周理，畢篤彥，何林遠(yuǎn)，柏航

?

基于人眼視覺(jué)機(jī)理的霧霾圖像質(zhì)量提升算法

周理，畢篤彥，何林遠(yuǎn)，柏航

(1. 空軍工程大學(xué)航空航天工程學(xué)院，陜西西安，710038；2. 中國(guó)人民解放軍63981部隊(duì)計(jì)量測(cè)試隊(duì)，湖北武漢，430000)

針對(duì)目前主流去霧算法結(jié)果尚未達(dá)到人眼視覺(jué)愉悅度且消耗計(jì)算資源大等不足，以人眼視覺(jué)特性規(guī)律為指導(dǎo)，運(yùn)用亞當(dāng)斯區(qū)域曝光理論與非下采樣Contourlet多尺度分析工具，在HSV彩色空間中提出一種霧霾背景下的彩色圖像質(zhì)量提升算法。該算法采用最大視覺(jué)顯著度作為中度灰基準(zhǔn)，模擬人眼控制瞳孔曝光程度，適度拉伸亮度分量的動(dòng)態(tài)范圍；鑒于霧霾遮掩圖像大量細(xì)節(jié)特征，仿照人眼多頻信道分解特性，將處理后的亮度分量納入改進(jìn)的非下采樣Contourlet濾波器組以凸顯圖像邊緣信息；依據(jù)顏色恒常性原理，色調(diào)分量保持不變，通過(guò)統(tǒng)計(jì)彩色圖像各分量間的先驗(yàn)信息，融合亮度與色調(diào)分量，構(gòu)造線(xiàn)性變換以校正飽和度分量，使各顏色分量間維持良好的相關(guān)性。實(shí)驗(yàn)結(jié)果表明：本文算法能有效提升霧霾圖像的視覺(jué)效果，具有較好的實(shí)用性和較少的計(jì)算資源消耗。

