CN111539891A - 单张遥感图像的波段自适应除雾优化处理方法 - Google Patents

Abstract

本发明提出一种单张遥感图像的波段自适应除雾优化处理方法，在遥感图像初始暗原色先验除雾法的基础上，一是为解决用初始暗原色先验方法除雾后，图像中的高亮度地物异常偏暗问题，首先利用光谱信息，提取出图像中的高亮度地物，然后再对这些提取出来的高亮度地物单独做自适应处理，保留高亮度地物的光谱信息；二是提出需要针对遥感图像中各波段做不同程度的处理，有效避免了除雾后图像异常偏蓝问题。通过以上二方面的优化改进，既能有效去除云雾污染，又能有效保持地物的光谱信息，总体而言得到十分满意的除雾效果。

Description

单张遥感图像的波段自适应除雾优化处理方法

技术领域

本发明涉及一种遥感图像除雾处理方法，特别涉及单张遥感图像的波段自适应除雾优化处理方法，属于遥感图像加工处理技术领域。

背景技术

随着遥感技术和计算机技术的高速发展，遥感图像的应用进入了一个新的阶段，在当前社会生活生产的众多领域，遥感图像都发挥着广泛而重要的作用。然而在实际应用过程中，遥感图像通常会受到气候和环境的影响，特别是在有云层或雾霾覆盖的区域，这些云雾污染极大地影响了遥感图像对地表信息的真实准确反映，不仅从视觉上影响干扰人工解译，同时对于各种后续处理的精度也会产生重大负面影响，例如地物的提取和分类。在遥感图像中，由于被厚云遮盖的区域，地物信息几乎完全丢失，一般要参考其它辅助图像或数据，才能对厚云进行去除。而被雾霾和薄云覆盖的区域不仅包含了雾霾和薄云的信息，也包含了地物信息，因此可以通过一些技术方法，去除雾霾和薄云的影响，恢复地物的真实信息，本发明也是主要针对单张遥感图像中雾霾和薄云的检测与去除技术。

大气中的雾霾和薄云对遥感图像造成的干扰，主要表现为以下二个方面：一方面，雾霾和薄云往往在遥感图像中呈现局部高亮度的特性，因此会遮挡部分地物信息，使得受污染区域像素的灰度范围缩小，导致遥感图像的对比度降低；另一方面，由于雾霾和薄云的干扰，会使得被遮盖地物的光谱信息失真，导致地物颜色会发生较大的偏移，难以达到满意的视觉效果，也对遥感图像的处理带来很多问题。

在对遥感图像的雾霾和薄云进行校正后，优化处理的图像也要满足以下二个条件：首先，改善后的遥感图像较初始图像应该有更高的对比度，能体现图像中更多的地物细节信息；其次，改善后的遥感图像应该能够恢复出初始图像中受污染地物的真实颜色信息，使之有更准确的光谱信息和更自然的视觉效果。

通过以上二方面的处理，改善图像的质量，提高遥感图像数据的可用性，为目视解译和各种后续处理作良好的铺垫。因此，通过研发遥感图像中雾霾和薄云的去除技术，抑制并消除雾霾和薄云对遥感图像的干扰，提高遥感数据的可用性，有重要的实际意义和应用价值。

现有技术中从九十年代开始，遥感图像中雾霾和薄云的去除问题逐渐引起重视，到目前为止，对于遥感图像中的除雾方法已经有了较多的探讨。总体而言，根据处理思路的不同，现有技术中遥感图像中的除雾方法大致可以分为以下四类：

一是基于特性提取的除雾方法：雾霾和薄云在光谱域和频率域上与地物有明显差异，因此可通过构建特定条件，突出云雾与地物之间的差异性，提取出云雾的分布信息，然后有针对性的对受云雾污染的区域进行增强，实现图像中云雾的去除，例如：同态滤波法、缨帽变换法、波段比值算法、HIS颜色空间变换等除雾方法。

二是基于多源多时相信息的云雾去除方法：利用覆盖相同区域的多源或多时相图像，和未被云雾污染纯净图像的局部区域，对被云雾污染对应的局部区域进行替换或融合，达到除雾目的，这类方法主要可以分为多时相信息除雾方法和多源信息除雾方法。

三是波段融合除雾方法：遥感图像中云雾一般只在RGB三个可见波段上有显著的影响，在近红外以及波长更长的波段上影响并不明显，结合红绿蓝三波段的光谱信息和长波段的梯度信息，基于波段融合实现除雾的效果。目前，利用波段融合效果比较好的方法有基于梯度融合的除雾方法。

四是基于先验假设的除雾方法：首先总结归纳无云雾图像的某些共性，然后根据这些共性推导出先验条件和假设，最终利用先验条件和假设，将受云雾污染的图像有方向性的恢复成无雾图像。此类代表性方法有：DOS暗目标法、HOT最优云雾检测变换法。

但是，现有技术的这些除雾方法由于忽略了真实遥感图像中雾呈现不均匀分布的特性，采用整体统一处理方式对整张图像进行除雾处理，除雾后图像部分区域的云雾无法完全去除，而另一些区域却因过度处理而产生光谱失真问题，不能去除遥感图像中不均匀分布的云雾污染。现有技术的一些方法存在较大的局限性，当遥感图像中的场景与大气光很接近时，暗通道先验失效，因为图像中本身高亮度的物体暗原色值不可能接近于0，如果用初始暗原色方法，会发生过度处理的问题，因此现有技术的一些在这些场景中不适用。现有技术也出现了利用暗原色先验除雾法处理遥感图像时的探索，但依然存在一些突出问题，最核心的问题包括：

