李和鍵，賀長(zhǎng)秀

（1.四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065；2.中國(guó)人民解放軍 63636部隊(duì)，酒泉 732750）

一種針對(duì)光暈優(yōu)化的暗通道去霧算法

李和鍵1，賀長(zhǎng)秀2

（1.四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065；2.中國(guó)人民解放軍 63636部隊(duì)，酒泉 732750）

為了更好解決傳統(tǒng)暗通道去霧算法在景深突變區(qū)域容易產(chǎn)生光暈的問題，提出一種針對(duì)光暈優(yōu)化的去霧算法。算法首先對(duì)輸入圖像的灰度圖進(jìn)行邊緣檢測(cè)并膨脹；其次，根據(jù)得到的邊緣圖將輸入圖像劃分為邊緣區(qū)域和非邊緣區(qū)域；最后，自適應(yīng)選擇窗口大小來(lái)進(jìn)行去霧處理；實(shí)驗(yàn)結(jié)果表明改進(jìn)算法可以有效提高景深突變區(qū)域的去霧效果。

單幅圖像去霧；暗通道；光暈；邊緣

0 引言

當(dāng)空氣中有懸浮粒子時(shí)，這些懸浮粒子會(huì)使被攝物體的反射光線發(fā)生衰減，同時(shí)也使大氣光（太陽(yáng)光、地面反射光、散射天空光等）散射后進(jìn)入成像設(shè)備中，影響戶外監(jiān)控系統(tǒng)采集圖像的質(zhì)量。霧霾對(duì)圖像采集設(shè)備影響很大，特別是天眼等監(jiān)控系統(tǒng)的運(yùn)行，所以提升監(jiān)控系統(tǒng)對(duì)霧霾天的適用性是非常有意義的研究。

目前圖像去霧有許多方法，可以分為兩類，一類是：非物理模型的圖像增強(qiáng)算法，這類算法不考慮圖像退化的原因，突出圖像中感興趣的信息，但可能會(huì)使圖像失真。另一類是：基于物理模型的有霧圖像清晰化算法，這類算法因?yàn)榱私鈭D像的降質(zhì)原因，反推出無(wú)霧圖像，處理后的圖像更顯得自然。

常用的圖像增強(qiáng)算法有：直方圖均衡化，Stark JA等人[1]提出的一種自適應(yīng)的直方圖均衡化方法，更好地增強(qiáng)局部特征；小波變換，Scheunders[2]基于多尺度提出了一種多值圖像的小波表示形式，此方法可用于彩色圖像增強(qiáng)；同態(tài)濾波：基于照明反射模型的原理，在頻率域利用同態(tài)濾波器分離出低頻和高頻信息，分別對(duì)低頻和高頻信息處理提高圖像對(duì)比度。Seow等人[3]用此方法取得很好效果。Retinex算法：由Edwin Land等人[4]基于顏色恒常性提出的，可有效的增強(qiáng)圖像的對(duì)比度和壓縮圖像的動(dòng)態(tài)范圍。常用的圖像復(fù)原算法有：Schechner等人[5]根據(jù)光的偏振特性，采用偏振片得到同一場(chǎng)景下的不同偏振角度的多幅圖像來(lái)估計(jì)環(huán)境光，進(jìn)而恢復(fù)清晰無(wú)霧的圖像。Tan等人[6]提出通過對(duì)霧天圖像局部區(qū)域的對(duì)比度做最大化處理來(lái)進(jìn)行去霧，能很好的恢復(fù)圖像的細(xì)節(jié)和結(jié)構(gòu)信息，但是輸出圖像通常出現(xiàn)過飽和的現(xiàn)象。Fattal[7]提出的基于數(shù)理統(tǒng)計(jì)的方法，假設(shè)圖像局部區(qū)域的返照率為常向量，再得到介質(zhì)傳播圖后復(fù)原無(wú)霧圖像，但對(duì)濃霧區(qū)域和低信噪比區(qū)域效果不好。He等人[8]首先利用統(tǒng)計(jì)的方法總結(jié)出暗通道先驗(yàn)規(guī)律，進(jìn)而利用暗通道先驗(yàn)假設(shè)來(lái)求取粗略投射圖，再對(duì)粗略投射圖精細(xì)化后恢復(fù)無(wú)霧圖像。Qingsong Zhu[9]提出比較新穎的色彩衰減先驗(yàn)方法，對(duì)色彩的還原有很好的效果。本文是在He的方法基礎(chǔ)上，針對(duì)圖像中景物邊緣出現(xiàn)的光暈效應(yīng)做出一些優(yōu)化，提高邊緣去霧能力，實(shí)驗(yàn)結(jié)果表明有很好的效果。

