基于大气散射模型的图像去雾方法、装置及可读存储介质

技术领域

本发明涉及图像处理领域，具体涉及基于大气散射模型的图像去雾方法、装置及可读存储介质。

背景技术

现有技术中图像去雾的方法主要分为基于图像增强的去雾方法、基于图像恢复的方法和基于融合的方法，它们三种方法在实验中表现出不同的特点。

首先，基于图像增强的方法可以提高图像的对比度和图像的可见性，在人工合成雾气数据集和真实雾气数据集中，性能都相对稳定，但输出图像可能与真实的无雾图像存在偏差。对于基于图像恢复的方法中，基于先验的方法，多数方法可以去除合成图像和真实图像的雾气，但会引入副作用。基于恢复方法中基于学习的方法，特别是监督方法，可以在与训练数据相似的合成图像上实现高性能，但是在真实图像上表现出有限的性能。在足够的训练数据下，特征融合和注意力机制可以提高神经网络性能，但对泛化能力的提高有限。因此，图像去雾仍有许多问题有待进一步研究。

发明内容

为了解决上述技术问题，本发明提供基于大气散射模型的图像去雾方法、装置及可读存储介质。

具体的，本发明的技术方案如下：

本发明提出的基于大气散射模型的图像去雾方法，包括：

根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同雾气浓度等级的图像；

对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值；

当所述测试图像为浓雾图像时，基于暗通道先验假设，利用所述浓雾图像的像素值和所述测试图像的大气光照亮度值来计算得到透射率图像；

当所述测试图像为薄雾图像时，遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算得到透射率图像；

将所述测试图像的大气光照亮度值及所述浓雾图像的透射率图像或所述薄雾图像的透射率图像代入大气散射模型中，得到所述浓雾图像对应的第一无雾图像和所述薄雾图像对应的第二无雾图像。

在一些实施方式中，所述的对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值，包括：

将所述测试图像分成多个尺寸大小相同的方块图；

根据所述测试图像的方块内的像素值，计算每个所述测试图像的方块的权重值；

根据所述测试图像的每个方块的权重值，选择满足权重预设数值的方块；

在所述满足权重预设数值的所述测试图像的方块内，选择与白点的距离值满足预设欧氏距离值的像素点；

将满足所述预设欧氏距离值的所述测试图像的像素点的值确定为所述测试图像的大气光照亮度值。

在一些实施方式中，还包括：

对所述测试图像的大气光照亮度值进行校正，得到无色彩失真的所述测试图像的大气光照亮度值。

在一些实施方式中，所述的对所述测试图像的大气光照亮度值进行校正，包括：

基于所述测试图像在RGB空间的像素值，计算所述测试图像在RGB空间的预设像素值与所述测试图像在RGB空间的平均像素值的比例值；

计算所述测试图像在CIELab空间的像素值的均值和方差；

基于所述测试图像在CIELab空间的像素值的均值和方差，得到所述测试图像的偏色强度值；

将所述偏色强度值与所述比例值带入指数函数中，计算得到校正系数。

在一些实施方式中，所述的得到得到无色彩失真的所述测试图像的大气光照亮度值，包括：

将所述测试图像的大气光照亮度值除以所述校正系数，得到所述无色彩失真的所述测试图像的大气光照亮度值。

在一些实施方式中，所述的遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值来计算得到透射率图像，具体包括：

遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算所述薄雾图像的像素点对应的无雾图像的第二饱和度分量值，进而计算得到所述薄雾图像的透射率图像。

在一些实施方式中，所述的遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算所述薄雾图像的像素点对应的无雾图像的第二饱和度分量值，包括：

遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算所述薄雾图像的像素点对应的第一饱和度分量值；

将所述第一饱和度分量值带入变换函数，计算得到所述第二饱和度分量值，所述第二饱和度分量值大于所述第一饱和度分量值。

在一些实施方式中，所述的计算所述薄雾图像的像素点对应的第一饱和度分量值；

将所述第一饱和度分量值带入变换函数，计算得到所述第二饱和度分量值，所述第二饱和度分量值大于所述第一饱和度分量值。

在一些实施方式中，所述的基于暗通道先验假设，利用所述浓雾图像的像素值和所述测试图像的大气光照亮度值来计算得到透射率图像，包括：

基于所述浓雾图像的像素值，得到所述浓雾图像的灰度图像；

将所述灰度图像传入暗通道滤波器中，得到所述浓雾图像的暗通道图像；

根据所述浓雾图像的暗通道图像和所述测试图像的大气光照亮度值，得到基于暗通道先验假设的所述浓雾图像的透射率图像。

在一些实施方式中，所述的对所述浓雾图像进行分块计算得到所述浓雾图像的大气光照亮度值，包括：

将所述浓雾图像分成多个尺寸大小相同的方块图；

根据所述浓雾图像的方块内的像素值，计算每个所述浓雾图像的方块的权重值；

根据所述浓雾图像的每个方块的权重值，选择满足权重预设数值的方块；

在所述满足权重预设数值的所述浓雾图像的方块内，选择与白点的距离值满足预设欧氏距离值的像素点；

将满足所述预设欧氏距离值的所述浓雾图像的像素点的值确定为所述薄雾图像的大气光照亮度值。

在一些实施方式中，在所述的得到所述浓雾图像对应的第一无雾图像和所述薄雾图像对应的第二无雾图像之后，还包括：

利用自动色阶算法来增加所述第一无雾图像、所述第二无雾图像的曝光度。

在一些实施方式中，在所述的根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同浓雾等级的图像之前，包括：

将所述测试图像输入至雾气浓度检测器，得到所述测试图像的雾气密度值；

判断所述雾气密度值是否超过预设分类阈值；

若所述雾气密度值超过所述预设分类阈值，则判定所述测试图像为浓雾图像；

若所述雾气密度值未超过所述预设分类阈值，则判定所述测试图像为薄雾图像。

在一些实施方式中，所述的将所述测试图像输入至雾气浓度检测器，的得到所述测试图像的雾气密度值，包括：

将所述测试图像分割成多个尺寸大小相同的方块图；

为所述测试图像的每块方块图生成预设数量的雾感知统计特征值，进而得到所述测试图像的平均雾感知统计特征值；

通过拟合所述平均雾感知统计特征值，得到所述测试图像的多变量高斯模型；

通过真实无雾图像及自然有雾图像的语料库，分别提取所述真实无雾图像及所述自然有雾图像的雾感知统计平均特征值；

利用所述真实无雾图像及所述自然有雾图像的平均雾感知统计特征值分别得到所述真实无雾图像及所述自然有雾图像的标准多变量高斯模型；

利用所述测试图像的多变量高斯模型、所述真实无雾图像的标准多变量高斯模型及所述自然有雾图像的标准多变量高斯模型，得到所述测试图像的雾气密度值。

在一些实施方式中，所述的利用所述测试图像的多变量高斯模型、所述真实无雾图像的标准多变量高斯模型及所述自然有雾图像的标准多变量高斯模型，得到所述测试图像的雾气密度值，包括：

通过测量所述测试图像的多变量高斯模型与所述真实无雾图像的标准多变量高斯模型的类马氏距离，得到所述测量图像的有雾等级；

通过测量所述测试图像的多变量高斯模型与所述自然有雾图像的标准多变量高斯模型的类马氏距离，得到所述测量图像的无雾等级；

根据所述有雾等级及所述无雾等级的计算公式，得到所述测试图像的雾气密度值。

在另一方面，本发明还提出一种可读存储介质，其上存储有计算机程序，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前述任一实施方式所述的基于大气散射模型的图像去雾方法。

本发明还提出基于大气散射模型的图像去雾装置，包括：

分类模块，用于根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同雾气浓度等级的图像；

计算模块，用于对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值；

所述计算模块，还用于当所述测试图像为浓雾图像时，基于暗通道先验假设，利用所述浓雾图像的像素值和所述测试图像的大气光照亮度值来计算得到透射率图像；

所述计算模块，还用于当所述测试图像为薄雾图像时，遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算得到透射率图像；

