视频图像去雾

视频图像去雾（共8篇）

视频图像去雾 篇1

摘要：光在雾、霾等介质中传播时, 由于粒子的散射作用导致成像传感器采集的图像信息严重降质。视频图像去雾霾技术在消除不利天气影响、增强视见度的基础上, 考虑系统实时性。从图像增强和物理模型的研究角度对图像去雾算法的处理效率进行综述, 综合了近年来国内外去雾算法的原理与进展, 给出了典型的去雾算法在视觉上的对比和时效评估数据。最后, 展望了该技术的研究难点和发展趋势。

关键词：视频图像去雾,实时性,图像增强,物理模型

近年来, 雾霾天气在我国频繁出现, 对人们的健康和出行造成较大影响, 引发了全社会的普遍关注。雾和霾是两种不同的物质组成, 在大气中以微小粒子的形态悬浮在空中, 可用米氏散射理论进行描述。

目前, 视频图像去雾技术还处在研发阶段, 各方面可供参考的文献并不多。相较国内, 国外的研究工作起步较早, 进展相对快一些。美国国家航空航天局 (NASA) 的Langley研究中心深入研究基于领域的Retinex算法, 对雾、烟、水下和夜晚图像进行增强, 并将其算法移植到DSP图像增强系统中, 处理分辨率为256×256的灰度图像效率达到30帧/s, 能够基本满足小分辨率下的实时性要求。与此同时, 国内的中科院自动化所、清华大学、天津大学以及中南大学也视频图像去雾方面取得了进展。

1 图像去雾的方法

随着图像去雾算法理论研究的深入和实际应用中的需要, 近年来国内外学者越来越关注在小信息量输入 (单幅图像) 的条件下对数字图像外观的建模与重绘。基于大气退化物理模型的单幅图像去雾是通过合理的数学推演和假设, 还原清晰、高品质的图像。在这方面的早期工作是由Tan等人完成的。他们通过统计发现无雾图像相对于有雾图像必定具有较高的对比度, 从而利用最大化局部对比度处理, 基于MRF框架对结果进行规整化, 达到单幅图像的去雾。

Fattal等人在大气衰减的物理模型的基础上, 运用独立成分分析的方法, 通过假设入射光在大气中的传播 (transmission) 和场景对象的表面特性 (surface shading) 是不相关的, 并利用图像邻域信息的马尔科夫特性和局部最优化的思想计算得到清晰的图像。

香港中文大学的何恺明博士等人在2009年的CVPR上提出了基于暗通道优先提取的单幅图像去雾技术。通过DCP (Dark Channel Prior) 先验, 能够快速估计出大气传递参数, 进而求解清晰图像。何凯明等人在后期的研究中引入导向滤波的方法进行处理, 大大提升算法效率。在该研究的基础上, 衍生出很多进型DCP算法, 取得了不错的效果。

Kratz等人应用MAP的方法解决图像雾的问题, 假设有雾的图像是由场景反照率场景深度两个独立的层组成的, 并利用FMR (factorial Markov Random Field) 思想建模最终得到了较为准确的深度信息。

Zhang通过引入边界保持的非线性滤波的方法, 利用该方法能够使transmission m信息更加准确, 同时能够得到较准确的对象界信息, 而且不受图像局部反照率的影响。

在单幅图像去雾的实时性方面, 也存着一些进展。Codruta O.Ancuti等人提出基半求反 (Semi-Inverse) 的检测去雾算法。算法同样提出一种先验, 即在日光条件下通对多幅图像进行统计, 得到在有雾图像中, 雾区域的半反图像和原始图像基本无差异。因是有雾的区域或者天空的RGB分量各元值都比较大, 而无雾的地方符合暗通道原理即总有一个分量的值比较小。在以上先验假成立的条件下, 估算大气传递参数, 进而对像进行去雾处理。文中提及的数据表明, 该法已能基本支持视频图像实时去雾处理。

2 视频图像去雾时效评估

通常情况下, 图像去雾算法的评估没真实的图像可供参考, 属于无参考客观质量估范畴, 仅能依据对降质图像和复原 (或增强) 图像的分析比较来衡量算法的性能。目前, 针对图像去雾效果的无参考客观质量评估主要是由Hautiere等人所提出的可见边梯度法。

3 视频图像去雾效果

为了考查现阶段去雾算法是否能够满足视频图像去雾的实时性要求, 利用对数图像处理 (LIP) 模型从定量分析的角度对现阶段几种典型的图像去雾方法的时效进行实验分析。通过单幅图像的去雾处理的运算速度和清晰化指标, 来推算处理方法是否能够满足视频流去雾处理的实时性要求, 为视频图像去雾算法的选择提供理论依据。表1比较了几种典型的去雾算法的运算速度与清晰化指标。

由表1可得, 在处理图像大小为450×600的图片时, 理论上传统的基于物理模型去雾方法在运算速度上普遍比基于图像增强去雾方法的慢, 并且能满足视频流实时处理要求的算法仅有自适应直方图均衡化、自适应色阶和对比度和改进的实时去雾算法。

4 结论与展望

本文对视频图像去雾处理进行了综述性介绍, 给出了国内外几种典型去雾算法的时效分析, 为进一步探索视频图像去雾处理方法, 提高算法效率提供理论依据。

视频图像去雾技术在计算机视觉、模式识别中有着广泛应用, 属于图像处理和计算机视觉领域的研究热点之一, 具有重要的实际应用价值, 吸引着国内外很多研究人员的关注。目前, 国内外的相关研究在视频图像去雾算法的自动、鲁棒和实时性上远没有达到成熟阶段, 因此, 该领域的研究仍存在很大的发展空间。

政府视频图像资源如何整合共享 篇2

展视频图像资源的建设。例如，公安部门建设了社会治安动态监控系统、交警卡口系统等，城管、交通、环保、水利等部门也分别建设了满足各自需求的视频图像资源系统。如何将这些视频图像资源进行整合，实现纵向、横向共享和统一调度是目前必须面对和需要迫切解决的问题。

整合共享的现状

在实际情况中各部门建成的视频图像系统存在着互联难、共享少、重复建设等问题，下文以宁波市政府相关部门为例，介绍视频图像资源整合共享现状。

视频建设的现状

宁波市视频图像资源的主要来源为各部门建设的前端视频摄像机的实时拍摄视频。截至2012年7月，被调研单位已经建成的前端视频摄像机共计6917个，其中公安局在海曙、江东、江北、鄞州的市区范围已安装摄像机6000多个（不含道路卡口和电子警察的摄像机），交通委安装100多个，城管局安装300个，水利局安装27个，气象局安装15个，海洋渔业局安装30个，环保局安装400多个，林业局安装6个，人防办安装39个。

各单位的建设模式各不相同，主要包括自主建设、租赁电信全球眼以及自主建设兼租赁电信全球眼等三种模式。

各单位视频信号分为数字模式、模拟模式，以及数字兼模拟等三种模式。视频图像质量分为黑白标清、彩色标清和彩色高清三种级别。

资源共享的现状

在各部门的内部，视频图像资源的整合和共享已能够较好地实现。如公安局建成数字视频共享平台，能够实现对全市所有视频图像前端采集图像的实时查看和存储的视频资源的点播调取功能，各分局之间的视频图像资源也实现共享；水利局实现了从省、市、县水力部门的视频图像资源共享。

但在各部门之间，视频图像资源的共享和整合只有个别的案例。如宁波市江东区的城管局和公安局在“智慧城市”建设的推动下实现了部分视频监控的共享；宁波市应急办的指挥中心接入了公安局、水利局、气象局、环保局和交通委的视频图像资源，但只是单向的接入还没有实现接入部门间的资源共享。总的来说，目前宁波市视频图像资源只实现了局部的、小范围的共享和整合。

影响共享的关键问题

从现状中可以看到资源整合共享分为纵向和横向两类。部门内部纵向属于同一行政体系，视频图像资源的整合和共享实现较好，如公安和水利都实现了省、市、县三级的整合共享。而横向方面部门之间的共享却很少，有视频图像资源系统异构及标准不一致的原因，但根本溯源还是在部门间利益的问题。各个部门都先希望获取其它部门的资源，但希望少共享自己部门的资源。要想实现政府视频图像资源的纵向和横向整合共享，首先应该突破部门利益壁垒这个关键问题。

另一个关键问题是：分布的视频图像资源系统异构，缺乏统一的标准，无法进行有效地交换。各部门在建设中各自遵循上级部门或行业的标准规范，造成视频图像资源建设缺乏统一标准，建成的系统在视频格式、传输协议、管理平台等方面各不相同。虽然浙江省公安厅于2004年颁布过地方标准《社会治安动态视频监控系统技术规范》（DB33/T502-2004），但其主要针对公安社会治安动态视频监控系统，在其他部门和其他应用中不一定适用。各系统相互独立，形成视频图像信息孤岛，从而不能有效实现视频图像资源共享。因此，那些在资源整合方面制定了统一的标准规范的部门，在内部纵向上容易成功取得视频图像资源的整合共享。如浙江省公安厅制定出台的《跨区域视频监控联网共享技术规范》（DB33/T 629-2011），使公安系统的视频图像资源能够较好地实现共享整合。

整合共享平台的架构

针对宁波市各部门视频图像资源建设的现状，宁波市提出了建立视频图像资源整合共享平台。视频图像资源整合共享平台主要是将各政府部门已有的视频图像平台进行整合，建立视频图像资源数据库，在政府内部实现以“目录共享、授权访问、自主调度”为工作机制的视频图像资源共享，同时推进相关技术标准和法律法规的制定，对以后建设的视频图像平台进行指导和规范。

统一的协调管理机构

视频图像资源整合共享平台能否建好并能长期运行下去，关键在于需要一个能够突破各部门利益屏障的综合协调管理机构。这个机构主要负责建设和运维该平台，目前看来各级政府应急管理办公室是最佳选择。我国应急管理的最高行政管理机构是国务院应急管理办公室，它负责指挥和协调省市区的应急办以及各部委局的应急管理部门。在此框架之下，地市应急办又可指挥属下各县市区的应急办，并协调该区域局委办的应急部门。这样的体制架构保证了政府应急平台除了与纵向的国家、省、地市、区县应急办信息数据互通外，还与横向的厅、委、局、办专业应急管理部门数据共享。视频图像资源整合共享平台可作为子平台纳入到政府应急平台的整体建设运维中。

