， ， ,蓉蓉， ，彥斌

(1.西安工程大學(xué) 電子信息學(xué)院，西安 710048； 2.西安中冶新材料有限公司，西安 710061；3.西安航天天繪數(shù)據(jù)技術(shù)有限公司，西安 710061)

0 引言

霧霾環(huán)境下空氣中含有大量的煙塵及塵埃等顆粒物，與水凝結(jié)浮游在空氣中，降低能見度，使得道路交通環(huán)境以及空中目標(biāo)等監(jiān)控系統(tǒng)可視性變差，采集到的圖像受到嚴(yán)重影響，不能準(zhǔn)確區(qū)分目標(biāo)與背景，目標(biāo)圖像信息捕捉難度加大，給正常的安全出行帶來巨大困擾。對于空中的飛機來說，雷達(dá)的定位存在盲區(qū)，可利用圖像進行視覺輔助導(dǎo)航，但在霧霾等惡劣環(huán)境下難以對飛機進行準(zhǔn)確定位，影響機場場面監(jiān)視和飛行安全。因此，研究霧霾圖像增強算法對目標(biāo)檢測性能影響，能夠提高目標(biāo)的檢測率，有助于減少地面交通事故，保障空中交通安全。

目前已有的目標(biāo)檢測算法和圖像增強算法已經(jīng)很成熟，針對霧天、霧霾天、雪天和雨天這樣特殊天氣的圖像處理主要集中在圖像復(fù)原和圖像清晰化處理上。如利用大氣散射模型和暗原色先驗的方法[1]、四階偏微分方程方法[2-3]、自適應(yīng)濾波的方法[4]、灰度閾值[5]的方法對圖像進行復(fù)原；利用暗原色的方法[6-7]和中值濾波的方法[8]、圖像融合的方法[9]對圖像進行去霧化處理；利用自適應(yīng)性小波系數(shù)閾值處理方法[10]對圖像進行重構(gòu)等。但由于檢測環(huán)境的變化、光照強度、遮擋、陰影、天氣狀況等的干擾，目標(biāo)的檢測性能都會受到影響，且沒有通用的霧霾環(huán)境下目標(biāo)檢測算法。

本文主要研究霧霾環(huán)境下圖像增強算法對目標(biāo)檢測性能影響，并通過大量的實驗數(shù)據(jù)標(biāo)定不同霧霾環(huán)境下通用的目標(biāo)檢測算法。在分析對比已有目標(biāo)圖像檢測算法基礎(chǔ)上得到動態(tài)雙閾值算法更適用于霧霾天氣下目標(biāo)檢測；在該算法的基礎(chǔ)上利用大氣散射模型及聯(lián)合雙邊濾波算法首先對原始霧霾圖像的增強處理，然后再進行目標(biāo)檢測；最后使用動態(tài)雙閾值、基于均值濾波的動態(tài)雙閾值、基于直方圖均衡化的動態(tài)雙閾值、基于拉普拉斯算子的動態(tài)雙閾值算法對不同程度霧霾環(huán)境下的實拍車輛運動視頻進行目標(biāo)檢測，實驗結(jié)果表明改進算法識別率高、適用于霧霾環(huán)境下圖像目標(biāo)檢測。

1 經(jīng)典圖像目標(biāo)檢測算法

在圖像目標(biāo)檢測中，可先將目標(biāo)與背景區(qū)域分離，然后再進行目標(biāo)分析與處理。常用的算法有閾值分割算法[11]和邊緣檢測分割算法[12]。

閾值分割算法是把在閾值范圍內(nèi)、外的像素分成兩類，像素灰度在閾值范圍內(nèi)的為一類，像素灰度在閾值范圍外的為另一類，臨界點可歸為任意一類。該算法包括兩個步驟：1) 確定分割閾值；2) 將像素點的灰度值與分割閾值進行比較，進行圖像像素的分類。閾值T的選擇直接影響圖像分割效果，根據(jù)對T的不同約束可以得到不同類型的閾值分割方法：全局閾值分割法(Otsu)[13]和局部閾值或動態(tài)閾值分割法[14]。