图像复原模块，用于将所述测试图像的大气光照亮度值及所述浓雾图像的透射率图像或所述薄雾图像的透射率图像代入大气散射模型中，得到所述浓雾图像对应的第一无雾图像和所述薄雾图像对应的第二无雾图像。

与现有技术相比，本发明至少具有以下一项有益效果：

1、本发明通过将有雾图像划分成不同浓雾等级的图像，针对不同浓雾等级的图像采用不同的方法进行去雾操作，可以有效地提高有雾图像的去雾速度和去雾效果，具有很强的普适性和实用价值。

2、本发明通过利用自动色阶算法来增加浓雾图像、薄雾图像分别对应的第一无雾图像、第二无雾图像的曝光度，使得本发明输出的无雾图像兼具出色的去雾效果和视觉效果。

3、本发明对于含有薄雾的原始图像，采用逐像素快速去雾的去雾方法可以得到去雾效果、视觉效果出色的无雾图像，并且去雾算法运行速度极快，从而极大提高了去雾的效率。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明基于大气散射模型的图像去雾方法的一个实施例的流程图；

图2是本发明基于大气散射模型的图像去雾方法的另一个实施例的流程图；

图3是本发明基于大气散射模型的图像去雾方法中步骤S200的流程图；

图4是本发明基于大气散射模型的图像去雾方法中步骤S206的流程图；

图5是本发明基于大气散射模型的图像去雾方法中步骤S300的流程图；

图6是本发明基于大气散射模型的图像去雾方法中步骤S600的流程图；

图7是本发明基于大气散射模型的图像去雾方法中步骤S601的流程图；

图8是本发明基于大气散射模型的图像去雾装置的一个实施例的框图。

附图标号说明：

分类模块10，计算模块20，图像复原模块30。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在一个实施例中，参考说明书附图1，本发明提供的基于大气散射模型的图像去雾方法，包括：

S100根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同雾气等级的图像。

具体的，将测试图像输入至雾气浓度检测器，由雾气浓度检测器输出测试图像的雾气密度值，再根据手工设计的分类阈值对得到的雾气密度进行分类，将测试图像划分为薄雾图像和浓雾图像，若测试图像为含有不均匀雾气的图像，将根据全局雾气浓度的离散程度将分类阈值适当减小。

S200对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值。

S300当所述测试图像为浓雾图像时，基于暗通道先验假设，利用浓雾图像的像素值和所述测试图像的大气光照亮度值来计算得到透射率图像。

具体的，对于浓雾图像，采用基于暗通道先验假设，得到浓雾图像的透射率图像；其中，暗通道先验假设是指无雾图像的暗通道是趋向于0的，而有雾图像一般不会趋向于0。

S400当所述测试图像为薄雾图像时，遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值来计算得到透射率图像。

具体的，对于薄雾图像，通过采用逐像素法得到薄雾图像的透射率图像。

S500将所述测试图像的大气光照亮度值及所述浓雾图像的透射率图像或所述薄雾图像的透射率图像代入大气散射模型中，得到所述浓雾图像对应的第一无雾图像和所述薄雾图像对应的第二无雾图像。

具体的，在本实施例中，根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同雾气等级的图像，根据大气散射模型，成像设备的入射光线可以分为衰减后的反射光线和叠加的干扰光线两部分，其中前者是物体表面的反射光线经大气散射后发生衰减，这部分反射光线用衰减模型来描述；后者是天空、地面漫反射的大气光和其它物体表面的反射光线经大气散射后改变传播路径，这部分干扰光线用大气光模型来描述。大气散射模型可以由公式描述为：

I(x)＝J(x)t(x)+A(1-t(x)) (1)

其中，x表示图像中的一个像素点，J(x)表示真实场景的图像，I(x)表示经大气散射后的退化图像，t表示反射光线在大气中的透射率，t(x)为透射率图像，A表示场景的大气光照亮度，A(1-t(x))表示附加环境颜色的信息。

