改進(jìn)的霧霾天氣交通標(biāo)志圖像去霧算法

徐 喆，陳美竹

(北京工業(yè)大學(xué) 信息學(xué)部，北京 100124)

(*通信作者電子郵箱461741025@qq.com)

改進(jìn)的霧霾天氣交通標(biāo)志圖像去霧算法

徐 喆，陳美竹*

(北京工業(yè)大學(xué) 信息學(xué)部，北京 100124)

(*通信作者電子郵箱461741025@qq.com)

現(xiàn)有去霧算法直接應(yīng)用于交通圖像時(shí)容易出現(xiàn)過(guò)渡區(qū)域明顯、偏色嚴(yán)重，不能滿足后續(xù)交通標(biāo)志檢測(cè)系統(tǒng)的應(yīng)用要求，為此提出一種改進(jìn)的基于暗原色先驗(yàn)的單幅交通圖像去霧算法。首先利用改進(jìn)的均值漂移算法對(duì)交通圖像進(jìn)行天空區(qū)域分割，并對(duì)分割后的天空區(qū)域采用直方圖均值化算法去霧，對(duì)非天空區(qū)域使用基于快速雙邊濾波的暗原色先驗(yàn)算法去霧，最后通過(guò)圖像融合得到最終去霧圖像。實(shí)驗(yàn)結(jié)果表明，相比其他幾種典型去霧算法，所提算法對(duì)交通標(biāo)志圖像天空區(qū)域的過(guò)渡區(qū)域和色彩失真現(xiàn)象有所改善，且具有較快的處理速度，通過(guò)定量分析可知去霧效果較好，能夠滿足后續(xù)交通標(biāo)志檢測(cè)系統(tǒng)的應(yīng)用要求。

交通圖像；圖像分割；均值漂移；暗原色先驗(yàn)；直方圖均值化

0 引言

在智能交通系統(tǒng)中，車輛常通過(guò)攝像頭等傳感器獲取外界的路況、交通標(biāo)志等信息，用以輔助駕駛員駕駛，但在霧天、沙塵等能見(jiàn)度較低的天氣條件下，道路環(huán)境的可視性變差，采集的圖像對(duì)比度、色彩等特征信息嚴(yán)重衰減，因此需要對(duì)采集到的交通場(chǎng)景圖像消除霧氣的影響以確保相關(guān)特征信息在霧霾天氣條件下被準(zhǔn)確獲取。

目前常用的去霧算法主要為分兩類[1-2]：一類是霧天圖像增強(qiáng)方法，如直方圖均值化[3]、同態(tài)濾波[4]、小波變換[5]、Retinex算法[6]等，這類方法不考慮霧天圖像的降質(zhì)原因，適用范圍較廣，通過(guò)提高霧天圖像對(duì)比度以突出圖像細(xì)節(jié)，改善圖像的視覺(jué)效果，但可能會(huì)損失圖像中的部分信息，導(dǎo)致圖像失真；另一類是霧天圖像復(fù)原方法，通過(guò)建立霧天圖像降質(zhì)的物理模型，然后求解降質(zhì)的逆過(guò)程反演出原無(wú)霧圖像，如基于深度關(guān)系[7]、基于暗原色先驗(yàn)(dark channel prior)理論[8]等方法，該類方法處理的關(guān)鍵是對(duì)物理模型中的參數(shù)估計(jì)，針對(duì)性較強(qiáng)，得到的去霧效果較為自然，一般不會(huì)出現(xiàn)信息損失。目前，使用圖像復(fù)原方法進(jìn)行去霧處理更具有優(yōu)勢(shì)。

