基于双边滤波器的图像去噪去雾算法研究

图像双边滤波技术及其应用研究1. 概述图像双边滤波（Bilateral Filtering）是一种广泛应用于图像处理和计算机视觉中的非线性滤波技术。

它可以有效地去除图像噪声，同时保持图像的边缘信息，具有很好的平滑效果。

在数字图像处理、计算机视觉、计算机图形学、模式识别和机器学习等领域中都有着广泛的应用。

2. 原理图像双边滤波是基于局部滤波的一种算法。

其滤波核包括两个权重函数，即空间权重和灰度权重。

空间权重是指点x和y之间的距离，灰度权重是像素差的函数。

通过这两个权重函数来调整滤波系数，使得滤波器只在相似的像素中进行平滑，而在高差异的像素中不进行平滑。

这样就可以有效地去除噪声，同时保护边缘和细节信息。

3. 算法流程图像双边滤波的算法流程如下：（1）对图像进行灰度化处理。

（2）设置滤波器的半径和灰度范围。

（3）对于每个像素点，计算其空间权重和灰度权重。

（4）计算滤波系数，即空间权重和灰度权重的乘积。

（5）将滤波系数乘以像素的灰度值，求和得到平滑后的像素值。

（6）对所有像素点依次进行以上步骤，即可得到平滑后的图像。

4. 应用研究图像双边滤波是一种非常实用的图像平滑技术，可以广泛应用于图像去噪、图像增强、边缘检测和图像分割等领域。

下面列举一些具体应用：（1）图像去噪。

由于图像双边滤波同时考虑了空间信息和灰度信息，可以有效地去除高斯噪声和椒盐噪声。

在数字图像处理、计算机视觉等领域中得到广泛应用。

（2）图像增强。

通过调整空间权重和灰度权重，可以使得图像在保持边缘清晰的同时，增加图像的对比度和亮度。

在医学图像处理、无损检测等领域中得到广泛应用。

（3）边缘检测。

由于图像双边滤波保护了图像的边缘信息，可以作为边缘检测的前处理。

在安防、智能交通等领域中得到广泛应用。

（4）图像分割。

在图像分割中，图像双边滤波可以作为平滑的前处理，可以使得分割结果更加精确和准确。

在目标识别、机器视觉等领域中得到广泛应用。

5. 总结图像双边滤波是一种广泛应用于图像处理和计算机视觉中的非线性滤波技术。

基于图像处理的图像去噪算法研究近年来，图像处理领域取得了长足的发展，其中图像去噪技术作为图像处理的基础技术之一，受到了广泛的关注和研究。

图像噪声是由于图像采集设备、传输过程以及外界环境等因素引起的，它会严重影响图像质量和可视化效果。

在提高图像质量和信息提取方面，图像去噪技术具有重要意义。

本文将着重探讨基于图像处理的图像去噪算法研究的现状与发展方向。

首先，传统的图像去噪算法中，经典的线性滤波算法常常被应用。

例如，均值滤波、高斯滤波等。

这些算法适用于高斯噪声等特定噪声类型，但对于图像存在的复杂噪声类型，效果有限。

为了解决这一问题，非线性滤波算法被广泛应用于图像去噪领域。

比如，双边滤波、小波阈值去噪等。

非线性滤波算法通过考虑图像的空间信息和灰度差异，能够更好地保护图像的边缘和纹理细节，从而在去噪效果上有显著提升。

然而，传统的滤波算法在去噪过程中，存在一定的缺陷。

例如，局部平滑性差、边缘保护效果不佳等。

为了克服这些问题，基于稀疏表示的图像去噪算法被提出并得到了广泛应用。

稀疏表示是指通过线性组合的方式，将待去噪图像表示为一组稀疏的原子或字典。

基于稀疏表示的图像去噪算法在一定程度上提高了图像去噪的效果，在保持图像细节的同时，有效地去除了噪声。

例如，基于小波变换的稀疏表示算法，将图像在小波领域内进行稀疏表示，通过稀疏系数的阈值去噪操作，实现图像去噪的目的。

另外，基于深度学习的图像去噪算法近年来也取得了显著的成果。

深度学习是一种通过大规模的数据进行训练，实现高效的特征提取和图像去噪的技术。

通过深度神经网络的构建和训练，可以实现对复杂噪声的自动学习和处理。

例如，卷积神经网络（CNN）在图像去噪领域的应用，通过多层卷积和池化操作，实现对图像特征的提取和去噪操作。

此外，生成对抗网络（GAN）也被应用于图像去噪任务中，通过生成器和判别器的对抗训练，实现对去噪图像的优化和恢复。

综上所述，基于图像处理的图像去噪算法在滤波算法、稀疏表示算法和深度学习算法等方面都取得了显著的研究进展。

第30卷 第4期 广东海洋大学学报 V ol.30 No.4 2010年8月 Journal of Guangdong Ocean University Aug. 2010收稿日期：2010-03-09基金项目：国家自然科学基金（60775050）；浙江大学CAD/CG 国家重点实验室开放课题(A0908)第一作者：肖秀春(1976－)，男，讲师，博士研究生，研究方向为神经网络、图像处理、信息安全等。

