快速去黑眼圈方法

快速去黑眼圈方法（精选6篇）

快速去黑眼圈方法 篇1

黑眼圈是很顽强的存在，现实生活中，我们常因为作息不规律，饮食不健康等原因产生黑眼去，那怎么在日常生活中进行护理呢，该如何去黑眼圈呢?不要急，下面有两个小方法教给大家。

1.按摩法

每次用眼霜时，不妨用小指各拈大约绿豆大小在眼纹处，轻轻按摩一分钟后再停下。

2.热毛巾敷眼

这个方法是我最常用的方法之一，每天早上起来个如果你看到你的眼睛黑眼圈特别的重，你就可以用一个热毛巾进行敷眼，大概十分钟就可以了，黑眼圈就会得到明显的缓解。

日常生活中多做一些运动，运动可以促进我们的血液循环改善黑眼圈和眼袋;尽量不要熬夜，熬夜对黑眼圈眼袋的造成有直接关系。

快速去黑眼圈方法 篇2

在适宜的气候条件下, 雾霾作为一种自然天气现象经常发生。近年来, 随着社会经济的发展和环境污染加剧, 我国部分地区越来越频繁地发生雾霾天气。根据国家有关部门统计, 部分地区出现雾霾天气的天数甚至超过半年。雾霾天气的频繁发生给生产、生活和学习造成了不利影响, 甚至造成经济损失。在户外视频监控领域, 雾霾天气的发生会直接影响视频采集的质量, 造成图像模糊, 影响监控系统的性能甚至使之失效。因此, 利用图像处理技术改善受雾霾影响的图像/视频质量[14], 从雾图中得到较为清晰的图像或视频具有很强的实际意义。

近年来, 雾图去雾研究已成为国内外图像处理领域的研究热点之一, 众多专家学者对此开展了深入研究并取得了相当成果。针对单帧图像的去雾研究[1,2]主要有两类:基于图像处理的方法[15]和基于大气成像模型[3]的方法。基于图像处理的去雾方法, 采用传统的图像增强思想实现去雾, 对薄雾图像的去雾有较好的效果, 但通常对浓雾条件下图像的去雾效果不佳;一些算法将图像进行分割[18], 对图像局部实现对比度增强, 实现的去雾效果相对较好。基于大气成像模型的方法从雾霾成因入手, 结合先验知识[4,17]复原图像, 一般能够得到较为清晰的图像。基于大气成像模型的方法对薄雾和浓雾图像都有很好的去雾效果, 越来越受到研究人员的重视, 但存在计算量大、效率低的缺点。伦敦大学的Tan[5]等人认为雾天图像一定比无雾图像的对比度高, 因此以大气成像模型为基础, 将雾图的最大亮度值作为全局大气光照, 通过修复图像中最大局部对比度的方式来实现去雾的目的, 得到的去雾图像与真实的物理场景存在一定的偏差。Tarel[6]等人提出了一种基于大气成像模型的滤波去雾思想, 可以实现彩色图和灰度图的去雾。香港中文大学的Kaiming He[7]提出了一种简单有效的图像先验规律——暗原色先验 (Dark Channel Prior) 。通过对大量无雾图像的统计分析, He发现绝大部分的户外无雾图像的局部区域中都存在至少某个颜色通道像素值最低的像素点。根据这些先验并施加一定的约束条件, 可以估算出整体大气光强度和传输率, 通过软抠图方式对传输率进行优化, 最后按照大气成像模型得到去雾增强后的图像。基于大气成像模型的去雾方法能够较好的实现对雾图进行去雾增强的目的, 但通常存在计算复杂度高的缺点, 不利于实时处理。

本文通过对大量雾图进行统计后发现:雾图的求反图与低光照图像之间的统计直方图分布存在相似之处, 因此提出利用Retinex[8]算法对雾图的求反图进行增强处理, 从而实现对雾图去雾的目的。对大量雾图进行的去雾实验结果显示, 本文提出的算法去雾效果明显, 与当前最好的去雾算法效果相当, 且时间效率很高。

