基于反轉(zhuǎn)的限制對比度自適應(yīng)直方圖均衡圖像去霧改進(jìn)算法

張久鵬　張偉

摘 要：為了解決HE算法經(jīng)直方圖均衡處理后可能出現(xiàn)的噪聲放大，CLAHE算法效率降低而且極其耗時這一問題，提出一種基于反轉(zhuǎn)的限制對比度自適應(yīng)直方圖均衡圖像去霧改進(jìn)算法。霧天圖像具有整體偏白色的這一特征，其反轉(zhuǎn)后與低照度圖像的特征相類似，對反轉(zhuǎn)后的圖像進(jìn)行改進(jìn)后的限制對比度自適應(yīng)直方圖均衡亮度增強(qiáng)，再進(jìn)行反轉(zhuǎn)得到無霧圖像。該改進(jìn)算法不僅解決了噪聲放大問題且快速有效。

關(guān)鍵詞：噪聲放大；反轉(zhuǎn)；限制對比度直方圖均衡；圖像去霧

中圖分類號：TP29 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2015）02-00-03

0 引 言

戶外環(huán)境圖像的清晰度和對比度往往由于霧的存在而降低，影響了其在航空、海運(yùn)以及監(jiān)控系統(tǒng)中的應(yīng)用，因此快速有效的圖像去霧算法成為當(dāng)前研究熱點(diǎn)和難點(diǎn)。目前的圖像去霧主要是通過圖像復(fù)原和圖像增強(qiáng)兩種方式實(shí)現(xiàn)的[1]。圖像復(fù)原的方法基于大氣散射模型，利用先驗知識求解霧天圖像的逆過程從而實(shí)現(xiàn)圖像去霧[2，3]。這類方法基于大氣散射規(guī)律建立了圖像退化模型，能夠利用先驗知識，具有內(nèi)在的優(yōu)越性。不足的是這類方法一般需要求得場景深度或大氣條件信息。而現(xiàn)實(shí)條件下，獲取的降質(zhì)圖像并沒有附加任何景深與大氣條件的信息。由于已知信息量不足，因此圖像去霧恢復(fù)是個不適定的反問題。 圖像增強(qiáng)的方法主要是通過提高霧天圖像對比度的方法達(dá)到去霧的目的，該類方法以直方圖均衡化（HE）方法和Retinex算法為代表，通過改善圖像對比度以達(dá)到改善霧圖視覺效果。目前效果比較好的是直方圖均衡（HE）方法，但自適應(yīng)直方圖均衡（AHE）和局部直方圖均衡（LHE）經(jīng)直方圖均衡處理后可能出現(xiàn)的噪聲放大問題，且自適應(yīng)直方圖均衡和傳統(tǒng)的限制對比度自適應(yīng)直方圖均衡（CLAHE）的運(yùn)算過程中，都會對圖像中每一個像素進(jìn)行操作，計算其鄰域的直方圖和相應(yīng)的直方圖變換函數(shù)，這樣將會導(dǎo)致此算法效率降低而且及其耗時，阻礙算法的應(yīng)用。

基于此，提出基于反轉(zhuǎn)的改進(jìn)后的限制對比度自適應(yīng)直方圖均衡去霧算法，且對于濃霧區(qū)域反轉(zhuǎn)后圖像過暗，原有CLAHE算法增強(qiáng)效果不佳這一問題，也提出相應(yīng)的改進(jìn)算法。

1 基于反轉(zhuǎn)的限制對比度自適應(yīng)直方圖均衡圖像去霧改進(jìn)算法

1.1 改進(jìn)后的限制對比度自適應(yīng)直方圖均衡算法

限制對比度自適應(yīng)直方圖均衡與普通的自適應(yīng)直方圖均衡的不同之處在于其對直方圖的對比度進(jìn)行限幅[5]。同樣這種方式也可以應(yīng)用于直方圖均衡從而構(gòu)成限制對比度直方圖均衡算法，不過該算法在實(shí)際中很少應(yīng)用。在限制對比度自適應(yīng)直方圖均衡算法中，對每一個鄰域小區(qū)域的對比度都進(jìn)行限幅操作。該算法有效地解決了經(jīng)自適應(yīng)直方圖均衡處理后圖像噪聲被放大的問題。