近年來(lái)，眾多研究者對(duì)在圖像復(fù)原方法中基于先驗(yàn)信息的單幅圖像去霧方面進(jìn)行了大量的研究，并取得了重要的突破。2008年，Tan等[9]利用最大化復(fù)原圖像的局部對(duì)比度來(lái)達(dá)到無(wú)霧的目的，但通過(guò)該方法復(fù)原后的圖像顏色容易出現(xiàn)過(guò)飽和狀態(tài)。Fattal[10]通過(guò)估計(jì)場(chǎng)景的輻照度進(jìn)而推導(dǎo)出傳播圖像，求出無(wú)霧圖像，但該方法基于數(shù)理統(tǒng)計(jì)，并且要求具有足夠的顏色信息，因此在處理濃霧條件下顏色暗淡的圖片時(shí)會(huì)出現(xiàn)較大失真。Tarel等[11]使用一種結(jié)合中值濾波的對(duì)比增強(qiáng)的逼近方法進(jìn)行去霧，但容易引發(fā)方塊效應(yīng)。2009年，He等[8]提出基于暗原色先驗(yàn)的單幅圖像去霧算法，根據(jù)霧氣濃度局部修復(fù)圖像各部分的顏色，從而達(dá)到了很好的去霧效果，但對(duì)于接近大氣光值的明亮區(qū)域會(huì)因失效而產(chǎn)生嚴(yán)重色偏及邊緣效應(yīng)；后續(xù)學(xué)者也在此方向提出了對(duì)應(yīng)的改進(jìn)算法，如導(dǎo)向?yàn)V波算法[12]、雙邊濾波算法[13-14]等。

在對(duì)于霧天交通標(biāo)志圖像的去霧清晰化處理中，需要根據(jù)交通標(biāo)志場(chǎng)景圖像中的特征，有針對(duì)性地實(shí)現(xiàn)去霧處理，由于交通標(biāo)志檢測(cè)系統(tǒng)多應(yīng)用于車載裝置中，因此獲取的交通圖像中天空區(qū)域、色彩明亮的車輛等因素較多，不符合暗原色先驗(yàn)原理，將現(xiàn)有的去霧算法直接應(yīng)用于交通圖像去霧中時(shí)容易出現(xiàn)過(guò)渡區(qū)域明顯、偏色嚴(yán)重甚至去霧失敗等問(wèn)題，嚴(yán)重影響后續(xù)交通標(biāo)志檢測(cè)系統(tǒng)的參數(shù)提取。

本文針對(duì)交通標(biāo)志圖像去霧的難點(diǎn)問(wèn)題，基于暗原色先驗(yàn)理論，提出了一種改進(jìn)的去霧算法：采用改進(jìn)的均值漂移方法將霧天交通圖像分割為天空區(qū)域與非天空區(qū)域后分別進(jìn)行去霧處理，以得到滿足后續(xù)系統(tǒng)處理要求的清晰圖像。

1 暗原色先驗(yàn)去霧算法

根據(jù)光在霧天傳輸?shù)奈锢硖匦?，霧霾天氣下的圖像退化模型如下：

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

(1)

t(x)=e-βd(x)

(2)

其中：I(x)為現(xiàn)有待去霧圖像，J(x)為處理后的復(fù)原圖像，A為大氣光值，t(x)表示透射率，β表示大氣散射系數(shù)，d(x)為景物深度。已知待去霧圖像I(x)，要求目標(biāo)圖像J(x)，需要用到先驗(yàn)知識(shí)。

暗原色先驗(yàn)理論是根據(jù)大量無(wú)霧圖像特征統(tǒng)計(jì)得出的一種圖像統(tǒng)計(jì)規(guī)律。文獻(xiàn)[8]中指出：在絕大多數(shù)非天空的局部區(qū)域中，總存在至少一個(gè)像素的某一個(gè)或幾個(gè)顏色通道的強(qiáng)度值為一個(gè)很小且接近為0的值，稱之為暗原色。對(duì)于任意的輸入圖像，其暗原色的點(diǎn)可用如下公式求解：

(3)

其中:Jdark(x)表示圖像暗原色，Jc(x)為J的某個(gè)顏色通道，Ω是以x為中心的局部區(qū)域。

根據(jù)暗原色先驗(yàn)理論可得出：

Jdark(x)→0

(4)

將式(1)變形為：

(5)

(6)

在實(shí)際生活中，即使是晴朗的天氣，空氣中也有粉塵顆粒等雜質(zhì)，因此引入一個(gè)在[0,1]的因子ω修正式(6)，使去霧后圖像更具有真實(shí)感：

(7)