通讯作者：谢仕义(1964－)，男，教授，研究方向为GIS 、数字交通等。

E-Mail: shiyixie@基于相似像素选择的双边滤波图像去噪肖秀春1,2, 谢仕义1, 张雨浓2, 姜孝华2, 卢晓敏2（1. 广东海洋大学信息学院，广东 湛江 524025; 2. 中山大学 信息科学与技术学院，广州 510275）摘 要：针对双边滤波在一定程度上模糊了图像特征的缺陷，提出一种基于相似像素选择的图像双边滤波算法。

该算法首先在图像中搜索所处理像素的邻域内所有相似像素（与其像素值相近的像素），然后依据相似像素占全部邻域像素比例，确定该像素为特征像素或非特征像素。

对于特征像素，采用其相似像素进行双边滤波；对于非特征像素，采用全部邻域像素进行双边滤波。

仿真实验表明，该算法相对一般双边滤波，能够在去除噪声的同时，更好地保持图像特征。

关键词：图像去噪；双边滤波；相似像素中图分类号：TP391 文献标志码：A 文章编号：1673-9159(2010)04-0054-03Similar Pixel Selection Based on Bilateral Filter for Image DenoisingXIAO Xiu-chun 1, 2, XIE Shi-yi 1, ZHANG Yu-nong 2, JIANG Xiao-hua 2, LU Xiao-min 2(1. College of Information , Guangdong Ocean University , Zhanjiang 524025, China ; 2. School ofInformation Science and Technology , Sun Yat-sen University , Guangzhou 510275, China )Abstract: To overcome drawback of bilateral filter that blurs the image feature to some extent, a bilateral image denoising method based on similar pixel selecting is proposed. For the pixel being processed, the pixels having pixel value are close to this pixel(called similar pixel) within its neighborhood in this image firstly. Then, according to the ratio of the selected similar pixels to all the neighborhood pixels, determine whether conduct bilateral filtering to the similar pixels or to all the pixels within the neighborhood. Simulation results prove that, compared with traditional bilateral filtering, the presented algorithm can remove noise and maintain image feature more effectively at the same time.Key words: Image denoising; bilateral filter; similar pixel图像去噪（Image Denoising ）是图像处理和计算机视觉等相关研究领域中较为重要的基础问题之一。