第一，高亮度地物异常偏暗问题。利用初始暗原色先验对遥感图像除雾处理后，图像中的云雾污染基本能被去除，但是图像中的裸土等高亮度地物，在除雾后会有明显的异常偏黄偏暗问题。引起这个问题的原因是场景中地物本身就高亮度，其光谱信息接近于大气光时，暗原色先验理论对这些地物不适用。因此，用初始暗原色方法对这些区域做除雾处理，会发生过度处理的问题。

第二，除雾后图像异常偏蓝问题。普通自然图像一般只包含红绿蓝三个可见光波段，而部分遥感图像的波段信息较丰富，除红绿蓝三个可见光波段外，还有近红外、中红外、远红外长波段。对于近红外波段及波长大于近红外波长的中红外、热红外波段，几乎不受雾的影响，因此在对多波段遥感图像除雾时，只对RGB三个可见光波段作除雾处理。利用初始暗原色先验方法做除雾处理后的图像有明显偏蓝的问题，产生异常偏蓝问题的原因在于，对多波段图像，雾对各波段的影响程度不同，随着波长的增加，雾对各波段的影响程度逐渐减小。因此，雾对红绿蓝三个波段的影响程度不同，雾对蓝波段的影响程度最大，对绿波段的影响程度次之，对红波段的影响程度最小。但初始暗原色先验方法并没有考虑到这一点，对RGB三个可见光波段，使用同一个透射率d，做完全相同的除雾处理，导致除雾后红波段上的云雾污染可被去除干净，而绿波段和蓝波段上的云雾污染无法去除干净，导致除雾后的图像有异常偏蓝倾向。

本发明针对除雾后图像中高亮度地物异常偏暗和除雾后图像异常偏蓝这二方面的问题做自适应除雾优化处理，将初始暗原色先验除雾法应用到遥感图像除雾，取得满意的除雾效果。

发明内容

针对现有技术的不足，本发明提出一种单张遥感图像的波段自适应除雾优化处理方法，在遥感图像初始暗原色先验除雾法的基础上，一是为解决用初始暗原色先验方法除雾后，图像中的高亮度地物异常偏暗问题，首先利用光谱信息，提取出图像中的高亮度地物，然后再对这些提取出来的高亮度地物单独做自适应处理，保留了高亮度地物的光谱信息；二是提出需要针对遥感图像中各波段做不同程度的处理，对蓝波段的除雾处理程度最大，绿波段次之，红波段做较小程度的除雾处理，对近红外及波长大于近红外波段的长波段不做除雾处理，有效避免了除雾后图像异常偏蓝问题。通过以上二方面的优化改进，既能有效去除云雾污染，又能有效保持地物的光谱信息，总体而言得到十分满意的除雾效果。

为达到以上技术效果，本发明所采用的技术方案如下：

单张遥感图像的波段自适应除雾优化处理方法，在初始暗原色先验除雾法的基础上做出改进，

一方面，提出解决用初始暗原色先验方法除雾后，图像中的高亮度地物异常偏暗的一种处理方法：采用高亮度地物自适应除雾处理，首先利用光谱信息，提取出遥感图像中的高亮度地物，然后再对这些提取出来的高亮度地物单独做自适应处理，保留高亮度地物的光谱信息；

另一方面，提出解决用初始暗原色先验方法除雾处理后图像异常偏蓝的的一种处理方法：采用波段自适应除雾处理，针对遥感图像中各波段做不同程度的处理，对蓝波段的除雾处理程度最大，绿波段次之，红波段做较小程度的除雾处理，对近红外及波长大于近红外波段的长波段不做除雾处理；

单张遥感图像的波段自适应除雾优化处理方法包括以下步骤：

第一步，初始遥感图像获取；

第二步，遥感图像规范化处理；

第三步，暗原色计算；

第四步，暗原色图生成；

第五步，大气光计算；

第六步，初始透色率计算；

第七步，高亮度地物自适应除雾处理和波段自适应除雾处理；

第八步，导向图滤波驱动的透射率优化；

第九步，去雾后遥感图像求解。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，本发明基于初始暗原色先验除雾法，去除遥感图像中不均匀分布的云雾污染；

初始暗原色先验除雾法的内容为：对绝大多数户外无雾遥感图像，除去天空高亮度区域，在图像的局部区域总存在一些像素，这些像素在RGB三个颜色通道上的某一个或几个颜色通道上的强度值很低，并且接近于0，即在户外无雾图像上任意取一个局部区域，统计该区域内在R、G、B三个颜色通道上的最小值，这个值接近于0；

任意选取一张户外无雾图像A，统计无雾图像A局部区域内的暗原色值A^dark，暗原色值A^dark用式1表示：

式1中，A^c代表图像的一个颜色通道，r,g,b为颜色通道，Ω(x)表示图像中以位置在x的像素为中心的正方形局部区域；

对绝大多数户外无雾图像，除去天空自身就高亮度的区域，在图像中的局部求取的暗原色强度值很低，并且数值接近于0，式2描述即为：

A^dark→0 式2

用雾图像的结构方程描述有雾图像的组成，方程表达形式如式3：

B(x)＝A(x)d(x)+E[1-d(x)] 式3

式3中,B(x)代表现实中观测到的有雾图像，A(x)是理想中的无雾场景，也是期望最终恢复的结果，E是全局范围内的大气光值，代表整张图像中雾浓度最大像素的强度值，d(x)代表图像的透射率，即在传播中没有被大气散射，最终进入成像系统的光线占光线总量的比例；

雾图像的结构方程表示一张有雾遥感图像由两部分组成，一部分是真实的无雾场景，另一部分是大气环境光的干扰，这两部分所占的权重分别是d(x)和1-d(x)。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，大气光E代表整张图像中，雾浓度最大点的像素值，根据以下这两个步骤求取：

