半逆解法檢測(cè)及改進(jìn)圖層法去除霧氣算法研究

李向榮，張海

青島科技大學(xué)機(jī)電工程學(xué)院，山東青島 266061

半逆解法檢測(cè)及改進(jìn)圖層法去除霧氣算法研究

李向榮，張海

青島科技大學(xué)機(jī)電工程學(xué)院，山東青島 266061

針對(duì)霧天環(huán)境下相機(jī)所拍攝圖像能見度較差造成人眼或設(shè)備難以分辨圖像細(xì)節(jié)的問(wèn)題，提出一種新穎的單幅圖像霧氣檢測(cè)和去除方法。在不經(jīng)過(guò)圖像優(yōu)化及修復(fù)處理前提下，用半逆解法產(chǎn)生半逆解圖像，通過(guò)閾值將轉(zhuǎn)換至HSI彩色空間的原圖像和半逆解圖像進(jìn)行色度值對(duì)比，快速檢測(cè)出圖像霧氣區(qū)域。依據(jù)光學(xué)模型估計(jì)出空氣光常數(shù)等參數(shù)，用改進(jìn)圖層法作出多幅光傳播圖像，再將部分圖層疊加成一幅圖像。采用對(duì)比度拉伸變換法增加融合圖像對(duì)比度，得到最終去霧圖像。

霧氣檢測(cè)；半逆解法；改進(jìn)圖層法；對(duì)比度拉伸變換法；去霧

1 引言

霧天環(huán)境下，由相機(jī)拍攝的圖像往往能見度較差，影響這些視覺(jué)系統(tǒng)在交通檢測(cè)、天氣觀測(cè)、視頻監(jiān)控和安全、法律實(shí)施等方面的表現(xiàn)。因此在視覺(jué)系統(tǒng)和圖像處理領(lǐng)域，如何提高由于天氣原因而褪化的圖像可見度和圖像特征得到了越來(lái)越多人的關(guān)注和研究[1-6]。

當(dāng)今圖像去霧算法種類繁多，主要可分為兩類。一類是基于多幅圖像的去霧方法。其基本思想是根據(jù)大氣散射規(guī)律建立相應(yīng)圖像退化模型。此方法的好處是能夠充分利用先驗(yàn)信息，但需要知道圖像場(chǎng)景深度或大氣條件信息。Narasimhan和Nayar通過(guò)對(duì)比分析同一場(chǎng)景不同天氣狀況下的多幅圖像的性質(zhì)估計(jì)出傳播介質(zhì)的性質(zhì)。不足之處是在許多實(shí)際應(yīng)用中很難獲取同一場(chǎng)景的多幅天氣圖像[7]。另一類圖像復(fù)原方法是基于單幅圖像。He發(fā)現(xiàn)在戶外無(wú)霧圖像的局部區(qū)域里，總有一些像素的某一顏色通道值較低，并利用這些像素目標(biāo)只吸收光而不反射的特性提出暗原色先驗(yàn)法（Dark Channel Prior，DCP），據(jù)此求出霧天圖像的粗糙傳播圖，再利用軟摳圖（Soft M atting）方法進(jìn)行精細(xì)化求解。該方法對(duì)一般戶外圖像取得了很好的去霧效果，但缺點(diǎn)在于使用軟摳圖方法會(huì)占用大量的內(nèi)存和計(jì)算時(shí)間[8-12]。

為達(dá)到良好的去霧效果并同時(shí)保持較快的運(yùn)算速度，本文提出一種單幅圖像霧氣檢測(cè)和去除新方法。首先基于He提出的暗原色先驗(yàn)法用半逆解法檢測(cè)霧氣區(qū)域，依據(jù)Koschm ieder光傳播模型和經(jīng)驗(yàn)知識(shí)估算出空氣光常數(shù)等參數(shù)從而得到多幅光傳播圖像[13]。再通過(guò)改進(jìn)Narasimhan和Nayar提出的圖層法將部分圖層融合成一幅去霧圖像。最后通過(guò)對(duì)比度拉伸變換法增大融合圖像對(duì)比度，得到最終去霧圖像。

2 半逆解法圖像霧氣檢測(cè)

通過(guò)對(duì)大量被霧氣影響的戶外圖像分析后，He發(fā)現(xiàn)，在沒(méi)有霧氣、明亮天空和大片水面存在的圖像區(qū)域里總存在一些黑色像素點(diǎn)，它們鄰域像素的紅、綠和藍(lán)（RGB）三顏色通道中至少有一個(gè)通道值較低，這些通道值低的像素點(diǎn)被稱為暗原色，并由此提出了暗原色先驗(yàn)算法來(lái)進(jìn)行去霧；而在晴朗天空和大片的水面區(qū)域，由于像素的顏色通道值都普遍較高，暗原色幾乎不存在，在圖像的這些區(qū)域此方法會(huì)失效[14]。