選取有霧圖像暗原色中亮度最高的0.1%像素點(diǎn)，將這些像素中亮度的最大值作為大氣光估計(jì)值A(chǔ)，結(jié)合式(7)、(8)可以將退化圖像I(x)恢復(fù)為清晰圖像J(x)。

(8)

其中t0是一個(gè)常數(shù)，為t(x)的一個(gè)下限，一般取0.1。

暗原色先驗(yàn)去霧方法是當(dāng)前單幅圖像去霧算法中效果較好，且近年來(lái)影響較大的一種方法，對(duì)于求出的透射率粗略分布式(7)，He等先后提出利用軟摳圖[8]、導(dǎo)向?yàn)V波[12]算法對(duì)其進(jìn)行優(yōu)化，得到了細(xì)致的透射率分布圖并得到了較好的去霧圖像。此后，大量去霧算法都是基于暗原色先驗(yàn)去霧算法進(jìn)行改進(jìn)或補(bǔ)充，例如：Ding等[15]、Zhu等[16]針對(duì)He等提出的軟摳圖算法進(jìn)行了不同程度的改進(jìn)，從不同角度提升了算法的處理效率及靈活程度，但同時(shí)也存在降低算法穩(wěn)定性等問(wèn)題。

2 交通圖像去霧算法

在處理包含天空等大面積明亮區(qū)域的交通圖像時(shí)，一般景深較廣，暗原色先驗(yàn)算法無(wú)法找到像素值接近于0的暗原色點(diǎn)，會(huì)使天空出現(xiàn)明顯的過(guò)渡區(qū)域和偏色現(xiàn)象，造成圖像失真。

因此，本文通過(guò)對(duì)交通圖像基本特征的分析，提出一種適合交通圖像去霧的方法，過(guò)程如下：

步驟1 利用改進(jìn)的均值漂移算法對(duì)交通圖像進(jìn)行分割，提取出非天空區(qū)域與天空區(qū)域；

步驟2 非天空區(qū)域圖像采用暗原色先驗(yàn)方法進(jìn)行去霧；

步驟3 將天空區(qū)域圖像采用直方圖均衡化方法進(jìn)行去霧；

步驟4 將步驟2與步驟3去霧后的圖像進(jìn)行融合，得到最終的交通圖像去霧結(jié)果。

2.1 改進(jìn)的均值漂移算法分割天空區(qū)域

均值漂移(Mean Shift)[17]算法是一種使用廣泛的聚類、特征分析方法，具有原理簡(jiǎn)單、對(duì)噪聲魯棒性強(qiáng)、分割效果良好等優(yōu)點(diǎn)，最初由Fukunaga和Hostetler于1975年提出，用于處理復(fù)雜的多模態(tài)特征空間分析和特征聚類識(shí)別，后普遍應(yīng)用于圖像分割和目標(biāo)跟蹤等領(lǐng)域。對(duì)于圖像分割，將圖像的像素點(diǎn)作為樣本集，對(duì)每個(gè)像素點(diǎn)都作為初始點(diǎn)進(jìn)行迭代計(jì)算，導(dǎo)致迭代次數(shù)過(guò)多、分割時(shí)間長(zhǎng)、分割效率低，不利于實(shí)時(shí)處理。因此本文對(duì)均值漂移算法進(jìn)行改進(jìn)，以適應(yīng)霧天交通圖像的天空區(qū)域分割和實(shí)時(shí)處理的需求。

傳統(tǒng)Mean Shift算法核心思想是根據(jù)一個(gè)核函數(shù)算出當(dāng)前像素點(diǎn)的偏移均值向量，移動(dòng)該點(diǎn)到其偏移均值，再次計(jì)算新的偏移向量，循環(huán)執(zhí)行，直至滿足收斂或一定條件結(jié)束。其本質(zhì)是梯度下降法，利用一個(gè)核函數(shù)估計(jì)樣本概率分布函數(shù)的概率密度并以此求取密度梯度方向，梯度方向指向概率密度的極大值。這樣多次迭代之后，一個(gè)向量就能找到其分布函數(shù)的概率密度極大值點(diǎn)，同一分布的向量最終將會(huì)收斂到同一密度極大值處，并將指向同一極大值點(diǎn)的像素劃分到一起，從而實(shí)現(xiàn)圖像分割。

