張 健

(黃淮學(xué)院智能制造學(xué)院,河南 駐馬店 463000)

1 引 言

霧是自然界一種常見(jiàn)的現(xiàn)象,米氏散射受霧霾影響較大,削減了紅外圖像的對(duì)比度和可見(jiàn)性[1-2],因此對(duì)紅外圖像進(jìn)行去霧處理,還原目標(biāo)細(xì)節(jié),對(duì)提高紅外圖像質(zhì)量具有重要意義。

目前紅外圖像去霧研究方法主要有:何愷明提出基于物理模型的暗通道先驗(yàn)(Dark Channel Prior,DCP)去霧算法,通過(guò)暗通道統(tǒng)計(jì)圖像規(guī)律,去霧后圖像自然,效果明顯[3],但是計(jì)算量較大,無(wú)法滿足實(shí)時(shí)去霧,同時(shí)忽略了顏色信息的丟失和過(guò)飽和情況；正則化恢復(fù)方法(Regularized Recovery,RR)去霧[4],需要不同拍攝角度或不同拍攝時(shí)間,取得了一定的效果,但這些方法對(duì)數(shù)據(jù)輸入要求較高,普通拍攝難以獲取合適的圖像；自適應(yīng)直方圖均衡化(Adaptive Histgram Equalization,AHE)在一定程度上增強(qiáng)了霧霾圖像中物體的對(duì)比度[5],但是不具有魯棒性以及時(shí)間復(fù)雜度較高,同時(shí)會(huì)過(guò)度放大平坦區(qū)域的噪聲；Yael Erez通過(guò)獲取同一場(chǎng)景兩幅圖像大致估算出大氣光強(qiáng)值[6],再人為區(qū)分出圖像中的天空區(qū)域,獲得去霧圖像；Puneet主要減少去霧耗時(shí)問(wèn)題,通過(guò)暗原色求解大氣透過(guò)率[7],利用正交偏振圖像估算大氣光信息獲得去霧后的圖像；邊界約束方法(Boundary Constraint Method,BCM)紅外圖像去霧[8],通過(guò)增加物理模型中參數(shù)約束條件,最后恢復(fù)出無(wú)霧圖像。

本文提出改進(jìn)暗通道算法(Improved Dark Channel Prior,IDCP),通過(guò)圖像自身調(diào)節(jié)來(lái)獲得較準(zhǔn)確的大氣光強(qiáng),利用原圖的暗原色圖以及亮原色圖線性方法得到更加接近圖像的真實(shí)值的大氣光強(qiáng)；通過(guò)透射率伸縮系數(shù)和透射率增減系數(shù)來(lái)調(diào)節(jié)透射率；為避免去霧圖像畫(huà)質(zhì)偏暗,通過(guò)灰度值大小對(duì)圖像亮度進(jìn)行校正。實(shí)驗(yàn)仿真顯示本文算法的有效性。

2 紅外圖像去霧模型

紅外圖像去霧可借鑒可見(jiàn)光圖像去霧算法,但是紅外圖像成像具有特殊性,直接采用可見(jiàn)光算法進(jìn)行紅外圖像去霧,處理結(jié)果不太好,因此需要改進(jìn)優(yōu)化。

2.1 霧圖像模型

針對(duì)圖像的衰減過(guò)程[9],大氣散射物理模型成像方程為:

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

(1)

式中,I(x)為霧霾圖像；J(x)為無(wú)霧圖像；A為大氣光強(qiáng)度值；t(x)為介質(zhì)透射率,即到達(dá)成像設(shè)備中未被散射和吸收的部分；J(x)t(x)為物體的光線在傳播過(guò)程中的衰減項(xiàng),A(1-t(x))為大氣光成分。

紅外圖像受霧霾天氣影響與可見(jiàn)光圖像所受霧霾天氣影響具有近似性,因此大氣散射物理模型成像方程可近似適用于紅外有霧圖像去霧[10]。

2.2 大氣光強(qiáng)和透射率調(diào)節(jié)方法

2.2.1 基于調(diào)節(jié)因子的大氣光強(qiáng)值求解

為提高紅外圖像去霧結(jié)果的清晰度,需要更加可靠的大氣光強(qiáng)的估算值[11-12]。由式(1)知,造成去霧結(jié)果過(guò)飽和的原因是大氣光強(qiáng)的求取會(huì)受到天空光強(qiáng)的影響,使獲得的大氣光強(qiáng)值偏離了場(chǎng)景的實(shí)際光強(qiáng)值。本文通過(guò)調(diào)節(jié)因子來(lái)獲得較準(zhǔn)確的大氣光強(qiáng):