第1步，以15×15为计算步长，得到初始图像的暗原色图，在暗原色图中选取前千分之一的最亮像素；

第2步，将这千分之一的最亮像素与初始图像相对应，选取其中亮度值最大的像素点，把亮度值最大的像素点的RGB值作为大气光E的值。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，假设大气光E已经被求取,B代表现实中观测到的有雾图像，A是理想中的无雾场景，A^c代表图像的一个颜色通道，r,g,b为颜色通道，Ω(x)表示图像中以位置在x的像素为中心的正方形局部区域，并且在局部区域Ω(x)中，透射率d′(x)是一个定值，综合式1和式3，可求得式4：

单张遥感图像的波段自适应除雾优化处理方法，进一步的，结合暗原色先验理论,在户外无雾图像A中，局部区域暗原色A^dark的强度值接近0,同时全局范围内的大气光值E恒为正数,根据以上两个条件，可以得式5：

将式5代入到式4中运算,得到透射率d′(x)的值，如式6所示：

在对初始图像进行归一化处理后，

即代表图像中局部区域的暗原色值；

最后，在得到大气光C和透射率d′(x)的值后，对初始透射率图进行优化后，综合式3和式6，即可恢复出无雾图像A：

通过以上步骤，将暗原色先验理论与雾图像的结构方程相结合，实现遥感图像中雾污染的去除。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，本发明提出高亮度地物自适应除雾处理方法：首先，根据地物光谱特性的不同，将遥感图像中的高亮度地物提取出来；然后，对提取的高亮度地物做自适应除雾处理，赋予合适的除雾强度。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，高亮度地物的提取中，如果图像只有RGB三个波段，根据各地物光谱特性的不同，采用判别条件F提取遥感图像中的高亮度地物：

式8中，RGB分别代表图像的红绿蓝三个波段；

利用式8判别条件，对遥感图像中的每个像素进行判断，如果像素对应的F值小于1，判断为高亮度地物；如果F值大于1.5，判断为非高亮度地物；如果F值在1-1.5之间，判断为高亮度地物到非高亮度地物之间的过渡；

如果遥感图像除红绿蓝三个波段外，还有近红外等多个波段，利用归一化水指数NDWI和归一化植被指数NDVI这两个系数作为判断条件，准确提取图像中的高亮度地物式，

式9和式10中，Nir代表近红外波段，R代表红波段，G代表绿波段。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，对高亮度地物做自适应除雾处理中，提取遥感图像中的高亮度地物后，进行除雾处理，对高亮度地物赋予合适的除雾强度，做自适应除雾处理，引入一个参数h来调节除雾处理强度，h的取值范围为0至1之间，d′(x)为修正后的透射率，

对于有RGB三波段的图像，h的取值式12所示：

通过引入参数h修正高亮度地物区域的透射率，调节对遥感图像中高亮度地物的处理强度，将修正后的透射率图做平滑滤波处理，得到最终的透射率图，本发明采用的平滑滤波处理方法是导向图滤波，采用导向图滤波在对遥感图像作平滑滤波处理的同时，可有效保留不同地物间的边界信息；

大气光E和修正后的透射率d′(x)求解出来后，最终根据式11对图像做除雾处理。

单张遥感图像的波段自适应除雾优化处理方法，进一步的，波段自适应除雾处理中，只对RGB三个可见波段作除雾处理，本发明提出一个模型：通过初始暗原色求取透射率后，演算出分别针对RGB每个波段的透射率，实现对RGB三个波段做不同程度的自适应除雾处理；

同时假设云雾的分布浓度，在RGB三个波段上满足以下二个条件：

一是对相同浓度的云雾，对红绿蓝三波段的影响程度递增，RGB三个波段的透射率排序为：红波段透射率最高，绿波段次之，蓝波段最低；因此在有雾区域，对RGB三个波段的处理强度递增；

二是云雾的浓度越浓，云雾对RGB三个波段的影响差异越大，对RGB三个波段的处理强度差异也越大，同时在无雾区域，对RGB三个波段都不做处理；

根据以上这两条规则，基于初始透射率，引入两个调节系数J和K，利用这两个系数，对RGB三波段实施不同的除雾强度；

D∈[0,11； D_R＝D

J＝(0.9+0.1*D)^2； DG＝J*D

K＝(0·7+0·3*D)^2； D_B＝K*D 式13

式13中，D是根据暗原色先验求取出来的初始透射率，D_R、D_G、D_B分别为针对RGB三个波段的透射率，不同的透射率值代表对三个波段的处理强度不同；

通过初始暗原色先验方法求取的透射率，可把红波段上的云雾完全去除，所以把初始透射率作为红波段上的透射率。然后，通过引入调节系数J和K，基于初始暗原色先验方法求取的透射率，分别演算出绿波段和蓝波段上的透射率，增加对绿波段和蓝波段的处理强度。

与现有技术相比，本发明的优点和创新点在于：

一是提供了一套遥感图像云雾检测与去除的系统方法，对本发明的单张遥感图像的波段自适应除雾优化处理方法做了系统的方案设计与归纳。经过本发明优化处理的暗原色先验方法在对遥感图像除雾处理后，可得到满意的视觉效果，有效避免了除雾后图像异常偏蓝问题。通过以上二方面对初始暗原色先验方法的优化改进，针对遥感图像中的云雾污染，既能有效去除云雾污染，又能有效保持地物的光谱信息，总体而言得到十分满意的除雾效果。

二是针对将初始暗原色先验方法应用到遥感图像除雾时,会产生高亮度地物异常偏暗问题，本发明提出需要对遥感图像中的高亮度地物做自适应除雾处理。考虑到遥感图像中的高亮度地物区域并不符合暗原色先验规律，因此，基于初始暗原色先验除雾法，本发明提出在针对遥感图像做除雾处理时，首先提取图像中的高亮度地物，然后对这些高亮度地物做合适程度的自适应除雾处理，避免高亮度地物在除雾后产生异常偏暗问题。