圖像去霧; 人眼視覺(jué)機(jī)理; 亞當(dāng)斯區(qū)域曝光理論；非下采樣Contourlet變換；線(xiàn)性變換

近幾年，霧霾天氣從局部地區(qū)開(kāi)始向全國(guó)各地蔓延，這不但對(duì)居民健康危害極大，而且使國(guó)家安全防務(wù)陷入了重大的隱患之中。由于攝像頭無(wú)法穿透厚實(shí)的霧霾顆粒層實(shí)施監(jiān)控，這便使得國(guó)家斥巨資搭建的覆蓋各重點(diǎn)地區(qū)的監(jiān)控系統(tǒng)形同虛設(shè)，安全形勢(shì)令人堪憂(yōu)。圍繞霧霾背景下提高監(jiān)控系統(tǒng)可視能力的研究，顯然是解決目前國(guó)家安全隱患的重中之重。單幅霧霾圖像處理技術(shù)從一開(kāi)始就受到國(guó)內(nèi)外計(jì)算機(jī)視覺(jué)領(lǐng)域眾多學(xué)者的青睞，他們開(kāi)展了階段性的實(shí)驗(yàn)研究[1?2]。當(dāng)前，對(duì)于霧霾背景下圖像質(zhì)量提升問(wèn)題的解決途徑可歸納為兩大類(lèi)。其中一類(lèi)是基于圖像復(fù)原的去霧方法，例如Tan等[3?5]提出的極具代表性的算法。該類(lèi)算法在很大程度上依賴(lài)于大氣散射模型的恰當(dāng)建立，通過(guò)分析大氣粒子的散射作用對(duì)成像的影響，采用某種有效的方式借助圖像本身所包含的信息構(gòu)造場(chǎng)景反照率和景深的約束條件，進(jìn)而估算大氣耗散函數(shù)。另一類(lèi)是基于圖像增強(qiáng)的去霧方法，代表算法有Retinex[6]與小波變換[7]。此類(lèi)方法的主要特點(diǎn)是不以物理模型為基礎(chǔ)，依據(jù)人眼視覺(jué)感受，提升圖像質(zhì)量，有選擇地突出圖像中感興趣的特征或者抑制圖像中某些不需要的特征，使圖像與視覺(jué)響應(yīng)特性相匹配?，F(xiàn)有相關(guān)文獻(xiàn)研究表明，影響監(jiān)控設(shè)備成像的霾顆粒的光學(xué)特性與霧氣中的水分子的光學(xué)特性大不相同，甚至不同類(lèi)型霾其散射特性亦不盡相同。在物理模型建立的過(guò)程中需大幅修改或徹底重寫(xiě)大氣傳遞圖，且需進(jìn)行大量計(jì)算機(jī)模擬實(shí)驗(yàn)和很大范圍的實(shí)地測(cè)試。因此，基于物理模型的方法尚且不能滿(mǎn)足霧霾消除的時(shí)效性要求，摒棄建立大氣物理模型約束的圖像增強(qiáng)類(lèi)去霧技術(shù)則成為研究者突破難題的首選方案。其中，Retinex算法是一種經(jīng)典的人眼視覺(jué)模型，闡述了色彩恒常性的相關(guān)原理，由此衍生了多種性能頗佳的去霧算法，Kimmel[8]變分框架模型則是其較成功的變異算法之一。雖然該方法取得了良好的反演效果，但仍存在顏色失真和局部光暈現(xiàn)象，且偏微分方程求解困難，計(jì)算量較大。而小波變換種類(lèi)繁多，具有良好的多尺度和時(shí)頻局部特性，在圖像去霧方面應(yīng)用十分廣泛。此方法充分借鑒了小波良好的多尺度和時(shí)頻局部特性，針對(duì)霧天頻譜集中的特性進(jìn)行處理，從而達(dá)到提高視見(jiàn)度的目的。盡管小波變換理論基礎(chǔ)強(qiáng)，但現(xiàn)有算法仍存在全局或局部對(duì)比度低、偏色等問(wèn)題。鑒于以上分析，在考量霧霾圖像時(shí)頻特性基礎(chǔ)上，依據(jù)人眼對(duì)邊緣特征敏感的特性，本文提出一種基于人眼視覺(jué)機(jī)理的單幅霧霾彩色圖像增強(qiáng)算法，在充分利用亞當(dāng)斯區(qū)域曝光理論對(duì)亮度分量的動(dòng)態(tài)范圍進(jìn)行拉伸的同時(shí)，結(jié)合改進(jìn)的非下采樣Contourlet后小波變換突出邊緣細(xì)節(jié)，并將結(jié)果納入飽和度分量調(diào)整的約束條件中，保持各顏色分量間的相關(guān)性，取得了較好的效果。

1 人眼視覺(jué)機(jī)理特性

單純將人眼比作照相機(jī)是不確切的，因?yàn)樗⒉皇瞧胀ㄒ饬x上的光學(xué)系統(tǒng)，還受到視覺(jué)中樞的調(diào)節(jié)，所以，將其比作能夠進(jìn)行圖像處理的智能電視攝像機(jī)則比較合適。當(dāng)觀(guān)察圖像時(shí)，人眼呈現(xiàn)出的反應(yīng)特性可歸納如下[9]。

1) 瞳孔具有一定幾何尺寸，能夠控制光通量的大小，進(jìn)而調(diào)節(jié)視網(wǎng)膜上錐狀細(xì)胞和桿狀細(xì)胞所受的激勵(lì)強(qiáng)度。依靠這種機(jī)制，視覺(jué)細(xì)胞在不同狀態(tài)下做出的感知反應(yīng)就能更好地辨別外界的色彩信息。

2) 人眼對(duì)亮度的響應(yīng)具有對(duì)數(shù)非線(xiàn)性性質(zhì)，以達(dá)到其亮度的動(dòng)態(tài)范圍。由于人眼對(duì)亮度響應(yīng)的這種非線(xiàn)性，在平均亮度大的區(qū)域，人眼對(duì)灰度誤差不敏感。

3) 人眼存在同時(shí)對(duì)比效應(yīng)，使得人眼對(duì)某個(gè)區(qū)域的亮度感覺(jué)既與自身屬性有關(guān)，又與周?chē)谋尘傲炼扔嘘P(guān)。

4) 在處理圖像的過(guò)程時(shí)，人眼可類(lèi)比為一個(gè)具有多頻信道分解特性的信號(hào)處理模型。視網(wǎng)膜上存在許多獨(dú)立的線(xiàn)性帶通濾波器，使圖像分解成不同頻率段，且它們?cè)趯?duì)數(shù)尺度上是等寬度的。頻段的帶寬與分辨率息息相關(guān)，帶寬越窄，分辨率越高。