基于以上分析理論，對(duì)原圖像中每個(gè)像素的RGB通道值進(jìn)行操作。假設(shè)一幅RGB圖像：

其中Ir(x)，Ig(x)和Ib(x)分別代表原圖像像素x的R，G，B通道值。作出其半逆解圖像：

其中：

如上述分析，在圖像無(wú)霧區(qū)域，除晴朗天空和大片水面區(qū)域外，暗原色鄰域像素的RGB三通道值中至少有一個(gè)通道值較小，通過(guò)式（3）變換，這些較小值都被替換成較大的逆變換值；而在有霧氣存在的區(qū)域，像素的所有顏色通道值都較高，因此逆變換操作以后這些像素的RGB通道值不變。通過(guò)將半逆解圖像與原圖像像素的RGB通道值進(jìn)行比較，就能檢測(cè)出圖像中的霧氣區(qū)域。

為此，需先把原圖像I(x)和半逆解圖像Isi(x)從RGB彩色空間轉(zhuǎn)化到HSI彩色空間。用H表示原圖像I(x)的色度，Hsi表示半逆解圖像Isi(x)的色度。通過(guò)以下公式：

可得圖像在HSI彩色空間下的色度值。為檢測(cè)出圖像霧氣區(qū)域，通過(guò)研究計(jì)算：

其中，T是人為設(shè)定的閾值。經(jīng)過(guò)分析研究，令T=10°。將所有小于閾值T的圖像像素用顏色標(biāo)記為霧氣區(qū)域。如圖1所示。

圖1 霧化圖像及霧氣檢測(cè)圖

圖1（a）是原始霧化圖像，圖1（b）是采用半逆解法得到的霧氣檢測(cè)圖。通過(guò)對(duì)比看出，采用半逆解法能夠檢測(cè)出較精確的圖像霧氣區(qū)域，為使用改進(jìn)的圖層法圖像去霧打下基礎(chǔ)。

3 去霧理論模型及算法

3.1 去霧模型及參數(shù)估計(jì)

為去除圖像中的霧氣，采用基于Koschm ieder提出的光學(xué)模型。根據(jù)此模型，一幅霧化圖像Ih可用空氣光直接衰減D和空氣光影響因子A線性組合表示：

其中I是無(wú)霧圖像，A′是空氣光常數(shù)向量，t(x)描述光沿著視角傳播的透射率。這是一個(gè)病態(tài)方程，需要從輸入霧化圖像Ih中求出未知的I，A′和t(x)。

理論上，如果知道光傳播透射率t(x)和空氣光常數(shù)向量A′，去霧后的圖像I就能通過(guò)以下公式計(jì)算得出：

由于空氣光影響因子A對(duì)圖像的影響隨著場(chǎng)景深度的增加而增大，因此除了那些場(chǎng)景間斷點(diǎn)以外，在場(chǎng)景點(diǎn)周圍鄰域內(nèi)的空氣光影響因子A只發(fā)生微小的變化。通過(guò)半逆解法檢測(cè)并標(biāo)識(shí)出圖像中的霧氣區(qū)域，將霧氣區(qū)域中像素的最高亮度值定為空氣光常數(shù)向量A′。這種方法比從一整幅圖像中檢測(cè)出亮度值最大的像素區(qū)域的方法具有更強(qiáng)的魯棒性[15]。當(dāng)知道了空氣光常數(shù)向量A′，再通過(guò)計(jì)算場(chǎng)景深度t(x)范圍內(nèi)所有的可能取值A(chǔ)=A′*(1-t(x))，就能估計(jì)出直接衰減D。

3.2 改進(jìn)圖層法去霧

本文算法借鑒Narasimhan和Nayar所提出的方法。其原理是基于圖像深度間斷點(diǎn)的鄰域在不同天氣狀況下不發(fā)生改變的性質(zhì)，因此需采用同一場(chǎng)景的多幅圖像進(jìn)行檢測(cè)。但現(xiàn)實(shí)情況下往往很難做到這一點(diǎn)。于是對(duì)此算法作了改進(jìn)，只使用一幅圖像進(jìn)行圖層法去霧。