1 低光照图像与雾图求反图的比较分析

由于受到雾霭的影响, 雾图的亮度一般都很高。与之对应, 低光照图像由于光照不足, 其总体亮度偏暗。本文对此类相关图像进行了大量的实验研究, 对实验进行统计分析的结果表明, 雾图求反后得到的图像与低光照图像之间存在大量的相似之处。图1给出了雾图、雾图求反图和低光照图像的示例。

对图1中的雾图求反图以及低光照图像进行直方图统计分析, 其结果如图2所示, 可见雾图求反图与低光照图像的亮度直方图之间存在较多的相似之处, 其亮度分布主要集中在低亮度区域。

基于大量的实验统计分析发现的雾图求反图与低光照图像之间统计特性的相似性, 本文提出了一种基于Retinex的单帧图像去雾快速算法。

2 基于Retinex的单帧快速去雾算法

图3给出了去雾新方法的流程图。根据图3的流程图, 算法首先对输入进来的RGB雾图 (图像像素为[0, 255]) 进行求反, 三通道分别进行求反, 如公式 (1) 所示:

这里I表示输入有雾图像, c∈{R, G, B}, Invert为求反后的图像的亮度。

2.1 照射分量估计

Retinex图像复原模型可以用式 (2) 表示:

其中, F (x, y) 得到的原始图像, L (x, y) 为照射分量, R (x, y) 为反射分量, 主要是图像的细节信息。利用Retinex模型对雾图进行复原的关键之处在于准确的估计光照分量[9]。对此, 本文采用了小范围的高斯核[10,11]进行处理, 表达如式 (3) 所示:

其中L (x, y) 为待估计的照射分量, G为所使用的高斯核, 其大小为M×N, *表示卷积运算。其中, 高斯核G由式 (4) 定义:

表示核半径大小。对照射分量的估计采用的是灰度图, 按式 (5) 的方式将RGB彩色图像转换为灰度图像。

采用不同大小的高斯核估计得到的照射分量对后续去雾效果的影响很大, 图4为不同高斯核得到的照射分量图示例。

根据图4结果可以看出, 不同的高斯核大小得到的照射分量差距较为明显, 采用小高斯核时估计的照射分量细节信息丰富;而较多的高斯核得到的照射分量图像模糊, 细节信息丢失严重, 并会出现光晕效应。因此, 高斯核大小的选择对图像去雾效果有着重要的影响。本文中, 根据多次实验比较, 选取的高斯核参数。

2.2 动态范围调整

根据Retinex图像增强模型可知, 图像的反射分量一般为高频分量, 保存了原始图像的许多细节信息, 而照射分量则主要由低频分量构成, 通常表现为图像的亮度和背景等。因此, 对图像的低频分量部分进行动态范围调整, 改变其亮度范围对于后续的去雾处理具有很大的意义。本文对照射分量通过校正的方式进行动态范围的调整, 其优点在于计算量小、处理的视觉效果能够较好的符合人类视觉感知要求。本文使用的校正方式如式 (6) 所示:

其中L (x, y) 为高斯滤波后得到的照射分量, γ为动态范围调整后的结果, g为动态范围的指数系数。不同的g值对图像亮度的影响很大。γ值越大则图像亮度越低, 反之图像的亮度越亮。图5所示为不同值对应的函数曲线:

根据图5给出的不同γ取值得到的动态范围调整曲线可知, 可以看出参数γ小则拉伸大, 光照分量的亮度高;反之计算出来的光照分量的亮度较低。在大量实验的基础上, 本文参数γ取为0.5。

2.3 色彩复原

通过Retinex算法对灰度图像进行处理后, 需要将其复原为彩色图像, 本文的色彩复原时采用了Litao[10]的彩色复原算法。该算法认为Retinex处理后的灰度图像与原始灰度图像强度之比与彩色图像的单通道增强前后的比值相当, 据此可以推算各个处理后的颜色通道图像, 进而将灰度图像转换为彩色图像。如式 (7) 所示:

其中I (x, y) 为原始灰度图像, I′ (x, y) 增强处理后的灰度图像, 下标c表示图像的三个颜色通道。公式 (7) 的计算时间复杂度为常数时间, 能够快速的恢复图像的颜色信息, 适用于图像的实时去雾。

3 实验结果及分析

为了验证本文提出去雾算法的有效性和性能, 对本文方法及Tare、He等人的去雾方法进行了多组实验比较, 并从视觉主观和客观标准两个方面进行了对比。实验环境为:64位windows7操作系统、Matlab R2013a、内存10G、主频为2.13GHz、双核CPU。

实验室数据主要有三类:He的实验数据、网络下载的雾图图片、自己拍摄的雾图图片, 共计46张。数据集中包含了浓雾、薄雾等雾天场景, 既有颜色艳丽的场景, 也有颜色单调的场景。

3.1 主观效果评价

图7给出了雾图原图、Tarel的算法、He的算以及本文算法的去雾结果对比。可以看出, 原始图像由于受到雾霾干扰, 模糊不清晰、对比度不高、细节信息不突出。Tarel算法虽然实现了去雾, 但是图中的颜色明显失真并且伴有光晕现象, 另外浅雾图像中大理石区域出现了两种颜色, 去雾效果不是很理想;He的算法去雾效果很好, 颜色也较为正常, 但是在部分图像如天桥、大理石等区域, 出现细节信息不突出的情况;而本文提出的去雾算法, 去雾后的图像细节信息突出, 局部地方的效果明显, 色彩真实, 没有发生严重失真现象, 去雾效果比较好。

3.2 客观效果评价

对于图像质量的评价[16], 目前拥有许多不同的方法。为更客观的考察各种去雾方法的性能和效果, 本文采用了Koheler[12,13]提出的基于对数图像处理模型的分割算法进行评价, 在去雾前后的图像中, 求出图像中局部对比度大于5%的边缘集合, 称为图像的可见边。这种评价方法定义在大气能见度距离之上, 其结果与人类视觉感知一致。得到可见边后, 可以采用下面的两个指标从不同地角度客观的评价算法的去雾效果。

其中no和nr分别表示雾图和去雾后图像中可见边的数目。新可见边比值表示去雾后图像中新生成可见边的能力。go和gr分别表示雾图和去雾后图像的平均梯度。评价指标e、r值越大, 表明去雾效果越明显。表1给出了图7中的第二、四、六行雾图的去雾效果客观评价指标以及运行时效率。

比较结果表明, 本文提出的算法相比其他去雾算法具有较大的优势。从去雾的效果上看, 本文提出的算法去雾效果明显, 能够与去雾效果最好的算法媲美。从主观的角度上看, 本文提出的算法的去雾效果具有良好的视觉感知特性。从客观评价的角度上看, 尽管本文提出的算法与He的算法相比略显不足, 但在绝大部分数据集上的表现与之相当。但本文提出的去雾算法在时间效率上具有非常明显的优势, 本文算法的时间消耗最主要为Retinex滤波, 其他步骤的时间复杂度基本为常数, 因此特别适用于对雾图的实时处理。

4 结论

扫黑之去黑眼圈 篇3

眼霜+按摩，增强扫除力度

稍微有点保养常识的女性，都会早晚涂抹眼霜，但是你会发现，只涂抹眼霜效果还是平平。这个时候你就要注意自己的涂抹手法了，没有充分按摩，眼霜的有效成分是无法充分吸收的。有黑眼圈的女性更要搭配按摩手法来涂抹眼霜，按摩能促进血液循环，对黑眼圈有很好的效果。

1.涂抹上眼霜，然后用中指以按压的方式，由上眼睑内向外按压至太阳穴，再由太阳穴沿着下眼睑，按压至眼睑与鼻梁相接处。来回数次，可有效促进眼周围的血液循环。

2.洗脸时顺便利用热毛巾，盖住两眼热敷，多敷几次，对于刚熬完夜或是两眼疲劳的消除特别有效。

激光治疗黑眼圈

激光治疗采用一种远红外长脉冲激光，能有效打散下眼睑、眼眶处的深层色素沉着，改善皮肤代谢，促进血液循环、淋巴循环，达到治疗黑眼圈的目的。但接受完治疗后，也要加强眼周围的保养。