三是针对将初始暗原色先验方法应用到遥感图像除雾时，会产生图像异常偏蓝的问题，本发明提出需要对遥感图像中的各个波段做自适应除雾处理。考虑到遥感图像中各波段受云雾污染的程度不同，基于初始暗原色先验除雾法，本发明提出对图像的各个波段设置相应的除雾强度，自适应去除各波段的云雾污染，恢复真实自然的无雾图像，获得更真实自然的视觉效果。

通过以上三个方面，本发明根据遥感图像的特性，创新性地将原本使用在户外图像除雾的暗原色先验方法应用到遥感图像除雾中，除雾后的视觉结果和实验评价也证明了本发明提出的单张遥感图像的自适应暗原色先验除雾法的有效性。

附图说明

图1是本发明单张遥感图像的波段自适应除雾优化处理方法的流程图。

图2是本发明遥感图像中高亮度地物的提取结果示意图。

图3是本发明自适应除雾处理中参数h与处理强度间关系的对比图。

图4是本发明优化处理后的暗原色先验方法的去雾效果图对比示意图。

具体实施方式

下面结合附图，对本发明提供的单张遥感图像的波段自适应除雾优化处理方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能予以实施。

遥感图像中的云雾在图像中的分布比较均匀，在局部区域的厚度变化比较平缓，本发明针对遥感图像暗原色先验除雾法，分析将初始的暗原色先验方法应用到遥感图像除雾时的合理性，以及产生的问题。

本发明提供的单张遥感图像的波段自适应除雾优化处理方法，首先详细记载了遥感图像暗原色先验除雾法的实现流程，针对初始暗原色先验方法对遥感图像除雾处理后，图像中的云雾污染基本可去除，但是除雾后的图像有两个比较严重的问题，研发的对应的解决方案，两个比较严重的问题为：

第一个问题是高亮度地物区域由于不符合暗原色先验的假设条件，在除雾过程中对这些地物的处理程度过大，导致除雾后，这些高亮度地物明显异常偏暗，对应地物的光谱信息明显异常。

第二个问题是初始暗原色先验方法是针对只包含红绿蓝三个可见光波段的普通自然图像，而遥感图像通常有很多个波段。同时，雾污染对各波段的污染程度不相同，雾一般只对红绿蓝这三个可见光波段造成污染，对于波长大于等于近红外的长波段，几乎不受雾的干扰，因此利用暗原色先验方法一般只对遥感图像中红绿蓝这三个可见光波段做除雾处理，对近红外波段等长波段不做除雾处理。对于较大浓度的云雾，它对红绿蓝三个波段的污染程度也不同，波长越长，受雾污染的程度越小，波长越短，受雾污染的程度越大。因此蓝波段受雾的污染程度最大，绿波段次之，红波段受雾污染的程度最小，而初始暗原色先验方法并没有考虑到这一点，它对红绿蓝三个波段做相同程度的处理，导致除雾后的图像中，绿波段和蓝波段上的云雾污染可能无法完全去除，因此出现除雾后的图像异常偏蓝的问题。

本发明在遥感图像初始暗原色先验除雾法的基础上，针对以上两个问题做出了改进。一方面，为解决用初始暗原色先验方法除雾后，图像中的高亮度地物异常偏暗问题，本发明提出一种处理思路：首先利用光谱信息，提取出图像中的高亮度地物，然后再对这些提取出来的高亮度地物单独做自适应处理，可得到满意的实验效果，有效保留了高亮度地物的光谱信息。另一方面，弄清用初始暗原色先验方法除雾处理后图像异常偏蓝的原因后，本发明基于初始暗原色先验方法，提出需要针对遥感图像中各波段做不同程度的处理，对蓝波段的除雾处理程度最大，绿波段次之，红波段做较小程度的除雾处理，对近红外及波长大于近红外波段的长波段不做除雾处理。实验结果证明，优化处理的暗原色先验方法在对遥感图像除雾处理后，可得到满意的视觉效果，有效避免了除雾后图像异常偏蓝问题。通过以上二方面对初始暗原色先验方法的优化改进，针对遥感图像中的云雾污染，既能有效去除云雾污染，又能有效保持地物的光谱信息，总体而言得到十分满意的除雾效果。

一、流程步骤

本发明提供的单张遥感图像的波段自适应除雾优化处理方法流程图如图1所示，包括以下步骤：

第一步，初始遥感图像获取；

第二步，遥感图像规范化处理；

第三步，暗原色计算；

第四步，暗原色图生成；

第五步，大气光计算；

第六步，初始透色率计算；

第七步，高亮度地物自适应除雾处理和波段自适应除雾处理；

第八步，导向图滤波驱动的透射率优化；

第九步，去雾后遥感图像求解。

二、遥感图像初始暗原色先验除雾

现有技术的除雾方法由于忽略了真实遥感图像中雾呈现不均匀分布的特性，采用整体统一处理方式对整张图像进行除雾处理，除雾后图像部分区域的云雾无法完全去除，而另一些区域却因过度处理而产生光谱失真问题，本发明基于暗原色先验除雾法，可有效去除遥感图像中不均匀分布的云雾污染。

初始暗原色先验除雾法的内容为：对绝大多数户外无雾遥感图像，除去天空高亮度区域，在图像的局部区域总存在一些像素，这些像素在RGB三个颜色通道上的某一个或几个颜色通道上的强度值很低，并且接近于0，即在户外无雾图像上任意取一个局部区域，统计该区域内在R、G、B三个颜色通道上的最小值，这个值接近于0。