本实施例的图像去雾算法是基于大气散射模型，通过对模型中的透射率t和大气光照亮度A的正确估计，根据有雾图像信息利用上式推导出原图的像素值信息，从而恢复清晰的无雾图像。

在本实施例中，通过将有雾图像划分成不同浓雾等级的图像，针对不同浓雾等级的图像采用不同的方法进行去雾操作，可以有效地提高有雾图像的去雾速度和去雾效果，具有很强的普适性和实用价值。

在一个实施例中，参考说明书附图2，本发明提供的基于大气散射模型的图像去雾方法，包括：

S100根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同雾气等级的图像。

S200对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值。

S300当所述测试图像为浓雾图像时，基于暗通道先验假设，利用浓雾图像的像素值和测试图像的大气光照亮度值来计算得到透射率图像。

S400当所述测试图像为薄雾图像时，遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值来计算得到透射率图像。

S500将所述测试图像的大气光照亮度值及所述浓雾图像的透射率图像或所述薄雾图像的透射率图像代入大气散射模型中，得到所述浓雾图像对应的第一无雾图像和所述薄雾图像对应的第二无雾图像。

S700利用自动色阶算法来增加所述第一无雾图像、所述第二无雾图像的曝光度。

具体的，在本实施例中，在上述实施例的基础上，通过求解大气散射模型公式得到测试图像的无雾图像，并利用自动色阶算法增加曝光度，提升图像亮度，使得输出的无雾图像兼具出色的去雾效果和视觉效果。

在一个实施例中，参考说明书附图3，在上述方法的实施例的基础上，步骤S200，对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值；具体包括如下步骤：

S201将所述测试图像分成多个尺寸大小相同的方块图。

S202根据所述测试图像的方块内的像素值，计算每个所述测试图像的方块的权重值。

S203根据所述测试图像的每个方块的权重值，选择满足权重预设数值的方块。

S204在所述满足权重预设数值的所述测试图像的方块内，选择与白点的距离值满足预设欧氏距离值的像素点。

S205将满足所述预设欧氏距离值的所述测试图像的像素点的值确定为所述测试图像的大气光照亮度值。

具体的，在本实施例中，提及了测试图像分块寻找大气光照亮度值A的具体步骤，首先，将测试图像分成大小为N*N的方块，对于每个方块，计算方块内像素值的平均值，将该平均值与方块内最小像素值相加，然后减去方块内最大像素值，得到每个方块的权重值。从中选出权重值最大的方块，该方块内与(255,255,255)欧氏距离最小的像素点确定为大气光照亮度值A。

S206对所述测试图像的大气光照亮度值进行校正，得到无色彩失真的所述测试图像的大气光照亮度值。

具体的，在本实施例中，对大气光照亮度值A进行校正得到得到无色彩失真的大气光照亮度值。

在一个实施例中，参考说明书附图4，在上述方法的实施例的基础上，步骤S206，对所述测试图像的大气光照亮度值进行校正，具体包括如下步骤：

S206-1基于所述测试图像在RGB空间的像素值，计算所述测试图像在RGB空间的预设像素值与所述测试图像在RGB空间的平均像素值的比例值；

S206-2计算所述测试图像在CIELab空间的像素值的均值和方差；

S206-3基于所述测试图像在CIELab空间的像素值的均值和方差，得到所述测试图像的偏色强度值；

S206-4将所述偏色强度值与所述比例值带入指数函数中，计算得到校正系数。

具体的，在本实施例中，提及了对所述薄雾图像的大气光照亮度值进行校正的具体步骤，将测试图像从RGB空间转换到CIELab空间，通过计算方差和标准差，从而得到校正系数。

在一个实施例中，参考说明书附图4，在上述方法的实施例的基础上，步骤S206，得到无色彩失真的所述测试图像的大气光照亮度值，具体包括如下步骤：

S206-5将所述测试图像的大气光照亮度值除以所述校正系数，得到所述无色彩失真的所述测试图像的大气光照亮度值。

具体的，在本实施例中，将步骤S206得到的大气光照A除以该系数得到校正后的大气光照A。

在一个实施例中，在上述方法的实施例的基础上，步骤S400，遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值来计算得到透射率图像，包括如下步骤：

遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算所述薄雾图像的像素点对应的无雾图像的第二饱和度分量值，进而计算得到所述薄雾图像的透射率图像。

具体的，该步骤包括：

遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算所述薄雾图像的像素点对应的第一饱和度分量值；

将所述第一饱和度分量值带入变换函数，计算得到所述第二饱和度分量值，所述第二饱和度分量值大于所述第一饱和度分量值。

具体的，在本实施例中，薄雾图像中的每个像素值除以大气光照亮度值A，然后计算有雾图像每个像素点的饱和度分量S1，利用无雾图像的饱和度分量值大于有雾图像的饱和度分量的先验假设，利用变换函数对有雾图像的饱和度分量拉伸得到无雾图像的饱和度分量值S2。

进一步可通过以下公式得到薄雾图像的透射率图像：

其中，A

其中，S1为有雾图像每个像素点的饱和度分量，H

S2＝q(S1)＝S1(2-S1)；

其中，S2为无雾图像的第二饱和度分量值，t(x)为薄雾图像中x像素点的透射率值。

在本实施中，对于含有薄雾的原始图像，采用逐像素快速去雾的去雾方法，可以得到去雾效果、视觉效果出色的无雾图像，并且去雾算法运行速度极快，从而极大提高了去雾的效率。

在一个实施例中，参考说明书附图5，在上述方法的实施例的基础上，步骤S300，当所述测试图像为浓雾图像时，基于暗通道先验假设，利用浓雾图像的像素值和测试图像的大气光照亮度值来计算得到透射率图像；具体包括如下步骤：

S301基于所述浓雾图像的像素值，得到所述浓雾图像的灰度图像。

S302将所述灰度图像传入暗通道滤波器中，得到所述浓雾图像的暗通道图像。

S303根据所述浓雾图像的暗通道图像和所述测试图像的大气光照亮度值，得到基于暗通道先验假设的所述浓雾图像的透射率图像。

具体的，在本实施例中，对于划分为浓雾图像的测试图像，对其进行基于暗通道先验假设的去雾。承前所述，首先将浓雾图像中各像素点取其RGB三个颜色通道的最小值，得到灰度图像；然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有WindowSize＝2*Radius+1，得到暗通道图像；再根据前述大气散射模型的公式(1)推导得到基于暗通道先验假设的透射率t的估计值：

其中，A为大气光照亮度，I为，c为，Ω

对透射率进行导向滤波优化，最后结合前述实施例中计算得到的大气光照亮度值A，求解大气散射模型恢复得到无雾图像：

在一个实施例中，参考说明书附图6，在上述方法的实施例的基础上，步骤S100，根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同浓雾等级的图像，之前还包括：

S601将所述测试图像输入至雾气浓度检测器，得到所述测试图像的雾气密度值；

S602判断所述雾气密度值是否超过预设分类阈值；

S603若所述雾气密度值超过所述预设分类阈值，则判定所述测试图像为浓雾图像；

S604若所述雾气密度值未超过所述预设分类阈值，则判定所述测试图像为薄雾图像。

具体的，在本实施例中，将测试图像输入至雾气浓度检测器，得到测试图像的雾气密度值；根据手工设计的分类阈值对得到的雾气密度进行分类，将测试图像分为浓雾图像和薄雾图像，若测试图像为含有不均匀雾气的图像则根据全局雾气浓度的离散程度将分类阈值适当减小。