5) 人的外周腦及視皮層對(duì)顏色處理實(shí)際上是三原色及四色對(duì)立學(xué)說(shuō)的辯證統(tǒng)一過(guò)程。這實(shí)際上指出了人眼所具有的色覺(jué)向度特性，從根本上說(shuō)，人對(duì)顏色的知覺(jué)是一種主觀(guān)心理視覺(jué)。當(dāng)人眼受到光激勵(lì)時(shí)，將引起具有色調(diào)、亮度以及飽和度這3種心理性向度構(gòu)成的色覺(jué)經(jīng)驗(yàn)。其中，色調(diào)完全是由光的波長(zhǎng)決定的，而亮度則與光的波幅與波長(zhǎng)皆有關(guān)系。飽和度是指顏色的純度，其值越大，對(duì)應(yīng)的色彩越鮮艷。

2 本文霧霾圖像質(zhì)量提升算法

通過(guò)對(duì)比前人的研究成果，本文以人眼視覺(jué)機(jī)理為指導(dǎo)思想，結(jié)合霧霾圖像頻譜分布規(guī)律，在亮度區(qū)域適應(yīng)性調(diào)整、高頻亮度方向特征抽取以及飽和度校正等方面進(jìn)行研究，提出了一種高效穩(wěn)定的單幅霧霾圖像增強(qiáng)算法。具體算法流程見(jiàn)圖1。

圖1 本文質(zhì)量提升算法框架

2.1 亮度分量增強(qiáng)策略

2.1.1 區(qū)域適應(yīng)性調(diào)整

光波在穿透霧霾時(shí)，某些波段會(huì)出現(xiàn)嚴(yán)重的衰減。這種濾波效果降低了大氣透射比，剩余的輻射波近似被全反射，引起了視線(xiàn)模糊。文獻(xiàn)[10]實(shí)驗(yàn)證明：在霧霾出現(xiàn)前后，對(duì)同一景物拍攝對(duì)比發(fā)現(xiàn)前景亮度明顯減弱，背景亮度卻有所加強(qiáng)，景物圖像的整體灰度級(jí)大幅度提升，從而導(dǎo)致圖像泛白。鑒于此，根據(jù)前文的人眼視覺(jué)特性1)，本算法模擬瞳孔對(duì)光通量調(diào)節(jié)機(jī)制，運(yùn)用亞當(dāng)斯區(qū)域曝光理論將亮度圖像合理調(diào)整，提升景物真實(shí)亮度特征。具體步驟如下。

1) 依據(jù)顯示器光強(qiáng)分配原理，定義各個(gè)像素點(diǎn)的光強(qiáng)大小。不妨設(shè)光強(qiáng)分為級(jí)，光強(qiáng)表達(dá)式為Y，它們構(gòu)成公比為的等比數(shù)列，其中1的取值范圍(0.01, 0.03)，Y=1。對(duì)于256灰度級(jí)的圖像而言，即=256，當(dāng)1=0.02時(shí)，借助等比數(shù)列公式，各個(gè)像素點(diǎn)的光強(qiáng)唯一確定。因此，進(jìn)入瞳孔的光通量可以通過(guò)計(jì)算×圖像的光強(qiáng)之和求得，如下式所示：

2) 根據(jù)人眼視覺(jué)特性2)，人眼亮度感覺(jué)與實(shí)際亮度呈對(duì)數(shù)關(guān)系，如下式所示：

式中：為實(shí)際亮度；為人眼感覺(jué)亮度；與0為常數(shù)。因而，借助式(2)可將實(shí)際亮度轉(zhuǎn)化為人眼的感覺(jué)亮度。

3) 考慮到人眼視覺(jué)特性3)，選取中心?周?chē)卟钭畲蟮牧炼葹橐曈X(jué)顯著度基準(zhǔn)，為后續(xù)動(dòng)態(tài)調(diào)整亮度范圍作準(zhǔn)備。選取3×3鄰域?yàn)樽陨砀杏X(jué)亮度，擴(kuò)展的5×5與3×3鄰域之間覆蓋范圍為周邊亮度，由于亮度空間具有線(xiàn)性伸縮性，自身與周邊亮度感知差與亮度歐式距離成正比，利用下式計(jì)算自身與周邊亮度差異性：