第40卷第8期自动化学报Vol.40,No.8 2014年8月ACTA AUTOMATICA SINICA August,2014一种结合双区域滤波和图像融合的单幅图像去雾算法张小刚1唐美玲1陈华1,2汤红忠1,3摘要基于大气散射物理模型和暗原色先验原理,提出一种结合双区域滤波和图像融合的单幅图像去雾算法.首先在计算暗通道函数时,定义了一类暗区域对图像边缘的低强度像素点进行描述,该区域像素点的暗原色中值取其三原色通道的最小值,以代替原来的中值滤波运算值.此滤波方法不仅能有效去除Halo效应,而且避免了黑斑效应;然后基于大气散射物理模型定义一种伪去雾图,将其与原去雾图进行像素级融合对原图进行色度校正,实现了柔性去雾,改善了现有方法易出现过去雾的缺陷.实验结果表明,该算法去雾后图像具有较好清晰度及色彩恢复度,去雾鲁棒性强.在大雾和图像色彩失真严重的情况下,仍可有效恢复图像.关键词暗原色先验,双区域滤波,图像融合,去雾引用格式张小刚,唐美玲,陈华,汤红忠.一种结合双区域滤波和图像融合的单幅图像去雾算法.自动化学报,2014,40(8): 1733−1739DOI10.3724/SP.J.1004.2014.01733A Dehazing Method in Single Image Based on Double-area Filter andImage FusionZHANG Xiao-Gang1TANG Mei-Ling1CHEN Hua1,2TANG Hong-Zhong1,3Abstract A dehazing method based on double-regionalfilter and image fusion is proposed based on the atmospheric scattering model and dark channel prior principle.Firstly,a dark region is defined to describe the low intensity pixel of the image s edge area when the medianfilter is adopted to calculate the dark channel transmission.The minimum value of the color(RGB)channels are assigned to the dark channel in dark region pixels instead of its median.This method not only removes the halo effect but also avoids black spot.On the other hand,a pseudo-dehazed image based on the atmospheric scattering model is proposed to solve the over-defogging problem.The defect of over-defogging can be cut down by the pixels fusion between the original dehazed image and the pseudo-dehazed image.Experiments show that the dehazing images with the proposed method in this paper have better sharpness,color restore degrees and robustness, even on the dense fog and color distortion.Key words Dark channel prior,double-regionalfilter,image fusion,dehazingCitation Zhang Xiao-Gang,Tang Mei-Ling,Chen Hua,Tang Hong-Zhong.A dehazing method in single image based on double-areafilter and image fusion,2014,40(8):1733−1739大气中由于微尘颗粒以及水蒸汽的存在,在温度下降时,水蒸汽凝结成小水珠或冰晶与空气中的微尘颗粒相结合形成雾霾.近年来,我国多个地区发生了持续性大规模灰霾污染事件,使捕获到的图像质量大幅度下降,很难适用于交通监测、物体跟踪、户外识别等智能视觉系统中.如何进行有效去雾,已收稿日期2013-04-17录用日期2013-12-09Manuscript received April17,2013;accepted December9,2013国家自然科学基金(61174050,61203016)资助Supported by National Natural Science Foundation of China (61174050,61203016)本文责任编委田捷Recommended by Associate Editor TIAN Jie1.湖南大学电气与信息工程学院长沙4100822.湖南大学信息科学与工程学院长沙4100823.湘潭大学信息工程学院湘潭411105 1.College of Electrical and Information Engineering,Hunan University,Changsha410082 2.School of Information Science and Engineering,Hunan University,Changsha410082 3.Col-lege of Information Engineering,Xiangtan University,Xiangtan 411105经成为当今研究的热点.目前,通用的图像去雾算法是先对大气透射率进行估算,再根据大气散射模型恢复场景色彩.通用的图像去雾算法根据所需的参照条件主要分为两类:一类是利用不同偏振程度的多幅图像[1−4]或不同天气条件下,对同一场景采集的多幅图像[5−7]作为参照数据来去雾.这种方法虽然能有效去雾,但同一场景多幅图像采集较困难,导致该方法适用性不强.因此另一类基于单幅图像的去雾方法逐渐受到国内外研究人员的关注[8−11].Tan[8]利用对比度的区域最大法获得无雾图像,但是易造成图像颜色过度饱和而失真.Fattal[9]假设光透射率与物体表面的透射传播局部不相关,根据这一假设估算透射率.该方法需要足够的物理色彩信息,然而在有雾条件下所采集到的图像已经丢失了大量颜色信息,因此该算法得到的透射率偏差较大.He等[10−11]提出了一种暗1734自动化学报40卷原色先验算法.该算法通过对大量户外无雾图像的统计发现,在大多数图像中,除天空部分外,总存在某些像素点在某个通道上有很低的强度值.根据这一特点估算透射率,并采用抠图算法对透射率进行细化,可以得到恢复的无雾图像.但该算法时间复杂度大,不能达到实时处理的要求.因此,后续又出现了采用双边滤波[12−13]和中值滤波[14]代替最小值滤波[10]来估算透射率,以提升算法性能.本文提出一种结合双区域滤波和图像融合的单幅图像去雾算法.首先,在利用暗通道估算透射率时,定义一种暗区域,对其采用双区域滤波法以代替最小值滤波[10],有效去除了Halo 效应及黑斑效应;随后,针对去雾后图像暗沉的现象,定义一种伪去雾图,将其与原去雾图进行像素级融合,实现色度校正和柔性去雾,改善了现有方法易出现过去雾的缺陷.实验结果表明,去雾后的图像具有较好清晰度及色彩恢复度,去雾鲁棒性强,可有效恢复图像.1暗原色先验去雾物理模型在雾霾环境下,大气散射物理模型的成像方程[15−16]描述如下:Org (x,y )=J (x,y )·t (x,y )+A ·(1−t (x,y ))(1)即Org (x,y )=A +(J (x,y )−A )·t (x,y )(2)式中,Org (x,y )为像素点(x,y )观测到的图像强度,J (x,y )为无雾时景物光线的强度,A 为全球大气光成分,t (x,y )为介质透射率.