(2)

(3)

不同α、β影響大氣光強(qiáng)如圖1、圖2所示。

圖1 不同α影響大氣光強(qiáng)Fig.1 The influence of differentαon atmospheric light intensity

圖2 不同β影響大氣光強(qiáng)Fig.2 The influence of differentβon atmospheric light intensity

從圖1、圖2可以看出,α主要對(duì)無(wú)天空區(qū)域的有霧圖像大氣光強(qiáng)調(diào)節(jié),α越小越有利于圖像暗通道值獲取,此時(shí)對(duì)于無(wú)天空區(qū)域的有霧圖像處理較佳；β主要對(duì)有天空區(qū)域的有霧圖像大氣光強(qiáng)調(diào)節(jié),β越大越有利于圖像亮通道值獲取,此時(shí)對(duì)于有天空區(qū)域的有霧圖像處理較佳。

2.2.2 透射率調(diào)節(jié)優(yōu)化

假設(shè)同一局部區(qū)域塊傳輸率相同[13],則J(x):

(4)

(5)

(6)

(7)

式中,Imed(x)為經(jīng)過(guò)中值濾波后的圖像,包含了原圖像的豐富的紋理和邊緣,在平滑的過(guò)程中,對(duì)隨機(jī)噪聲進(jìn)行了去除,同時(shí)還保持了一定的圖像邊緣特征,避免了用暗通道最小值濾波所帶來(lái)的halo效應(yīng)。本文選取μ=0.95。

(8)

2.3 紅外圖像去霧過(guò)程

2.3.1 恢復(fù)圖像

(9)

透射率t0=0.1,保證了去霧恢復(fù)出的無(wú)霧紅外圖像不產(chǎn)生顏色失真情況。

2.3.2 圖像亮度校正

去霧復(fù)原后的紅外圖像畫(huà)質(zhì)偏暗,需要對(duì)紅外圖像亮度重新校正,通過(guò)灰度值大小對(duì)圖像亮度進(jìn)行校正:

Ggray=0.25×IR+0.55×IG+0.2×IB

(10)

式中,IR、IG、IB為像素點(diǎn)三通道像素值;Ggray為當(dāng)前像素點(diǎn)灰度值。

(11)

式中,ξ為有效限制透射率區(qū)域很小的值；ζ為校正因子,越大則調(diào)整后圖像畫(huà)質(zhì)越亮,ζ為50為可取得較好的校正效果。這樣復(fù)原出的圖像能有效避免天空區(qū)域的顏色失真和噪聲。

3 算法流程

本文所提出算法流程為:①輸入霧天紅外圖像；②計(jì)算大氣光強(qiáng)值；③介質(zhì)透射率通過(guò)公式(8)調(diào)節(jié)優(yōu)化；④通過(guò)公式(9)去霧；⑤紅外圖像亮度校正；⑥輸出去霧紅外圖像。

4 實(shí)驗(yàn)仿真

實(shí)驗(yàn)對(duì)天空區(qū)域和非天空區(qū)域采用不同的透射率進(jìn)行處理,限定局部塊狀區(qū)域的大小均為15×15,使用的 MATLAB版本7.0,IDCP算法涉及的主要參數(shù)α=0.05,β=0.95,Q=50,k=0.45,p=5,用于比較的其他算法參數(shù)值均為最優(yōu)條件。

4.1 視覺(jué)效果分析

涉及的算法有DCP、RR、AHE、BCM、IDCP算法,如圖3(a)、圖4(a)為紅外有霧圖像,圖3(b)、圖4(b)為DCP去霧結(jié)果,圖3(c)、圖4(c)為RR去霧結(jié)果,圖3(d)、圖4(d)為AHE去霧結(jié)果,圖3(e)、圖4(e)為BCM去霧結(jié)果,圖3(f)、圖4(f)為IDCP去霧結(jié)果。