邊緣檢測分割算法包括提取邊界點、剔除某些邊界點和填補邊界間斷點。經(jīng)典的邊緣提取方法是考察圖像每個像素在某個鄰域內(nèi)灰度的變化，可以通過微分算子對圖像求導(dǎo)數(shù)確定。常見的微分算子有Roberts邊緣檢測算子[15]、Sobel邊緣檢測算子[16]和Prewitt邊緣檢測算子[17]。選用不同的微分算子，即可得到不同的邊緣檢測算法。

將上述兩種算法用于不同程度污染的霧霾環(huán)境下的車輛目標(biāo)檢測，實驗結(jié)果如圖1所示。

圖1 經(jīng)典目標(biāo)檢測算法結(jié)果對比

由圖1對比可得，霧霾環(huán)境下動態(tài)雙閾值分割算法目標(biāo)識別率比Otsu算法目標(biāo)識別率高，這是由于霧霾的影響，目標(biāo)的很多特征信息會被弱化，單一閾值不能滿足目標(biāo)圖像分割需求，動態(tài)雙閾值目標(biāo)分割算法能根據(jù)環(huán)境變化調(diào)整分割閾值的大小，因此識別率較高。

在輕度霾天時三種邊緣檢測算子檢測到的目標(biāo)都很清晰；在中度霾天時Sobel和Prewitt算子對目標(biāo)邊緣的檢測效果比Roberts要好；但由于污染程度的加深，三種算子對邊緣的定位精度均受到影響，出現(xiàn)間斷和毛刺；在重度和嚴(yán)重霾天時，三種邊緣檢測算子對邊緣的檢測全都出現(xiàn)毛刺和間斷，檢測結(jié)果都不如意。

通過圖1對兩種經(jīng)典圖像目標(biāo)檢測算法對比可得，動態(tài)雙閾值目標(biāo)分割算法檢測出目標(biāo)體的像素點更多，得到的目標(biāo)信息更豐富。由于霧霾環(huán)境下目標(biāo)的邊緣及輪廓信息會被弱化，邊緣檢測算法提取的目標(biāo)信息會少。因此，動態(tài)雙閾值目標(biāo)分割算法更適合用于霧霾環(huán)境下目標(biāo)檢測。

2 改進算法

由于霧霾環(huán)境下空氣中大量的塵埃和煙屑會折射太陽光，使整個圖像看起來色調(diào)相同，目標(biāo)顏色和紋理等特征都被弱化，信息量減少。因此要想提高霧霾環(huán)境下圖像目標(biāo)的識別率，需對原有算法進行改進。論文利用圖像增強算法對原有動態(tài)雙閾值分割算法進行改進，提出了一種基于圖像增強的動態(tài)雙閾值算法，然后將其運用到目標(biāo)檢測上，提高目標(biāo)檢測性能。

圖像增強就是為了改善圖像的視覺效果、提高清晰度、突出圖像中的某些信息，使圖像更有利于各種特征的分析提取和計算機處理。論文選用基于大氣散射模型的圖像增強方法，該算法是對圖像進行分塊處理，圖像增強效果好。常用的大氣散射模型[18-19]如下：

I(x,y)=J(x,y)e-βd(x,y)+A(1-e-βd(x,y))

(1)

其中:I是采集到的圖像，J是目標(biāo)圖像，A為大氣光，β為散射系數(shù)，d(x,y)為場景深度，e-βd(x,y)為透射率。大氣散射模型可變形為：

(2)

由式(2)可得，圖像增強主要是對A、β、d三個參數(shù)的計算和估計。用L(x,y)表示大氣幕亮度A(1-e-βd(x,y))，即：L(x,y)=A(1-e-βd(x,y))，則式(2)可簡化為：

(3)

大氣光A值的推算步驟[20]如下：1) 從暗通道圖中按照亮度的大小取前0.1%的像素；2) 在這些位置中，在原始有霧圖像I中尋找對應(yīng)的具有最高亮度的點的值，作為A的值。

由于圖像中霧的濃度越大，圖像的亮度就越大，因此可用I(x,y)的最小顏色分量來粗略預(yù)估大氣幕亮度[6][21-22]，即：

(4)

(5)

其中:f為高斯中心在P點的空域濾波器，g為中心是P點像素值的值域濾波器，Ω為f的空域范圍，Kp為f·g濾波權(quán)重的和。

圖2 圖像增強結(jié)果對比

基于圖像增強的動態(tài)雙閾值算法就是先對霧霾環(huán)境下的目標(biāo)圖像進行增強，而后再進行目標(biāo)分割與檢測，表達(dá)式如下所示，其中J(x,y)=f(I(x,y))：

