图像处理之天空区域识别

近几年来，去雾方法得到广泛的研究，汤晓鸥等人发现无雾图像相对于雾化图像具有较高的对比度，通过最大化恢复图像的对比度来实现图像去雾，但由于该方法没有从物理模型上恢复真实的场景反射率，图像去雾后有可能出现颜色过饱和失真。 Kaiming He提出了一种基于暗通道先验的方法，即在有雾图像的特定窗中至少有一个颜色分量的值是零，该算法利用最小值滤波估算出介质传播函数，然后利用软抠图原理对估算的介质传播函数进行优化估计，达到了较好的去雾效果。软抠图需要较高计算量，很难得到实际应用。所以后来Kaiming He又提出了引导滤波法，来精细化透射率。

通过对比实验发现，场景中如果存在较大的天空区域的话，Kaiming He提出的暗通道先验的理论在天空区域将不成立，图像去雾后天空区域存在失真，特別是在天空区域不明显的浓雾环境下。

一 为什么天空区域识别很重要？

人们常用传感器进行测距，在自主导航领域常见测距传感器有两类：第一类是主动式传感器，比如雷达，激光传感器，这类传感器比较精确，但缺点是比较贵；第二类是被动式传感器，比如视觉传感器。这类传感器成本较低，主要依赖于算法，但有些场景精度不好。但随着技术的发展，这些精度问题都可以得到解决。

处理不同透射率区域

改进的基于暗原色先验的图像去雾算法
作者: 蒋建国

对一些含雾图像，基于暗原色先验的去雾结果出现色彩失真，因为含天空、水面等大面积明亮区域的图像，他们的像素值很大，在此区域找不到像素值接近于0的暗原色。

一般情况下大气光A的取值和天空部分应该是非常接近的，而那些符合暗通道的地方则远离天空。

识别出天空区域单独处理

专利《一种基于天空识别与分割的暗通道先验去雾方法》

重点：

1、进行天空识别与分割，确定天空区域与非天空区域不同透射率。
2、引导滤波优化透射率，输出头屋图像

相似操作识别天空区域

1、天空部分平坦区域多，处理成梯度图表示图像的像素落差，梯度值越小的区域表示为平坦区域。

2、设定一个阈值来初步划分天空区域与非天空。

3、对第二步的结果进行扩展处理。

4、对第三步的图的像素平均亮度进行判断，如果大于阈值T则认为是真天空区域。（阈值可以设置为0.8，灰度值为204左右均可），自我构思

该方案可以消除去雾图像边缘处的光晕现象，提高处理效率。

分割天空区域

专利《一种含天空区域雾天图像的去雾方法、服务器及系统 》

步骤

1、利用预设的亮度阈值 + 图像梯度信息，分割天空区域和非天空区域，梯度阈值选择概率最大的梯度，避免误分割；
2、利用四分法或者天空区域大气光值；
3、非天空区域加权图像融合的方法细化透射率；
4、图像去雾

---

我们希望分为天空、似天空和非天空区域，三个区域采用不同的光透射率。
注：如果其他区域的像素满足以下两个条件认为是似天空区域：
<1> 弱纹理区域
<2> 像素值和Strue区域的平均像素值 相差很小。

其他相关算法程序可以看看我的github