技术架构

在这里提出一种视频图像资源整合共享平台的基础技术架构。该平台分为网络基础层、资源整合层、资源数据层和应用服务层。网络基础层是视频图像资源传输和共享的基础；资源整合层主要是对异构平台视频图像资源进行整合；资源数据层是对视频图像资源数据的整合，主要内容是建设、维护视频图像资源数据库和数据交换与共享系统；应用数据层上搭建统一门户系统，实现用户的统一登陆、统一认证、统一授权。同时以安全保障体系、运维支持体系、技术标准规范和法律法规为保障（见下页图）。

安全保障体系

平台涉及国家秘密的，按照BMB17-2006《涉及国家秘密的信息系统分级保护技术要求》的要求进行定级和防护，不涉及国家秘密的，按照《信息系统安全等级保护基本要求》第三级或以上等级的要求进行防护。

平台应采用电子政务内网或外网统一的CA认证系统进行证书发放，实现应用系统身份认证、授权访问控制、责任认定。

对平台系统中安全设备的安全策略进行统一的规划。涉及不同安全域之间的数据交换按照国家保密管理有关要求实现。

建立本地备份系统，确保系统安全稳定运行。有条件的可进行异地容灾备份。

运维支持体系

运维支持体系的质量好坏直接关系到平台的运行效果，乃至生命周期。运维支持体系建设包括日常维护工作、搭建和维护技术支撑平台、制定统一的运行维护流程、建立整个运行维护支持体系的管理制度、运行维护支持队伍的建设等几个内容。

为保障平台长期有效运行，应明确平台建设单位、接入部门和使用部门的分工和职责，并建立考核机制，同时纳入到政府工作考核项目中。

统一的技术标准和规范

虽然前面提出资源整合层对多源异构视频图像资源进行了整合，但从长远看，统一的技术规范和标准协议应该是未来的发展方向。然而目前尚没有统一的视频图像资源建设的技术标准规范。政府管理机构应综合考虑视频图像资源的需求，结合各部门行业应用情况，研究制定相应的视频图像资源建设的技术标准和规范。同时要加快制定视频图像资源整合的技术标准规范。为实现平台深度整合，必须解决视频图像资源整合涉及的视频图像格式、编解码、接口、传输协议等技术。统一的视频图像资源整合的技术标准规范将对技术攻关起到积极的推进作用。可参考浙江省公安厅出台的《跨区域视频监控联网共享技术规范》（DB33/T629-2011），结合各部门的建设现状和今后规划，研究制定视频图像资源整合的技术标准规范，作为平台深度整合技术攻关的基础。

配套的法律法规

尽快出台配套的法律法规，以解决目前视频图像资源建设中存在相关问题，规范视频图像资源的建设、整合、使用和维护，以更好地保证资源的安全合理利用。一要规范视频图像资源的建设范围，同时明确各视频信息采集主管部门的责任。二要规范视频图像资源的保密管理。视频图像资源的内容可能涉及国家安全或个人隐私，对视频图像资源的保密管理至关重要。应以法律法规的形式加以约束，严格管理视频图像信息。三是要明确视频图像资源管理的责任追究。对于违反规定的进行处罚，对行政机关工作人员履行职责中滥用职权、徇私舞弊、玩忽职守的，依法给予行政处分；构成犯罪的，依法追究刑事责任。

视频图像资源整合共享平台能将各政府部门的视频图像平台进行整合，实现视频图像资源的共享。平时该平台能为城市公共安全管控和管理提供帮助；在面对突发事件时，平台能对事件现场状况的分析和应急指挥决策提供服务。因此，建设开放、可行和安全的视频图像资源整合共享平台将是政府应急平台建设的重点之一。

视频图像去雾 篇3

计算机视觉系统大多数应用于户外工作,如城市交通、视频监控、遥感成像等,都要求被提取的图像准确清晰。但是在雾天的天气条件下,由于场景的能见度下降,导致了图像中目标的颜色以及对比度等特征被衰减,系统的正常工作受到影响,因此在视频图像的处理中增加去雾技术显得非常重要[1,2,3]。

目前,对雾天获得的图像进行清晰化处理的方法基本[4,5]上有两类:基于模型和非模型的算法。其中,基于物理模型的算法是应用逆运算来改善图像的对比度,是了解图像退化的内在原因。然而,非物理模型的算法并不需要知道图像退化原因的信息,用非物理模型的方法处理图像称之为图像增强。用基于物理模型的方法处理图像称之为图像恢复,这类算法更加有效可靠,原因是它们利用了图像退化的物理机理,目的是为了提高退化图像的保真度。

本文基于物理模型提出了一种空气光快速去雾算法。该算法采用最大像素值估计天空亮度,利用高斯低通滤波器分离出背景空气光,从而进行图像亮度恢复以及图像的饱和校正。本文算法比较简单,运算速度快,且适用于彩色图像和灰度图像。

1 大气散射物理模型

在雾、霾天气条件下,大气粒子的散射作用导致成像受到影响。这种影响主要是由两个散射过程造成的:一方面,由于大气粒子的散射,物体表面的反射光随着距离的增大发生衰减,同时与前向散射、光强的衰减一起导致了物体成像的亮度减弱;另一方面,自然光因大气粒子的散射进入成像设备参与了成像,而自然光的强度随着传播距离的增加而逐渐增强。因此,正是大气粒子的前向散射与后向散射的共同作用导致图像模糊、分辨力下降,图像饱和度、对比度降低,色调偏移。这样,不仅影响图像本身的视觉效果,而且还影响对图片的分析性能。大气散射模型示意图如图1所示。

在有雾的情况下,图像退化的主要原因是大气的散射。大气的散射是一个非常复杂的过程,大气中存在的悬浮颗粒的大小、类型、密度以及光的波长和极化状态都会对它产生一定的影响。McCartney提出了大气散射模型[3],即衰减模型和环境光模型,公式为

I(x)=G(x)t(x)+A(1-t(x)) (1)

T(x)=e-βd (2)

式中:I(x)是未去雾的输入图像辐射信息;G(x) t(x)表示衰减模型,A(1-t(x))则表示衰减模型;G(x)为空间坐标x处的场景反照率;d为空间坐标x处的场景深度;β是大气的散射系数;A为天空的亮度,一般假设为全局的常量。

随着场景深度的增加,环境光到达人眼的光线也就增多。这就导致了图像的颜色发生漂移,使得有雾的图像整体看起来不是很清晰,呈现偏灰色。设空气光为V(x),即

V(x)=A(1-t(x)) (3)

则式(1)改为

${\rm I}(x)=G(x)(1-\frac{V(x)}{A})+V(x)(4)$

假设估算出空气光V(x)和天空亮度A,则图像复原后的模型为

$G(x)=\frac{{\rm I}(x)-V(x)}{1-\frac{V(x)}{A}}(5)$

2 图像复原方法

2.1 大气光的估计

天空亮度A采用最亮像素值估计时容易受到高亮噪声或者白色物体的干扰。需要进行灰度腐蚀操作的为各颜色分量,然后取颜色分量之间的最小值,进而选取0.1%最亮的像素。估计天空亮度A则用对应原图像中的最大像素值。为了保证天空亮度不受影响,必须滤除图像中白色物体,图像中白色物体的尺寸不能小于结构元素的尺寸。但是,如果结构元素的尺寸大于图像中的天空区域,则会错误地把天空区域滤除。

首先,灰度腐蚀操作的含义为以彩色图像的最小颜色分量为对象,进行最小值滤波,即

${\rm I}{}_{\min }(x)=\underset{y\in \Omega (x)}{{\displaystyle \min }}(\underset{c\in \{R,G,B\}}{{\displaystyle \min {\rm I}}}(y))(6)$

式中:c∈{R,G,B}表示颜色通道R,G,B;Ω

表示以像素x为中心的邻域,它与图像的宽和高之中的最小值成比例,Ω

取0.025。

然后,以彩色图像的灰度分量为对象,采用Canny[1]算子进行边缘检测,分块统计各边缘图像,最后在每个图像块中计算边缘像素数所占的比例,记为Nedge(x)。那么候选天空区域就是必须满足Imin(x)>Tv且Nedge(x)<Tp的像素集合。其中Tv为亮度值,取Tv=95%×Imin(x);Tp为平坦值,取Tp=0.001。

2.2 利用高斯低通滤波器分离出大气光

根据频率分布特征,低频部分为雾和背景光,高频部分为景物。利用高斯低通滤波器获取空气光V(x),即

$\begin{array}{l}V(i,j)={\displaystyle {\iint }_{mn}{\rm I}}{}^v(i-m,j-n)\frac{1}{\sqrt{2{\displaystyle \prod \sigma }{}_0}}\cdot \\ \exp (-\frac{m{}^2+n{}^2}{2\sigma {}^2})\text{d}m\text{d}n(7)\end{array}$

式中:σ0=80为高斯函数的尺度函数,用它来调整图像的锐化程度。式(7)应该满足${\displaystyle {\iint }_{mm}\frac{1}{\sqrt{2{\displaystyle \prod \sigma }{}_0}}}\cdot \exp (-\frac{m{}^2+n{}^2}{2\sigma {}^2})\text{d}m\text{d}n=1$。

2.3 图像亮度的恢复

将计算出的A与V(x)带入式(5)中,可以推导出复原后的亮度分量GV(x)

$G{}^V(x)=\frac{{\rm I}{}^V(x)-V(x)}{1-\frac{V(x)}{A}}(8)$

雾天图像分布不均匀,需将直方图进行扩展。根据高斯分布“3σ”规则,就正态随机变量而言,其值落在区间[μ-3σ,μ+3σ]内是允许的,取复原后的亮度GV的最小值G${}_{\min }^V$=μ-3σ;复原后的亮度GV的最大值G${}_{\max }^V$=μ+3σ。 μ为GV的均值,σ为GV的标准差。最后得到拉伸后图像的每一个谱分量值为