其中,Org (x,y )与J (x,y )都为彩色图像,拥有红、黄、蓝三原色通道.根据对大量户外无雾图像的统计,发现这三个原色通道中,至少有一个通道在某些非天空的局部区域里强度值很低[10],其值趋于0,即J dark (x,y )=min (x,y )∈ω(x,y )min c ∈{R,G,B }J c (x,y )→0(3)式中,J c (x,y )为J (x,y )的红、黄、蓝三原色通道,ω(x,y )是以像素点(x,y )为中心的方形区域(通常取7×7或15×15的方形矩阵).上式被称为暗原色先验公式.对式(2)进行最小运算,并将式(3)代入式(2),得min (x,y )∈ω(x,y ) min c ∈{R,G,B }Org c (x,y ))=(1−t (x,y ) ·A(4)即t (x,y )=1−min(x,y )∈ω(x,y )min c ∈{R,G,B }Org c (x,y )A(5)为使去雾后图像显得更加真实,在式(5)中引入常量系数θ(0<θ≤1),根据文献[10,14],本文取θ=0.95,t (x,y )=1−θ·min (x,y )∈ω(x,y ) min c ∈{R,G,B }Org c (x,y )A(6)将式(6)代入式(1)得:J (x,y )=Org (x,y )−(1−t (x,y ))·At (x,y )(7)为了保证分母不为0,将上式化为:J (x,y )=Org (x,y )−(1−t (x,y ))·Amax(t (x,y ),ε)(8)其中,ε为很小的常数,通常取0.1.利用上式对图1(a)进行去雾处理,去雾后图像如图1(d)所示.可以看出,图中出现明显的Halo 效应,严重影响了去雾后图像的视觉效果.文献[10]提出了采用抠图对t (x,y )进行细化,去除Halo 效应.但抠图算法复杂度高且耗时长,不能满足实时处理的要求.2结合双区域滤波和图像融合的图像去雾为提高去雾算法的实时性,近年来涌现了多种改进的透射率估算方法.文献[12−13]利用双边滤波重新定义透射率,大大减少了运算时间.Gibson 等[14]提出用中值滤波代替最小值滤波,该方法不需要抠图或双边滤波等对透射率进行细化,在一定程度上再次降低了时间复杂度并有效去除了Halo 效应,但该方法去雾后图像质量较差,易出现黑斑效应.本文在上述研究基础上,首先提出一种双区域滤波法,保持了运算速度快的优点,同时有效去除了黑斑效应,提高了图像质量;然后针对大雾图像去雾后易出现的图像暗沉现象,本文定义一类伪去雾图与上述去雾结果图进行像素级融合,实现柔性去雾.2.1暗区域分析Gibson 等[14]利用中值滤波对暗原色先验函数进行修订如下:8期张小刚等:一种结合双区域滤波和图像融合的单幅图像去雾算法1735J dark m (x,y )=med(x,y )∈ω(x,y )minc ∈{R,G,B }J c (x,y )(9)其中,J dark m (x,y )称为暗原色中值.图1暗通道先验图像去雾Fig.1Recovered images using dark channel值得注意的是,如果像素点(x,y )三原色通道中最小强度值低(如图1(a)中的树叶部分,其暗原色先验值为0[10])且处于强度变化的边缘(如图1(a)中的树叶边界),即其ω(x,y )邻域内一半以上像素点的强度值较大,此时对ω(x,y )进行中值运算,会增大J dark m (x,y )与像素点(x,y )之间的强度差值,进而造成相应像素点的透射值偏小.因为Org (x,y )≤A (A 值的求取详见第2.3节),即Org (x,y )−A ≤0.由式(7)可知,J (x,y )与透射率t (x,y )成正比,因此透射值减小会导致J (x,y )偏小,这是在景物边缘出现黑斑效应的主要原因.为了从图像中识别出这类像素点以进行更有效的处理,本文定义一种暗区域:若像素点(x,y )满足J dark m (x,y )>K ·min c ∈{R,G,B }J c (x,y )(其中K 为常数.本文取K =1),定义该像素点处于暗区域.图2(b)和图3(b)为利用中值滤波[14]的去雾图,从方框标记出的区域中可以看出,当像素点处于暗区域时,容易出现过去雾,即产生黑斑效应.为了避免黑斑效应影响图像质量,基于上述暗区域的分析,本文采用双区域滤波对中值滤波算法进行改进.2.2双区域滤波黑斑的产生影响整个图像的去雾效果,本文根据暗区域的特点,在选取暗原色中值前,先判断当前像素点所在的区域,然后根据像素点所在区域对暗原色中值函数进行重新定义.具体描述如下式:J dark m (x,y )=med (x,y )∈ω(x,y ) min c ∈{R,G,B }J c (x,y ) ,若J dark m (x,y )≤K ·min c ∈{R,G,B }J c(x,y )min c ∈{R,G,B }J c (x,y ),若J dark m (x,y )>K ·min c ∈{R,G,B }J c (x,y )(10)上式表示当像素点处于暗区域时,暗原色中值直接取该像素点三原色通道的最小值;否则,取其ω(x,y )邻域内三原色通道最小值的中值.基于第1节讨论的大气散射物理模型和暗原色先验去雾模型[10],由式(6)和式(8)可知,基于上述双区域滤波的透射率计算函数t m (x,y )和去雾图J m 1(x,y )描述如下:t m (x,y )=1−θ·Orgdark m(x,y )A(11)J m 1(x,y )=Org (x,y )−(1−t m (x,y ))·A max(t m(x,y ),ε)(12)式中,Orgdark m (x,y )为输入图像的暗原色双区域值:Orgdark m(x,y )=Org dark m (x,y ),若Org dark m (x,y )≤K ·min c ∈{R,G,B }Org c (x,y )minc ∈{R,G,B }Org c(x,y ),若Org dark m (x,y )>K ·minc ∈{R,G,B }Org c (x,y )(13)且Org dark m (x,y )=med(x,y )∈ω(x,y )min c ∈{R,G,B }Org c (x,y )为输入图像的暗原色中值.图2和图3为中值滤波改进前后去雾效果对比,从图中可以看出,改进后的透射图(图2(c))比中值滤波[14]的透射图(图2(a))轮廓更清晰,细节保持度更好.从图2(d)和图3(c)可以看出,本文算法可以有效地抑制黑斑效应,使图像拥有更好的视觉效果.1736自动化学报40卷图2中值滤波改进前后去雾效果对比结果1Fig.2The first comparative results of improved algorithm and unimproved medianfilters图3中值滤波改进前后去雾效果对比结果2Fig.3The second comparative result of improved algorithm and unimproved median filters2.3大气光成分估计文献[11]采用输入图像暗通道值Org dark (x,y )=min (x,y )∈ω(x,y ) min c ∈{R,G,B }Org c (x,y )中的0.1%最亮像素的强度值,文献[13]则先选定天空区域,然后取Org dark (x,y )中的最大值的95%,文献[11]和文献[13]都需要根据经验从Org dark (x,y )中选取一定的比例,这样很容易造成应用的局限性.为了更简单地估算大气光成分值,本文取Org dark m(x,y )中的最大值作为大气光成分的估计值.可表示为:A =max(Orgdark m(x,y ))(14)2.4基于图像融合的柔性去雾从图2和图3可以看出,利用暗原色中值去雾不需要抠图等复杂算法进行细化,也能有效改善Halo 效应.