(4)

其中：為中心區(qū)域貢獻(xiàn)度系數(shù)；(，)為中心區(qū)域各點(diǎn)亮度；(，)為周?chē)鷧^(qū)域各點(diǎn)亮度；表示中心區(qū)域像素與其耦合區(qū)域的歐氏距離。按照式(4)對(duì)鄰域內(nèi)亮度差值進(jìn)行高斯歸一化，即為區(qū)域亮度顯著性最大的灰度。

4) 按照亞當(dāng)斯區(qū)域曝光理論[11]，黑白照片的灰調(diào)可以用分區(qū)標(biāo)尺表示，如圖2所示。它是由一系列連續(xù)變化的11個(gè)不同的影調(diào)組成，標(biāo)記為0區(qū)到10區(qū)。由于光強(qiáng)與灰度存在相互對(duì)應(yīng)關(guān)系，按照平均法對(duì)所有像素點(diǎn)亮度所對(duì)應(yīng)的灰度劃分為11個(gè)區(qū)。其中，5區(qū)為中性灰(反光率為18%的灰板表現(xiàn)出的灰色階調(diào))，3區(qū)代表有細(xì)節(jié)的陰影部分，7區(qū)則為有細(xì)節(jié)的強(qiáng)光部分。

圖2 亞當(dāng)斯分區(qū)標(biāo)尺圖

5) 仿照人眼視覺(jué)注意機(jī)制原理，以區(qū)域亮度顯著性最大的灰度為中性灰，將各像素點(diǎn)灰度采用分區(qū)標(biāo)尺度量，然后進(jìn)行灰度拉伸，具體公式為

當(dāng)像素點(diǎn)的灰度為中性灰時(shí)，該點(diǎn)將被賦予5區(qū)的灰色階調(diào)；當(dāng)像素點(diǎn)灰度大于或者小于中性灰時(shí)，更新后的像素灰度保留與中性灰的灰度差，同時(shí)右移或左移1.5區(qū)階調(diào)。這樣，通過(guò)灰度的增減實(shí)現(xiàn)曝光的調(diào)整，繼而控制全域內(nèi)光通量，還原真實(shí)景物的亮度信息。

2.1.2 高頻方向特征抽取

由于圖像大量信息隱藏于霧霾背景下，根據(jù)人眼視覺(jué)特性4)進(jìn)行多尺度分解后，便可求得圖像景物的邊緣及拐點(diǎn)信息。因而，選擇一種合適的多尺度分析工具模擬人眼多頻信道分解特性顯得十分重要。非下采樣Contourlet變換[12](non-subsampled contourlet transform, NSCT變換) 是一種后小波工具，它繼承了Contourlet變換的多尺度、多方向以及良好的空域和頻域局部特性，變換后能量更加集中，能夠更好地捕捉和跟蹤圖像中重要的幾何特征。同時(shí)，NSCT變換又摒棄了Contourlet變換的采樣環(huán)節(jié)，避免頻率混疊，得到的各級(jí)子帶圖像與源圖像具有尺寸相同特性，更容易找到各個(gè)子帶之間的對(duì)應(yīng)關(guān)系。然而，NSCT變換也存在以下不足：一方面，信息含量與分辨率成正比，在分解方向時(shí)應(yīng)予以區(qū)分，以獲得更多更高效的方向信息；另一方面，變換后的特征是由拉普拉斯金字塔分解后的每一層經(jīng)方向?yàn)V波得到的，即濾波后的方向特征為拉普拉斯特征，帶有一定的局限性。為此，本算法對(duì)高頻亮度圖像處理時(shí)進(jìn)行如下改進(jìn)。

1) 分辨的方向隨層數(shù)減少。對(duì)原始圖像分解形成的金字塔進(jìn)行方向分解時(shí)，摒棄各尺度固定方向數(shù)的分解方法，利用扇形及象限濾波器組對(duì)每一層圖像分量進(jìn)行精細(xì)化劃分，每層一次劃分的方向數(shù)目分別為16，8及4，且所有層的方向?qū)⑺谄矫婢葎澐帧４艘勒崭鲗臃直媛实母叩筒煌瑓^(qū)別處理，考慮了圖像信息量對(duì)濾波器方向設(shè)計(jì)的制約，不僅提高了特征信息的獲取，而且增強(qiáng)了算法的魯棒性和準(zhǔn)確性。