$G{}_{out}^V=\{\begin{array}{l}0,G{}_{\text{i}\text{n}}^V\le G{}_{\min }^V\\ \frac{G{}_{\text{i}\text{n}}^V-G{}_{\min }^V}{G{}_{\max }^V-G{}_{\min }^V}dr{}_{\max }‚G{}_{\min }^V<G{}_{\text{i}\text{n}}^V<G{}_{\max }^V\\ dr{}_{\max }‚G{}_{\text{i}\text{n}}^V\ge G{}_{\max }^V\end{array}(9)$

式中:drmax表示输出设备的动态范围;GVin表示输入;GVout表示输出。

2.4 校正图像的饱和度

在有雾的恶劣天气情况下,捕获的图像饱和度之所以降低是因为雾的漂白作用。校正饱和度S,即$U(x)=S(x){}^{\frac{d{}_{{\rm I}}}{d{}_G}}\text{e}{}^{a{}_{{\rm I}}-a{}_G\frac{{}_{d{}_{{\rm I}}}}{d{}_G}}$,其中,aI,dI,aG,dG分别表示的是输入与输出图像的亮度分量对数的平均值与标准偏差。

3 实验结果比较与分析

对于单幅图片来说,Tarel算法是要估算大气耗散函数,即采用中值滤波的变形形式,但并不是好的边缘保持滤波方法,且在处理白色的区域时效果不是很理想。同时,如果参数选择不恰当的话,很容易引起Halo效应,该算法中存在的参数比较多,调整的时候较复杂。而采用本算法能很好地恢复图像的对比度,图像的色彩也比较自然,图像显得更真实、柔和。实验结果比较如图2所示。

本方法也适用于动态的场景,为了减少图像中的背景对去雾效果的影响,本文采用区别天空区域的方法,对一段雾天视频图像的场景深度进行估算。采用大气光的估计进行灰度腐蚀操作,把天空亮度估算出来。在处理过程中,保留运动物体的同时,也提高了场景的能见度。可见,利用此算法对动态场景的去雾效果很好。效果图如图3所示。

4 结论

不管是对于单幅图像还是对于运动的场景,本文提出的采用高斯低通滤波来分离背景大气光的方法都适用。因此,在处理视频图像中采用此算法的主要优势有:1)此算法简单,处理速度快,且能处理彩色图像;2)处理后的图像色彩自然柔和且图像较清晰;3)应用于动态场景的处理效果较好;4)处理图像中的白色区域较好。

摘要：在有雾的天气条件下,针对空气能见度下降导致捕获的图像颜色退化、对比度降低的问题,需要对视频图像进行去雾处理。提出一种去雾算法应用于视频图像的处理过程中,该算法用最大像素值估计天空亮度,利用高斯低通滤波器分离出背景空气光,从而进行图像亮度恢复以及图像的饱和度校正。实验证明,该算法处理图像速度快,能应用于彩色图像与灰度图像的处理,同时可以获得较清晰的图像。

关键词：去雾,图像处理,物理模型,图像复原

参考文献

[1]禹晶,李大鹏,廖庆敏.基于物理模型的快速单幅图像去雾方法[J].自动化学报,2011,37(2):143-149.

[2]禹晶,徐东彬,廖庆敏.图像去雾技术的研究[J].中国图象图形学报,2011,16(9):1561-1576.

[3]黄黎红.单幅图像的快速去雾算法[J].光电子.激光,2011,22(11):1735-1739.

[4]陈功,王唐,周何琴.基于物理模型的雾天图像复原新方法[J].中国图象图形学报,2008,13(5):888-893.

基于暗通道先验的快速图像去雾 篇4

然而,雾天图像的复原并非简单的任务,如果不考虑雾化图像的退化机理,采用传统的基于图像处理的增强技术,如直方图均衡,大多难以取得满意的复原效果。式(1)描述了雾天成像的过程[1],其中,t(x)=e-βd(x)定义为透射率,量化出场景辐射光在大气介质中的穿透能力。d(x)表示场景深度。根据式(1),图像退化来源于场景辐射光直线传播过程中引入的衰减,以及环境光经过空气溶胶颗粒的散射。这两部分都依赖于场景深度。若能从雾图中有效估计出场景的深度图(或透射图),将会有效增强图像去雾的效果。

1 相关工作

近年来,关于场景深度的估计出现了不少方法,例如,Kopf[2]提出直接通过给定场景的近似3D几何模型计算景深,Schechner等[3,4]利用同一场景下的多幅不同极化方向的图像推导深度信息,Narasimhan[5,6]依据不同天气条件下的多幅同场景图像对景深进行估计。目前研究最多的是借助于一些已知的先验或假设从单幅雾像中估计景深或者透射率,其中,基于暗通道先验假设的单幅图像去雾方法引起很大的关注。He[7]根据来自大量的户外无雾图片的统计结果,发现了暗通道的先验规律,并在大气散射物理模型基础上借助暗通道先验对降质图像进行复原。He[7]算法的局限性主要体现在两个方面,其一,采用软抠像方法对透射图进行精细化处理,会引入大量的计算和存储开销,影响算法执行效率,不适合实时处理;其二,对于暗通道先验失效区域,特别是天空区域去雾后容易产生色偏现象,复原效果不理想。

为实现实时去雾,近几年涌现出一些面向单幅图像去雾的快速算法。He[8]利用原雾图作为引导图像,通过对暗通道先验粗估计得到的透射图进行引导滤波达到精细化目标,虽然能够较好地保持原图的边缘结构,大幅度提高去雾速度,但无法完全消除边缘附近的光晕现象。Hu[9]利用透射梯度优先规律对软抠图处理进行优化,应用多分辨率处理降低计算复杂度。但由于升采样时并未考虑到原始边缘纹理等因素,容易导致在深度突变处残留部分光晕,而且计算复杂度仍然较高;Meng[10]利用边界限制条件估计出粗透射图,并构造正则函数对粗透射图模糊处理,虽然具有较快的处理速度,但在处理白色物体时,常常引起色偏;Tarel[11]利用中值滤波对大气耗散函数进行近似估计,虽然算法计算复杂度可以达到O(N),N代表图像包含像素的数目,但中值滤波的平滑处理会丢失许多边缘细节,导致复原效果不佳。Gibson[12]在He[7]算法的基础之上,使用中值滤波修正暗通道先验,由于该方法无需对透射图进行边缘优化,大大降低了计算复杂度,但复原效果不理想,容易出现黑斑效应。

为解决暗通道先验失效的情况,文献[13]提出从图像中分离出天空部分,通过特别处理防止发生色偏。但由于目前并未有一个鲁棒的天空识别方法能够适用于所有图像,因此识别出的天空往往是不精确的,容易造成复原图像在天空边界处不连续,影响了图像的视觉效果。

为此,本文将针对原始暗通道先验去雾存在的不足作出针对性的改进。为提高去雾速度,设计新的透射图优化方法替代复杂的软抠图技术,通过引入多分辨率处理,并结合最小滤波和联合双边滤波,实现快速有效的单幅图像去雾处理。另外,为解决暗通道失效的问题,提出透射率下限的自适应调节机制,扩大暗通道先验的适用范围,从而克服天空区域的色偏现象,提高去雾效果。

2 暗通道先验去雾

依据雾天成像模型,如式(1)所示,图像去雾的目标是从雾图I(x)中恢复出J(x)。为了简化计算,假设透射率在局部块中保持不变,并且大气光在所有颜色通道上的分量相同。为计算透射率,对式(1)的两端在所有颜色通道上执行最小滤波,可以得到:

根据暗通道规律,户外清晰图像中任意局部邻域都以很高的概率在某个通道上存在暗像素点,满足:

将式(3)带入式(2),可以得到透射率计算的简化形式:

事实上,即使是能见度极好的天气,大气中存在的微小颗粒也会造成远处景色的雾化效果。为了保证图像复原的自然度,He[7]提出在计算透射率时引入常数ω(0<ω≤1),得到

这样,复原后的图像J(x)可以表示为:

式(6)中,设定透射率下限t0是为远景保留一定的雾气,不破坏去雾后自然的视觉效果。

3 基于多分辨率处理的透射图优化

从式(5)中可以看出,暗原色的计算等同于对图像执行最小化腐蚀,单个亮度小的像素会拉低其邻域范围内的其他像素的暗原色,造成透射率的过高估计,容易覆盖或模糊边缘,导致在复原图像的景深突变区域产生“晕斑”现象。为此,He算法[7]应用软抠像方法细化透射图,本质思想是,采用高精准的插值算法,根据帧内相关性,从已知信息中求出未知信息。虽然能够较好地从粗透射图中还原出与原图像一致的边缘细节,但算法本身计算复杂度过高,耗时过长,不利于实时处理。

针对此问题,本文提出一种新的透射图细化方法,其核心思想是:在多分辨率处理框架下,利用最小值滤波与联合双边滤波代替抠图处理,对基于暗通道先验粗略估计出的透射图进行细化。具体的透射图细化方法描述如下:

首先,为了降低计算复杂度,应用均值化方法对原始雾图I进行下采样处理,得到低分辨率图像Id,如式(7)。

式(7)中,c表示颜色通道,n=max{round[max(h,w)]/Rs),1},Rs为降采样参数,h和w代表原始雾图I的高度和宽度。由于透射率与图像的纹理细节无关,采用均值降采样,除了降低计算量,还可以在保留深度信息的同时,达到模糊图像纹理的目的。

然后,根据式(4)计算Id对应的透射率粗估计td,并应用式(8)进行最小值滤波,执行初步细化处理。其中,Ωm(x,y)为以像素(x,y)为中心的方形邻域,邻域尺寸与He[6]算法中使用的最小操作窗口相同。最小值滤波的目的是,修复被高估计的边缘透射率,从而使透射图的深度信息接近于原始图像。

由于暗原色是基于局部腐蚀处理的,导致估计得到的透射图出现很严重的块效应,使得物体边缘模糊,特别是景深突变区域引起很大的估计误差。虽然经过最小滤波后,透射图在一定程度上减少了边缘附近的错误估计,但边缘结构的精细化程度还不够,并且与原雾图在边缘结构上一致性差。考虑到联合双边滤波在边缘保持特性方面的优势,本算法将原雾图的下采样灰度图作为引导图像,对经式(8)处理得到的初始细化透射图,执行式(9)所示的联合双边滤波,将雾图的边缘结构引导迁移到透射图中,实现边缘细化的目的。