认清你的黑眼圈

色素型黑眼圈：是因为肤色本身问题，包括眼部的黑色素。

血管型黑眼圈：发生在过敏性鼻炎患者身上。血管中发炎物质增加，造成皮下血管扩张，眼部四周产生青、紫色的黑眼圈。

泪沟型黑眼圈：年龄增长，眼头部位的皮下组织会流失胶原蛋白，眼头下方皮下的血管就变得明显，黑眼圈也因此产生。

眼部周围静脉血管淤血所造成的黑眼圈：可使用含维生素K成分，改善眼部周围淤血及浮肿。

黑色素沉着产生的黑眼圈：则可使用维生素C成分的眼霜，如果黑眼圈严重，涂抹眼胶或眼霜都没有用时，可借由镭射及脉冲光来改善。

1 fresh古源修护眼霜 860元

2 LOTIONSPA植物医生24k黄金眼部活能精华 187元

3 秀雅韩酵臻美系列滋养眼霜 580元

4 优色林充盈展颜平衡眼霜 398元

5 SHISEIDO悦薇集中美白按摩精华液 1280元

去黑眼圈简单的方法是什么 篇4

去黑眼圈简单的方法：马蹄去黑眼圈

将马蹄和莲藕去皮，榨汁，然后浸泡化妆棉，再敷在眼睛上，10分钟后取下，即可有效消除黑眼圈，马蹄和莲藕都有活血化瘀的作用，非常适合去黑眼圈。

去黑眼圈简单的方法：冰牛奶去黑眼圈

怎样快速去除黑眼圈眼袋呢？ 篇5

1、以拍打法加快血液循环：擦上眼霜后，眼睛往上看，用无名指指腹快速拍打眼睛下部，拍打次数在20次左右。

2、轻拍提拉按摩：用中指和无名指指腹，以轻拍的方式由内眼睑向外眼睑移动至太阳穴，并向上提拉，重复3遍。

3、眉骨平移按摩：将中指和无名指分开，分别按住眉角与眉尾两侧，顺着眉骨将无名指从内向外移向眉尾，再将无名指与中指并拢向太阳穴方向提拉，重复3遍。

4、V字形提拉按摩：用食指与中指横分成V字形，由内眼睑向外眼睑提拉延伸到太阳穴，重复3遍。

二、去除眼袋的针灸方法

针刺或者按揉眼周局部相应的穴位如太阳、鱼腰、眼袋处（阿是穴）等，可以加速局部脂肪分解，收紧松弛的眼睑皮肤，促进局部血液循环，消除水肿等。有经验的针灸师还会利用电针这项技术，给眼袋处的针灸针上接通电流，使眼睑肌肉收缩跳动，效果更加明显，对真性眼袋也有一定的缓解作用，并且能预防真性眼袋的进一步发展。

针灸和按摩在去眼袋的同时，还可以起到消除“金鱼眼”、缓解黑眼圈、预防眼部皱纹等的整体护理作用。

快速去黑眼圈方法 篇6

现有的雾天退化图像清晰化的方法主要分为:1)基于图像增强的方法,主要是增加被降质图像图像对比度从而改善图像质量,但是,这种方法没有考虑图像降质过程和图像内在因素,导致恢复图像颜色失真或过饱和。2)基于物理模型复原的方法,通过研究大气悬浮颗粒对光的散射,结合先验信息建立图像退化模型,反演出未降质图像,复原的图像效果真实且图像信息较为完整。