在一个实施例中，参考说明书附图7，在上述方法的实施例的基础上，步骤S601，将所述测试图像输入至雾气浓度检测器，得到所述测试图像的雾气密度值；具体包括如下步骤：

S601-1将所述测试图像分割成多个尺寸大小相同的方块图；

S601-2为所述测试图像的每块方块图生成预设数量的雾感知统计特征值，进而得到所述测试图像的平均雾感知统计特征值；

S601-3通过拟合所述平均雾感知统计特征值，得到所述测试图像的多变量高斯模型；

S601-4通过真实无雾图像及自然有雾图像的语料库，分别提取所述真实无雾图像及自然有雾图像的雾感知统计平均特征值；

S601-5利用所述真实无雾图像及自然有雾图像的平均雾感知统计特征值分别得到所述真实无雾图像及自然有雾图像的标准多变量高斯模型；

S601-6利用所述测试图像的多变量高斯模型、所述真实无雾图像的标准多变量高斯模型及自然有雾图像的标准多变量高斯模型，得到所述测试图像的雾气密度值。

具体的，在本实施例中，举例说明，在每个P×P分割的图像块上计算12个局部雾感知统计特征；对于每一种局部雾感知统计特征，计算P×P个图像块的对应离散系数，其中，平均离散系数高于一定阈值的图像往往含有不均匀的雾气；然后调用聚合特征集的多变量高斯(MVG)模型，计算来自测试图像的雾感知统计特征的MVG模型与分别在自然雾图像和无雾图像上获得的MVG模型之间的类马氏距离测度，根据测度大小评估测试雾图像的雾气密度。

在一个实施例中，在上述方法的实施例的基础上，步骤S601-6，利用所述测试图像的多变量高斯模型、所述真实无雾图像的标准多变量高斯模型及自然有雾图像的标准多变量高斯模型，得到所述测试图像的雾气密度值，具体包括如下步骤：

通过测量所述测试图像的多变量高斯模型与所述真实无雾图像的标准多变量高斯模型的类马氏距离，得到所述测量图像的有雾等级；

通过测量所述测试图像的多变量高斯模型与所述自然有雾图像的标准多变量高斯模型的类马氏距离，得到所述测量图像的无雾等级；

根据所述有雾等级及无雾等级的计算公式，得到所述测试图像的雾气密度值。

具体的，在本实施例中，举例说明，将测试雾状图像分割为P×P个块，为每个块产生一组12个雾感知统计特征，然后使用所有块来计算平均特征值；利用测试雾状图像的平均特征值拟合得到输入图像的MVG模型；利用500个真实无雾图像的语料库提取的雾认知特征得到标称MVG模型；计算上述两个模型的类马氏距离，通过类马氏距离来测定有雾图像的有雾等级Df；利用500个自然有雾图像的语料库中提取的雾认知特征得到标称MVG模型；计算上述两个模型的类马氏距离，通过类马氏距离来测定有雾图像的无雾水平Dff；图像的感知雾密度D的表达式为：

其中，D

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述或记载的部分，可以参见其他实施例的相关描述。

在一个实施例中，本发明提出一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任一实施例所述的基于大气散射模型的图像去雾方法。

基于相同的技术构思，参考说明书附图8，本发明还提出基于大气散射模型的图像去雾装置，包括：

分类模块10，用于根据获取到的测试图像的雾气密度值，将所述测试图像划分为不同雾气浓度等级的图像；

计算模块20，用于对所述测试图像进行分块，计算得到所述测试图像的大气光照亮度值；

计算模块20，还用于当所述测试图像为浓雾图像时，基于暗通道先验假设，利用浓雾图像的像素值和所述测试图像的大气光照亮度值来计算得到透射率图像；

计算模块20，还用于当所述测试图像为薄雾图像时，遍历所述薄雾图像的像素值利用所述测试图像的大气光照亮度值计算得到透射率图像；

图像复原模块30，用于将所述浓雾图像的大气光照亮度值及透射率图像、所述薄雾图像的大气光照亮度值及透射率图像分别代入大气散射模型中，得到所述浓雾图像对应的第一无雾图像和所述薄雾图像对应的第二无雾图像。

本发明的基于大气散射模型的图像去雾装置与基于大气散射模型的图像去雾方法具有相同的技术构思，二者的实施例的技术细节可相互适用，为减少重复，此次不再赘述。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。