1 針對(duì)光暈優(yōu)化的暗通道去霧算法

暗通道先驗(yàn)源自He等人對(duì)大量無(wú)霧圖像特征統(tǒng)計(jì)得到的，他們發(fā)現(xiàn)了大多數(shù)無(wú)霧圖片的的非天空區(qū)域任意局部塊中，都會(huì)有某些像素的一個(gè)顏色通道值接近0。

式（1）中，Jdark（x）是圖像的暗通道圖，Ω（x）是像素點(diǎn)x的鄰域，Jc（y）是無(wú)霧圖像。

暗通道先驗(yàn)去霧算法是根據(jù)大氣散射模型[10]來(lái)復(fù)原圖像，如下表示：。

式（2）中，I（x）是有霧輸入圖像，J（x）是復(fù)原后的輸出圖像，t（x）是介質(zhì)透射率，A是全局大氣光。

1.1 光暈產(chǎn)生的原因

假設(shè)A是已知的，同時(shí)對(duì)式（2）兩邊先做最小值濾波，再對(duì)RGB三個(gè)通道取最小值，整理后得到式（3）。（x）表示局部塊內(nèi)的透射率，且塊內(nèi)為常數(shù)。

由于全局大氣光值A(chǔ)＞＞0。由式（1）推出：

將式（4）帶入式（3），整理后并引入ω系數(shù)（原算法ω取值0.95，因?yàn)榧词骨缋薀o(wú)霧的天氣下，大氣中也會(huì)有少量懸浮微粒對(duì)光線產(chǎn)生散射），即為求取的粗略透射率（x），如下所示：

圖 1

從圖1（d）中看出，邊緣區(qū)域的光暈比較明顯。光暈 如果直接（x）將和A帶入式（2）恢復(fù)（x）如下圖所示：產(chǎn)生的原因：一般出現(xiàn)在在景深突變區(qū)域，計(jì)算暗通道值和透射率時(shí)使用最小值濾波處理，在邊緣處，其濾波窗口內(nèi)既包含近景和遠(yuǎn)景，最后得到的此窗口的暗通道值一般是近景的暗通道值，對(duì)遠(yuǎn)景區(qū)域的暗通道值和透射率值估計(jì)不準(zhǔn)確。導(dǎo)致此窗口內(nèi)遠(yuǎn)景的去霧不明顯，形成光暈效應(yīng)。

1.2 優(yōu)化的求取粗略透射率的方法

如果只對(duì)邊緣區(qū)域縮小處理窗口，但這樣只是減小了邊緣區(qū)域光暈范圍，但邊緣區(qū)域的近景依舊影響對(duì)遠(yuǎn)景的暗通道估值，同樣導(dǎo)致粗略透射率的不準(zhǔn)確。

本文對(duì)求取粗略透射率做出優(yōu)化：首先對(duì)原圖的灰度圖做邊緣檢測(cè)，再根據(jù)膨脹后的邊緣圖將原圖分成兩幅分別含有邊緣和非邊緣信息的圖像，使用不同窗口大小最小值濾波處理，對(duì)前者使用小的固定窗口。對(duì)后者中靠近邊緣的區(qū)域使用自適應(yīng)窗口大小，其余區(qū)域使用原算法的窗口大小。具體步驟如下

（1）先對(duì)原圖的灰度圖做邊緣檢測(cè)得到邊緣圖Igray-edge（圖2（a）），使用的是Canny算子，由于Canny算子采用高斯函數(shù)對(duì)其平滑，可以有效的抑制噪聲，且邊緣的連續(xù)性也較好。

（2）再對(duì)Igray-edge做兩次膨脹處理得到圖Idilate（圖2（b），白色、灰色、黑色像素點(diǎn)的值分別是1、0.5、0，分別代表邊緣區(qū)域、靠近邊緣的非邊緣區(qū)域、遠(yuǎn)離邊緣的非邊緣區(qū)域）。