任意选取一张户外无雾图像A，统计无雾图像A局部区域内的暗原色值A^dark，暗原色值A^dark用式1表示：

上式中，A^c代表图像的一个颜色通道，r,g,b为颜色通道，Ω(x)表示图像中以位置在x的像素为中心的正方形局部区域。

对于绝大多数户外无雾图像，除去天空自身就高亮度的区域，在图像中的局部求取的暗原色强度值很低，并且数值接近于0，式2描述即为：

A^dark→0 式2

对户外无雾图像，促成暗原色先验的原因主要有三个：一是户外无雾遥感图像中往往会存在阴影区域，而阴影区域对应像素在RGB三个颜色通道上的强度值往往很低；二是户外无雾图像中通常会有颜色显眼的物体，这些物体可能在某个通道上的值很高，而在其它通道上的值比较低；三是户外无雾图像中通常会有暗目标，这些物体在RGB三个颜色通道上的强度值往往很低。

用雾图像的结构方程描述有雾图像的组成，方程表达形式如式3：

B(x)＝A(x)d(x)+E[1-d(x)] 式3

上式中,B(x)代表现实中观测到的有雾图像，A(x)是理想中的无雾场景，也是期望最终恢复的结果，E是全局范围内的大气光值，代表整张图像中雾浓度最大像素的强度值，d(x)代表图像的透射率，即在传播中没有被大气散射，最终进入成像系统的光线占光线总量的比例。

雾图像的结构方程表示一张有雾遥感图像由两部分组成，一部分是真实的无雾场景，另一部分是大气环境光的干扰，这两部分所占的权重分别是d(x)和1-d(x)。

大气光E代表整张图像中，雾浓度最大点的像素值，根据以下这两个步骤求取：

第1步，以15×15为计算步长，得到初始图像的暗原色图，在暗原色图中选取前千分之一的最亮像素；

第2步，将这千分之一的最亮像素与初始图像相对应，选取其中亮度值最大的像素点，把亮度值最大的像素点的RGB值作为大气光E的值。

假设大气光E已被求取,B代表现实中观测到的有雾图像，A是理想中的无雾场景，A^c代表图像的一个颜色通道，r,g,b为颜色通道，Ω(x)表示图像中以位置在x的像素为中心的正方形局部区域，并且在局部区域Ω(x)中，透射率d′(x)是一个定值，综合式1和式3，可求得式4：

结合暗原色先验理论,在户外无雾图像A中，局部区域暗原色A^dark的强度值接近0,同时全局范围内的大气光值E恒为正数,根据以上两个条件，可以得式5：

将式5代入到式4中运算,得到透射率d′(x)的值，如式6所示：

在对初始图像进行归一化处理后，

即代表图像中局部区域的暗原色值。

最后，在得到大气光C和透射率d′(x)的值后，对初始透射率图进行优化后，综合式3和式6，即可恢复出无雾图像A：

通过以上步骤，将暗原色先验理论与雾图像的结构方程相结合，实现遥感图像中雾污染的去除。

但是初始暗原色先验有较大的局限性，当遥感图像中的场景与大气光很接近时，暗通道先验失效，因为图像中本身高亮度的物体暗原色值不可能接近于0，如果用初始暗原色方法，会发生过度处理的问题，因此暗原色先验理论在这些场景中不适用。

三、初始暗原色先验除雾法处理遥感图像时的问题

(一)高亮度地物异常偏暗问题

利用初始暗原色先验对遥感图像除雾处理后，图像中的云雾污染基本能被去除，但是图像中的裸土等高亮度地物，在除雾后会有明显的异常偏黄偏暗问题。

引起这个问题的原因是场景中地物本身就高亮度，其光谱信息接近于大气光时，暗原色先验理论对这些地物不适用。因此，用初始暗原色方法对这些区域做除雾处理，会发生过度处理的问题。

(二)除雾后图像异常偏蓝问题

普通自然图像一般只包含红绿蓝三个可见光波段，而部分遥感图像的波段信息较丰富，除红绿蓝三个可见光波段外，还有近红外、中红外、远红外长波段。对于近红外波段及波长大于近红外波长的中红外、热红外波段，几乎不受雾的影响，因此在对多波段遥感图像除雾时，只对RGB三个可见光波段作除雾处理。

利用初始暗原色先验方法做除雾处理后的图像有明显偏蓝的问题，产生异常偏蓝问题的原因在于，对多波段图像，雾对各波段的影响程度不同，随着波长的增加，雾对各波段的影响程度逐渐减小。因此，雾对红绿蓝三个波段的影响程度不同，雾对蓝波段的影响程度最大，对绿波段的影响程度次之，对红波段的影响程度最小。

但初始暗原色先验方法并没有考虑到这一点，对RGB三个可见光波段，使用同一个透射率d，做完全相同的除雾处理，导致除雾后红波段上的云雾污染可被去除干净，而绿波段和蓝波段上的云雾污染无法去除干净，导致除雾后的图像有异常偏蓝倾向。

本发明针对除雾后图像中高亮度地物异常偏暗和除雾后图像异常偏蓝这二方面的问题做自适应除雾优化处理，期望将初始暗原色先验除雾法应用到遥感图像除雾，取得满意的除雾效果。