近年来,基于单幅图像去雾算法取得很大进展,Tan[2]基于同一场景无雾图像对比度高于有雾图像这一条件,通过构造边缘强度代价函数局部最大化对比度恢复图像信息,但得到的去雾图像颜色过于饱和,且产生光晕现象。Fattal[3]基于假设透射率时和场景目标表面投影部分局部不相关,进而推断出场景的辐射度,利用复杂的优化算法复原图像,但该方法无法处理浓雾天气下的图像以及灰度图像。Kim等利用最小化能量函数增强图像对比度,在处理色彩失真时直接设透射率为0.3。He[4]等通过对无雾图像进行大量对比分析,提出一种基于暗原色先验信息的去雾方法,首先利用暗通道图估计大气光和透射率,最后利用软抠图方法细化透射率,进而恢复出无雾图像,该算法相对简单,但抠图精细化透射图有明显块效应且该算法时间复杂度较高。徐[6]等提出用双边滤波来优化粗透射率,但是效果较差,针对对暗原色失效的高亮区域无法得到良好的去雾效果。蒋[8]等通过引入一个容差机制,重新修复明亮区域透射率。但该方法无法准确确定高亮区域,引入容差机制太小,不能完全消除天空域失真,容差太大,则易导致明亮区域复原失效,去雾效果不明显。

本文提出对有雾图像灰度图进行多尺度形态学滤波有效去噪平滑,根据自适应阈值分割确定天空域位置,直接在天空域求取精确的大气光值并估算天空域透射率结合暗通道进行校正,并利用改进的快速引导图像滤波精细化透射率,最大限度保留边缘细节的同时有效降低了时间复杂度。

1 暗原色先验去雾算法

1.1 大气散射模型

Narasimhan[10]通过研究不同天气条件的大气粒子特性,分析其散射特性,提出了雾霾天气下的大气散射模型,大气散射模型广泛应用于雾天图像,其模型如式(1)所示

该模型包含衰减模型和环境光模型两部分,其中I(x)为实际辐射强度即观察到的有雾图像,J(x)为无雾图像强度值,A为大气光强度,t(x)为大气透射率可以表示为

式中:β为大气散射系数;d(x)表示场景点到观测点的距离即景深。

1.2 暗原色先验理论

在He[4]算法中,通过对大量的无雾图像进行分析统计,在绝大多数非天空区域图像中,总有些像素至少在一个RGB通道内具有很低的像素值,可表示为

式中:Idark(x)为无雾图像的暗原色;Ω(x)是以x为中心的局部区域;Jc是代表其中一个颜色通道;c表示R,G,B三通道。统计发现对于户外的无雾图像,导致其暗原色趋向于0的原因包括3方面:1)图像中存在鲜艳颜色的物体;2)图像中局部形成阴影;3)图像中存在颜色较暗的物体。

1.3 暗原色先验去雾

假设大气光值A给定,假设在一个局部区域内的透射率保持不变,对式(1)使用最小值滤波应用暗通道先验可得到

根据无雾图像的暗原色的值趋近于0这一先验规律,将式(3)带入则有

为了保持图像的深度信息和真实感,在式(5)中引入一个常数ω,使图像更接近于真实场景,则可求得透射率的初步估计

式中:Ac(c∈R,G,B),Ω(x)是以x为中心的局部区域。为提高估计透射率精度,He采用一种软抠图算法来精细化透射图然后通过式(1)求取无雾图像

式中:t0取0.1。

大气光值A的估计方法为:首先统计暗原色图Jdark中前0.1%亮度较大的像素点,然后对应原图位置,将原图中的最大值当做大气光A的值。对于多数户外有雾图像,暗原色假设基本成立,上述算法可以取得较好的去雾效果。

2 改进的去雾算法设计

当有雾图像包含天空等明亮区域时候,基于暗原色先验算法去雾,结果会出现色彩失真,因为这些明亮区域偏白色,像素R,G,B通道值差异不大,都近似接近大气光值A,在此区域内,较难找到暗原色点,暗原色假设失效,如果不考虑暗原色先验原理

在某些明亮区域,Jc(y)的值约等于A,分母中的更近似于1而不是0,所以上式分母项是小于1,因此实际的透射率总要远大于根据暗原色先验估计出的透射率,这时根据式(5)求取透射率较小,再利用式(7)恢复去雾图像容易出现失真。