先作出幾幅新圖像Ii，i∈[1，k]。將霧化圖像I移除空氣光常數(shù)向量A′，得：

其中Ci是迭代增長(zhǎng)的空氣光影響系數(shù)，它是在[0，1]內(nèi)的標(biāo)量值，并由圖層數(shù)量決定。

經(jīng)過(guò)對(duì)霧化圖像I進(jìn)行霧氣檢測(cè)后，只有那些色度值差的絕對(duì)值低于閾值T的像素被標(biāo)記為圖層Li。在不清楚圖像場(chǎng)景幾何描述的情況下，根據(jù)這k個(gè)圖層圖像的離散化性質(zhì)估計(jì)出Ci的值，它們對(duì)應(yīng)于圖像場(chǎng)景的最主要深度圖層（例如當(dāng)圖像中存在兩個(gè)位于不同場(chǎng)景深度的物體時(shí)，傳播圖像將被兩個(gè)主要深度值影響）。然后，將這些圖層疊加成一幅去霧圖像。為使不同圖層之間的過(guò)渡平滑，被提取的圖層數(shù)量至少不能少于5個(gè)。依照原先的圖層算法，提取出來(lái)的圖層被直接疊加在一起。令Ci：[0.10，0.26，0.30，0.34，0.36，0.37，0.38，0.39]。為獲得無(wú)霧圖像I0，將所有圖層按空氣光影響程度由大到小進(jìn)行降序排列。理想情況下，只要把上一個(gè)圖層的像素依次復(fù)制到下一個(gè)圖層上就可以了。但這樣做會(huì)使圖像中產(chǎn)生間斷點(diǎn)，合成一幅有粗糙圖層邊緣的去霧圖像。如圖2（a）所示，圖像中樹叢與樹林底部相交界的區(qū)域存在不規(guī)則的圖層邊緣。為消除這些間斷點(diǎn)，新算法將每一層圖層Li的一部分提供給下一個(gè)圖層：

其中標(biāo)量參數(shù)xi是圖層像素影響權(quán)重。在本文中，通過(guò)對(duì)每層圖層Li的亮度值設(shè)定閾值來(lái)選擇其一部分。

具體公式為：

其中ei是空氣光常數(shù)向量影響權(quán)重。改進(jìn)算法后的融合圖像如圖2（b）所示。圖3是不同數(shù)量圖層疊加后的部分圖像。

圖2 原圖層和改進(jìn)圖層法對(duì)比

經(jīng)過(guò)上述疊加步驟，所得到的圖像往往亮度偏暗。為獲得更好的視覺(jué)效果，對(duì)融合圖像使用圖像空間域處理對(duì)比度拉伸變換法，得到最終的去霧圖像。其公式為：

其中，r表示輸入圖像的亮度，s是輸出圖像中的相應(yīng)亮度值，E是控制該函數(shù)的斜率。

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文算法的效果，進(jìn)行一系列的對(duì)比實(shí)驗(yàn)。在2009年CVPR會(huì)議中，由He等人提出的暗原色先驗(yàn)算法被認(rèn)為是當(dāng)前最有效的去霧算法之一，將此算法和傳統(tǒng)的直方圖均衡化算法與本文算法進(jìn)行對(duì)比實(shí)驗(yàn)。圖4是原圖和這三種去霧算法處理后的圖像。通過(guò)比較看出，經(jīng)過(guò)直方圖均衡化算法處理后的圖像亮度過(guò)高，在圖像場(chǎng)景較深遠(yuǎn)處的圖像細(xì)節(jié)模糊，其優(yōu)勢(shì)是處理速度快；經(jīng)暗原色先驗(yàn)算法處理后圖像亮度柔和適中，圖像細(xì)節(jié)比較清晰，但此算法對(duì)機(jī)器內(nèi)存要求過(guò)高，運(yùn)算速度較慢。將原圖像尺寸壓縮為200×281大小，在配置為Intel Core I3 CPU，主頻2.53 GHz，內(nèi)存2.00 GB的電腦上用7.1.0.246版本Matlab仿真運(yùn)行需要17 s左右，而用本文算法處理原尺寸為600×845大小的同一幅圖像只需要5 s左右，而且經(jīng)本文算法處理后的圖像更加明亮通透，在細(xì)節(jié)上也與暗原色算法不相上下。

圖3 各圖層疊加后圖像

圖4 原圖像與各去霧算法圖像對(duì)比

5 結(jié)束語(yǔ)

本文提出了一種基于單幅圖像的去霧算法，此算法不需要利用任何的附加信息，例如場(chǎng)景深度，硬件參數(shù)等，是一種在概念上容易被理解的算法。通過(guò)對(duì)比原始圖像和半逆解圖像在每個(gè)像素上的色度值差異，能快速檢測(cè)出圖像中的霧氣區(qū)域；利用Koschm ieder所提出的光學(xué)模型和經(jīng)驗(yàn)知識(shí)估算出空氣光常數(shù)等參數(shù)，作出多幅光傳播圖像；使用改進(jìn)的圖層疊加法將部分圖層融合得成一幅去霧圖像；最后使用對(duì)比度拉伸變換圖像處理算法得到視覺(jué)效果更好的最終去霧圖像。本文算法運(yùn)算速度快，超過(guò)大多數(shù)的圖像去霧算法，處理過(guò)后的圖像也具有較清晰的細(xì)節(jié)。在未來(lái)，將完善霧氣檢測(cè)算法，使算法適用于更多類型的圖像，讓去霧效果更加精確。

[1]Fattal R.Single image dehazing[J].ACM Transactions on Graphics，2008，27（3）.

