本发明属于图像增强，尤其涉及一种基于统计先验的多场景图像增强方法及系统。
背景技术：
1、近年来，由于cnn在检测和识别等大规模图像处理方面取得了重大进展，利用深度学习对模糊图像进行去模糊的方法也应运而生。蔡博伦等人分析了以往的特征，建立了一个dehaze-net模型，以实现对传输图像更精确的预测。虽然dehaze-net能在一定程度上实现去雾，但不可避免地存在色彩失真、颜色失真、块状效应等问题。细节和纹理结构层次不够高，去雾刺效果较差。生成对抗网络(gan)是由goodfellow等人开发并提出的一种深度学习模型。生成对抗网络主要由生成器g和判别器d两部分组成。基于零和博弈的思想，生成器g在生成模式时尽量达到最准确的结果，而判别器d则尽可能准确地将生成的模式与真实模式区分开来，即尽可能准确地区分假图像和真实图像。gan模型的崩溃和梯度分散问题一直存在，至今尚未得到有效解决。上述两种方法都是基于深度学习模型的去雾算法，高度依赖于中间变量的准确预测。中间变量的预测存在不同程度的误差。这些误差会在重建无雾图像时被放大，导致图像失真。为了缓解上述问题，研究人员采用了一种基于dcnn的端到端方法，该方法将去雾直接编入一个基于将模糊图像去雾为清晰图像的研究网络中。虽然取得了可观的成果，但性能有限。最近，提出了各种基于端到端cnn的方法，通过直接转换去雾网络来简化去雾问题，但仍存在误报等问题。总的来说，雾霾会导致在雾霾天气下拍摄的图像信息质量下降，因此提出了各种方法来消除由此产生的模糊。这些方法在去雾化方面取得了显著效果。然而，局部像素的内在相关性对于恢复精细细节至关重要。然而，人们很少对其进行探索，导致大多数方法在高度退化的场景中去模糊性能有限，或在各种类型的雾霾场景中鲁棒性较差。
技术实现思路
1、为解决上述技术问题，本发明提出了一种基于统计先验的多场景图像增强方法及系统，为每幅局部图像构建了统计线，从而更好地估算透射率，进而做到同时去雾并保留细节与清晰度的视觉效果。
2、一方面为实现上述目的，本发明提供了一种基于统计先验的多场景图像增强方法，包括：
3、将雾霾图像输入大气散射模型，根据所述雾霾图像通过计算获得雾霾图像与大气光归一后的图像；
4、通过读取雾霾图像的像素值，计算获得雾霾图像与大气光值相除比后的归一化图像中每个局部图像块的统计度分量和标准差，拟合出统计线确定透射图；其中所述统计度分量为局部像素的平均值与所述标准差的比值，所述局部像素为读取雾霾图像的像素值；
5、引入上下正则化和引导滤波器优化所述透射图，获得优化后的透射图；
6、基于所述优化后的透射图和大气光输入所述大气散射模型，获得最终的去雾图像。
7、根据本发明提供的基于统计先验的多场景图像增强方法，将雾霾图像输入已知的大气散射模型中表示如下：
8、i(x,y)＝j(x,y)·t(x,y)+a·(1-t(x,y))
9、其中，a为常规方法得到的全局大气光值，(x,y)为像素位置，j为去雾处理后的无雾图像，i为需要去雾处理的雾霾图像，t(x,y)为透射图。
10、根据本发明提供的基于统计先验的多场景图像增强方法，根据所述雾霾图像通过计算获得雾霾图像与大气光归一后的图像的方法为：
11、
12、
13、其中，ω为图像中的15*15图像块，t为透视图，iω为需要去雾处理的雾霾图像的局部图像块，aω为雾霾图像中局部图像块的大气光值，jω为无雾图像的局部图像块，为雾霾图像的局部图像块与该图像块的大气光值的比值，为无雾图像的局部图像块与该图像块的大气光值的比值。
14、根据本发明提供的基于统计先验的多场景图像增强方法，获得雾霾图像与大气光归一后的图像中每个局部图像块的统计度分量和标准差的方法为：
15、
16、
17、其中，为大气光归一化后的局部图像块的像素平均值，为大气光归一化后的局部图像块的像素标准差，t为透射图，b为蓝色通道。