解決這個問題主要是通過限制自適應(yīng)直方圖均衡算法的對比度增強(qiáng)實(shí)現(xiàn)的。指定像素鄰域直方圖的變換函數(shù)的斜度決定著對比度是否放大，因此我們可以知道該斜度與該領(lǐng)域的累積直方圖的斜度成比例[6]。為了限制放大幅度，我們在計算CDF前預(yù)先定義一個閾值，限制對比度自適應(yīng)直方圖均衡就用這個閾值來裁剪直方圖。那么此過程就限制了CDF和變換函數(shù)的斜度。直方圖的分布和領(lǐng)域大小的取值就決定了直方圖被裁剪的值（裁剪限幅值）。

如圖1所示，圖中藍(lán)色區(qū)域表示超出了裁剪限幅值，如果直接忽略掉這部分是不好的。所以我們可以對這些部分進(jìn)行進(jìn)一步處理，將他們均勻分布與直方圖每個部分。

圖1 限制對比度自適應(yīng)直方圖均衡化直方圖變換示意圖

如圖1所示，經(jīng)過這種再分配的過程可能會導(dǎo)致直方圖中另一部分再次超過了裁剪值（如圖1中右邊直方圖中的綠色部分所示）。為解決該問題，我們可以遞歸地重復(fù)再分配過程直到多余的部分可以忽略不計。

上述的自適應(yīng)直方圖均衡和限制對比度自適應(yīng)直方圖均衡的運(yùn)算過程中，都會對圖像中每一個像素進(jìn)行操作，計算其鄰域的直方圖和相應(yīng)的直方圖變換函數(shù)，這樣將會導(dǎo)致此算法效率降低而且極其耗時，阻礙算法的應(yīng)用[7]。

引入插值操作，這樣會使得上述算法在增強(qiáng)圖像質(zhì)量的前提下使其效率得到極大的提升。首先我們需要先將原圖像均勻分成同等大小的矩形塊，如圖2的右側(cè)部分所示（圖像分為8行8列，總共64個塊）。然后分別計算各個塊的直方圖分布、累計概率分布函數(shù)和相應(yīng)的變換函數(shù)。此變換函數(shù)對于每個塊的中心像素（圖2左側(cè)部分中的黑色小方塊）是完全符合上文的原始定義。其它像素則可以通過與其鄰近的四個塊的變換函數(shù)插值獲取，而不用對每一像素都進(jìn)行鄰域直方圖均衡化操作。我們通過雙線性插值的方法求解圖2中藍(lán)色區(qū)域的像素，而通過線性插值的方法計算綠色區(qū)域的像素，位于紅色陰影部分的像素則需要直接使用所在鄰域的變換函數(shù)求得。這樣只是增加了一些雙線性插值的計算量從而極大減少了計算變換函數(shù)的次數(shù)，提升了算法的效率。

圖2 插值運(yùn)算示意圖

限制對比度自適應(yīng)直方圖均衡算法針對亮度不均圖像增強(qiáng)效果良好，但是當(dāng)圖像整體亮度偏低時，該算法處理效果不佳，針對不足之處，本文做出相應(yīng)改進(jìn)。

傳統(tǒng)的限制對比度自適應(yīng)直方圖均衡化應(yīng)用于彩色圖像增強(qiáng)時通常會先將原彩色圖像轉(zhuǎn)換到另一顏色空間[8]，例如由RGB空間轉(zhuǎn)換到HSV或HSL等顏色空間，然后對其亮度值進(jìn)行均衡化，最后再轉(zhuǎn)換至RGB顏色空間。本文將限制對比度自適應(yīng)直方圖均衡化處理直接應(yīng)用于3-D彩色空間[3]，即將RGB三通道的像素統(tǒng)計于一個直方圖中，再對該直方圖進(jìn)行均衡化處理。該方法相對于上述只對亮度通道或分別對RGB三通道進(jìn)行均衡化處理的算法效果更好。如圖3所示。

但如果我們采用該算法對某些整體亮度特別低的圖像進(jìn)行處理，圖像亮度增強(qiáng)的效果會不佳。針對這一情況，本文做出了相應(yīng)的改進(jìn)措施。