（3）根據(jù)Idilate中白色區(qū)域，將輸入圖像分成邊緣區(qū)域Iedge（圖2（d））和非邊緣區(qū)域Inonedge（圖2（f）），對(duì)這兩幅圖分開處理，有效避免了處理窗口中同時(shí)包含近景和遠(yuǎn)景，減小近景對(duì)求取遠(yuǎn)景暗通道值的影響。

（4）依照?qǐng)DIdilate的顏色不同，對(duì)不同顏色區(qū)域使用不同窗口大小的最小值濾波處理，窗口大小win×win，win的取值如式（6），濾波窗口大小自適應(yīng)結(jié)果如圖2（c）所示。

對(duì)Iedge處理（即白色區(qū)域）時(shí)，win=3，得到邊緣區(qū)域暗通道圖darkedge（圖2（e））；

對(duì)Inonedge處理時(shí)，黑色區(qū)域采用原算法的窗口大小win=15；灰色區(qū)域采用自適應(yīng)窗口大?。?×5～15×15，窗口最小值如果過大可能會(huì)包含邊緣另一邊的非邊緣信息，導(dǎo)致光暈），灰色區(qū)域ω取值規(guī)則是：中心點(diǎn)為（i，j）的正方形窗口，其邊長(zhǎng)為ω，窗口不包含邊緣點(diǎn)的前提下，ω能取的最大值；得到非邊緣區(qū)域的暗通道圖dar-knonedge（圖2（g））。

（5）合成darkedge與darknonedge得到最終的暗通道圖dark（圖2（h））。在根據(jù)式2-5計(jì)算得到優(yōu)化算法得到的粗略透射率t*（圖2（i））。

（6）使用t*的帶入式2-2恢復(fù)出結(jié)果J*（圖2（j）），和圖1（c）比較，可以看出樹葉邊緣區(qū)域的霧去除效果明顯。

圖2 改進(jìn)算法處理過程示意圖

（7）使用導(dǎo)向?yàn)V波對(duì)t*細(xì)化后得到最終透射率t，帶入式（2）還原出無(wú)霧圖像J。從圖3可以看出，優(yōu)化算法對(duì)邊緣區(qū)域的去霧能力有很大提高。

圖3

2 實(shí)驗(yàn)結(jié)果及分析

本文主要對(duì)去霧能力做優(yōu)化，而沒有優(yōu)化時(shí)間，只比較去霧效果。為了驗(yàn)證改進(jìn)算法的可行性，采用導(dǎo)向?yàn)V波方法細(xì)化透射的He算法與本文提出的優(yōu)化算法對(duì)多幅實(shí)驗(yàn)圖像進(jìn)行處理，本文算法除了求取粗略透射率的步驟不一樣，其他處理步驟都與比較算法一致。從主觀視覺、客觀評(píng)價(jià)指標(biāo)對(duì)去霧效果做出比較。

主觀評(píng)價(jià):對(duì)圖4分析，本文算法只對(duì)景深突變的區(qū)域去霧效果有提升，其它區(qū)域與HE算法的效果相比相差不大。對(duì)（d）（h）（l）三幅圖中HE算法和本文算法結(jié)果圖的局部區(qū)域做對(duì)比，可以看出優(yōu)化效果。對(duì)（f）和（g）兩幅圖的比較，本文算法優(yōu)化后的效果提升明顯。對(duì)（a）和（i）的提升很小，因?yàn)檫@兩幅圖只有很小一片區(qū)域產(chǎn)生光暈效應(yīng)。

客觀評(píng)價(jià):客觀指標(biāo)評(píng)價(jià)主要從圖像的顏色、對(duì)比度等方面出發(fā)構(gòu)建評(píng)價(jià)指標(biāo)來(lái)定量分析。本文使用兩個(gè)評(píng)價(jià)指標(biāo)，一是從衡量圖像對(duì)比度的角度出發(fā)，使用基于可見邊的對(duì)比度增強(qiáng)評(píng)價(jià)方法[11]，e代表新增可見邊比。二是對(duì)結(jié)果圖像的灰度圖進(jìn)行統(tǒng)計(jì)，代表平均梯度比。一般而言，e和越大越好，表示去霧效果越好。

