。算法处理结果的主观视觉质量表明，本实施例方法在散射场景中均表现出较好的性能。相比可见光图像去雾算法，本实施例方法融合红外的边缘信息，获得了更好的细节信息，如放大细节处所示。相比于可见光/红外图像融合算法，本方法并不直接融合图像像素的强度。考虑到长波红外与可见光的成像原理差异以及散射场景对成像过程的干扰，该方法通过建立优化问题，利用长波红外的边缘信息以及区域对比度信息进行引导，以提高图像对比度，使得边缘更加显著，从而实现了更好的去散射效果。
[0123]
本发明实施例与现有技术相比具有如下优势：
[0124]
1、与现有方法红外增强算法不同的是，本发明实施例考虑了散射介质自身的红外辐射干扰以及散射介质对光线的衰减干扰，使得处理结果更加符合物理成像机理，避免了失真；
[0125]
2、本发明实施例通过引入可见光相机，实现场景散射信息估计。可见光相机成本较低，同时该方法对可见光相机的分辨率要求较低，因此该方法成本低廉，具备较强的推广价值。
[0126]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

技术特征：
1.一种可见光图像去散射方法，其特征在于，包括如下步骤：s1、对可见光图像进行估计可见光透射率图和大气光；s2、使用红外图像对估计的可见光透射率图进行边缘优化；s3、提取红外图像边缘信息；s4、建立并求解去散射优化模型，输出去散射可见光图像。2.如权利要求1所述的可见光图像去散射方法，其特征在于，步骤s1中，所述可见光图像在散射场景下表示为：i
vis
(x)＝j
vis
(x)t
vis
(x)+a(1-t
vis
(x))；其中，i
vis
是可见光相机获取的散射场景下的可见光图像，j
vis
是无散射可见光图像，a表示环境光照所引起的大气光，t
vis
(x)是可见光透射率图，x为图像坐标。3.如权利要求1或2所述的可见光图像去散射方法，其特征在于，所述估计可见光透射率图和大气光的方法包括暗通道先验算法dcp，颜色衰减先验算法cap，基于雾线的算法haze-lines。4.如权利要求1所述的可见光图像去散射方法，其特征在于，步骤s2中，所述使用红外图像对估计的可见光透射率图进行边缘优化表示为：其中，guidedfilter(
·
)表示导向滤波算法，该算法输出是进行边缘优化后的可见光透射率图t
vis-refined
，输入参数分别为初始估计的可见光透射率图红外图像i
ir
，h
g
以及λ，h
g
是导向滤波的窗口大小，ε表示正则化参数。5.如权利要求1所述的可见光图像去散射方法，其特征在于，步骤s3中，所述红外图像边缘信息的提取方法包括haar小波、对数加伯滤波、剪切波、梯度算子；其中，采用梯度算子提取红外图像边缘信息表示为：其中，i表示滤波器序号，在梯度算子中，1≤i≤2，表示水平方向的梯度算子，表示竖直方向的梯度算子。6.如权利要求1所述的可见光图像去散射方法，其特征在于，步骤s4中，所述建立的去散射优化模型包括：引导对比度增强项g(
·
)、透射率图优化的大气散射模型项h(
·
)、图像边缘保持项ed(
·
)和颜色保真项cf(
·
)。7.如权利要求6所述的可见光图像去散射方法，其特征在于，所述对比度增强项g(
·
)表示为：其中像素x和像素y之间的权重ω(x,y)表示为：其中x表示图像所有像素位置的集合；j(x)表示可见光图像j在像素x的强度，j(y)表示
可见光图像j在像素y的强度，r(x)表示红外图像r在像素x的强度，r(y)表示红外图像r在像素y的强度，i
ir
(x)表示长波红外图像在像素x的强度；σ
r
和σ
s
是平滑参数；所述透射率图优化的大气散射模型项h(
·
)表示为：其中，表示2范数的平方，i是可见相机获取的可见光散射图像，t
vis-refined
是步骤s2进行边缘优化得到的可见光透射率图，a是大气光；所述图像边缘保持项ed(
·
)表示为：其中，表示2范数的平方，edge
i
(i
ir
)是步骤s3提取得到的红外图像边缘信息，edge
i
(j)是可见光图像边缘；所述颜色保真项cf(
·
)表示为：其中，表示2范数的平方，表示了对图像j执行窗口大小为h
a
的均值滤波操作。8.如权利要求6或7所述的可见光图像去散射方法，其特征在于，步骤s4中，所述求解去散射优化模型表示为最小化以下优化问题：其中，e(
·
)是优化问题的代价函数，j是待去散射的可见光图像，g(
·
)为引导对比度增强项，h(
·
)是透射率图优化的大气散射模型项，ed(
·
)是图像边缘保持项，cf(
·
)是颜色保真项，超参数α、β、γ和δ分别表示各项在代价函数中的权重，取值均应大于0。9.如权利要求8所述的可见光图像去散射方法，其特征在于，所述去散射优化模型表示为最小化以下优化问题的求解方法，包括如下步骤：s4-1、获取散射场景下的可见光图像i
vis
和散射场景下的红外图像i
ir
,k为迭代次数，j
k
为第k次迭代的结果，j
k-1
表示第k-1次迭代的结果，初始化j0为散射场景下的可见光图像i
vis
；s4-2、计算所述优化问题的代价函数e(
·
)的梯度项s4-3、通过公式更新可见光图像，得到当前迭代结果j
k
，其中，为所述优化问题的代价函数e(
·
)的梯度项，t为梯度下降步长；s4-4、计算当前迭代结果j
k
与前一步迭代结果j
k-1
的均方根误差rmse；s4-5、若rmse(j
k
,j
k-1
)小于阈值∈，则停止迭代输出去散射可见光图像，反之则跳转到步骤s4-2计算梯度项继续迭代。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。

技术总结
本发明公开了一种可见光图像去散射方法，步骤如下：对可见光图像进行估计可见光透射率图和大气光；使用红外图像对估计的可见光透射率图进行边缘优化；提取红外图像边缘信息；建立并求解去散射优化模型，输出去散射可见光图像。本发明通过估计可见光透射率图和大气光，并基于红外图像的边缘，对可见光透射率图边缘优化获得边缘清晰的可见光透射率图；然后提取红外图像边缘信息，充分利用散射环境下红外图像能够清晰成像的优势，基于红外图像的区域对比度信息以及边缘信息优化可见光图像，最后建立并求解去散射优化模型，增强可见光图像去散射效果，从而实现散射场景下可见光图像清晰彩色成像，对实现透过散射介质的清晰彩色成像具有重要意义。有重要意义。有重要意义。


技术研发人员：金欣 谢佳宇
受保护的技术使用者：清华大学深圳国际研究生院
技术研发日：2023.05.15
技术公布日：2023/8/9