(6)

(7)

式中，J(x,y)表示經(jīng)過圖像增強處理后的圖像，是關(guān)于原圖像I(x,y)的函數(shù)；Th1和Th2是動態(tài)雙閾值的兩個閾值；Avg_gray是平均灰度值；α_gray是調(diào)整因子，依據(jù)目標(biāo)圖像的具體情況而定，g(i,j)是閾值分割后的二值化圖像。

均值濾波采用鄰域濾波技術(shù)，把圖像中的像素及其鄰域像素構(gòu)成一個模板，用模板的均值代替像素值輸出。為了增加圖像處理速度，論文采用3×3方形模板對圖像進行均值濾波。對于均值濾波模板圖的計算可用如下的公式得出：

(8)

其中:S為以J(x,y)為中心的鄰域的集合，N為S內(nèi)的像素點數(shù)，J1(x,y)為濾波輸出結(jié)果，J(x,y)為經(jīng)大氣散射模型增強后的圖像。將J2(x,y)代入到式(6)中，即可實現(xiàn)基于均值濾波的動態(tài)雙閾值算法。

灰度直方圖均衡化是通過某種變換把原始圖像的直方圖變換為均勻分布的形式，得到一幅直方圖均勻分布的新圖像。設(shè)J(x,y)和J2(x,y)分別表示經(jīng)大氣散射模型增強后的圖像和經(jīng)直方圖修正后的圖像在(x,y)位置的像素坐標(biāo)，且J(x,y)∈[0,255]和J2(x,y)∈[0,255]。對于任意一個J(x,y)，都可生成一個J2(x,y)，兩者之間的轉(zhuǎn)換映射關(guān)系為：

(9)

其中:n為像素個數(shù)的總和；nl為第L個灰度級出現(xiàn)的次數(shù)。將J2(x,y)代入到式(6)中，即可實現(xiàn)基于直方圖均衡化的動態(tài)雙閾值算法。

基于拉普拉斯(Laplacian)算子的圖像增強是突出圖像灰度值突變的區(qū)域并減緩這些區(qū)域灰度值的變化。Laplacian算子是各向同性的二階微分算子，對離散的數(shù)字圖像而言，二階偏導(dǎo)數(shù)可用二階差分近似。因此Laplacian增強算子可表達(dá)為：

J3(x,y)=J(x,y)-▽2J(x,y)=

5J(x,y)-J(x+1,y)-J(x-1,y)-

J(x,y+1)-J(x,y-1)

(10)

將J3(x,y)代入到式(6)中，即可實現(xiàn)基于拉普拉斯算子的動態(tài)雙閾值算法。

3 實驗結(jié)果對比分析

把基于圖像增強的動態(tài)雙閾值算法用于不同程度污染的霧霾環(huán)境下的車輛目標(biāo)檢測。為了更好的說明改進算法對目標(biāo)檢測性能的影響并確定污染程度不同的霧霾環(huán)境下最佳目標(biāo)檢測算法，針對不同程度污染的霧霾環(huán)境下，用動態(tài)雙閾值、基于均值濾波的動態(tài)雙閾值、基于直方圖均衡化的動態(tài)雙閾值和基于拉普拉斯算子的動態(tài)雙閾值四種算法對11097張增強后的圖像進行目標(biāo)檢測，并統(tǒng)計出四種算法的最佳檢測率、最差檢測率、平均檢測率和虛警率。如圖3～6及表1～4所示。

圖3 輕度霾天檢測率和虛警率

算法最佳檢測率最差檢測率平均檢測率平均虛警率閾值檢測95.83%45.3%75.58%10.16%均值濾波97.61%50.28%80.06%8.53%改進直方圖98.07%48.93%79.86%10.05%改進拉普98.6%48.93%78.39%9.77%

對表1數(shù)據(jù)分析可得，三種改進算法的最佳檢測率和平均檢測率均比動態(tài)雙閾值算法的檢測率高，且虛警率小。綜合考慮目標(biāo)的檢測率和虛警率，在輕度霾天時首選基于均值濾波的動態(tài)雙閾值算法，其次選用基于拉普拉斯算子的動態(tài)雙閾值算法。