2) 方向特征由拉普拉斯、一階及二階導(dǎo)數(shù)組成，以貢獻(xiàn)度加權(quán)重。為更好尋求圖像細(xì)節(jié)尤其是邊緣信息，在原有拉普拉斯特征基礎(chǔ)上增加高斯金子塔中水平及垂直方向的一階及二階導(dǎo)數(shù)特征系數(shù)構(gòu)成特征金字塔進(jìn)行NSCT方向?yàn)V波。該特征金字塔描述奇異點(diǎn)的三維特征信息向量，包括一階導(dǎo)數(shù)、二階導(dǎo)數(shù)以及拉普拉斯特征。其中：和分別為水平和垂直方向一階導(dǎo)數(shù)；和分別為水平和垂直方向二階導(dǎo)數(shù)；為高斯金字塔的第層圖像分量；，；平滑模板。考慮特征重要程度不一，應(yīng)對(duì)其施以不同權(quán)重來(lái)表征其貢獻(xiàn)度。而通過(guò)方向?yàn)V波后的系數(shù)表征邊緣信息的強(qiáng)弱，強(qiáng)邊緣對(duì)視覺(jué)敏感，故增加權(quán)重，反之降低。

顯然，這種改進(jìn)型多尺度分析工具在濾波時(shí)分辨的方向數(shù)目由分辨率與金字塔尺度共同決定，同時(shí)新增的三維特征向量按照貢獻(xiàn)度加權(quán)，更精細(xì)劃分邊緣細(xì)節(jié)特征，克服了原始NSCT變換的不足。改進(jìn)型NSCT采用非下采樣特征金字塔濾波器(non-subsampled feature pyramid, NSFP)對(duì)圖像進(jìn)行多尺度分解，捕獲包含三維特征信息的奇異點(diǎn)，然后由非下采樣方向?yàn)V波器組(non-subsampled direction filter bank, NSDFB)將奇異點(diǎn)進(jìn)行既定數(shù)目的方向分解，使分布在同方向上的點(diǎn)合成1個(gè)系數(shù)，繼而連成線(xiàn)形結(jié)構(gòu)，從而捕捉圖像中的輪廓，如圖3所示。此外，將通過(guò)變換后的多特征加權(quán)系數(shù)施以反變換，得到具備更多細(xì)節(jié)的亮度圖像，并融合匹配顏色信息得到HSV圖像，為后續(xù)飽和度分量處理作準(zhǔn)備。

圖3 改進(jìn)型NSCT變換結(jié)構(gòu)圖

2.2 飽和度分量校正策略

由人眼視覺(jué)特性5)可知：色彩空間除了亮度屬性，還包含了色調(diào)與飽和度分量。顏色恒常性理論表明物體自身顏色與外界條件無(wú)關(guān)，由其反射屬性決定。在對(duì)顏色處理時(shí)色調(diào)分量不必調(diào)整，主要對(duì)飽和度分量適量調(diào)整。文獻(xiàn)[13]指出：關(guān)于人類(lèi)視覺(jué)顏色感知的研究和統(tǒng)計(jì)結(jié)果顯示，大量人眼顏色感知較好的圖像，其色彩分量之間有很強(qiáng)的相關(guān)性。故在色度和亮度分量確定的前提下，可構(gòu)造一種線(xiàn)性變換，將圖像的飽和度分量進(jìn)行變換，使其分量間的相關(guān)系數(shù)矩陣與標(biāo)準(zhǔn)圖像庫(kù)的統(tǒng)計(jì)值相匹配以達(dá)到最佳視覺(jué)識(shí)別效果，確保圖像顏色鮮艷，避免圖像色偏失真。因此，為了有效提升圖像的飽和度，提出了以下調(diào)整方案。

1) 統(tǒng)計(jì)30組視覺(jué)效果良好的×彩色圖像，求出HSV各分量相關(guān)系數(shù)矩陣，并作為后續(xù)的參考值，見(jiàn)式(10)。其中，矩陣中2個(gè)分量和的相關(guān)系數(shù)定義如式(11)所示。