去雾复原含有大面积天空域的户外图像需要尽可能增强非天空域对比度,避免过度增强天空域对比度。由天空域整体比较平滑,相邻像素之间梯度较小,梯度越小则表明图像那一块相对越光滑,所以提出分离天空域求取t(x)更为合理,本文具体算法主要步骤如下:

1)对雾气图像灰度图进行适当的去噪滤波自适应阈值分割得到天空域ssky;

2)计算天空域像素占比α,如果α大于5%则取天空域所对应像素亮度的均值作为A,如果α小于5%则天空域较小,按照He的方法求取大气光值;

3)经过大量实验验证可以先假设天空域透射率为tsty,结合暗通道修正透射率;

4)根据该改进的快速引导滤波对透射图进行精细化处理,保持去雾边缘性;

5)根据求取去雾图像。

3 算法的具体实现

3.1 阈值分割求取天空域

鉴于天空区域灰度梯度变化较小,可以用边缘检测进行分割天空域。首先求取去雾图像灰度图F(x),在canny算子中引入两个不同尺度的结构元素B1和B2对灰度图进行平滑去噪。其中B1为3×3十字形结构元素,B2为5×5菱形结构。

式中:F(x)disnoise为平滑降噪后的灰度图;“°”为开运算。

十字形结构元素B1尺寸小,去噪力比较弱,但是可以较好地保持图像边缘细节;菱形结构元素B2尺度较大,去噪能力强,但会模糊细节。因此,顺序运用两个形态学结构元素对灰度图像进行开、闭滤波,既能够去除噪声,又能保持边缘细节信息。

由先验信息易得天空域像素值趋近255,为减少时间复杂度采用自定义阈值分割,实验验证T=210时最佳,分割后为

如图1所示,选择3幅天空域大小不同的图像用以上方法进行阈值分割均可准确检测到天空域。对于天空域基本不存在的也可以检测出来。

3.2 大气光值估计

天空域可以看无限远处,由式(1)和式(2)易得这个区域的像素点t(x)→0并且I(x)→A,所以可以通过计算阈值分割天空域ssky像素和整幅图像像素的比值α,如果α大于5%则取天空域所对应像素亮度的均值作为大气光值A,如果α小于5%即认为图像天空域较小或者不存在,暗原色先验有效,按照He[5]的方法求取全局大气光值。实验证明,这样既可排除大块白色物体的影响,也可消除图像中椒盐噪声造成的估计偏差,使大气光值更为准确,使去雾效果更加平滑自然。

3.3 透射率t(x)求取方法

由于暗通道先验在天空域失效,本文在求取的天空域中假设其透射率t(x)值为常数tsky。本文取tsky为0.1。非天空域用暗原色方法求透射率,然后根据像素暗通道所在位置的亮度值s(x)对其进行修正归一化

式中:s(x)∈[0,255],当s(x)=255时,即完属于天空域,该点透射率取固定值tsky,当s(x)=0时,即完全不属于天空域,透射率取暗原色透射率值不影响。

3.4 改进的快速导向滤波优化透射图

由于暗通道获取的粗透射率使用最小值滤波,使得透射图存在明显块状效应,为了获得到更加精细的透射率图,He的算法中提出用soft matting(软抠图)方法对初始化的透射率进行优化,但是该方法处理速度太慢,占据总算法时间的70%以上。本文采用改进的快速导向滤波对透射图进行优化,该计算方法的时间复杂度和滤波窗口大小无关,不仅增强边缘细节,同时处理速度也很快。

引导滤波假设滤波输出qi和引导图是线性相关即

式中:wk是引导图Ii中以像素k为中心的邻域;r为窗口半径;(ak,bk)在邻域wk中为常数,导向滤波通过待滤波图像pi和输出图像qi之间的差异来寻求最优化的系数(ak,bk),即在邻域wk中,最小化式(12)所描述的代价函数