[2]方帥，王勇，曹洋，等.單幅霧天圖像復(fù)原[J].電子學(xué)報(bào)，2010，38（10）：2279-2284.

[3]張瑞平.霧天條件下圖像的恢復(fù)研究[D].天津：天津大學(xué)，2007.

[4]Schaul L，F(xiàn)redembach C，Ssstrunk S.Color image dehazing using the near-infrared[C]//IEEE Int Conf on Image Processing，2009.

[5]Treibitz T，Schechner Y Y.Polarization：beneficial for visibility enhancement[C]//IEEE Conference on Computer Vision and Pattern Recognition，2009.

[6]Aydin T O，M antiuk R，M yszkow ski K，et al.dynamic range independent image quality assessment[J].ACM Trans on Graph，2008.

[7]Narasimhan S G，Nayar S K.Contrast restoration of weather degraded images[J].IEEE Transactions on Pattern Analysis and Machine Learning，2003，25（6）：713-724.

[8]Apostoloff N E，F(xiàn)itzgibbon A W.Bayesian video mating using learnt image priors[C]//Proc CVPR，2004.

[9]Boykov Y，V lahos P，Dadourian A.Comprehensive method for removing from an image the background surrounding a selected object：US，6135345[P].2000.

[10]Chuang Y，Agurwala A，Curless B，et al.Video matting of com plex scenes[J].ACM Trans on Graph，2002，21（3）：243-248.

[11]Chuang Y，Curless B，Salesin D，et al.Bayesian approach to digital matting[C]//Proc CVPR，2001.

[12]Grady L，Schiw ietz T，Aharon S，et al.Random walks for interactive alpha-matting[C]//Proc VIIP，2005.

[13]Koschm ieder H.Theorie der horizontalen sichtweite[J]. Beitrage zur Physik derfreien A tmosphare，1924.

[14]He K，Sun J，Tang X.Single image haze removal using dark channel prior[C]//IEEE Conference on Computer Vision and Pattern Recognition，2009：1956-1963.

[15]Tan R T.Visibility in bad weather from a single image[C]// IEEE Conference on Computer Vision and Pattern Recognition，2008.

LI Xiangrong, ZHANG Hai

College of Mechanical and Electrical Engineering, Qingdao University of Science and Technology, Qingdao, Shandong 266061, China

In foggy environment, the pictures taking from cameras have a poor visibility for human or device to identify the details. This paper introduces a novel approach to detect the haze and restore the image. The presented algorithm allows for a fast identification of hazy regions of a single image without expensive optimization or refinement procedures. By applying a semi-inverse operation to the original image, a semi-inverse image is produced. Comparing the pixels hue disparity between the original and its semi-inverse, the hazy regions are identified by setting a threshold value. Based on the optical model and the improved layer-based approach, the airlight constant can be estimated and several transmission images can be produced and then part of the layers are combined into one defogged image. The contrast stretching transformation approach is applied to the original defogged image to enhance its contrast.

haze detection;semi-inverse approach;improved layer-based approach;contrast stretching transformation approach;haze removing

LI Xiangrong, ZHANG Hai. Semi-inverse approach to detect and improved layer-based approach to remove haze from single image. Computer Engineering and Applications, 2014, 50（17）：267-270.

A

TP751

10.3778/j.issn.1002-8331.1209-0214

李向榮（1979—），女，博士，副教授，主要研究領(lǐng)域?yàn)閭鞲衅餍盘?hào)檢測(cè)與處理、數(shù)字圖像處理、機(jī)電一體化設(shè)計(jì)；張海（1988—），男，碩士研究生，主要研究領(lǐng)域?yàn)閿?shù)字圖像處理。E-mail：m ilksea@126.com

2012-09-21

2013-02-28

1002-8331（2014）17-0267-04

CNKI網(wǎng)絡(luò)優(yōu)先出版：2013-03-26,http://www.cnki.net/kcms/detail/11.2127.TP.20130326.1042.012.htm l