改進(jìn)算法具體步驟如下：

先對低亮度彩色圖像進(jìn)行限制對比度自適應(yīng)直方圖均衡化處理。

經(jīng)過CLAHE處理之后的彩色圖像由RGB空間轉(zhuǎn)換到HSI空間。

對亮度直方圖進(jìn)行變換：首先確定兩個參數(shù)（LowCut和HighCut，可以取值0.4%）。

從該直方圖的0向上開始累加，當(dāng)累加值大于LowCut*像素總數(shù)時，記此亮度值為MinLight。然后從直方圖的255向下開始累加，當(dāng)累加值大于HighCut*像素總數(shù)時，記此亮度值為HighLight。之后開始隱射，當(dāng)亮度值小于MinLight時隱射為0，大于HighLight時，則隱射為255，對于介于MinLight和HighLight之間的值，則進(jìn)行線性隱射。最后轉(zhuǎn)化至RGB空間。

（a）原圖 （b）三通道分別處理 （c）三通道合并處理

圖3 亮度增強(qiáng)對比圖

1.2 圖像反轉(zhuǎn)理論

霧天圖像一般都具有整體偏白色的特征，如圖4（a）所示。將霧天圖像反轉(zhuǎn)后的結(jié)果圖中背景區(qū)域的亮度值較低，符合低照度圖像的特點(diǎn)。本文通過先對霧天圖像反轉(zhuǎn)在進(jìn)行限制對比度自適應(yīng)直方圖均衡算法的亮度增強(qiáng)，然后將其再次反轉(zhuǎn)的方法得到無霧圖像。

霧天圖像按式（1）進(jìn)行反轉(zhuǎn)。

Rc（x）=255-Ic（x） （1）

其中，c為圖像RGB顏色通道之一，Ic（x）為霧天圖像某一像素點(diǎn)x在c顏色通道的像素值，Rc（x）為反轉(zhuǎn)后圖像某一像素點(diǎn)x在c顏色通道的像素值。反轉(zhuǎn)后的圖像如圖1（b）所示，反轉(zhuǎn)圖像與低照度圖像特征相類似，且亮度均較低，如圖4（b）與（c）所示。

（a） 霧天圖像

（b） 霧天圖像反轉(zhuǎn)結(jié)果圖

（c） 低照度圖像

圖4 霧天圖像反轉(zhuǎn)與低照度圖像對比圖

本文采用改進(jìn)限制對比度自適應(yīng)直方圖均衡化算法對反轉(zhuǎn)圖像R進(jìn)行亮度增強(qiáng)處理，得到圖R'。然后對R'進(jìn)行反轉(zhuǎn)操作得到我們所要求的無霧圖像Jc（x），如圖5所示。

Jc（x）=255-R'c（x） （2）

（a）原圖 （b）霧天圖像反轉(zhuǎn)結(jié)果圖R

（c）反轉(zhuǎn)圖像亮度增強(qiáng)結(jié)果圖R' （d）去霧增強(qiáng)效果圖J

圖5 基于圖像反轉(zhuǎn)的去霧增強(qiáng)過程圖

2 實(shí)驗結(jié)果及分析

為了驗證本算法的快速有效性，將在本節(jié)展示本算法的去霧效果及其耗時。本算法在Window 8系統(tǒng)、處理器主頻為2.55 GHz、系統(tǒng)內(nèi)存為4 GB的PC機(jī)上以VS2010為平臺實(shí)現(xiàn)。

（a）原圖

（b）基于反轉(zhuǎn)去霧效果圖

（c）基于暗原色先驗去霧效果圖

圖6 去霧效果圖

由圖6可以看出本算法與HE[9-11]算法都取得了很好的去霧效果。但由于HE算法中的暗原色先驗理論不適用于天空等明亮區(qū)域，該算法對明亮區(qū)域去霧的會出現(xiàn)失真現(xiàn)象。表1、表2、表3給出了本算法與HE算法幾種圖像客觀評價參數(shù)值。

表1 圖像-港口去霧增強(qiáng)結(jié)果圖客觀質(zhì)量評價

亮度 對比度 清晰度 信息熵

原圖 110.76 2.514 7.170 6.945

HE算法去霧效果 53.75 5.50 13.61 7.05

本算法去霧效果圖 117.25 8.02 20.40 7.56

由表1、表2、表3可以看出經(jīng)本算法去霧后的圖像在亮度、對比度、清晰度、信息熵較原圖像等客觀質(zhì)量評價均有較大提升，且本算法絕大部分客觀質(zhì)量評價優(yōu)于He算法客觀質(zhì)量評價（部分霧天圖片由于受霧的干擾亮度值可能大于去霧后圖像的亮度）。