其中：為2階單位矩陣，為待定參數(shù)。

3) 待校正圖像的顏色分量間協(xié)方差矩陣與校正后圖像分量間協(xié)方差矩陣滿(mǎn)足：。顯然，2個(gè)協(xié)方差矩陣是正定對(duì)稱(chēng)陣，可采用平方根法分解為：與，易求得。

4) 校正后圖像分量間協(xié)方差矩陣可認(rèn)為是，而待校正圖像的求解可根據(jù)方差的定義，分別計(jì)算圖像像素的自相關(guān)函數(shù)與數(shù)學(xué)期望，具體為

5) 在獲得與后，結(jié)合步驟(3)相關(guān)參數(shù)之間的關(guān)系式，通過(guò)求解包含3個(gè)未知參數(shù)的方程組(14)可得到變換矩陣。

6) 由分量將原圖像的飽和度分量校正，然后將其他2個(gè)分量與之合成，最終構(gòu)成符合人眼視覺(jué)特性的彩色校正圖像。

經(jīng)本算法得到的飽和度分量對(duì)圖像顏色分布描述更準(zhǔn)確，速度更快，在一定程度上解決了色彩失真的問(wèn)題，使得校正后的飽和度分布更接近人主觀(guān)視覺(jué) 感知。

3 仿真及結(jié)果分析

在VC2010中依據(jù)算法流程對(duì)4幅霧霾彩色測(cè)試圖進(jìn)行了實(shí)驗(yàn)，對(duì)比分析本算法與Kimmel和He這兩類(lèi)經(jīng)典方法在視覺(jué)質(zhì)量及處理速度方面的差異。從圖4可見(jiàn)：本文方法比Kimmel及He算法恢復(fù)的結(jié)果更自然真實(shí)，整體色彩效果很好地滿(mǎn)足人眼視覺(jué)愉悅性。其主要原因?yàn)镵immel算法由于采用均勻平滑濾波與偏微分方程框架結(jié)合，不僅伴有圖像細(xì)節(jié)扭曲與偽影效應(yīng)現(xiàn)象，而且對(duì)于霧霾濃度較厚區(qū)域的效果并不明顯，如圖4(b)和(d)所示。He算法利用黑體的吸光特性提出暗原色理論，針對(duì)不同霧霾條件均需要估計(jì)大氣傳輸圖，造成算法魯棒性較差，跟隨性能不好，使得畫(huà)面色彩整體偏暗，如圖4(a)和(c)所示。而本文算法依據(jù)人眼視覺(jué)機(jī)理對(duì)亮度及飽和度分量分而治之：對(duì)亮度分量進(jìn)行區(qū)域適應(yīng)性調(diào)整，較好地拉伸亮度的動(dòng)態(tài)范圍，處理結(jié)果中的前景普遍明亮，整體亮度適中；抽取亮度分量的方向特征，凸顯被霧霾掩蓋的景物細(xì)節(jié)信息；統(tǒng)計(jì)圖像顏色先驗(yàn)知識(shí)，構(gòu)造線(xiàn)性變換校正飽和度，恢復(fù)景物豐富的自然色彩信息。因此，這種并行融合處理各顏色分量，獲得了較理想的結(jié)果。表1所示為各算法處理單幅霧霾圖像的耗時(shí)量，對(duì)比發(fā)現(xiàn)Kimmel算法的用時(shí)高達(dá)1 021 ms，He算法用時(shí)與之比縮短為其0.2倍，但依然保持在231 ms。本文算法則避免類(lèi)似Kimmel算法里的偏微分方程求解環(huán)節(jié)，也無(wú)需He算法中時(shí)空復(fù)雜度較高的摳圖算子，在整個(gè)處理過(guò)程中采用諸如分區(qū)標(biāo)尺、NSCT以及線(xiàn)性變換等簡(jiǎn)潔的分析工具，使得計(jì)算成本大幅縮減，基本維持在100 ms以?xún)?nèi)。

表1 算法處理耗時(shí)量統(tǒng)計(jì)