但对一些雾霾较大和色彩失真较严重的图像(如图4(a)),现有算法去雾后易出现色彩暗沉现象(如图4(b)).为了丰富图像色彩,调节去雾强度,本文新定义一种伪去雾图,并与第2.2节讨论的去雾图J m 1(x,y )进行像素级融合,达到柔性去雾效果.首先,重新引进大气散射模型公式.即Org (x,y )=J (x,y )·t 1(x,y )+A ·(1−t 2(x,y ))(15)其中,J (x,y )·t 1(x,y )为场景透射项,A ·(1−t 2(x,y ))表示周围物体表面散射项.故t 1和t 2不一定完全相等[11](式(1)中t 1=t 2是该模型的特殊形式).令t 1=t m ,1−t 2=C (C 为常数,通常取tm 的均值).8期张小刚等:一种结合双区域滤波和图像融合的单幅图像去雾算法1737经过一系列变换后,式(12)变为:J m 2(x,y )=Org (x,y )−C ·Amax(t m (x,y ),ε)(16)因上式中的常数C 并不是场景中物体表面的实际散射值,不具有实际的物理意义,我们将J m 2(x,y )称为伪去雾图.图4(c)为利用式(16)得到的伪去雾图.对比图4(c)和图4(b)可以看出,图4(c)比较明亮,保存的细节比图4(b)多,但图4(c)的色彩除了几个颜色比较明显的区域外,基本偏向于灰度图,因此还需要利用图像融合的技术,将图4(b)与图4(c)按照一定比例进行融合,调节去雾强度,对原图进行色度校正.图4对大雾图像去雾Fig.4Dahazed on heavy-fog image图像融合分为数据级融合、特征级融合和决策级融合.数据级融合也称为像素级融合,是指直接对传感器采集的数据进行处理而获得融合图像的过程.为减小算法复杂度和降低运行时间,本文采用像素级融合中的加权平均算法进行柔性去雾,公式如下:J m (x,y )=w 1J m 1(x,y )+w 2J m 2(x,y )(17)式中,J m 为融合后的图像,J m 1为基于双区域滤波后的去雾图,J m 2为本节定义的伪去雾图,w 1和w 2为加权系数,满足w 1+w 2=1约束条件.为提升计算效率,将式(12)和式(15)代入上式,整理后得到本文提出的结合双区域滤波和图像融合的单幅图像去雾公式如下:J m (x,y )=Org (x,y )max(t m (x,y ),ε)−(w 1·(1−tm (x,y ))+w 2·C )·Amax(t m (x,y ),ε)(18)上式中权值w 1和w 2的选取是加权平均算法中的关键,Burt 等[17]提出了平均和选择相结合的方法,即用一个匹配矩阵来表示两幅图像的相似度.当两幅图像很相似时,合成图像采用两幅图像的平均值,也就是权值分别为0.5和0.5;当两幅图像差异很大时,选择最显著的那一幅图像,此时的权值为0和1.本文因需要融合的图像大小一致,但色彩差异度较大,且考虑融合后图像的视觉感受,经过反复实验,采用的权值分别为w 1=0.85和w 2=0.15.按本节方法融合去雾后的图像如图4(d)所示,与双区域滤波去雾图(图4(b))相比,图像色彩变得柔和明亮.3实验结果对比及质量评估利用中值滤波[14]、双边滤波[13]、引导滤波[18]和本文算法对多幅图像进行去雾的结果如图5所示.从图5可以看出,双边滤波在某些对比度很低的图像中,易出现过去雾现象(如图5(3)).而中值滤波[14]去雾后图像色彩整体比较暗沉,图像质量相对较差.本文算法去雾后图像在视觉上较好地恢复了场景色度,在有效去除雾霾的同时保持图像色彩明亮.为了更好地评判去雾后图像的质量,本文采用对比度和色调还原程度[19]作为评价指标,对4种方法进行定量评价,各评价指标的计算结果如下:1)对比度.对比度作为视觉效果评论的一个重要指标,它的高低直接关系到图像的清晰度、细节表现及灰度层次的表现.对比度值越大,说明图像越清晰.2)用直方图相似度来度量去雾图像的色调还原程度[19].直方图相似度可以用两幅图像相关系数来测量,公式如下:d sim (I,I )= k(I k −I ) k (I k−I) k (I k −I )2 k (I k−I )2(19)其中,k 为直方图的灰度级,I 、I分别为I 、I 的均值.d sim 越大,说明相似度越高,色调还原程度越好.图5中4种去雾算法的评价指标值如表1所示.T con 代表去雾后图像的对比度,d sim 代表不同算法去雾后与原图的直方图相似度.从表1可以看出,本文算法基本优于其他3种方法,表明本文方法去雾后的图像具有较高清晰度和较好色彩还原程度.4结论本文提出了一种结合双区域滤波和图像融合的单幅图像去雾算法.首先,定义了一类暗区域对图像边缘的低强度像素点进行描述,在选取暗原色中值1738自动化学报40卷图5去雾效果对比Fig.5More comparisons with others work表1图5中4种去雾算法的评价指标对比Table1The evaluation index comparison for different algorithms in Fig.5图5(1)图5(2)图5(3)图5(4) T con d sim T con d sim T con d sim T con d sim 中值滤波[14]36.50.4127.80.3924.50.3235.30.34双边滤波[13]37.90.4520.50.457.500.3937.20.46引导滤波[18]35.70.6223.50.5858.90.4338.10.60本文算法40.00.6835.60.6077.30.4943.00.64前先判断景物是否处于暗区域,再根据不同区域采取不同的滤波方法,实现双区域滤波,从而提升了透射率的估算精度,有效避免了由暗通道最小值滤波而产生的Halo效应和由暗通道中值滤波产生的黑斑效应;然后,定义一种伪去雾图,将其与双区域滤波去雾图进行像素级融合,实现色度校正,解决了去雾后图像暗沉的问题.本文不需要抠图和双边滤波等方法对透射率进行细化,算法的时间复杂度低.实验结果表明,本文算法即使在大雾和图像色彩失真严重的情况下,仍然具有良好的去雾效果.如何使该算法适用于有大片天空和白色物体的图像去雾中,是我们下一步工作的重点.References1Shwartz S,Namer E,Schechner Y Y.Blind haze separation.In:Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE, 2006.1984−19912Namer E,Schechner Y Y.Advanced visibility improvement based on polarizationfiltered images.In:Proceedings of IEEE Conference on Polarization Science and Remote Sens-ing.Washington D.C.,USA:IEEE,2005.36−453Schechner Y Y,Narasimhan S G,Nayar S K.Instant de-hazing of images using polarization.In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recog-nition.Washington D.C.,USA:IEEE,2001.325−3328期张小刚等:一种结合双区域滤波和图像融合的单幅图像去雾算法17394Schechner Y Y,Narasimhan S G,Nayar S K.Polarization-based vision through haze.Applied Optics,2003,42(3): 511−5255Oakley J P,Satherley B L.Improving image quality in poor