式中f和g分别对应空域高斯滤波器和值域高斯滤波器,Kb为归一化因子,Ωb(x,y)为以(x,y)为中心,边长为r1的方形邻域,Idg为经过下采样后的雾图对应的灰度图像。

最后,对tdmb进行双三次插值处理,得到tmb恢复到雾图的原始尺寸。由于插值操作本身存在误差,当分辨率较高时,将造成透射图的深度结构与原图像相比偏差较大,在去雾结果的深度突变区域会产生少量光晕。所以,针对高分辨率的透射图tmb,需要引入额外的边缘修复。具体而言,采用Sobel算子对tmb进行边缘检测,边缘检测门限为Te,确定明显边缘点后对其执行宽度为w的膨胀处理。对膨胀区域的透射率再次应用联合双边滤波进行细化。为了降低计算开销,对于分辨率高的tmb,应选择较大的滤波窗口r2。

图1为本文算法与He[7,8]算法的去雾效果对比,可以看出,He[8]在景深突变附近仍存在一片薄的雾气,而本文算法能够取得与He[7]近似的去雾效果。更重要的是,对于图1中分辨率为1 024×768的原雾图,本文算法去雾时间仅为He[7]的0.73%,为He[8]的74.4%。

4 基于天空识别的透射率下限调整

根据式(2),推导出,

对于户外清晰图像,若场景中包含天空区域或者白色近景物,暗通道先验就会失效。对于先验失效区域,,意味着,实际的透射率会高于先验假设下的估计值。如果天空部分按照暗通道先验估计得到的透射率进行去雾,容易引起颜色失真。考虑到原雾图中天空亮度较大,根据式(12),天空部分的透射率接近下限。换句话说,式(6)中透射率的下限值主要影响天空区域的复原。因此,通过调节透射率的下限值能够修复因先验失效引起的透射率的错误估计。对于有天空的图像,设置较高的透射率下限值,反之,不包含天空部分的图像,设置较低的透射率下限值。

为实现透射率下限的自适应调节,能否有效识别图像中的天空区域是关键所在。直观上,天空区域具有平坦特性,在较大范围内是连通的,并且亮度较高。这里,为了识别天空部分,算法将同时满足平坦性、连通性以及高亮度这三个特征的像素视为可疑天空像素。统计可疑天空部分所占图像的比例,如果超出一定阈值,则识别出图像中包含天空区域。

为识别出所有具有平坦性的像素,对灰度图Idg进行梯度检测,设定检测门限为Tg,梯度超出Tg的像素为1,否则为0。然后对所有边缘点以宽度l进行方形扩展,得到二值图B,对B取反就得到平坦检测的掩码图Mg。由于天空像素都具有较大的亮度,为了识别出Idg中所有的高亮像素,设置亮度阈值Ti=0.95A,A为环境光强,生成亮度检测的掩码图Mi,将所有灰度值大于Ti的像素为1,否则为0。另外,为检测具有连通性的天空像素,根据像素灰度值,将Idg中灰度值接近的像素划为相同类别,求解式(13)所示的最优化目标函数,类别数目N=8,vi是Idg中的像素,Ck为聚类中心,初始值在图像中等间隔选取。

在分类结果中,选中最亮类别对应区域,将其所有像素设为1,其余为0,得到连通性检测的掩码二值图Mc。

综合考虑天空的平坦性、连通性和高亮特性,可以确定可疑天空像素集合,如式(14)所示,并依此计算可疑天空在Idg中所占比例η。式(14)中,&表示逻辑与运算。

文献[14]经过实验统计,得出天空区域的灰度近似符合正态分布。所以,识别出可疑天空像素还不够,还需要判别可疑天空像素集合是否近似满足正态分布。为此,算法对集合S作正态分布的卡方校验,设置显著水平为α。如果集合S中包含的像素数目达到一定比例Tn,并且S近似符合正态分布,则认定图像中包含天空部分。反之,可疑集合S对应浓雾区,虽然也满足高亮、平坦和连通的特性,但具有较小的透射能力。因此,对于浓雾区,为了获得理想的去雾效果,应该降低透射率下限值。并且,雾越浓,平均亮度越大,透射能力越小。

根据上述分析,我们可以依据集合S的平均亮度来调整透射率下限。定义为集合S的平均亮度。如果图像中存在天空部分,则。这里,λ为调节因子。为了防止下限过高,影响非天空区域的去雾效果,设定透射率下限不超过0.35。如果判定图像中不包含天空部分,设置。越大,t0越小。为保证t0非负,还需限定t0=max(t0,0)。

图2比较固定透射率下限和自适应调整透射率下限两种情况下的复原效果图。从图2中,可以看到,(a)、(c)中天空部分颜色失真,视觉效果不理想,而(b)、(d)天空部分很自然,消除了色偏现象。(e)和(f)不包括天空部分,但由于调整了透射率下限,相比(e),(f)中远处的浓雾区恢复效果更好,可见度得到提高。

5 实验结果与分析

为了验证算法性能,采用matlab(R2010b)运行算法代码,计算机硬件配置为Intel(R)Core(Tm)i5-4210U CPU@1.70GHz with 8.00 GB RAM。实验选取四幅具有较高分辨率的常用雾图(如图3)进行算法比较与分析。本文所提算法中,参数的设置如表1所示。采用K-Means聚类算法求解式(12)所示分类问题,卡方校验中采用的显著水平α=0.05,所提算法的其他参数与文献[7]一致。

5.1 去雾主观效果

图4~图8列出本文算法与目前几个主流算法的去雾结果。这里选取的比较算法包括直方图均衡算法[15],Tarel[11]算法,He[7]算法,He[8]算法。其中,直方图均衡[15]采用传统的图像增强方法执行去雾,在复原过程中不考虑雾图成像的机理,直接通过对比度增强来改善雾图的视觉效果。He[7]算法最早提出暗通道先验,为了优化去雾效果,应用抠图方法细化透射图,保持边缘结构。He[8]算法在暗通道框架下,应用引导滤波执行透射图细化。Tarel[11]算法应用中值滤波加快去雾处理。

从算法的去雾结果,可以看出,直方图均衡算法[15]的去雾效果最不理想,颜色失真严重,存在过饱和现象;Tarel[11]算法复原后的图像也存在明显的颜色失真现象。He[7]对于大部分图像具有较好的去雾效果,但去雾后整体颜色偏暗,缺乏层次感;He[8]能够较好地处理一般深度突变图像,但在部分深度突变剧烈处仍残留少量雾气,导致视觉质量严重下降;本文所提算法能够较好地保留边缘细节,颜色保真度好,复原图像更加清晰、自然。

5.2 去雾客观评价

为了从客观上验证算法的性能,本文采用梯度、平均亮度、信息熵三个性能指标评价复原图像的质量,并比较算法的去雾效率。图像的平均梯度表示边缘两侧附近的灰度变化率,在一定程度上能够反映图像的清晰程度;信息熵量化了图像包含的信息量,其值越大,图像细节特征越丰富;图像的平均亮度越接近0.5,人的视觉效果越好。

表2比较了图4~图8所示算法去雾结果对应的性能指标。从表2中,可以看到,经过本文算法去雾处理后的图像,对应的平均亮度、梯度和信息熵这三个指标,大多大于Tarel[11]算法,He[7]算法以及He[8]算法,仅次于直方图均衡算法。直方图均衡本身是以拉伸对比度为目的,虽然复原后图像在梯度、信息熵和亮度上具有较大的值,但这并不代表去雾效果好。从图3所示的去雾结果,可以明显看出,执行直方图均衡后复原图像表现出严重的颜色失真和过饱和现象。

另外,表3给出各算法对四幅图像进行去雾处理耗费的时间。从比较结果上看,本文算法的处理时间最短,算法执行的速度明显快于Tarel[11]算法和He[7]算法。而且,图像分辨率越高,这种速度优势越明显。可见,采用本文所提的透射图优化算法不仅可以获得更好的图像复原质量,而且计算复杂度低,具有更高的工程应用价值。

6 结论

基于内河单幅图像的去雾算法研究 篇5

CCTV在内河航道的海事监管和防止内河水域污染等方面发挥重要作用。然而, 当内河有雾天数达全年60%［１］, 雾航时CCTV系统无法获得清晰视频。因此开展内河图像去雾算法的研究是非常重要的。

雾图复原方法［２－６］是基于大气散射规律建立雾图退化模型, 通过求得图像的景深和天空亮度值来求取复原后的无雾图像。如He等［７］提出的基于暗原色先验的去雾方法, 虽然对一般户外图像去雾效果较好, 由于该方法存在一定的局限性, 不能很好处理有大片天空区域、颜色缺少变化及缺少阴影或暗物质的图像, 显然对于天空区域大、 颜色单一的内河图像去雾效果不理想。郭珈等人［８］提出的基于改进的交互式景深模型的景深估计方法, 通过将景深因子和最大距离的选取相结合, 同时选取指数函数直接构造距离模型, 进而估计出每一点的深度信息, 以及郭珈等人［９］后期提出的基于等景深点的图像景深值计算方法, 虽然能较好估算图像的景深值, 但由于需要相机视角和俯角等信息, 对拍摄现场参数要求较多, 在实际应用中存在一定局限性。在天空亮度值的获取方面, 也有不少学者对此展开研究, 如祝培等人［１０］通过全局直方图分割天空区域的方法, 虽然对于多数户外图像, 通过寻找峰值点位置能分割天空区域, 由于内河图像的直方图可能出现多峰值点, 显然采用全局直方图法给天空区域分割造成困难。黄明晶等人［１１］提出利用K均值聚类方法分割天空区域, 能较好的获取内河雾天图像的景深值, 然而, 雾浓度较大时, 会影响天空区域的分割, 而且其计算量较大, 导致实时性较差。

由文献[12]可知, 错误的估计天空亮度值将直接导致去雾后的图像不太真实, 仿佛被1个不现实的光源所照射。笔者根据内河图像天空区域大、颜色单一的特点, 提出用直方图多峰均值法和位平面分解法结合的方式获取天空亮度值并提取天空区域, 通过分区域法推导内河图像任意点的景深计算公式, 并基于大气散射模型对图像进行去雾处理。最后从图像的可见边数目比、平均梯度比和图像熵值三方面的质量评价方法对去雾后图像效果进行了比较分析。