(a) 海濱測(cè)試圖；(b) 小區(qū)測(cè)試圖；(c) 城鎮(zhèn)測(cè)試圖；(d) 鄉(xiāng)村測(cè)試圖

此外，本文從圖像整體和局部角度出發(fā)，分別采用圖像熵[14]與平均梯度[15]作為客觀(guān)質(zhì)量評(píng)價(jià)指標(biāo)。圖像熵表征了圖像中灰度分布的聚集特征所包含的信息量，它反映了圖像中平均信息量，計(jì)算式如式(15)所示。其中：為圖像中像素值為的像素點(diǎn)在圖像中所占的比例。平均梯度是指圖像邊界兩側(cè)附近像素值的變化率，它反映了圖像微小細(xì)節(jié)反差變化的速率，計(jì)算式如式(16)所示。

其中：(，)為圖像的(，)像素值。統(tǒng)計(jì)各算法結(jié)果的質(zhì)量評(píng)價(jià)值，將其繪制成圖，橫坐標(biāo)表示四幅測(cè)試圖的序號(hào)，縱坐標(biāo)則分別代表圖像熵和平均梯度等評(píng)價(jià)指標(biāo)，單位為“比特”和“1”，如圖5所示。從圖5可見(jiàn)：兩組對(duì)比算法對(duì)于圖像質(zhì)量的改善程度有限，均保持在0.5~1.0倍，而本文算法的提升效果最高達(dá)到3倍，處理性能遠(yuǎn)遠(yuǎn)領(lǐng)先對(duì)照組。其次，從各曲線(xiàn)的走勢(shì)可明顯看出：兩類(lèi)指標(biāo)反映的結(jié)果幾乎一致，即利用本文方法處理效果明顯優(yōu)于Kimmel及He算法，從而佐證了主觀(guān)評(píng)價(jià)結(jié)論。

1—原始圖；2—Kimmel算法；3—He算法；4—本文算法

4 結(jié)論

1) 利用人眼視覺(jué)注意機(jī)制中視覺(jué)顯著度作為亞當(dāng)斯區(qū)域曝光的中度灰基準(zhǔn)拉升亮度分量的動(dòng)態(tài)范圍，其效果與視覺(jué)感受有較高的吻合度。

2) 改進(jìn)的NSCT分析工具很好的凸顯霧霾圖像的細(xì)節(jié)信息，滿(mǎn)足人眼對(duì)邊緣特征敏感的需求。

3) 利用彩色圖像先驗(yàn)知識(shí)糾正飽和度分量，使處理結(jié)果色彩更顯自然，無(wú)色偏或者偽影效應(yīng)。

4) 算法流程簡(jiǎn)單，處理速度具有明顯的優(yōu)勢(shì)，能夠達(dá)到工程應(yīng)用的實(shí)時(shí)性要求。但是，由于景深越大，霧霾濃度越厚，圖像信息被掩蓋程度也隨之加重，所以，本文算法對(duì)于遠(yuǎn)景霧霾區(qū)域的提升效果并不明顯，這是下一步工作的重點(diǎn)研究方向。

[1] Jeong S, Lee S. The single image dehazing based on efficient transmission estimation[C]//IEEE International Conference on Consumer Electronics (ICCE). Las Vegas, NV: IEEE, 2013: 376?377.

[2] 禹晶, 李大鵬, 廖慶敏.基于物理模型的快速單幅圖像去霧方法[J]. 自動(dòng)化學(xué)報(bào), 2011, 37(2): 144?149.YU Jing, LI Dapeng, LIAO Qingmin. Physics-based fast single image fog removal[J]. Acta Automatica Sinica, 2011, 37(2): 144?149.

[3] Tan R. Visibility in bad weather from a single image[C]//IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, Alaska: IEEE, 2008: 1?8.

[4] Fattal R. Single image dehazing[J]. Proceedings of SIGGRAPH, 2008, 27(3): 1?9.

[5] He K, Sun J, Tang X. Single image haze removal using dark channel prior[C]//Proc of 27th IEEE Conference on Computer Vision and Pattern Recognition. Washington DC, USA: IEEE, 2009: 1956?1963.

[6] JIN Xuebo, BAO Jia, DU Jingjing. Image enhancement based on selective-Retinex fusion algorithm[J]. Journal of Software, 2012, 7(6): 1187?1195.