四、高亮度地物自适应除雾处理方法

为解决除雾后图像中的高亮度地物异常偏暗的问题，本发明提出高亮度地物自适应除雾处理方法：

首先，根据地物光谱特性的不同，将遥感图像中的高亮度地物提取出来；然后，对提取的高亮度地物做自适应除雾处理，赋予合适的除雾强度。

(1)高亮度地物的提取

如果图像只有RGB三个波段，根据各地物光谱特性的不同，采用判别条件F提取遥感图像中的高亮度地物：

式8中，RGB分别代表图像的红绿蓝三个波段。

利用式8判别条件，对遥感图像中的每个像素进行判断，如果像素对应的F值小于1，判断为高亮度地物；如果F值大于1.5，判断为非高亮度地物；如果F值在1-1.5之间，判断为高亮度地物到非高亮度地物之间的过渡。图2是遥感图像中高亮度地物的提取结果示意图，利用该判别条件，对高亮度地物提取的结果，上图为初始图像，下图为高亮度地物的提取结果，绝大多数的高亮度地物能被准确提取出来。

如果遥感图像除红绿蓝三个波段外，还有近红外等多个波段，利用归一化水指数NDWI和归一化植被指数NDVI这两个系数作为判断条件，准确提取图像中的高亮度地物式，

式9和式10中，Nir代表近红外波段，R代表红波段，G代表绿波段。

在具体实施例的一幅遥感图像中，用NDVI<0.2&NDWI<0作为判断条件，就可以准确的把图像中的高亮度地物提取出来其中。

(2)对高亮度地物做自适应除雾处理

提取遥感图像中的高亮度地物后，进行除雾处理，对高亮度地物赋予合适的除雾强度，做自适应除雾处理。在式7中引入一个参数h来调节除雾处理强度，h的取值范围为0至1之间，d′(x)为修正后的透射率，

图3为自适应除雾处理中参数h与处理强度间关系的对比图，分别把h赋值为0.6，0.8，1，从除雾后结果间的对比可看出，h值越大，处理强度越强；h值越小，处理强度越弱。通过调节h值，将提取的高亮度地物，赋以较小的处理强度，即高亮度地物对应的h值较小，非高亮度地物对应的h值较大，介于高亮度地物和非高亮度地物之间，h值是渐变的。

对于有RGB三波段的图像，h的取值式12所示：

通过引入参数h修正高亮度地物区域的透射率，调节对遥感图像中高亮度地物的处理强度。将修正后的透射率图做平滑滤波处理，得到最终的透射率图，本发明采用的平滑滤波处理方法是导向图滤波，采用导向图滤波在对遥感图像作平滑滤波处理的同时，可有效保留不同地物间的边界信息。

大气光E和修正后的透射率d′(x)求解出来后，最终根据式11对图像做除雾处理。

图4是优化处理的暗原色先验方法的去雾效果对比示意图，分别展示了初始暗原色先验方法的除雾结果和优化处理的自适应暗原色方法除雾后的结果，其中，(a)为初始遥感图像，(b)为初始暗原色方法除雾后的结果，(c)为提取的高亮度地物，(d)为优化处理的自适应暗原色方法除雾后的结果。实验结果表明，用优化处理的暗原色先验方法，对图像中的高亮度地物做自适应处理后，不仅可以去除图像中云雾的干扰，而且可以有效保留高亮度地物的光谱信息，避免了初始暗原色先验方法对高亮度地物处理时，因过度处理而造成的异常偏暗问题。

五、波段自适应除雾处理

遥感图像中云雾污染对各波段的影响程度不同，对于多波段图像，随波长增加，雾对各波段的影响程度逐渐减小。对于近红外波段及波长大于近红外波长的波段，比如中红外、热红外波段，几乎不受雾的影响。

所以在对多波段遥感图像做除雾的时候，只对RGB三个可见波段作除雾处理。同时在初始暗原色先验方法中，对RGB三个波段用同一透射率d，做相同程度的除雾处理，可能会使绿波段和蓝波段上的云雾无法完全去除，导致除雾后的图像偏蓝。

为解决除雾后图像异常偏蓝问题，本发明提出一个模型：通过初始暗原色求取透射率后，演算出分别针对RGB每个波段的透射率，实现对RGB三个波段做不同程度的自适应除雾处理。

同时假设云雾的分布浓度，在RGB三个波段上满足以下二个条件：

一是对相同浓度的云雾，对红绿蓝三波段的影响程度递增，RGB三个波段的透射率排序为：红波段透射率最高，绿波段次之，蓝波段最低；因此在有雾区域，对RGB三个波段的处理强度递增；

二是云雾的浓度越浓，云雾对RGB三个波段的影响差异越大，对RGB三个波段的处理强度差异也越大，同时在无雾区域，对RGB三个波段都不做处理。

根据以上这两条规则，基于初始透射率，引入两个调节系数J和K，利用这两个系数，对RGB三波段实施不同的除雾强度。

D∈[0,1]； D_R＝D

J＝(0.9+0.1*D)^2； DG＝J*D

K＝(0·7+0·3*D)^2； D_B＝K*D 式l3

式13中，D是根据暗原色先验求取出来的初始透射率，D_R、D_G、D_B分别为针对RGB三个波段的透射率，不同的透射率值代表对三个波段的处理强度不同。

通过初始暗原色先验方法求取的透射率，可把红波段上的云雾完全去除，所以把初始透射率作为红波段上的透射率。然后，通过引入调节系数J和K，基于初始暗原色先验方法求取的透射率，分别演算出绿波段和蓝波段上的透射率，从而增加对绿波段和蓝波段的处理强度，避免用初始暗原色先验方法除雾时，由于蓝绿波段上的云雾无法完全去除，导致图像异常偏蓝问题。

通过实验表明，用优化处理的暗原色先验方法，对遥感图像中的各个波段做不同程度的自适应处理后，不仅可去除图像中云雾干扰，而且可以有效保留初始图像的光谱信息，避免了初始暗原色先验方法在处理遥感图像时，出现的异常偏蓝问题。