1雾天图像的大气散射模型

图像质量下降的主要原因是大气粒子的散射作用, 可用入射光衰减模型和大气光线成像模型进行描述［１３－１４］。用公式表示为

式中:等号右侧第1项为入射光衰减模型;第2项为大气光线模型;d为场景点深度值;λ 为可见光的波长;β (λ) 为大气散射系数;E０为所要求的清晰无雾图像;E∞为天空亮度值;E为所观测到的有雾图像。

根据Rayleigh大气散射定律给出的大气散射系数β与波长λ之间的关系:。对于雾天而言, 大气组成微粒的尺寸相对波长来说非常大, 散射系数受波长的影响很小, β可近似为1个常数, 一般取值0.7~0.9。由此, 忽略波长影响后式 (1) 可简化为

由式 (2) 可见, 已知E∞和d, 就可求得复原后的景物强度E０。因此E∞和d的计算是去雾的关键点。以下介绍天空亮度值E∞和景点深度d的计算方法。

2天空亮度提取算法

图像位平面就是将图像中每1个像素值分解为二进制值, 并把所有具有相同权值的位所构成的平面称为位平面。对于1幅256级的灰度图来说, 可以被看作是8个位平面的叠加, 每个位平面被看作是1幅二值图像。在图像的不同位平面包含着不同的视觉信息［１５］, 图1 (a) 为原始图像, b7 ~b0图分别为原始图 (a) 的位平面分解图b7~ b0 (依次从高位到低位表示) 。借助图像的位面表示形式可以对图像的特定位面采取操作来达到对图像特征描述的目的。通过对大量的内河图像进行位平面分解实验, 提取第7位和第8位平面信息来分割天空区域, 求得天空亮度值。但大量实验发现, 由于内河图像天空区域大且天水颜色相似, 用该方法求得的部分内河图像天空亮度值仍然不够准确。笔者通过研究和反复试验提出1种直方图多峰均值法, 结合位平面分解法求得天空亮度值并分割天空区域, 以弥补单一位平面分解法的缺陷。

直方图多峰均值法主要基于这样的实验与事实:祝培等人［１０］采用全局直方图的方法来分割天空区域, 而内河图像直方图存在多处峰值点, 天空区域内直方图峰值点处是天空亮度值存在较多的位置。由此可知, 求得天空区域内直方图峰值点的均值即是最有可能的天空亮度值E２, 再结合位平面分解法求得天空区域亮度均值E１, 通过这2个值的加权即可求得比单一位平面分解法更为准确的天空亮度值E∞。

算法实现主要分为2步:1将灰度图像分解为8个位平面图, 在获得7~8位平面的共同部分后通过适当形态学操作分割出天空区域, 求得天空区域的均值即是天空亮度值E１;2求得灰度图像的直方图, 并采用1个滤波窗口平滑灰度图像的直方图曲线, 使峰值更为明显。然后求得一定阈值内的图像直方图的峰值点像素值, 求得这些峰值点的均值即为最有可能的天空亮度值E２。从而天空亮度值E∞为

式中:α为加权系数, 一般取值为0.5~0.9, 本文取值为0.7。

实验选取了3幅不同场景的内河图像原图 (见图2) , 每幅图像分别采用以上2种方法试验。 为了便于查看峰值点像素值和天空区域所在原图像中的位置, 笔者在图中用黑色标记峰值点和天空区域所在位置。由实验结果可知, 采用直方图多峰均值法求得的峰值点在天空区域呈有规律环状, 其效果图如图2 (a１) , (b１) , (c１) ;图2 (a) 和 (b) 采用位平面分解法求得的天空区域虽然不全, 但位置基本正确, 其效果图分别如图2 (a２) 和 (b２) 。图2 (c) 的图像采用位平面分解法求得的天空区域效果图如图2 (c２) , 其将部分非天空区域 (图中用圆圈标记的区域) 也标记为了黑色, 求得的天空区域有些偏差。为了更加准确的评估2种方法的实验效果, 表1中显示了以上2种方法及笔者方法求得的天空亮度值。

表1所列为图2中的3幅内河图像采用以上2种方法及笔者方法求得的天空亮度值。由表1中数据可知, 针对图2中 (a) 和 (b) 图采用2种方法所求得的天空亮度值差别不大, 但是针对图2中 (c) 图采用2种方法求得的天空亮度值差别较大。很显然, 这与图2中 (c２) 图所示的天空区域不准确有关, 采用笔者方法加权后求得的天空亮度值更加趋于实际。

3分区域景深估计算法

图像的景深计算方法一直是去雾中的难点, 通过对雾天降质图像的统计分析发现, 图像的天空区域往往具有最大景深值, 可以近似认为天空区域是最大景深值的像素点的集合。 许志远等［１６］基于此提出了1种分区域景深估算方法, 给图像景深的计算提供了1个新的思路, 但算法中需要人为标定景深最小值的位置, 并需人为给定图像的最小景深值和最大景深值。由于该算法需要人为交互, 在实际应用中不太方便。笔者提出1种改进的分区域景深计算方法, 根据上一节中位平面法求得的天空区域和给定的最小景深值点把图像分成4个区域, 如图3所示的R１~R４区域。

分区域算法的具体实现步骤如下。

1) 确定天空区域。采用笔者所介绍的直方图多峰均值法和位平面分解法的结合来求得图像的天空亮度值并获取天空区域R２, 为了确保位平面分解法求得的区域只有天空部分, 在提取天空区域时采用图像自上而下搜索法找到天空两边界点A, B, 所得到的连通域即为天空部分, 见图3。 算法中将天空区域看作是具有最大景深值dｍａｘ的像素点的集合。

2) 图像分区。由于一般越靠近图像下方位置的景物离摄像头的距离越近, 可以近似认为图像最下方的中点C是图像的最小景深值点dｍｉｎ, 见图3。连接AC, BC可将图像划分为R１, R２, R３, R４4个区域。

3) R１区域的景深计算公式。设坐标轴x轴正方向为垂直向下, y轴正方向为水平向右。设: 在该坐标系下R１区域任意点P的坐标为 (x, y) , 最小景深值点C坐标为 (xｍｉｎ, yｍｉｎ) , 天空区域的两边界点A, B的坐标分别为 (xａ, yａ) , (xｂ, yｂ) 。 如图4 (a) 所示, 连接P, C２点, 延长交天空区域边界点dｍａｘ, 其坐标为 (xｍａｘ, yｍａｘ) 。则P点的景深值可通过下面的插值公式计算。

由式 (4) 变形, 可得R１区域的任意点的景深计算公式为

4) R２区域的景深计算公式。坐标系下R２区域任意点P的坐标为 (x, y) , 如图4 (b) 所示。 近似认为R２区域是景深值为dｍａｘ的像素点的集合。R２区域的任意点的景深为［８］

式中:k∈ (0, 1) 为景点距消失线的归一化距离。

5) R３区域的景深计算公式。坐标系下R３区域任意点P的坐标为 (x, y) , 如图4 (c) 所示。 区域R３的像素点P沿x轴反方向作延长线, 交AC直线于dac点, 交天空边界于dｍａｘ点。R３区域的任意点的景深计算公式为

6) R４区域的景深计算公式。坐标系下R４区域任意点P的坐标为 (x, y) , 如图4 (d) 所示。同理得到R４区域的任意点的景深计算公式为

4图像质量评价

为了客观评价算法的有效性, 需要建立合理的图像质量评价体系。在图像质量评价方面, 有很多学者提出了相关的评价指标, 每种评价指标都有其适用的评价范围, 如Wang等人［１７］提出了基于结构失真的图像质量评价方法 (SSIM) 适用于全参考图像的质量评价［１８］, 姚波等人［１９］提出了基于图像清晰度和色彩鲜艳程度评价方法, Hau- tiere等人［２０］提出了可见边梯度法适用于无参考图像的质量评价［２１］。其中, 可见边梯度法从可见边数目比 (e) 、平均梯度比 (r) 和黑色像素所占图像大小百分比 (σ) 3个方面客观评价去雾后图像的质量, 能取得较好的评价结果, 但将该方法用于评价内河去雾后图像时, 黑色像素所占图像大小百分比 (σ) 这一评价指标基本为0, 失去评价意义。因此笔者建立了1种改进的适合评价内河图像的综合评价指标, 从可见边数目比 (e) 、平均梯度比 (r) 和图像熵 (h) 3个方面客观评价去雾后图像的质量。

1) 可见边数目比。可见边数目描述的是图像中可见边的个数。该评价方法主要是Hautiere根据Jourlin和Pinoli提出的对数图像处理LIP (logarithmic image processing) 模型而来。根据Hautiere在文献[20]中所详述, 可见边数目比 (e) 可以用公式表示为

式中:n０和nｒ分别为原有雾图像I０和去雾复原图像Iｒ中可见边的数目。

2) 平均梯度比。图像的平均梯度是指图像的边界或影线两侧附近灰度的差异, 即灰度变化率, 这种变化率的大小可用来表示图像清晰度。 它反映了图像微小细节反差变化和纹理变换特征的速率。在图像中, 某一方向的灰度级变化率大, 它的梯度也就大。平均梯度越大, 图像层次越多, 也就越清晰。单幅图像的平均梯度可以定义为

式中:F (i, j) 为图像的第i行、第j列的灰度值; M、N分别为图像的总行数和总列数。平均梯度比是指新图像的平均梯度与原图像的平均梯度之间的比值。平均梯度比值越大, 表明复原后图像越清晰。平均梯度比可以用公式表示为

式中, 为去雾图像的平均梯度;为原有雾图像的平均梯度。

3) 图像熵。图像熵是1种特征的统计形式, 它表示图像灰度级集合的比特平均数, 也描述了图像信源的平均信息量。图像熵值越大, 表示图像的平均信息量越多。图像熵 (h) 可以用公式表示为