圖3 各種算法對(duì)有霧圖像1去霧結(jié)果Fig.3 Image hazing NO.1 dehazing results for various algorithms

圖4 各種算法對(duì)有霧圖像2去霧結(jié)果Fig.4 Image hazing NO.2 dehazing results for various algorithms

從圖3、圖4各種算法去霧結(jié)果可以看出,DCP算法去霧紅外圖像清晰度較好；RR算法存在昏暗等問(wèn)題；AHE算法在天空中有嚴(yán)重的失真現(xiàn)象,過(guò)度放大了平坦區(qū)域圖像；BCM算法存在偏色現(xiàn)象；IDCP算法在非天空區(qū)域與天空區(qū)域交界處沒(méi)有失真現(xiàn)象,邊緣細(xì)節(jié)處理更清晰明亮,如在圖3(f)可以看清楚遠(yuǎn)處山的輪廓以及山脈景象,在圖4(f)可以看清楚湖面上鴨子的輪廓以及柳樹(shù)的細(xì)條紋。

4.2 客觀評(píng)價(jià)分析

4.2.1 平均梯度、信息熵以及峰值信噪比指標(biāo)分析

平均梯度(Average Gradient,AG)值越大,圖像的層次感越強(qiáng),圖像也會(huì)越清晰；信息熵(Information Entropy,IE)值越大,則圖像的信息量越大,圖像的質(zhì)感好；峰值信噪比(Peak Signal To Noise Ratio,PSNR)值越高說(shuō)明兩幅圖像結(jié)構(gòu)越相似,劣化的程度低且引入的噪聲較少。各種算法對(duì)圖3(a)、圖4(a)去霧進(jìn)行30次實(shí)驗(yàn)仿真,記錄每次實(shí)驗(yàn)的平均梯度、信息熵以及峰值信噪比指標(biāo),結(jié)果如圖5、圖6、圖7所示。

圖5 平均梯度指標(biāo)分析Fig.5 Average gradient index analysis

從圖5、圖6、圖7指標(biāo)分析可以看出,在30次實(shí)驗(yàn)中,IDCP算法對(duì)去霧圖像1的平均梯度值的平均值為6.05,信息熵的平均值為為7.51,峰值信噪的平均值為為17.66 dB,IDCP算法對(duì)去霧圖像2的平均梯度值的平均值為6.08,信息熵的平均值為為7.65,峰值信噪的平均值為為17.62 dB,各種指標(biāo)高于其他算法,平均梯度較高,信息熵略高于DCP算法,峰值信噪比較高,最大化的減少了結(jié)構(gòu)的破壞,減少噪聲的引入,能夠有效提升去霧圖像的對(duì)比度、清晰度。

圖6 信息熵指標(biāo)分析Fig.6 Information entropy index analysis

圖7 峰值信噪比指標(biāo)分析Fig.7 Peak signal to noise ratio index analysis

4.2.2 魯棒性指標(biāo)分析

基于部分參考型圖像質(zhì)量評(píng)價(jià)的結(jié)構(gòu)相似度思想[17-19],魯棒性評(píng)價(jià)函數(shù)為:

(12)

圖8 魯棒性指標(biāo)分析Fig.8 Robustness index analysis

從圖8可以看出,IDCP算法獲得的P值數(shù)據(jù)波動(dòng)較小,P值相比其他算法較大,算法魯棒性較好；其他算法數(shù)據(jù)波動(dòng)較大,說(shuō)明魯棒性較差。

5 總 結(jié)

本文調(diào)節(jié)了大氣光強(qiáng)和透射率,同時(shí)為避免去霧圖像畫(huà)質(zhì)偏暗,通過(guò)灰度值大小對(duì)圖像亮度進(jìn)行校正。實(shí)驗(yàn)仿真顯示本文算法沒(méi)有色彩失真現(xiàn)象,邊緣細(xì)節(jié)處理更清晰明亮,平均梯度值最少為6.0,信息熵最少為7.5,峰值信噪比最少為17.6 dB,算法數(shù)據(jù)波動(dòng)較小,魯棒性較強(qiáng),因此本文算法在處理效果上有一定的優(yōu)勢(shì),對(duì)霧天紅外圖像的去霧有一定的借鑒意義。