六、导向图滤波驱动的透射率优化

通过以上步骤，能求取原始遥感图像对应的初始透射率，初始透射率能大概反映图像中云雾的分布情况，但由于之前统计暗原色值时，采用的是15*15的正方形区域，因此初始透射率会存在局部结块的问题。为了能得到更精确更平滑的透射率图，需要对初始透射率做滤波处理。

本发明采用的滤波方法是导向图滤波，导向图滤波既实现了平滑的滤波效果，又能保持图像的边缘信息，而且处理效率很高，运行速度较快。

导向图滤波的核心框架为：函数上的一个指定点与其临近区域的点之间表现为线性关系，一个复杂的高级函数可用很多个局部的线性函数合成表示。

导向图滤波驱动的遥感图像处理中，包含输入图像L，引导图像M和输出图像N，其中，输入图像L和参考的引导图像M既可以为同一张图像，也可以为不同图像。

导向图滤波假设一张图像可视为一个二维函数，并且经滤波处理后的平滑图像N与输入图像L之间，在一个二维窗口内满足线性关系，用式14表示：

式14中，w_k代表一个正方形窗口，M是引导图像的值，N是输出图像的值，k代表窗口的索引号，i表示输入与输出图像的像素编号，a_k和b_k代表当滤波窗口的中心位置位于k时，导向图滤波对应线性函数的系数，式14表示在一个局部区域内，输出图像L和输入图像N之间存在线性关系。

输入图像L一般是待处理的图像，而引导图像M可以是其它图像，也可以是待处理图像本身。

对式14两边同时求取梯度，得到以下结果：

式15中，当参考的引导图像M有特定的梯度信息时，经导向图滤波处理后的输出图像N也存在类似的梯度信息，因此输出图像N具有与参考图像M类似的边缘信息，这就是导向图滤波在平滑滤波处理时同时能保持边缘特性的原因。

导向图滤波的关键在于求解局部区域内线性系数a_k和b_k的最优解，使输入图像和输出图像之间的差异性尽量小，即保证以下函数值最小：

式16中，L是输入图像，M是引导图像，e是一项正则参数，用来防止平滑项

的值过大，e也是调节滤波效果的一项重要参数。

借助于线性回归分析方法，得到a_k和b_k的最优解，最优解的具体表达式如下所示：

式17和18中，w_k代表在局部窗口w_k内部的像素个数，

代表引导图像M在局部窗口w_k中的方差，μ_k代表引导图像在局部窗口w_k中的像素灰度的平均值，

表示待处理图像在窗口w_k中像素灰度的平均值。

在计算每个局部窗口w_k对应的线性系数时，对某个特定的像素，它常被多个不同的窗口交叉覆盖，即每个像素都由多个线性函数表达。因此，根据之前记载的导向图滤波的核心框架，将所有包含该像素的线性函数取平均值，获取该像素对应的输出值。求取的输出值可由下式来表示：

对于导向图滤波，主要有窗口半径r和正则化参数e影响最终的滤波效果,滤波窗口半径r越大，局部区域平滑效果越好，输出图像也会更为平滑；正则化参数e用来判断保持边缘的程度，e越大，输出图像越平滑，图像中的边缘信息越少,而e越小，输出图像会更多的保留初始图像中的边缘信息。

本发明提出的单张遥感图像的自适应暗原色除雾技术能够取得更好的除雾效果，既能有效除雾图像中的云雾干扰，又能有效保留图像的光谱信息，具有良好的可靠性，得到了十分满意的除雾效果。

Claims (9)

1.单张遥感图像的波段自适应除雾优化处理方法，其特征在于，在初始暗原色先验除雾法的基础上做出改进，

一方面，提出解决用初始暗原色先验方法除雾后，图像中的高亮度地物异常偏暗的一种处理方法：采用高亮度地物自适应除雾处理，首先利用光谱信息，提取出遥感图像中的高亮度地物，然后再对这些提取出来的高亮度地物单独做自适应处理，保留高亮度地物的光谱信息；

另一方面，提出解决用初始暗原色先验方法除雾处理后图像异常偏蓝的的一种处理方法：采用波段自适应除雾处理，针对遥感图像中各波段做不同程度的处理，对蓝波段的除雾处理程度最大，绿波段次之，红波段做较小程度的除雾处理，对近红外及波长大于近红外波段的长波段不做除雾处理；

单张遥感图像的波段自适应除雾优化处理方法包括以下步骤：

第一步，初始遥感图像获取；

第二步，遥感图像规范化处理；

第三步，暗原色计算；

第四步，暗原色图生成；

第五步，大气光计算；

第六步，初始透色率计算；

第七步，高亮度地物自适应除雾处理和波段自适应除雾处理；

第八步，导向图滤波驱动的透射率优化；

第九步，去雾后遥感图像求解。

2.根据权利要求1所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，本发明基于初始暗原色先验除雾法，去除遥感图像中不均匀分布的云雾污染；

初始暗原色先验除雾法的内容为：对绝大多数户外无雾遥感图像，除去天空高亮度区域，在图像的局部区域总存在一些像素，这些像素在RGB三个颜色通道上的某一个或几个颜色通道上的强度值很低，并且接近于0，即在户外无雾图像上任意取一个局部区域，统计该区域内在R、G、B三个颜色通道上的最小值，这个值接近于0；

任意选取一张户外无雾图像A，统计无雾图像A局部区域内的暗原色值A^dark，暗原色值A^dark用式1表示：

式1中，A^c代表图像的一个颜色通道，r,g,b为颜色通道，Ω(x)表示图像中以位置在x的像素为中心的正方形局部区域；

对绝大多数户外无雾图像，除去天空自身就高亮度的区域，在图像中的局部求取的暗原色强度值很低，并且数值接近于0，式2描述即为：

A^dark→0 式2

用雾图像的结构方程描述有雾图像的组成，方程表达形式如式3：

B(x)＝A(x)d(x)+E[1-d(x)] 式3

式3中,B(x)代表现实中观测到的有雾图像，A(x)是理想中的无雾场景，也是期望最终恢复的结果，E是全局范围内的大气光值，代表整张图像中雾浓度最大像素的强度值，d(x)代表图像的透射率，即在传播中没有被大气散射，最终进入成像系统的光线占光线总量的比例；