式中:为某个灰度在该图像中出现的概率;x (i, j) 为像素点在 (i, j) 处的灰度值, 可由灰度直方图获得。

根据以上内河图像的3条质量评价标准可知, 可见边数目比 (e) 和平均梯度比、图像熵 (h) 值越大, 说明图像清晰度越高, 去雾效果越好。

5实验结果及分析

实验选用2幅彩色内河有雾图像, 见图5, 图像大小依次分别为600×338, 1 280×720。由于文献[8]中的去雾方法和笔者所提一样, 也是针对天空区域大、颜色单一的图像进行去雾复原处理, 因此与采用文献[8]算法与笔者算法所得到的去雾后图像进行对比。图5中 (a１) 和 (a２) 分别是采用2种方法去雾后图像, 而图5中图 (a３) , (a４) 和 (a５) 分别对应原有雾图像 (a) 和去雾后图像 (a１和a２) 的梯度图, 图5中图 (a６) , (a７) 和 (a８) 对应原有雾图像 (a) 图和去雾后图像 (a１) 和 (a２) 图的可见边图。

图5中原有雾图 (b) 图做了与 (a) 图相同的处理。从视觉效果看, 采用本文算法所得到的图像更清晰, 去雾效果更好。

(a) , (b) 为选择的2幅雾图, (a３) 和 (b３) 分别为其梯度, (a６) 和 (b６) 分别为其可见边.中间: (a１) 和 (b１) 分别为采用文献[8]去雾后的图, (a４) 和 (b４) 分别为 (a１) 和 (b１) 图的梯度, 而 (a７) 和 (b７) 分别为 (a１) 和 (b１) 图的可见边.右边: (a２) 和 (b２) 分别为采用本文去雾方法的去雾图, (a５) 和 (b５) 分别为去雾图 (a２) 和 (b２) 的梯度, (a８) 和 (b８) 分别为去雾图 (a２) 和 (b２) 的可见边。

为了客观地评价2种算法所得去雾后图像的质量, 将图像质量评价指标及其中间计算结果列表, 见表2。

由表2可见, 采用笔者方法所得图像的质量评价值参数优于文献[8]方法的指标。

6结束语

通过研究内河图像特点, 提出1种基于直方图多峰均值的天空亮度值求取方法, 并结合位平面分解法求得天空亮度值并提取天空区域, 在此基础上研究分区域的景深计算方法, 从而实现对内河图像的去雾处理。从可见边数目比、平均梯度比和图像熵3方面对去雾后的图像进行质量评价显示:笔者算法对具有天空区域的内河图像能取得良好效果。

图像去雾的算法处理速度直接影响着CCTV视频去雾的实时性, 笔者所介绍方法在处理单幅内河图像的去雾效果上不错, 但如何提高去雾算法运行的速度并使其能应用于视频去雾是下一步研究的重点。

摘要：图像景深和天空亮度值的求取是图像复原方法去雾的核心问题, 但目前的去雾算法都是基于一定的假设条件来求取这2个值的, 对于色彩单调、天空区域较大的内河图像去雾效果不理想.通过对内河航道视频图像的研究, 提出将直方图多峰均值法和位平面分解法相结合的方式来求得天空亮度值并分割天空区域;采用分区域的景深计算方法求得图像任意一点的景深值.然后基于大气散射模型, 完成内河雾天单幅图像的去雾处理.为了客观评价去雾后图像的质量, 从图像的可见边数目比、平均梯度比和图像熵值三方面进行了去雾效果的比较.实验证明, 该算法对内河航道图像有良好的去雾效果。

视频图像去雾 篇6

关键词：去雾,暗通道先验,小波变换

随着计算机技术的快速发展，人们对雾天图片处理的需求越来越大，各种图像处理技术应运而生。对于图像去雾总的可以分为两类：一类是图像增强的方法，比较典型的有全局直方图均衡化[1]，同态滤波[2]，Retinex算法[3]等等。该类方法能有效地增强图像对比度，凸显细节，使图像有更好的可视化效果，但这并未从根本上去除雾气，而且会丢失图像一些原有的信息特征。另一类是图像复原的方法，通过建立大气散射的物理模型，并求出其逆过程来恢复清晰的无雾图像。这些方法具有较强的针对性，能够更加逼近真实图像。而其中运用最广泛的是由He等人提出的暗通道先验的方法[4]，但是由于在使用软抠图方法[5]对于介质传播函数进行细化的时候，会进行大量的稀疏线性方程求解，需要耗费很长的时间。针对这一问题，本文提出了减少其计算量的改进方法。

1 大气散射模型

光在空气传播的过程中，由于遇到水滴，烟尘等物质会发生散射，吸收和辐射等现象。而在大雾天气，可见光受到介质的影响，主要是受到散射作用而逐渐发生衰减。物体在摄像机中成像的光源来自两个方面：一方面是来自物体表面反射的光源，这部分光在传播的时候会逐级衰减，可称其为入射衰减光。另一方面是来自天空中其它介质散射产生的光源，可称其为环境光。

在假设大气介质均匀的情况下，可以构建大气散射的物理模型。其表达式如 (1) 式所示：I (x) 表示接收器获取的光源，J (x) 表示景物反射的光源，A表示大气光, t (x) 表示介质的透射率，X表示景物深度。其目的就是通过已知的I (x) 来恢复无雾的J (x) 。上式中有J (x) , t (x) ，A三个位置数，显然不可能直接求解出J (x) ，由此引出了暗通道先验去雾的方法。

2 基于暗通道先验的图像去雾

文献中提出，在户外无雾非天空图像的大多数区域中，总能找到一些像素点在RGB通道上的像素值很低，几乎趋近于零，这些点通常称为暗像素点。那么对于给定的图像J (x) ，像素点处的暗原色可以表示为：

(X) 表示以点Xi为中心的小正方形区域，代表该图像的颜色通道，表示该点的像素值非常地，最小值几乎接近为零。所以，把称为图像J (x) 的暗通道。而且通常把这一经验性规律称为暗原色先验理论。

根据暗原色先验的原理可以知道：

因此 (1) 式除以AC，取2次最小值运算可得：

又因为AC在大气光照中一般是个较大值，所以可得：

那么联立 (5) 式、 (6) 式可以求出透射率为：

对于大气光的估计，大多数图像去雾算法都将AC取值为暗通道中像素最大值的1%。

以上的方法虽然能够估计介质的透射率，但是处理后图像的一些区域会出现块状效应，这是由于透射率的不连续性所造成的。为此He等人又提出软抠图的方法[5]来优化透射率，使透射率能够平滑地分布。但是软抠图方法的实质是进行大规模稀疏线性方程的求解，这会大幅度提高计算的空间复杂度和时间复杂度。因此本文提出结合小波变化的方法来减少软抠图的计算量。

3 改进方法

在去雾图像处理中，雾可以近似地看作是噪声，但雾本身又有它自己的特性。受到雾所影响的图像区域往往具有较高的亮度值，而且会比较平滑，与其他区域相比具有较高的能量和较小的方差。从频域的角度来看，正是因为有雾图像的色调匀称，细节方面和无雾图像相比要相对模糊，所以雾气主要是影响图像在频域上的低频部分，而对高频部分几乎没有影响。基于以上原理，本文提出使用小波变换的方法将图像低频部分与高频部分分离出来，只对低频部分采用暗通道先验去雾，可以大幅减少软抠图的计算量从而达到提高图像去雾处理速度的目的。

小波变换实现了的多级分辨率的功能，在图像处理方面运用广泛。一副图像经过二维小波变化，即在垂直和水平方向上通过高频和低频滤波器在不同的尺度方向上分别进行滤波，可以得到四个子带频率分量：低频分量、水平细节分量、垂直细节分量、对角线细节分量(文献)。而这三个分量中除低频分量之外其他三个都是高频分量。同时若是给出四个子带频率分量可以通过反小波变换来重构原始图像。尺寸为M×N的离散二维小波变换的分解公式如下所示：

其中 (8) 、 (9) 为分解公式，f (x, y) 为原函数，代表低频分量，代表的是水平、垂直和对角方向的细节分量。

基于以上原理可以通过以下步骤实现图像去雾：

(1)将原始有雾图像进行二维小波变换，得到低频分量，垂直，水平和对角线细节分量;

(2)通过暗通道先验理论估算出低频分量部分介质透射率，同时计算大气光强;

(3)使用软抠图对透射率进行优化，对低频部分进行去雾;

(4)将去雾后的低频分量与其他三个子带分量进行反小波换变换，从而恢复无雾的清晰图片。

4 实验分析及结论

为了验证本文算法的有效性，使用MATLAB2010对两幅有雾图像进行了去雾实验。通过观察图2可以发现，在视觉效果上，直方图均衡化后的去雾图片部分区域颜色有些失真而且丢失部分原图信息。而本文使用的方法效果明显优于直方图均衡化的方法，同时和暗通道去雾方法相比的效果差别不大。在时间复杂度方面，对透射率进行优化时采取软抠图的方法，这一方法的计算量大约占到这个整个计算量的90%左右。如图2 (a) 上的图像在在进行透射率优化的时候会生成维数为 (475×275) 2的矩阵。而经过二维小波变化之后只对低频分量进行透射率优化，此时的稀疏线性方程组的规模只相当于原来的1/256之一。表 (1) 将文献[5]和本文方法的图像去雾时间进行了对比，由此可以证明本文方法大幅减少了图像去雾的运算时间，同时节约大量的内存空间。

参考文献

[1]王萍, 张春, 罗颖昕.一种雾天图像对比度增强的快速算法[J].计算机应用, 2006, 26 (1) :152-154

[2]张金泉, 杨进华.基于同态滤波的图像去烟雾方法研究[J].机械与电+, 2009 (7) :71-41

[3]芮义斌, 李鹏, 孙锦涛.一种图像去薄雾方法[J].计算机应用, 2006, 26 (1) :154-156

[4]He K M, Sun J, Tang X O.Guided Image Hiltering[c].Euro-pean Confrence on Computer Vosion, Crete, Greece, 2010:1-14

一种简单快速的图像去雾算法 篇7

在雾天情况下,大气最显著的特征就是能见度很低,它不仅直接影响了海、陆、空运输的安全,同时也往往使户外的监测系统无法正常工作。由此可见,研究雾天条件下的图像清晰化算法在目前具有重要的实用价值。