圖4

對(duì)表1的數(shù)據(jù)分析，HE算法和本文算法兩者比較，平均梯度比有高有低，但都相差不大。而新增可見邊比e有一定的提升，因?yàn)榫吧钔蛔儏^(qū)域的光暈明顯減弱，這部分區(qū)域就會(huì)有更多細(xì)節(jié)展現(xiàn)出來(lái)，提高了可見邊的數(shù)量，圖4的（f）和（g）比較，指標(biāo)e提升很明顯。圖4的（b）和（c），（j）和（k）兩者的指標(biāo)都很相近。與主觀視覺評(píng)價(jià)一致

3 結(jié)語(yǔ)

本文提出來(lái)一種針對(duì)光暈優(yōu)化的暗通道去霧算法。本文算法使用邊緣檢測(cè)和膨脹處理，對(duì)原有霧圖像進(jìn)行摳圖后分開處理，極大降低了近景對(duì)遠(yuǎn)景的去霧能力的影響。實(shí)驗(yàn)表明，和原算法相比，提高了對(duì)景深突變區(qū)域去霧的效果。

表1 HE算法與本文算法結(jié)果圖的客觀評(píng)價(jià)

[1]Stark JA．Adaptive Image Contrast Enhancement Using Generalizations of Histogram Equalization[J].IEEE Trans Image Process，2000，9（5）:889-96.

[2]P.Scheunders.A Multivalued Image Wavelet Representation Based on Multisacle Fundamental Forms[J].IEEE Transactions on Image Processing，1997，6（7）:965-976.

[3]M.J.Seow，V.K.Asari.Ratio Rule and Homomorphic Filter for Enhancement of Digital Colour Image[J].Neurocomputing，2006，69（7）: 954-958.

[4]E.land，J.McCann.Lightness and Retinex Theory[J].J.Opt.Soc.Amer，1971，61（1）:1-11.

[5]Y.Y.Schechner，S.G.Narasimhan，S.K.Nayar.Polarization-Based Vision Through Haze[J].AppliedOptics，2003，Special Issue，42（3）: 511-525.

[6]R.T.Tan.Visibility in Bad Weather from a Single Image[C].IEEE Conference on Computer Vision and Pattern Recognition，2008，1-8. [7]Fattal R.Single Image Dehazing[J].In Proc.ACM SIGGRAPH，2008，27（3）:1-9.

[8]He K，Sun J，Tang X.Single Image Haze Removal Using Dark Channel Prior[C].Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.IEEE Computer Society，2009:1956-1963

[9]Qing-song Zhu，Jia-ming Mai，Ling Shao.A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J].IEEE Transactions on Image Processing，2015，24（11）:3522-3533.

[10]McCartney Earl J.Optics of Atmosphere-Scattering by Molecules and Particles[M].Physics Today，1977，30（5）:76-77.

[11]N.Hautiere，J.P.Tarel，D.Aubert，et al.Blind Contrast Enhancement Assessment by Gradient Ratioing at Visible Edges[J].Image Analysis and Stereology Journal，2008，27（2）:87-95

A Halo-Free Image Dehazing Algorithm Based on Dark Channel Prior

Li He-jian1，He Chang-xiu2

（1.College of Computer，Sichuan University，Sichuan 610065；2.Unit 63636，PLA，Gansu 732750）

In order to tackle the problem that the halo artifacts tend to appear in edge regions with large depth jumps in the traditional dehazing algorithms based on dark channel prior(DCP),proposes a halo-free single image dehazing method.Firstly,the edge image of gray-level image of the input foggy image can be detected by using the canny operator.Secondly,the input foggy image can be divided into edge region and non-edge region based on the edge image.Finally,the size of local window can be selected adaptively applying to dehazing process.Experimental results show that the proposed method can improve the dehazing effect of edge regions with large depth jumps efficiently.

Single Image Dehazing;Dark Channel Priori;Halo;Edge

1007-1423（2017）02-0072-05

10.3969/j.issn.1007-1423.2017.02.018

李和鍵（1989-），男，四川南充人，在讀碩士研究生，研究方向?yàn)閳D像處理、多源信息融合

2016-11-25

2017-01-10

賀長(zhǎng)秀（1981-），女四川射洪人，碩士研究生，工程師，研究方向?yàn)閳D像處理、多源信息融合、多目標(biāo)跟蹤