2。3 暗通道处理

首先我们先简单介绍一下什么是暗通道。对于任意一副输入图像J来说，在除了天空区域的任一图像区域块中，像素值总会有一个很小的值，下面给出一个暗通道的数学定义，对于任意一副输入图像J，它的暗通道可以用下式表示[8]：文献综述

式中表示三通道彩色图像的r，g，b三个通道，Ω(x)表示一个窗口，这个窗口以像素X为中心[9]。式（2。3）的意义理解起来很简单，首先求出每个像素RGB分量中的最小值，存入一副灰度图中，灰度图的大小应该与原始图像大小保持一致。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，实际生活中造成暗原色中低通道值主要有三个因素：(1)房屋、车辆和城市中大厦外围玻璃的投影，或者是树木、建筑与生物等物体的投影；(2)一些视觉看起来颜色很鲜艳的物体，也会出现较低的暗原色低通道值（比如绿色的树叶、草地等绿色植物，色彩鲜艳的鲜花、植物叶子，或者蓝色的天空）；（3）颜色比较灰暗的物体表面，例如阴雨天的建筑和灰暗色植物茎干[10]。总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的[11]。这样，对输入图像进行暗通道处理之后，除了天空的其他部分的像素值就会变得很小，而天空部分因为本来区域最小像素值就很大，所以暗通道处理过后像素值仍然很大，这样就能很好地提高天空区域的区分度，提升天空部分的分割准确性。现在我们在上文的添加了纹理特征和颜色特征的基础上，对输入的测试图像进行暗通道处理，得到原测试图像的暗通道图。对暗通道图的每一个8×8的图像块求其像素值的均值，如果得到的均值大于某一个设定的阈值，那么将这块图像通过贝叶斯分类得到的天空类别的概率增加一个数值，来修正类别为天空的概率。这个值可以通过多次试验来求得最优值，这样能明显增加分割结果中天空的准确率。测试图像对应输出的暗通道图像及标签图像如下图所示：

   图2。8 训练图像001暗通道图（左）及输出标签图像（右）

图2。9 训练图像002暗通道图（左）及输出标签图像（右）

图2。10 训练图像003暗通道图（左）及输出标签图像（右）

通过观察以上几幅图像的实验结果，可以发现分割图像中对于天空的分割准确率有着不错的提升，基本达到预期效果。然而建筑和道路的分割并没有改变。分割界线仍然不明显，两部分标签仍然还充斥着大量的噪点。在这个训练集中，我们通过纹理特征，颜色特征和暗通道处理，仍然不能得到很好地分割效果。因为一幅道路图像中，天空总是在图像的上半部分，道路一般在图像的下半部分中间的位置，建筑一般都分布在图像的两侧，所以接下来我们考虑加入图像的位置特征。

2。4 位置特征来:自[优E尔L论W文W网www.youerw.com +QQ752018766-

在上面的实验中，通过提取图像的纹理特征，颜色特征和暗通道处理，仍然不能得到很好地分割效果。一幅道路图像中，天空总是在图像的上半部分，道路一般在图像的下半部分中间的位置，建筑一般都分布在图像的两侧，所以接下来本文将加入图像的位置特征，并实验观察得到的测试图像的分割效果。

首先简单介绍一下图像的位置特征。在同一场景的若干图像中，不同的图像在相同位置（图像坐标相同）上有很大的概率实际上是属于同一类的[12]。但是由于图像的多样性和视角的多角度性，这个只能说明这个位置属于某一类的概率。本文中，在前面的各种特征提取的基础上，分别计算出每个图像块属于不同类别的概率，与朴素贝叶斯分类器（Naive Bayes classifier）得到的属于各个分类的概率结合，得到最终的属于各分类的概率值。比较这些概率值，取概率值最大的所属分类作为该图像块的最终分类，并输出分割的图像结果