visibility conditions using a physical model for con-trast degradation.IEEE Transactions on Image Processing, 1998,7(2):167−1796Narasimhan S G,Nayar S K.Vision and the atmosphere.International Journal of Computer Vision,2002,48(3): 233−2547Narasimhan S G,Nayar S K.Chromatic framework for vi-sion in bad weather.In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.New York, USA:IEEE,2000.598−6058Tan R T.Visibility in bad weather from a single image.In:Proceedings of the IEEE Conference on Computer Vi-sion and Pattern Recognition.Anchorgae,USA:IEEE,2008.23−289Fattal R.Single image dehazing.ACM Transactions on Graphics,2008,27(3):1−910He Kai-Ming,Sun Jian,Tang Xiao-Ou.Single image haze removal using dark channel prior.In:Proceeding of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2009.1956−196311He Kai-Ming,Sun Jian,Tang Xiao-Ou.Single image haze removal using dark channel prior.IEEE Transaction on Pattern Analysis and Machine Intelligence,2011,33(12): 2341−235312Xu H R,Guo J M,Liu Q,Ye L L.Fast image dehazing using improved dark channel prior.In:Proceedings of the IEEE International Conference on Information Science and Technology.Hubei,China:IEEE,2012.663−66713Yu Jing,Li Da-Peng,Liao Qing-Min.Physics-based fast sin-gle image fog removal.Acta Automatica Sinica,2011,37(2): 143−149(禹晶,李大鹏,廖庆敏.基于物理模型的快速单幅图像去雾方法.自动化学报,2011,37(2):143−149)14Gibson K B,Vo D T,Nguyen T Q.An investigation of dehazing effects on image and video coding.IEEE Transac-tions on Image Processing,2012,21(2):662−67315Narasimhan S G,Nayar S K.Removing weather effects from monochrome images.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recog-nition.Washington D.C.,USA:IEEE,2001.186−19316Narasimhan S G,Nayar S K.Contrast restoration of weather degraded images.IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(6):713−72417Burt P J,Kolczynski R J.Enhanced image capture through fusion.In:Proceedings of the IEEE Computer on Computer Vision,Berlin,Germany:IEEE,1993.173−18218He Kai-Ming,Sun Jian,Tang Xiao-Ou.Guided imagefil-tering.IEEE Transaction on Pattern Analysis and Machine Intelligence,2013,35(6):1397−140919Li Da-Peng,Yu Jing,Xiao Chuang-Bai.No-reference qual-ity assessment method for defogged images.Journal of Im-age and Graphics,2011,16(9):1753−1757(李大鹏,禹晶,肖创柏.图像去雾的无参考客观质量评测方法.中国图象图形学报,2011,16(9):1753−1757)张小刚湖南大学电气与信息工程学院教授.主要研究方向为工业窑炉过程控制与模式识别.E-mail:*********************(ZHANG Xiao-Gang Professor atthe College of Electrical and Infor-mation Engineering,Hunan University.His research interest covers process con-trol and pattern recognition for industrial kiln.)唐美玲湖南大学硕士研究生.主要研究方向为图像处理与模式识别.E-mail:*******************.cn(TANG Mei-Ling Master studentat the College of Electrical and Infor-mation Engineering,Hunan University,Her research interest covers image pro-cessing and pattern recognition.)陈华湖南大学信息科学与工程学院讲师.主要研究方向为图像处理与模式识别.本文通信作者.E-mail:*****************(CHEN Hua Lecturer at the Schoolof Information Science and Engineer-ing,Hunan University.Her research in-terest covers image processing and pat-tern recognition.Corresponding author of this paper.)汤红忠湘潭大学信息工程学院副教授.主要研究方向为压缩感知,稀疏表示及其在图像处理与模式识别中的应用.E-mail:*****************(TANG Hong-Zhong Associateprofessor at the College of Informa-tion Engineering,Xiangtan University.Her research interest covers compressed sensing,sparse representation and the application into im-age processing and pattern recognition.)。