改進(jìn)后的算法利用少量的像素點(diǎn)代替所有像素點(diǎn)進(jìn)行迭代，即在分割過(guò)程中對(duì)于出現(xiàn)在高維球區(qū)域內(nèi)的像素點(diǎn)不作為初始點(diǎn)進(jìn)行迭代，而在所有迭代結(jié)束后對(duì)這些點(diǎn)進(jìn)行歸類，以減少迭代次數(shù)，縮短分割時(shí)間，提高分割效率。算法的具體步驟如下：

步驟1 讀取圖像，初始化，將所有像素點(diǎn)都標(biāo)記為0，設(shè)置帶寬h、均值收斂閾值ε、歸類閾值。

步驟2 從未被訪問(wèn)過(guò)的像素點(diǎn)中選擇一個(gè)作為初始點(diǎn)x，并產(chǎn)生一個(gè)新類。

步驟3 用式(9)計(jì)算其均值漂移量m(x)，并將訪問(wèn)過(guò)的像素點(diǎn)標(biāo)記為1。

(9)

其中：G(x)是核函數(shù)；w(x)是樣本點(diǎn)的權(quán)值，樣本點(diǎn)距中心點(diǎn)近則權(quán)值較大，距離遠(yuǎn)則權(quán)值較小。

步驟4 若‖mh(x)-x‖≤ε，則終止迭代并對(duì)該點(diǎn)進(jìn)行歸類；否則，將mh(x)賦值給x，然后重復(fù)步驟3。

步驟5 判斷是否有未被訪問(wèn)過(guò)的像素點(diǎn)，若有，轉(zhuǎn)到步驟2。

步驟6 將被訪問(wèn)過(guò)但未作為初始點(diǎn)進(jìn)行迭代的像素點(diǎn)根據(jù)歸類閾值判斷其距各類中心的距離：若小于歸類閾值，則合并到已有的類中；否則產(chǎn)生一個(gè)新的類，并得到分割后的結(jié)果。

改進(jìn)后的算法分割霧天交通圖像效果如圖1所示。其中：傳統(tǒng)算法的迭代像素?cái)?shù)是1 088 000，分割時(shí)間56.671 s;改進(jìn)算法的迭代像素?cái)?shù)是37，分割時(shí)間僅0.732 s。

圖1 傳統(tǒng)均值漂移算法與改進(jìn)后算法分割效果比較Fig. 1 Comparison of traditional and improved Mean Shift algorithms in segmentation effect

2.2 基于快速雙邊濾波的暗原色先驗(yàn)去霧算法

分割后的非天空區(qū)域圖像是符合暗原色先驗(yàn)去霧算法的，因此仍采用該算法對(duì)非天空區(qū)域進(jìn)行去霧。選取非天空區(qū)域中暗原色中亮度最高的0.1%的像素點(diǎn)中亮度的最大值作為大氣光估計(jì)值A(chǔ)，根據(jù)式(7)求出初始透射率t(x)，由于初始透射率較為粗糙，會(huì)使復(fù)原后的圖像出現(xiàn)塊效應(yīng)，因此需要對(duì)透射率進(jìn)行精細(xì)化。文獻(xiàn)[8]中提出用軟摳圖算法處理，但速度很慢，不具有實(shí)時(shí)性。針對(duì)這一問(wèn)題，文獻(xiàn)[8]作者又提出利用導(dǎo)向?yàn)V波[12]的方式進(jìn)行改進(jìn)，提升了算法的速度。本文則采用快速雙邊濾波[18]來(lái)細(xì)化透射率圖，以進(jìn)一步提升算法速度。

雙邊濾波是一種快速的非迭代算法，由幾何空間距離決定的空域?yàn)V波和像素差值決定的值域?yàn)V波結(jié)合而成：

(10)