然而,利用单幅雾天图像复原清晰场景是一个非常困难的问题。目前许多学者致力于研究单幅图像去雾。近年来,单幅图像去雾技术取得重大突破。学者提出了一些基于先验知识或假设的单幅图像去雾方法。文献[1]通过最大化局部的差异度的方法来恢复图像的色彩对比, 在处理某些场景图像上取得了较好的效果, 但该方法并不符合真实的物理模型, 主要思路依然是颜色对比度的处理。文献[2]提出了部分符合物理规律的简单去雾模型, 利用复杂的优化计算得到去雾结果, 但是该方法的物理模型有所局限,不能很好处理浓雾图像。文献[3]提出了暗通道优先法则(统计结果表明绝大部分户外照片符合该法则), 并利用该法则得到了很好的去雾效果, 并能得到相应的深度图像, 用于基于图像的三维重建等领域。这也是目前最实用有效的单幅图像去雾方法。文献[4]就是利用暗通道进行图像、视频的实时去雾,同时也对文献[3]进行了改进,利用双边滤波器优化介质传输率,从而消除了“光晕伪影”现象。

针对目前单幅图像去雾算法存在的不足,本文提出了一种简单快速的基于物理模型的图像去雾方法。该方法仅需要单幅输入图像, 避开求取变量时所需的大量计算,采用简单的方法进行去雾处理。首先对大气散射模型进行变型化简,得到新的去雾方法。本方法不需要求取过多的变量,只需要求取大气光值A,再利用简化后的新模型求取去雾图像,该方法简化了去雾过程。本方法能够处理各种单幅雾天图像,去雾后的图像更加清晰,且简单快速。

1图像去雾简化模型

McCartney 于1975 年提出了大气散射模型, 该模型由衰减模型和大气光模型两个模型组成。其中衰减模型描述了光从场景点传播到观测点之间的削弱过程。大气光模型描述了周围环境中的各种光经过大气粒子散射后, 对观测点所观测到得光强的影响。大气散射模型用公式表示为:

I(x)=Aρ(x)exp(-βd(x))+

(1-exp(-βd(x)))A (1)

其中,I(x)为观测点接收到的点光强( 即输入的有雾图像),ρ(x)为场景反照率,d(x)是场景点到观测点的距离, 通常称为光程。 A 为大气光, 其代表了周围环境中各种光的总强度。β称作大气的散射系数, 它表示单位体积的大气对光的散射能力。 从数学观点来看,图像去雾算法目的在于从I(x)中求出ρ(x)、d(x)和A 的值, 则ρ(x)即为所求的去雾复原图像. 从大气散射模型的角度出发, 定义t(x)=exp(-βd(x)),则散射模型表达式变换如下:

$1-\frac{{\rm I}(x)}{A}=t(x)(1-\rho (x))$ (2)

其中, t(x) 即为光路传播图, 1-ρ(x)为逆反照率, 其随反照率的变化而相应改变.图像去雾的目的是从式(2)中求取ρ(x)即去雾后的图像。可以看到式(2)中存在两个未知量A,t(x)。而如何从$1-\frac{{\rm I}(x)}{A}$中分离出transmission图t(x),是图像去雾的关键所在。

因为transmission信息与场景深度是反比例关系,而场景中对象的深度表示为被观测对象到观察者的距离,因此深度图像是一幅反应场景中对象与观察者之间距离信息的低频图像,故transmission图像是与深度图像一样是一幅低频信息图。transmission图间接地表示场景中的对象到观测者的距离。本文考虑到该图像的低频性和单通道性,一个基本的想法是求取$1-\frac{{\rm I}(x)}{A}$图像的单通道图像,将其近似为低频信息,也就是t(x),即:

$\begin{array}{l}t(x)=\exp (-\beta d(x))\\ =\underset{c\in \{R,G,B\}}{{\displaystyle \min }}\left(1-\frac{{\rm I}{}^c(x)}{A}\right)\\ \approx 1-\underset{c\in \{R,G,B\}}{{\displaystyle \min }}\left(1-\frac{{\rm I}{}^c(x)}{A}\right)(3)\end{array}$

而由式(2)也可以得出:

$\rho (x)=1-\frac{\left(1-\frac{{\rm I}(x)}{A}\right)}{t(x)}$ (4)

将式(3)代入式(4),即为:

$\rho (x)=1-\frac{\left(1-\frac{{\rm I}(x)}{A}\right)}{1-\min \left(\frac{{\rm I}(x)}{A}\right)}$ (5)

化简整理式(5),即为:

$\rho (x)=1-\frac{A-{\rm I}(x)}{A-\min ({\rm I}(x))}$ (6)

式(6)即为化简后的新模型。观察式(6)可知,只需要求出大气光值A,再代入式(6)即可得到ρ(x),即去雾后的图像。所以,本文去雾方法关键在于大气光值A的求取。同时考虑到,去雾后的图像看上更加自然,加入常系数w保留一定的雾的影响。即为:$\rho (x)=1-\frac{A-{\rm I}(x)}{A-w\cdot \underset{c\in \{R,G,B\}}{{\displaystyle \min }}({\rm I}{}^c(x))}$ (7)

本文去雾方法就是利用暗原色先验方法[3]求出大气光值A,再代入式(7)就可求解出ρ(x),即可得到去雾后的图像。本文在实验过程中,系数w设置为0.80。

2大气光A的估计

2.1暗原色先验

暗原色先验[3]的提出是基于以下对清晰的户外图像观察的事实:对于图像的很多非天空场景区域, 在某些像素点上至少存在一个色彩通道的亮度非常低。换句话说, 这些区域的最小亮度应该有非常低的值。形式上, 对于一幅图片J, 定义:

$J{}^{dark}(x)=\underset{c\in \{R,G,B\}}{{\displaystyle \min }}(\underset{y\in \Omega (x)}{{\displaystyle \min }}(J{}^c(y))$ (8)

其中: Jc是图片J的一个色彩通道( 即RGB三颜色的一种), Ω(x)是中心在x处的一个局部图像模块。文献[3] 提到对于一幅没有雾霾的户外景物图像, 除了天空区域, Jdark的亮度非常小, 经常趋于零。因此, 称Jdark为图像J 的暗原色通道, 并且称以上的统计观察知识为暗原色先验。

阴影、彩色的物体或表面、暗的物体或表面是造成暗原色色通道低亮度的主要原因。

由于附加的大气光的存在, 在传输率t小的地方, 一幅雾霾图像比无雾霾的图像更加明亮。因此, 雾霾图像的暗原色通道在雾霾厚的区域有更高的亮度, 在视觉上,暗原色通道的亮度大致接近雾霾的厚度。

2.2大气光A的估计

文献[3] 中提到在很多关于单幅图像去除雾霾的方法中, 大气光的估计一般都将图像中最高亮度的像素用来当作整体大气光。但是在真实图片中, 最亮像素可能是一辆白色的轿车或者是一栋白色的建筑。

正如在2. 1节所讨论的那样, 一幅雾霾图像的暗原色通道亮度大致接近雾霾的厚度。因此, 可以利用黑色通道来提高大气光的估计精度。方法如下: 首先, 挑选暗原色通道中最亮像素的0.1%, 这些像素是最朦胧的、不透明的; 然后, 将这些像素对应输入到原雾霾图像中相应的位置; 最终, 原雾霾图像中的这些像素中最亮的亮度被选作整体大气光。这种基于暗原色先验的简单方法比“最亮像素”方法具有更好的鲁棒性。

按照上述方法求出大气光值A,再代入式(7),即可得到去雾后的图像。

3实验结果及性能分析

我们在操作系统为Windows 7、CPU为酷睿2双核2.8 GHz处理器、系统内存2 GB的普通PC上使用Matlab 2010对本文所提算法进行了仿真对比实验,并从主客观两方面评价标准来验证本文所提算法的优越性。

3.1主观评价

为了验证所提出算法的性能,实现从去雾效果上进行主观对比。本文将与He方法[3]作比较,并给出在更多户外场景的雾霾图像上的复原结果。

图1、图2、图3、图4为本文方法与He方法对多幅雾天图像处理得到的复原图。从这几幅图可以看出,本文方法和He方法处理后图像比原图像都清楚,可以看到更多信息,所以本文方法到达了去雾效果。

仔细观察,发现本文方法得到的复原图像比He方法得到的复原图像,去雾后的图像颜色更加鲜艳,一些地方更清晰。比如,比较图1(b)、(c)中,本文得到(c)中的树的树叶看上去更绿一些,路上的落叶更黄;比较图3(b)、(c)中,(c)图中道路旁的落叶更黄,路旁的树干颜色更深;这些从主观上都说明本文方法的去雾效果比He方法的要好,得到的复原图显得更自然,更清晰。

3.2算法客观评价

3.2.1 计算时间

若要将算法应用到实际中,还要充分考虑算法所花的时间,同时算法处理时间的对比可以在一定程度衡量运算复杂度的差别。所以下面从算法处理时间方面来分析本文方法。表1为本文方法和He方法处理同幅图像所用时间比较结果。观察表1中数据,发现两种方法处理同幅图像,本文方法所用时间明显要比He方法的少,本文方法所用时间只有He方法的十分之一左右,说明本文方法在速度上比He方法的快,也间接说明本文方法运算复杂度也比He方法小,因此本文方法具有用于实时图像处理的能力。

3.2.2 客观质量评价

人眼观察是一种有效的图像质量评价标准,但它是一种主观的标准,为了更确定性的说明问题,本文还采用客观质量评价标准来检验算法的有效性。数字图像的客观评价标准比较多,其中标准差、均值和熵是评价图像视觉质量的重要指标。所以本文采用标准差、均值、熵这三个简洁而有效的标准作为评价指标。从整体上讲, 在成像的各个波段薄雾的反射率高, 增加了图像的整体亮度。经过去雾处理图像的均值下降说明取得了去雾效果; 图像标准差大小表征了图像的可分辨度, 值越大则图像清晰度越高;熵反映了图像的信息量,去雾后的熵值上升说明获得到更多的图像信息,图像更加清晰。