双边滤波算法双边滤波算法是一种常见的图像处理算法，也是一种非常实用的滤波算法，它经常被应用于图像去噪、边缘保留和图像平滑处理中。

本文将从算法原理、应用场景和实现方法等方面对双边滤波算法做一介绍。

1.算法原理双边滤波算法是一种基于高斯滤波的算法，但它并不仅仅是一个简单的高斯滤波。

它使用了一个权值函数，这个权值函数是一个函数的输出与图像上像素之间的差距的指数函数。

这个指数函数的设计实现了保留边缘和消除噪点的双重目的。

这个函数中包含了两个参数：像素差值参数和距离参数。

像素差值参数决定了对图像边缘的保护程度，越大保护力度越强，但同时也会影响噪点的处理效果；距离参数则决定了像素之间的协同作用的程度，即距离越大则权值越小，越小权值越大，相邻像素的权值显然大于远离的像素。

2.应用场景双边滤波算法可以应用于很多图像处理领域，例如：图像去噪、图像锐化、图像平滑等。

在一个图像中，噪点和边缘的合理处理是一项非常困难的任务，很多经典的滤波算法都难以兼顾到两者。

谈到噪点，如果我们只是简单的通过低通滤波扫过图像，我们会发现图像的边缘被滤波时有被模糊的感觉；而针对边缘，我们如果只保留边缘的高频，那么噪点则会趁机将这部分高频信号破坏。