其中:f(x)為輸入圖像；h(x)為輸出圖像；c(ζ,x)為鄰域中心點(diǎn)與鄰近點(diǎn)ζ的幾何鄰近度；k(x)為歸一化參數(shù)；s(f(ζ),f(x))度量了鄰近中心點(diǎn)x與鄰近點(diǎn)ζ的光度相似性。

利用雙邊濾波估計(jì)透射率為：

(11)

其中:t0(x)表示透射率的初步估計(jì)值；w(x)為歸一化系數(shù)；Ω(x)表示中心點(diǎn)(x,y)的(2N+1)*(2N+1)大小的鄰域窗口，其值越大平滑作用越強(qiáng)，但運(yùn)算量增加；L是圖像的強(qiáng)度值；G為高斯函數(shù)，受輸入圖像的L值影響。將雙邊濾波器分解成一組空域與值域并行的濾波器，實(shí)現(xiàn)并行處理，能大大提高運(yùn)算速度。

圖2分別為利用軟摳圖、導(dǎo)向?yàn)V波與本文算法對(duì)透射率進(jìn)行細(xì)化后的透射率圖，它們對(duì)透射率進(jìn)行細(xì)化所花費(fèi)的時(shí)間分別是18.344 s,2.156 s和0.675 s?？梢钥闯觯疚目焖匐p邊濾波算法在處理時(shí)間遠(yuǎn)優(yōu)于軟摳圖算法，且效果較好。利用細(xì)化后的透射率圖即可根據(jù)式(8)求出非天空區(qū)域去霧圖像。

圖2 三種算法得到的細(xì)化后的透射率圖比較Fig. 2 Comparison of transmittance map processed by three algorithms

2.3 直方圖均值化算法

在車載裝置采集到的交通圖像中，天空區(qū)域所占比例通常較大，暗原色先驗(yàn)去霧算法對(duì)天空區(qū)域的處理效果較差，易出現(xiàn)過(guò)渡區(qū)域明顯和偏色現(xiàn)象。由于天空區(qū)域像素值分布比較均勻，無(wú)深度突變的圖像，因此，采用直方圖均衡化算法計(jì)算天空區(qū)域的局部直方圖，重新分布亮度來(lái)來(lái)改變圖像對(duì)比度，對(duì)天空區(qū)域進(jìn)行較好的處理。

將處理后的天空區(qū)域與非天空區(qū)域通過(guò)圖像融合的方法進(jìn)行融合，獲得最終無(wú)霧的交通圖像。由于只對(duì)原交通圖像的非天空區(qū)域進(jìn)行暗原色先驗(yàn)算法去霧，因此，整幅圖像的去霧時(shí)間將大大減少，從而能提高算法效率。

3 實(shí)驗(yàn)結(jié)果與分析

本文算法在Intel Xeon E5620 CPU @2.40 GHz 2.40 GHz，內(nèi)存為4 GB的PC上進(jìn)行實(shí)驗(yàn)驗(yàn)證，操作系統(tǒng)為Windows 7，開(kāi)發(fā)平臺(tái)為VS2008。

在本文算法中，主要涉及了改進(jìn)的均值漂移、快速雙邊濾波以及直方圖均值化?？焖匐p邊濾波和直方圖均值化算法相當(dāng)于一個(gè)常數(shù)階的復(fù)雜度，因此整體復(fù)雜度主要取決于改進(jìn)的均值漂移算法中平均每一個(gè)像素點(diǎn)每一次迭代的計(jì)算代價(jià)和參與迭代的像素點(diǎn)數(shù)，而算法中參與迭代的像素?cái)?shù)遠(yuǎn)小于像素點(diǎn)總數(shù)，所以理論上本文算法能夠快速有效地去除交通圖像中的霧氣，并解決暗原色先驗(yàn)算法中天空區(qū)域色彩失真等問(wèn)題。

本文所提去霧算法的最終目的是為后續(xù)交通標(biāo)志檢測(cè)系統(tǒng)服務(wù)，消除交通圖像中天空區(qū)域去霧效果不理想對(duì)交通標(biāo)志識(shí)別的影響，因此通過(guò)對(duì)去霧效果以及后續(xù)交通標(biāo)志識(shí)別對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證本文算法的可行性。