18、根据本发明提供的基于统计先验的多场景图像增强方法，拟合出统计线确定透射图的方法包括：
19、构建统计线模型，将雾霾图像与大气光归一后的图像中每个局部图像块ω的统计度分量和标准差输入所述统计线模型，获得透射图。
20、根据本发明提供的基于统计先验的多场景图像增强方法，引入上下正则化和引导滤波器优化所述透射图，获得优化后的透射图的方法为：
21、
22、tg＝g(tf)
23、其中，为经过上下边界限制后得到的透射图，c为颜色通道，r为红色通道，g为绿色通道，b为蓝色通道，为不同通道中雾霾图像的局部图像的大气光值，为不同通道中雾霾图像的局部图像，为不同颜色通道的下边界，为不同颜色通道的上边界，g(·)为引导滤波算子。
24、根据本发明提供的基于统计先验的多场景图像增强方法，基于所述优化后的透射图和大气光输入所述大气散射模型，获得最终的去雾图像的方法为：
25、
26、其中，j(x,y)为最终的去雾图像，i(x,y)为需要去雾处理的雾霾图像，a为大气光值，tg为优化后的透射图。
27、另一方面为实现上述目的，本发明还提供了一种基于统计先验的多场景图像增强系统，包括：
28、雾霾图像归一化模块、透视图确定模块、透视图优化模块和去雾图像获取模块；
29、所述雾霾图像归一化模块，用于将雾霾图像输入大气散射模型，根据所述雾霾图像通过计算获得雾霾图像与大气光a归一后的图像；
30、所述透视图确定模块，用于通过读取雾霾图像的像素值，计算获得雾霾图像与大气光值相除比后的归一化图像中每个局部图像块的统计度分量和标准差，拟合出统计线确定透射图；其中所述统计度分量为局部像素的平均值与所述标准差的比值，所述局部像素为读取雾霾图像的像素值；
31、所述透视图优化模块，用于引入上下正则化和引导滤波器优化所述透射图，获得优化后的透射图；
32、所述去雾图像获取模块，用于将所述优化后的透射图和大气光输入所述大气散射模型，获得最终的去雾图像。
33、本发明技术效果：本发明基于大气散射模型，利用一种简单而有效的单幅图像去雾模型，即统计线模型(slm)。本发明中提出了统计度量(sm)来量化雾霾图像中不同场景区域的雾霾浓度。统计线模型揭示了雾霾中局部图像的统计成分与像素标准偏差的倒数之间的线性关系，从而将透射图的估算转化为统计线的构建。在此基础上，本发明利用了一种自适应传输约束，其中包含来自雾霾场景本身的信息。这种约束在去除雾霾的同时，还能显著抑制噪声的放大，从而提高处理大型雾霾场景的能力。本发明应用引导滤波器来平滑由此产生的透射图，从而为雾霾场景提供高质量的图像复原。最终得到的去雾图像，不仅去雾效果好而且细节更加清晰，且在色彩保持方面优于最先进的技术。此外，本发明所提出的方法还可以处理其他复杂场景，即不同天气和成像条件下的图像恢复，例如，沙尘天气，水下条件成像以及低光照度条件成像，具有很高的鲁棒性。本发明可以进一步作为图像处理软件应用到其他图像处理任务中，如水下探测，夜晚低光照度，道路监控系统等情况下的目标识别以及检测系统，在复杂场景下，提高获取图像的识别度和清晰度。
1.一种基于统计先验的多场景图像增强方法，其特征在于，包括：
2.如权利要求1所述的基于统计先验的多场景图像增强方法，其特征在于，
3.如权利要求1所述的基于统计先验的多场景图像增强方法，其特征在于，
4.如权利要求1所述的基于统计先验的多场景图像增强方法，其特征在于，
5.如权利要求4所述的基于统计先验的多场景图像增强方法，其特征在于，
6.如权利要求1所述的基于统计先验的多场景图像增强方法，其特征在于，
7.如权利要求1所述的基于统计先验的多场景图像增强方法，其特征在于，
8.一种根据权利要求1-7任一项所述的基于统计先验的多场景图像增强方法的系统，其特征在于，包括：雾霾图像归一化模块、透视图确定模块、透视图优化模块和去雾图像获取模块；