使得输出图像q与输入图像p的均方误差最小,得到输出图像

式中:;w为wk中像素总数;uk和σ2k分别为I在wk中的均值和方差;为p在wk中的均值;ε为正则化参数,其对优化结果不敏感,本文取为ε=10-3。

通过以上分析,当局部区域内满足时,就可以利用引导滤波通过输入导图的边缘细节特征恢复出原图细节。利用引导滤波优化粗透射图时,引导图要和粗透射图有相同的边缘信息,并且边缘信息可以反映出场景深度和雾气浓度。由此得出结论:任何可以反映变化场景深度和雾气浓度的图像都可被选为引导图来优化粗透射图。方帅[11]等分析了有雾图像的相关特性,暗通道图、局部最大色度饱和图、局部最大对比度图以及色度饱和图均可用反应有雾图像的特征和细节。通过实验对比分析,暗通道图和局部最大色度饱和图都可以最大限度体现雾浓度和景深信息。本文采用灰度图、暗通道图,局部最大色度饱和图作为引导图与原滤波器输入原图做对比分析,如图2所示。

第一列为有雾图像粗透射图;第二列从上之下依次为原图、灰度图、暗通道图、色度饱和图,暗通道图可以准确反映深度信息,最大色度饱和图效果相对差些;第三列依次为以上4种引导图精细化透射图;第四列依次为去雾效果图。引导滤波具有边缘保持平滑性,选取大窗口可以达到较好的平滑效果,较小的可以获得更多的边缘细节信息。本文滤波窗口选择5×5。

从主观角度来看,选择4种不同导图获得去雾效果相差不大。然后从传输图优化时间,去雾图的熵、梯度信息上客观分析各引导图性能,结果如表1所示。

当选取暗通道图作为引导图时处理时间最快(效率为原彩色原图的30倍),暗通道图是中间效果图,生产的导图不会产生额外时间复杂度。处理效果与原图作为引导图时相当。相比He算法运用软抠图,用暗通道图代替原RGB图作为引导滤波引导图修复透射图使得去雾算法实时性更高。

3.5 有雾图像清晰化

本文首先通过形态学滤波对有雾图像灰度图进行平滑去噪,然后阈值分割天空域,再根据天空域更加精确的求取大气光值。由于t(x)是由天空域和非天空域两部分组成,对两部分进行归一化处理之后,再用引导滤波精细化,可以有效消除了边界效应。并且首次采用基于暗通道为引导图的改进快速引导滤波优化得到优化的透射图t1(x),效果保持不变的同时极大提高时间效率,为避免透射率过小导致去雾像素被过度放大,取t0=0.01为透射率下限值,根据式(6)获得复原图像

4 仿真实现及验证

为验证本文方法的有效性和性能,实验在CPU双核2.8 GHz处理器,操作系统为Windows7,内存为4 Gbyte的PC平台使用MATLAB2010对本文所提方法进行测试,实验证明本文提出算法在天空等高亮区域可以有效避免色彩失真。

4.1 实验主观对比

图3实验选取3种不同场景(从上之下依次为场景1、场景2、场景3)都具有大面积天空域等明亮区域,用本文的优化算法分别进行处理,然后再和He[4]、蒋[6]的处理方法进行对比,从选择的3种不同场景去雾结果可以看出,选择He的算法处理会产生大面积色彩失真,光晕现象明显。使用蒋的处理某些场景可以避免失真,但是在一些复杂场合(如场景3所示)还是会发生失真,且景深处景物发生模糊,引入容差修复透射率还是会发生误差。可见根据容差修复透射率不能保证适合所有场景,用本文方法有效分离天空域并归一化处理透射率并用引导滤波精细化则可以有效避免色彩失真现象且对天空域分界处起平滑作用,本文所采用的处理方法使得图像更加清晰真实,且去雾后效果更加符合人体视觉。

4.2 实验客观对比

4.2.1 运算时间对比

本文算法的优越性不仅体现在有效消除天空域失真,同时采用改进的引导滤波有效降低了运行复杂度,从而减少处理时间,表2为He和蒋方法及本文改进方法处理时间的比较,由表2可知本文方法处理时间具有较好的实时性。

s

本文采用改进的快速引导滤波方法对透射图进行精细化处理,相比原算法的软抠图算法效率明显提升,本文算法时间消耗主要用于图像天空域分割。但由于运算量小,所以实时性依然很好。