實(shí)驗(yàn)采用的交通標(biāo)志圖像數(shù)據(jù)庫(kù)是通過(guò)自行采集、網(wǎng)絡(luò)搜索與公開(kāi)數(shù)據(jù)庫(kù)相結(jié)合等方式獲取構(gòu)建的，庫(kù)中共有霧霾天氣下交通標(biāo)志圖片300張，圖片原始分辨率為922×691，為滿足現(xiàn)階段及未來(lái)一段時(shí)間內(nèi)的圖像質(zhì)量水平，通過(guò)專業(yè)圖像編輯處理軟件對(duì)數(shù)據(jù)庫(kù)中圖片分辨率進(jìn)行調(diào)整，調(diào)整后數(shù)據(jù)庫(kù)內(nèi)圖片分辨率為1 360×800。

3.1 實(shí)驗(yàn)結(jié)果

圖3是對(duì)數(shù)據(jù)庫(kù)中的圖片分別用文獻(xiàn)[8]、文獻(xiàn)[9]、文獻(xiàn)[12]和本文算法進(jìn)行去霧的效果比較，從實(shí)驗(yàn)結(jié)果中可以直觀看出，本文算法在非天空區(qū)域的去霧效果與對(duì)比算法效果接近，均能有效去霧，而在天空區(qū)域則很好地解決了對(duì)比算法中天空區(qū)域失真、存在偏色等問(wèn)題。

本文算法主要是為后續(xù)交通標(biāo)志檢測(cè)系統(tǒng)提供服務(wù)，因此對(duì)去霧后的交通標(biāo)志檢測(cè)效果進(jìn)行驗(yàn)證，圖4是分別對(duì)原圖和利用四種算法進(jìn)行處理去霧后的圖像進(jìn)行交通標(biāo)志檢測(cè)的結(jié)果。從實(shí)驗(yàn)結(jié)果中可以直觀看出，對(duì)通過(guò)本文算法處理后的圖片進(jìn)行檢測(cè)的準(zhǔn)確度更高。

3.2 分析

為了更好地說(shuō)明本文算法的實(shí)時(shí)性與有效性，對(duì)上述四種對(duì)比算法從新增的可見(jiàn)邊之比(e)、可見(jiàn)邊的規(guī)范化梯度均值(r)、信息熵、算法運(yùn)行時(shí)間以及后續(xù)交通標(biāo)志檢測(cè)數(shù)量五個(gè)方面進(jìn)行定量分析，結(jié)果如表1所示。其中：檢測(cè)數(shù)是指對(duì)圖像進(jìn)行檢測(cè)時(shí)，算法中判定為交通標(biāo)志的個(gè)數(shù)；誤檢數(shù)指誤判為交通標(biāo)志的個(gè)數(shù)；真實(shí)數(shù)指圖像中交通標(biāo)志的真實(shí)數(shù)量。

新增可見(jiàn)邊之比e值越大，表明復(fù)原后可見(jiàn)像素點(diǎn)相對(duì)原圖像越多，根據(jù)可見(jiàn)像素點(diǎn)確定的可見(jiàn)邊數(shù)目也越多；而且去霧效果越好新增可見(jiàn)邊之比e值有可能為負(fù)值，主要是因?yàn)閷?duì)于一些去霧圖像盡管復(fù)原后可見(jiàn)像素點(diǎn)相對(duì)原圖增多，但由于這些像素點(diǎn)連成片區(qū)域，因此在統(tǒng)計(jì)可見(jiàn)邊數(shù)目時(shí)，反而比原圖像的可見(jiàn)邊數(shù)目減少，從而導(dǎo)致e值為負(fù)數(shù)。梯度均值r表示圖像的相對(duì)清晰程度，梯度均值越大，圖像層次越多，圖像越清晰。信息熵是圖像帶有的信息量的度量，圖像的信息量越大，信息熵也越大。從表1中數(shù)據(jù)可以看出，本文去霧算法所得圖像在可見(jiàn)邊之比(e)、可見(jiàn)邊的規(guī)范化梯度均值(r)和信息熵指標(biāo)上都有所提升，運(yùn)行時(shí)間較對(duì)比算法也均有所減少，后續(xù)交通標(biāo)志檢測(cè)數(shù)量與圖像中真實(shí)數(shù)目最接近，能夠滿足交通標(biāo)志檢測(cè)系統(tǒng)圖像預(yù)處理的需求。