[7] 遲健男, 張闖, 張朝暉. 基于反對(duì)稱(chēng)雙正交小波重構(gòu)的圖像增強(qiáng)方法[J]. 自動(dòng)化學(xué)報(bào), 2010, 36(4): 476?487. CHI Jiannan, ZHANG Chuang, ZHANG Chaohui. Image enhancement based on anti-symmetrical biorthogonal wavelet reconstruction[J]. Acta Automatica Sinica, 2010, 36(4): 476?487.

[8] Kimmel R, Elad M, Shaked D, et al. A variational framework for Retinex[J]. International Journal of Computer Vision, 2003, 52(1): 7?23.

[9] Granrath D J. The role of human visual models in image processing[J]. Proceedings of the IEEE, 1981, 69(5): 552?561.

[10] Kil T H, Lee S H, Cho N I. A dehazing algorithm using dark channel prior and contrast enhancement[C]//IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Vancouver, BC: IEEE, 2013: 2484?2487.

[11] LIAO Yuyi, LIN Jzausheng, TAI Shenchuan. Color balance algorithm with Zone system in color image correction[C]//International Conference on Computer Sciences and Convergence Information Technology (ICCIT). Seogwipo: IEEE, 2011: 167?172.

[12] TONG Ying, ZHAO Meirong, WEI Zilong. Adaptive threshold nonlinear image enhancement algorithm based on NSCT transform[C]//The Proceedings of the Second International Conference on Communications, Signal Processing, and Systems Lecture Notes in Electrical Engineering. Switzerland: Springer International Publishing, 2014: 279?286.

[13] Tsagaris V, Anastassopoulos V. Multispectral image fusion for improved RGB representation based on perceptual attributes[J]. International Journal of Remote Sensing, 2005, 26(15): 3241?3254.

[14] 楊作廷, 阮萍, 翟波. 基于圖像熵的高動(dòng)態(tài)范圍場(chǎng)景的自動(dòng)曝光算法[J]. 光子學(xué)報(bào), 2013, 42(6): 742?746. YANG Zuoting, RUAN Ping, ZHAI Bo. Auto-exposure algorithm for scenes with high dynamic rang based on image entropy[J]. Acta Photonica Sinica, 2013, 42(6): 742?746.

[15] GONG Hu, SHI Qiang. Image quality assessment based on the mean gradient of edge preserve index[C]//2011 International Conference on Information, Services and Management Engineering. Wuhan, China: Scientific Research Publishing, 2011: 1436?1441.

Lifting hazy image quality algorithm based on the human visual mechanism

ZHOU Li1, BI Duyan1, HE Linyuan1, BO Hang2

(1. Engineering College, Air Force Engineering University, Xi’an 710038, China; 2. Measurement Test Team, 63981 Troops of the Chinese People’s Liberation Army, Wuhan 430000, China)

Since the results of mainstream defogging algorithms are far to reach human visual enjoyment and exhaust plenty of computing resource, a lifting color image quality algorithm based on the human visual mechanism was put forward in HSV color space through the Adams zone system and the non-subsampled contourlet transform under hazy weather. According to the algorithm, by imitating the process of papilla exposure, the maximum visual saliency was considered as medium grey standard to pull up dynamic ranges of the V component properly. Large amounts of detail features covered under fog and haze were given, the V component was then brought into non-subsampled contourlet filters to outstand image edge information according to the multi-frequency channel decomposition of human eyes. The H component remained unchanged because of the color constancy theory, but the S component merging together with the other adjusted-well components was revised by linear transform which relied on the prior statistics of color image components to keep them in good correlation. The simulation reveals that the novel algorithm not only improves visual effects of hazy images, but also provides higher practicability and less computing consumption.

image defogging algorithm; human visual mechanism; adams zone system; non-subsampled contourlet transform; linear transform

10.11817/j.issn.1672-7207.2015.10.024

TP391.41

A

1672?7207(2015)10?3726?07

2015?03?13；

2015?06?20

國(guó)家自然科學(xué)基金資助項(xiàng)目(61372167)(Project (61372167) supported by the National Natural Science Foundation of China)

周理，博士研究生，從事圖像增強(qiáng)、圖像分割研究；E-mail：zhouli_5120801@163.com

(編輯 陳愛(ài)華)