4.2.2 客观质量评价

本文算法通过选取处理时间作为对比,并从信息熵、平均梯度、色调还原能力客观评价3种方法,如表3所示。在恢复图像中,熵表示图像的信息量,平均梯度值越大表明获取图像信息越丰富,平均梯度指标表示图像层次的丰富程度,指标越大图像细节越明显,色调还原度指标是用直方图相似性度量去雾的色彩还原能力。值越大表明色调还原能力越强。从平均梯度指标来看,本文算法与蒋算法相当,都优于He算法,从信息熵指标来看本文优先算法略优于蒋算法,从色调还原度来看,本文算法没有蒋算法还原力度强,所以本文色彩和色调效果更加自然。

5 结语

通过对暗原色先验算法分析,发现该规律处理存在高亮天空域的有雾图像时,估计透射率偏低,进而导致去雾图像大面积失真,而且用软抠图算法优化透射率增加了时间复杂度。针对以上问题,本文对大气光和透射率估计进行创新,首先对图像灰度图进行滤波预处理准确分离天空域,进而在天空域准确求取大气光值,并对分别求取天空域和非天空域透射率进行归一化处理,有效解决了天空域失真问题。对透射率精细化首次采用暗通道图作为引导图对其进行引导滤波,精细化透射率的同时极大地提高了算法实时性。实验结果证明本文方法去雾清晰度和实时性很高,且图像真实感较强。但是本文算法依然存在局限性,当雾气特别浓时,图像整体噪声较大,天空域分割可能会存在偏差,进而影响大气光A值的估计,会出现色偏。另外,雾霾天气的随机性和复杂性较大,成像设备采集图像受到环境因素影响较大,针对上述问题,下一步主要研究通过引入色彩平衡算法用于调节图像色彩,进一步提高去雾图像质量。

摘要：针对目前单幅雾霾降质图像存在大面积天空域,导致暗原色失效复原图像失真以及去雾时间复杂度高的问题。提出一种基于暗原色先验和快速引导滤波的去雾方法,针对存在高亮天空域图像多尺度滤波采用自适应阈值分割得到天空域,在天空域求取精确大气光值,再将天空域和非天空域透射率有效归一化,最后采用暗通道图作为引导图快速引导滤波精细化透射率,最大限度保留边缘细节的同时有效降低时间复杂度。实验结果表明,该方法可以有效处理天空域,保持色彩和细节信息,在算法实时性上有明显优势。

关键词：暗原色先验,阈值分割,快速引导滤波

参考文献

[1]吴迪,朱青松.图像去雾的最新研究进展[J].自动化学报,2015,41(2):221-239.

[2]TAN R T.Visibility in bad weather from a single image[C]//Proc.CVPR 2008.[S.l.]:IEEE,2008:1-8.

[3]FATTAL R.Single image dehazing[J].ACM transactions on graphics,2008,27(3):1-9.

[4]HE K M,SUN J,TANG X O.Single image haze removal using dark channel prior[C]//Proc.IEEE Conferenceon Computer Vision and Pattern Recognition.Miami,USA:IEEE,2009:1956-1963.

[5]HE K,SUN J,TANG X.Guided image filtering[J].IEEEtransactions on pattern analysis&machine intelligence,2013,35(6):1397-1409.

[6]徐晶,刘鹏,唐降龙.大气光估计对单幅图像去雾复原的影响[J].智能计算机与应用,2012(3):68-71.

[7]ZHANG X G,TANG M L,CHEN H,et al.A dehazing method in single image based on double-area filter and image fusion[J].Acta automatica sinica,2014(5):882-889.

[8]蒋建国,侯天峰,齐美彬.改进的基于暗原色先验的图像去雾算法[J].电路与系统学报,2011,16(2):6-11.

[9]唐宁,吕洋.基于物理模型的快速单幅图像去雾方法[J].电视技术,2015,39(9):36-39.

[10]NARASIMHAN S G,NAYAR S K.Contrast restoration of weather degraded images[J].IEEE transactions on pattern analysis&machine intelligence,2003,25(6):713-724.