圖3 四種算法的去霧效果對(duì)比Fig. 3 Dehazing effect comparison of four algorithms

圖4 對(duì)去霧后的圖像進(jìn)行交通標(biāo)志檢測(cè)結(jié)果對(duì)比Fig. 4 Traffic sign detection results after dehazing by four algorithms表1 不同算法處理圖像后性能比較Tab. 1 Performance comparison of different methods after image processing

圖像算法新增可見(jiàn)邊之比e梯度均值r信息熵運(yùn)行時(shí)間/s后續(xù)交通標(biāo)志檢測(cè)檢測(cè)數(shù)誤檢數(shù)真實(shí)數(shù)1原圖—2.3311.62—324文獻(xiàn)[8]算法0.192.4611.9920.618644文獻(xiàn)[9]算法-0.082.4412.015.139844文獻(xiàn)[12]算法0.343.0412.183.663854本文算法0.473.1112.201.7966242原圖—0.896.692—105文獻(xiàn)[8]算法0.081.427.08815.717325文獻(xiàn)[9]算法-0.011.466.9964.322305文獻(xiàn)[12]算法0.111.747.1571.540415本文算法0.131.767.1891.218505

4 結(jié)語(yǔ)

現(xiàn)有去霧算法處理天空區(qū)域時(shí)存在過(guò)渡區(qū)域和色彩失真現(xiàn)象，不能滿足交通標(biāo)志檢測(cè)系統(tǒng)參數(shù)提取的需求，為此本文提出采用改進(jìn)的均值漂移算法先對(duì)交通圖像進(jìn)行分割，對(duì)分割后的非天空采用暗原色先驗(yàn)算法去霧，并用快速雙邊濾波對(duì)透射率進(jìn)行平滑和細(xì)化；對(duì)天空區(qū)域則采用直方圖均值化算法去霧。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該方法能夠避免暗原色先驗(yàn)算法在天空區(qū)域出現(xiàn)的明顯過(guò)渡區(qū)域和色彩失真現(xiàn)象，在去霧效果與實(shí)時(shí)性上均能滿足后續(xù)交通標(biāo)志檢測(cè)系統(tǒng)的應(yīng)用需求，在后續(xù)交通標(biāo)志檢測(cè)準(zhǔn)確率上有較大提升。本文算法由于算法過(guò)程略微復(fù)雜，目前只能應(yīng)用于單幅交通標(biāo)志圖像上，未來(lái)將進(jìn)一步優(yōu)化算法，在不降低去霧效果的情況下對(duì)算法進(jìn)行改進(jìn)，提升算法運(yùn)行效率，并把算法應(yīng)用到交通視頻序列中，以適應(yīng)更多的交通環(huán)境情景。

References)

[1] 郭璠,蔡自興,謝斌,等.圖像去霧技術(shù)研究綜述與展望[J],計(jì)算機(jī)應(yīng)用,2010,30(9):2417-2421. (GUO F, CAI Z X, XIE B, et al. Review and prospect of image dehazing techniques [J]. Journal of Computer Applications, 2010, 30(9): 2417-2421.)

[2] 吳迪,朱青松.圖像去霧的最新研究進(jìn)展[J].自動(dòng)化學(xué)報(bào),2015,41(2):221-239. (WU D, ZHU Q S. The Lastest research progress of image dehazing[J]. Acta Automatica Sinica, 2015, 41(2): 221-239.)

[3] KIM J-Y, KIM L-S, HWANG S-H. An advanced contrast enhancement using partially overlapped sub-block histogram equalization [J]. IEEE Transactions on Circuits and Systems for Video Technology, 2001, 11(4): 475-484．

[4] SEOW M-J, ASARI V K. Ratio rule and homomorphic filter for enhancement of digital colour image [J]. Neurocomputing, 2006, 69(7/8/9): 954-958.