在这个过程中，双边滤波算法通过拟合一个指数函数，通过像素差值和距离来确定像素的权值，并用权值对像素进行滤波，既能有效去除噪点，又能保留图像边缘的细节。

3.实现方法双边滤波算法是一种基于空间域卷积的算法，所以，它的运算过程可以很容易的在计算机上实现。

以一幅灰度图像为例，我们可以先定义一个空间范围和一个像素差值范围，然后在图像上扫过每个像素，并记录权值。

在这个过程中，我们可以调整像素差值和距离参数的大小来达到不同的特效和目的。

虽然双边滤波算法可以很好的应用于一些图像处理领域，但是算法的复杂度会随着运算过程的增加而增加，需要在算法的实现过程中注意到这点。

在计算权值时，可以用一些图像加速算法，这样可以减少算法的复杂度，降低时间和空间的开销。

第16卷第30期2016年10月 1671 — 1815(2016)30-0274-04科学技术与工程Science Technology and EngineeringVol. 16 No. 30 Oct. 2016©2016 Sci. Tech. Engrg.雾霾天气下基于二次滤波的交通图像去雾算法黄鹤M宋京3王会峰M雷旭1张跋1(长安大学电子与控制工程学院1 ,陕西省道路交通智能检测与装备工程技术研究中心2,西安710064;中交第二公路工程局有限公司3,西安710065)摘要雾霾天气下采集到的退化含噪图像模糊不清、对比度较低；而使用传统基于双边滤波的去雾方法得到的图像偏暗，效果有限。

针对这些问题，提出了一种新的基于二次滤波的算法，实现雾霾天气下交通图像去雾处理;利用双边滤波对含雾 图像的暗通道图像进行第一次滤波，用引导滤波对图像的透射率粗估计进行二次滤波优化。

根据降质模型对含雾图像进行 复原，进而得到去雾后的图像。

实验效果证明，与传统方法相比，得到的去雾图像与真实场景亮度更加相似，色彩饱和度较 好，图像质量较高。

关键词雾霾交通 图像 去雾 双边滤波 引导滤波中图法分类号TP391.41 U491.6; 文献标志码B雾霾天气下，交通图像采集设备采集到的图像 往往是受光照减弱和空气中的雾珠、粉尘的折射和 散射影响后的降质图像，含有较多噪声，图像边缘不 突出，图像整体偏暗且对比度不高，灰白不清。

这给 雾霾天气下交通情况的监测带来了难度，同时也给 交通安全带来了隐患[1]。

雾霾天气下的图像检测 算法成为目前的研究热点。

现有去雾算法主要可以分为基于图像增强的去 雾和基于物理模型的场景复原方法。

T a n[2]通过增 强图像局部颜色对比度的方法，首次实现了基于单 幅图像的去雾。

E m等[3]采用非块重叠的方法进行 局部直方图均衡化，减少雾霾对于图像中有用信息 的干扰。

图像增强方法只是减少了雾霾的干扰，对 雾并没有从本质上去除，因此去雾效果并不理想。

基于双边滤波器的红外图像条纹噪声消除算法王书朋;高腾【期刊名称】《红外技术》【年(卷),期】2014(000)009【摘要】提出了一种新的消除红外图像中条纹噪声的方法。

由于红外焦平面阵列中每列读出电路的偏置电压不同，导致红外图像中有明显的条纹状噪声。

分析了读出电路偏置电压不均匀对红外成像的影响，提出了利用双边滤波器估计读出电路偏置电压的方法，并使用估计的偏置电压校正红外图像。

基于实际红外图像的实验结果表明，提出的算法能够显著地消除红外图像中的条纹噪声。

%This paper introduces a novel approach to eliminate stripe noise in infrared images. The differences between bias voltages in column readout circuit of infrared focal plane arrays result in strong stripe noise. This paper analyzes the influence of the column voltage bias on the readout signal and presents the approach to estimate the voltage biases using Bilateral filter. Then, infrared images are corrected by the estimated biases. The effectiveness of the method is shown according to the experimental results on real infrared images.【总页数】4页(P728-731)【作者】王书朋;高腾【作者单位】西安科技大学通信与信息工程学院，陕西西安 710054;西安科技大学通信与信息工程学院，陕西西安 710054【正文语种】中文【中图分类】TN216【相关文献】1.数学形态学滤波算法在红外图像噪声消除中的应用 [J], 高育鹏;黄树采;白云2.红外图像条纹噪声消除方法 [J], 隋修宝;陈钱;顾国华3.基于虚拟仪器的动车图像条纹噪声消除算法 [J], 于涛;王慧聪;杨世凤4.一种基于双边滤波的高动态红外图像压缩与细节增强算法 [J], 谢岱伟5.基于双边滤波的红外图像对比度增强算法研究 [J], 余峰因版权原因，仅展示原文概要，查看原文内容请购买。