表2 圖像-紀(jì)念碑去霧增強(qiáng)結(jié)果圖客觀質(zhì)量評價

亮度 對比度 清晰度 信息熵

原圖 101.15 0.99 3.65 7.01

HE算法去霧效果 62.52 1.55 5.14 7.15

本算法去霧效果圖 132.19 2.54 8.92 7.71

表3 圖像-樹林去霧增強(qiáng)結(jié)果圖客觀質(zhì)量評價

亮度 對比度 清晰度 信息熵

原圖 191.23 3.38 7.76 6.16

HE算法去霧效果 115.12 13.04 26.85 7.54

本算法去霧效果圖 125.85 14.32 29.26 7.48

由表4可知本算法在效率上也非常出眾，可以將本算法應(yīng)用于智能監(jiān)控、衛(wèi)星遙感監(jiān)測等對實(shí)時性要求較高的視覺系統(tǒng)上。

表4 算法耗時

圖像 400×600 600×600 1024×768

耗時（ms） 15 31 63

3 結(jié) 語

針對直方圖均衡（HE）算法經(jīng)直方圖均衡處理后可能出現(xiàn)的噪聲放大，自適應(yīng)直方圖均衡和傳統(tǒng)的限制對比度自適應(yīng)直方圖均衡（CLAHE）算法效率降低而且極其耗時，提出了一種基于反轉(zhuǎn)的限制對比度自適應(yīng)直方圖均衡圖像去霧改進(jìn)算法，本算法先將圖像進(jìn)行反轉(zhuǎn)，將轉(zhuǎn)后的圖像用改進(jìn)后的限制對比度自適應(yīng)直方圖均衡算法進(jìn)行亮度增強(qiáng)，再進(jìn)行反轉(zhuǎn)得到無霧圖像。經(jīng)試驗可知本算法快速有效，針對天空、巖石等明亮區(qū)域時不會出現(xiàn)失真，去霧后的圖像相較于其他算法去霧效果更加自然、真實(shí)。該算法可以應(yīng)用于智能監(jiān)控、衛(wèi)星遙感監(jiān)測等對實(shí)時性要求較高的視覺系統(tǒng)上。

參考文獻(xiàn)

[1] 張新龍，汪榮貴，張璇，等.基于視覺區(qū)域劃分的霧天圖像清晰化方法[ J ].電子測量與儀器學(xué)報，2010，24（8）：754-762 .

[2] 劉軒，劉佳賓.基于對比度受限自適應(yīng)直方圖均衡的乳腺圖像增強(qiáng)[J].計算機(jī)工程與應(yīng)用， 2008（10）：173-175.

[3] Trahanias P E， Venetsanopoulos A N. Color image enhancement through 3-D histogram equalization[C]Pattern Recognition， 1992. Vol. III. Conference C： Image， Speech and Signal Analysis， Proceedings.，11th IAPR International Conference on. IEEE，1992：545-548.

[4] He K， Sun J， Tang X. Single image haze removal using dark channel prior[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on，2011，33（12）： 2341-2353.

[5] 劉治群，楊萬挺，朱強(qiáng).幾種圖像增強(qiáng)算法的研究比較[J].合肥師范學(xué)院學(xué)報，2010，28（6）：60-63.

[6] 褚宏莉，李元祥，周則明，等.基于黑色通道的圖像快速去霧優(yōu)化算法[J]. 電子學(xué)報，2013，41（4）：372-375.

[7] Pizer S. Adaptive histogram equalization and its variations[J].Computer Vision， Graphics， and Image Processing，1987，39（3）：355-368.

[8] Zuiderveld K.Contrast. limited adaptive histogram equalization[C]Graphics gems IV. ，1994： 474-485.

[9] Trahanias P E， Venetsanopoulos A N. Color image enhancement through 3-D histogram equalization[C].Image， Speech and Signal Analysis， Proceedings.， 11th IAPR International Conference on. IEEE， 1992： 545-548.

[10] Han J H， Yang S， Lee B U. A novel 3-D color histogram equalization method with uniform 1-D gray scale histogram[J]. IEEE Transactions on， 2011，20（2）：506-512.

[11] Meng G， Wang Y， Duan J， et al. Efficient Image Dehazing with Boundary Constraintand Contextual Regularization[C]Computer Vision， International Conference on. IEEE，2013： 617-624.