表2为本文方法和He方法对三幅彩色图像处理得到复原图的客观质量评价结果。从表2中数据可以看出:两种图像去雾方法得到的复原图像的标准差比原图像都有所提高,说明得到的复原图的清晰度比原图像的高,起到了较好的去雾效果,且本文方法得到标准差比He方法高,说明本文方法比He方法更好;观察均值,发现两种方法的均值都比原始图像都低,说明两者都取得了去雾效果,且本文方法的均值比He的更低,说明本文方法具有更好的去雾效果。观察熵值,He方法和本文方法处理后图像的熵比原图像都有所提高,得到了比原始图像更多的边缘细节信息,这也说明去雾后的图像更加清晰。

综合以上主观视觉和客观评价,本文方法达到了去雾效果,且本文方法在主观视觉、速度、客观质量三面都比He方法更为优秀。

4结语

本文提出了基于物理模型的简单快速图像去雾方法。算法从单幅图像出发,自动恢复场景反照率,无需任何场景的附加信息。通过实验仿真证明,与现有的去雾算法相比,本文提出的算法新颖、有效,而且鲁棒性较好。鉴于本文方法从主客观评价都取得了较好的去雾效果且算法处理时间短,因而可以用于实时图像处理。

摘要：在雾、霾等天气条件下,大气粒子的散射作用导致捕获的图像严重降质。提出一种简单快速的基于物理模型的图像去雾新算法。首先从雾形成的角度出发,考虑到传播图像的低频性和单通道性,对大气散射模型进行变型化简,得到新的去雾模型。然后,利用暗原色先验方法估计大气光值A,并带入新的简化模型,得到去雾图像。方法不需要求取过多的变量,只需要求取大气光值A,大大提高了算法的效率。最后大量实验表明,该算法无论在处理速度还是去雾效果上都优于现有算法。

关键词：图像去雾,物理模型,暗原色先验,大气光值A

参考文献

[1]Tan R T.Visibility in bad weather from a single image[C]//IEEEPress.IEEE Conference on Computer Vision and Pattern Recognition(CVPR’08).2008:1-8.

[2]Fattal R.Single image dehazing[J].ACM Siggraph,2008:1-9.

[3]Kaiming He,Jian Sun,Xiaoou Tang.Single image haze removal usingdark channel prior[C]//2009,IEEE Conference on Computer Visionand Pattern Recogntion.2009:1956-1963.

[4]Xingyong Lv,Wenbin Chen,I-fan Shen.Real-time Dehazing for Im-age and Video[C]//2010 18th Pacific Conference on ComputerGraphics and Applications.2010,9:62-69.

[5]杨万挺,汪荣贵,方帅,等.滤波器可变的Retinex雾天图像增强算法[J].计算机辅助设计与图形学学报,2010,22(6):965-971.

[6]黄黎红.一种基于单尺度Retinex的雾天降质图像增强新算法[J].应用光学,2010,31(5):728-733.

[7]Jean-Philippe Tarel,Nicolas Hautière.Fast visibility restoration from asingle color or gray level image[C]//IEEE International Conference onComputer Vision(ICCV’09).2009:2201-2208.

[8]Kaiming He,Jian Sun,Xiaoou Tang.Guided Image Filtering[C]//The11th European Conference on Computer Vision(ECCV 2010):1-14.

[9]杨国强.图像和视频去雾技术的研究[D].天津大学,2011.

视频图像去雾 篇8

近年来,雾霾天气频繁,在雾霾环境中,各种成像设备的功能受到一定限制,如采集画面对比度低、彩色饱和度弱、图像信息失真严重等。目前,对于图像去雾的研究主要集中在两个方面[1]:一是在图像本身的基础上对图像进行降噪处理,并不考虑图像所带有的景深等内部信息[2,3]。此类方法简单、快速,但处理效果一般;二是在物理模型的基础上,对图像形成的过程进行模拟、建模。然后将已知条件代入模型中,求得无雾图像[4,5]。这类方法效果明显,结果更接近实际。本文在暗原色理论的基础上建立模型,准确选取大气光值,获得更好的去雾效果。

1 暗原色先验去雾算法

1.1 物理模型

根据光在雾天环境下传输的物理特性,建立物理模型,本文使用McCarney大气散射模型[2]模拟雾天图像形成的过程:

其中,x表示某一个像素点,I(x)为有雾图像,J(x)为要复原的无雾图像,t(x)代表透射率,A是无穷远处的大气光值。通过假设和先验知识可求得未知量t(x)、A,进而求解得到无雾图像J(x)。

1.2 基于DCP的去雾算法

He等[6]通过观察大量户外无雾图像发现,在绝大多数非天空区域,某些像素RGB三个通道中至少存在一个通道具有很低的光强度。用数学公式表示为:

其中,C属于RGB三个通道中的一个,Ω(x)为一个矩形框,像素点x为该矩形框中心点。定义Jdark为满足暗原色先验理论区域,该点光强度接近0。此时,可以通过先验条件与假设大气光值A来估计透射率t(x)值。由式(1)两端同除以A值来归一化并分通道最小值化,表示为:

其中,JC在满足DCP条件区域JC≈0,t(x)表示为:

无雾情况下人眼观察远处景物也会感觉较朦胧,为了使透射率的值更加接近实际情况,引入常数ω(0<ω≤1),并令ω=0.95。则:

关于大气光值的选取,文献[7]选择暗原色图中具有最高亮度的点的像素值。但实际上应选择景深最大及雾最浓的区域。一般含有天空部分的图像,天空区域雾最浓厚亮度最大,则选择天空区域的亮度值作为大气光值,去雾效果更好。由式(1)变换可得:

在t(x)保持不变的情况下,I(x)、J(x)、A三者的矢量关系如图1(c)所示,当图像中存在亮白色物体且比天空区域亮度值强时(见图1(a)),大气光值的选取则产生偏差,复原效果则受到影响。

2 改进算法

由上述分析可知,是否获得更准确的大气光值对图像去雾效果有直接影响。针对原算法中存在的问题,本文将从两个方面作出改进,使求解更加准确。

2.1 判断图像中是否包含天空区域

先对图像是否包含天空区域作出判断,天空区域具有亮度高、灰度梯度变化小、位置靠近图像上端等特点。根据这些特点,设图像高度H,选取图像靠上1/5 H行,如图1所示,求该区域亮度的平均值Vavg和最大亮度值Vmax,若Vavg>u×Vmax,则判断存在天空区域。当u取0.9时,实验效果较优。如果判断该图像无天空或天空区域较小时,则仍选择图像靠上1/5 H区域,使用He等提出的方法,使用前0.1%的平均亮度值代替最大亮度值作为大气光值。

2.2 像素点位置与亮度约束

当判断图像中含有天空区域时,则使用像素点的位置信息作为约束条件求解大气光值[8],定义h(x)为像素点的位置高度,p(x)为像素接近图像顶部天空区域的概率,p(x)=h(x)/H,p(x)∈(0.8,1),表示在图像靠上的1/5区域内选择大气光值。图像对比度是衡量雾气浓度的标准,从无雾到有雾的过程,图像对比度下降,在像素点的RGB三个通道上则表现出3个分量值中最大值与最小值差值较小,雾气最浓时接近0,考虑到天空区域在图像中雾气最浓,该区域图像对比度下降程度最大这一因素,定义亮度约束概率f(x):

其中,Imax(x)和Imin(x)分别表示像素点x的RGB三通道分量值除以255归一化后的最大值和最小值。当雾越浓时,f(x)值越大,接近于1。最终,结合p(x),使用两项乘积共同作为估计大气光值的约束条件。

3 实验对比与分析

实验在暗原色先验理论的基础上,应用本文方法,对有雾图像进行修复,从大气光估计和去雾结果两个方面与原算法进行比较。实验结果如图2所示。

图2(a)是有雾原图像,图像中含有大面积白色墙体,图2(b)图为采用原求取大气光值方法得到的去雾后图像,A值选取点位于红色矩形框区域内,大小为A=236,出现偏差。图2(c)采用本文方法,A值的选取点位于图像上端天空区域,大小为A=204,符合上述理论分析,取值更加准确。从结果来看,图2(c)去雾效果、色彩饱和度等都优于图2(b),更符合实际情况。

图3中,(a)、(d)为有雾图像,(b)、(e)分别为He算法与本文算法的去雾效果,二者差别不大,但观察局部图像(c)、(f)的细节可以看出,本文算法在细节保留方面相比He算法有显著提高。因此,更加准确的大气光值选取,有助于图像整体视觉效果提升。

4 结语

本文在暗原色先验理论基础上,对有雾图像的形成过程进行建模,通过分析大气光值与去雾效果之间的关系,提出了获取准确大气光值的方法。实验表明,改进算法更善于处理含有天空区域的有雾图像,并且在不影响视觉效果的前提下,保留更多图像细节信息,整体去雾效果良好。然而,本文算法也存在明显不足,当图像中天空区域在图像结构的中部或底部时,本文算法处理效果一般。

摘要：受雾气环境影响,图像往往出现退化现象。在基于暗原色先验原理的去雾算法中,大气光值的估计对去雾效果有着直接影响。首先判断图像中是否包含天空区域,对含有天空的图像以像素点位置信息与其对应的亮度分量作为估计条件,求取大气光值。实验结果表明,该方法针对不同场景进行去雾时,有较强的鲁棒性,能够获取更加准确的大气光值,从而有利于增强复原图像整体视觉效果。

关键词：暗原色先验,大气光,去雾

参考文献

[1]SEOW M J,ASARI V K.Ratio rule and homomorphic filter for enhancement of digital colour image[J].Neurocomputing,2006,69(7):954-958.

[2]NARASIMHAN S G,NAYAR S K.Removing weather effects from monochrome images[C].Proc of IEEE Conference on Computer Vision and Pattern Recognition,2001:186-193.

[3]TAN R.Visibility in bad weather from a single image[C].Proc of CVPR.2008.

[4]陈剑鹏,毕笃彦,张晟翀,等.基于暗通道理论的快速单幅图像去雾算法[J].计算机工程与设计,2014(6):2047-2051.

[5]张冰冰,戴声奎,孙万源.基于暗原色先验模型的快速去雾算法[J].中国图象图形学报,2013,18(2):184-188.

[6]HE KAI-MING,SUN JIAN,TANG XIAO-OU.Single image haze removal using dark channel prior[J].IEEE Trans on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.

[7]孙小明,孙俊喜,赵立荣,等.暗原色先验单幅图像去雾改进算法[J].中国图象图形学报,2014(3):381-385.