圖4 中度霾天檢測率和虛警率

算法最佳檢測率最差檢測率平均檢測率平均虛警率閾值檢測95.83%45.3%75.58%10.16%均值濾波97.61%50.28%80.06%8.53%改進直方圖98.07%48.93%79.86%10.05%改進拉普98.6%48.93%78.39%9.77%

對表2數(shù)據(jù)分析可得，經(jīng)過均值濾波處理后的圖像再進行動態(tài)閾值目標(biāo)檢測的效果要明顯優(yōu)于其他三種方法；綜合考慮平均虛警率和目標(biāo)檢測率，在中度霾天時優(yōu)先選用基于均值濾波的動態(tài)雙閾值算法，其次選用基于直方圖均衡化的動態(tài)雙閾值算法。

圖5 重度霾天檢測率和虛警率

算法最佳檢測率最差檢測率平均檢測率平均虛警率閾值檢測91.81%26.25%53.84%34.39%均值濾波93.5%30.08%59.18%31.39%改進直方圖92.7%31.43%60.11%28.07%改進拉普93.35%30.54%58.19%23.79%

對表3數(shù)據(jù)分析可得，相對其他三種方法來說基于拉普拉斯算子的動態(tài)雙閾值算法的平均虛警率最低，但目標(biāo)檢測率不高；基于均值濾波的動態(tài)雙閾值算法的優(yōu)點是可以復(fù)原圖像，檢測出遠(yuǎn)且小的目標(biāo)，但同時檢測出的非目標(biāo)點也多；雖然基于均值濾波的動態(tài)雙閾值算法的最佳檢測率是四種方法中最高的，但平均檢測率卻不如基于直方圖均衡化的動態(tài)雙閾值算法好。綜合考慮目標(biāo)的平均檢測率和平均虛警率，在重度霾天時優(yōu)先選用基于直方圖均衡化的動態(tài)雙閾值算法，其次選用基于拉普拉斯算子的動態(tài)雙閾值算法。

圖6 嚴(yán)重霾天檢測率和虛警率

算法最佳檢測率最差檢測率平均檢測率平均虛警率閾值檢測89.95%26.64%51.75%38.66%均值濾波90.91%30.95%55.88%30.76%改進直方圖91.17%29.58%56.28%30.24%改進拉普89.9%29.4%56.6%23.83%

對比表4數(shù)據(jù)分析可得，四種方法檢測出的目標(biāo)都差不多，但動態(tài)雙閾值檢測算法檢測出的非目標(biāo)點最多，而基于拉普拉斯算子的動態(tài)雙閾值算法檢測出的非目標(biāo)點最少；綜合考慮目標(biāo)的平均檢測率和虛警率，在嚴(yán)重霾天時優(yōu)先選用基于拉普拉斯算子的動態(tài)雙閾值算法，其次選用基于直方圖均衡化的動態(tài)雙閾值算法。

4 結(jié)束語

論文針對霧霾環(huán)境下目標(biāo)圖像的檢測與識別，在分析已有算法基礎(chǔ)上，提出了基于圖像增強的動態(tài)雙閾值算法。從統(tǒng)計的實驗數(shù)據(jù)和算法處理的效果圖可看到改進后的算法相較于原算法目標(biāo)平均檢測率高、虛警率低，目標(biāo)檢測性能有所提高。分析實驗數(shù)據(jù)可得：在輕度霾天時首選基于均值濾波的動態(tài)雙閾值算法，其次選用基于拉普拉斯算子的動態(tài)雙閾值算法；在中度霾天時優(yōu)先選用基于均值濾波的動態(tài)雙閾值算法，其次選用基于直方圖均衡化的動態(tài)雙閾值算法；在重度霾天時優(yōu)先選用基于直方圖均衡化的動態(tài)雙閾值算法，其次選用基于拉普拉斯算子的動態(tài)雙閾值算法；在嚴(yán)重霾天時優(yōu)先選用基于拉普拉斯算子的動態(tài)雙閾值算法，其次選用基于直方圖均衡化的動態(tài)雙閾值算法。通過研究霧霾圖像增強算法對目標(biāo)檢測性能的影響，能夠使得交通道路環(huán)境以及空中目標(biāo)等的監(jiān)控系統(tǒng)可視性提高，有助于減少地面交通事故、保障交通安全。