雾图像的结构方程表示一张有雾遥感图像由两部分组成，一部分是真实的无雾场景，另一部分是大气环境光的干扰，这两部分所占的权重分别是d(x)和1-d(x)。

3.根据权利要求2所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，大气光E代表整张图像中，雾浓度最大点的像素值，根据以下这两个步骤求取：

第1步，以15×15为计算步长，得到初始图像的暗原色图，在暗原色图中选取前千分之一的最亮像素；

第2步，将这千分之一的最亮像素与初始图像相对应，选取其中亮度值最大的像素点，把亮度值最大的像素点的RGB值作为大气光E的值。

4.根据权利要求3所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，假设大气光E已经被求取,B代表现实中观测到的有雾图像，A是理想中的无雾场景，A^c代表图像的一个颜色通道，r,g,b为颜色通道，Ω(x)表示图像中以位置在x的像素为中心的正方形局部区域，并且在局部区域Ω(x)中，透射率d′(x)是一个定值，综合式1和式3，可求得式4：

5.根据权利要求4所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，结合暗原色先验理论,在户外无雾图像A中，局部区域暗原色A^dark的强度值接近0,同时全局范围内的大气光值E恒为正数,根据以上两个条件，可以得式5：

将式5代入到式4中运算,得到透射率d′(x)的值，如式6所示：

在对初始图像进行归一化处理后，

即代表图像中局部区域的暗原色值；

最后，在得到大气光C和透射率d′(x)的值后，对初始透射率图进行优化后，综合式3和式6，即可恢复出无雾图像A：

通过以上步骤，将暗原色先验理论与雾图像的结构方程相结合，实现遥感图像中雾污染的去除。

6.根据权利要求1所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，本发明提出高亮度地物自适应除雾处理方法：首先，根据地物光谱特性的不同，将遥感图像中的高亮度地物提取出来；然后，对提取的高亮度地物做自适应除雾处理，赋予合适的除雾强度。

7.根据权利要求6所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，高亮度地物的提取中，如果图像只有RGB三个波段，根据各地物光谱特性的不同，采用判别条件F提取遥感图像中的高亮度地物：

式8中，RGB分别代表图像的红绿蓝三个波段；

利用式8判别条件，对遥感图像中的每个像素进行判断，如果像素对应的F值小于1，判断为高亮度地物；如果F值大于1.5，判断为非高亮度地物；如果F值在1-1.5之间，判断为高亮度地物到非高亮度地物之间的过渡；

如果遥感图像除红绿蓝三个波段外，还有近红外等多个波段，利用归一化水指数NDWI和归一化植被指数NDVI这两个系数作为判断条件，准确提取图像中的高亮度地物式，

式9和式10中，Nir代表近红外波段，R代表红波段，G代表绿波段。

8.根据权利要求6所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，对高亮度地物做自适应除雾处理中，提取遥感图像中的高亮度地物后，进行除雾处理，对高亮度地物赋予合适的除雾强度，做自适应除雾处理，引入一个参数h来调节除雾处理强度，h的取值范围为0至1之间，d′(x)为修正后的透射率，

对于有RGB三波段的图像，h的取值式12所示：

通过引入参数h修正高亮度地物区域的透射率，调节对遥感图像中高亮度地物的处理强度，将修正后的透射率图做平滑滤波处理，得到最终的透射率图，本发明采用的平滑滤波处理方法是导向图滤波，采用导向图滤波在对遥感图像作平滑滤波处理的同时，可有效保留不同地物间的边界信息；

大气光E和修正后的透射率d′(x)求解出来后，最终根据式11对图像做除雾处理。

9.根据权利要求1所述的单张遥感图像的波段自适应除雾优化处理方法，其特征在于，波段自适应除雾处理中，只对RGB三个可见波段作除雾处理，本发明提出一个模型：通过初始暗原色求取透射率后，演算出分别针对RGB每个波段的透射率，实现对RGB三个波段做不同程度的自适应除雾处理；

同时假设云雾的分布浓度，在RGB三个波段上满足以下二个条件：

一是对相同浓度的云雾，对红绿蓝三波段的影响程度递增，RGB三个波段的透射率排序为：红波段透射率最高，绿波段次之，蓝波段最低；因此在有雾区域，对RGB三个波段的处理强度递增；

二是云雾的浓度越浓，云雾对RGB三个波段的影响差异越大，对RGB三个波段的处理强度差异也越大，同时在无雾区域，对RGB三个波段都不做处理；

根据以上这两条规则，基于初始透射率，引入两个调节系数J和K，利用这两个系数，对RGB三波段实施不同的除雾强度；

D∈[0，1]；D_R＝D

J＝(0.9+0.1*D)^2；D_G＝J*D

K＝(0.7+0.3*D)^2；D_B＝K*D 式l3

式13中，D是根据暗原色先验求取出来的初始透射率，D_R、D_G、D_B分别为针对RGB三个波段的透射率，不同的透射率值代表对三个波段的处理强度不同；

通过初始暗原色先验方法求取的透射率，可把红波段上的云雾完全去除，所以把初始透射率作为红波段上的透射率。然后，通过引入调节系数J和K，基于初始暗原色先验方法求取的透射率，分别演算出绿波段和蓝波段上的透射率，增加对绿波段和蓝波段的处理强度。

Images