[5] RUSSO F. An image enhancement technique combining sharpening and noise reduction [J]. IEEE Transactions on Instrumentation and Measurement, 2002, 51(4): 824-828.

[6] RAHMAN Z U, JOBSON D J, WOODELL G A. Retinex processing forautomatic image enhancement [J]. Electronic Imaging, 2002, 13(1): 100-110.

[7] OAKLEY J P, SATHERLEY B L. Improving image quality in poor visibility conditions using a physical model for contrast degradation [J]. IEEE Transactionson on Image Processing, 1998, 7(2): 167-179.

[8] HE K, SUN J, TANG X. Single image hazeremoval using dark channel prior [J]. IEEE Transacions on Pattern Analysis and Machine Intelligence, 2010, 33(12): 2341-2353.

[9] TAN R T. Visibility in bad weather from a single image [C]// CVPR 2008: Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2008: 1-8.

[10] FATTAL R. Single image dehazing [J]. ACM Transations on Graphics — Proceedings of ACM SIGGRAPH 2008, 2008, 27(3): Article No. 72.

[11] TAREL J P, HAUTIERE N. Fast visibility restoration from a single color or gray level image [C]// Proceedings of the 2009 IEEE 12th International Conference on Computer Vision. Piscataway, NJ: IEEE, 2009: 2201-2208.

[12] HE K, SUN J, TANG X. Guided image filtering [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.

[13] ZHANG J, LI L, YANG G, et al. Local albedo-insensitive single image dehazing [J]. The Visual Computer, 2010, 26(6/7/8): 761-768.

[14] 孫偉,李大健,劉宏娟,等.基大氣散射模型的單幅圖像快速去霧[J].光學(xué)精密工程,2013,21(4):1040-1046. (SUN W, LI D J, LIU H J, et al. Fast single image fog removal based on atmospheric scattering model[J]. Optics and Precision Engineering, 2013, 21(4): 1040-1046.)

[15] DING M, TONG R F. Efficient dark channel based image dehazing using quadtress [J]. SCIENCE CHINA Information Sciences, 2012, 56(9): 1-9.

[16] ZHU Q, HENG P A, SHAO L, et al. A novel segmentation guided approach for single image dehazing [C]// Proceedings of the 2013 IEEE Internationgal Conference Robotics and Biomimentics. Piscataway, NJ: IEEE, 2013: 2414-2417.

[17] FUKUNAGA K, HOATEFLER L D. The estimation of the gradient of a density function, with applications in pattern recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1975, 21(1): 32-40.

[18] YANG Q X, TAN K H, AHUJA N. Real-timeO(1) bilateral filtering [C]// CVPR 2009: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2009: 557-564.

This work is partially supported by the National Natural Science Foundation of China (61374143).

XUZhe, born in 1968, Ph. D., associate professor. Her research interests include signal processing, adaptive control and intelligent instruments.

CHENMeizhu, born in 1992, M. S.candidate. Her research interests include image processing, pattern recognition.

Modifiedimagedehazingalgorithmoftrafficsignimageinfogandhazeweather

XU Zhe, CHEN Meizhu*

(FacultyofInformationTechenology,BeijingUniversityofTechnology,Beijing100124,China)

When directly applying the existing fog algorithms to the traffic image, the transitional region is obvious and the color cast is serious, which can not meet the requirement of subsequent traffic sign detection. In order to solve this problem, a modified single traffic image dehazing algorithm based on dark channel prior image was proposed. Firstly, the modified mean shift algorithm was used to segment the sky region of traffic image; then the histogram equalization algorithm was used to defog the partitioned sky region, and the dark channel prior algorithm based on efficient bilateral filter was used to defog the non-sky region. At last, the final image dehazing was finished by image fusion. Experimental result shows that compared with the typical image dehazing algorithms, the proposed algorithm has better effect in transitional region of the sky, the color cast is not serious, and its processing speed is faster; the quantitative analysis result indicates that the proposed algorithm has better effect in dehazing, and can meet the requirement of subsequent traffic sign dectection system.

traffic image; image segmentation; mean shift; dark channel prior; histogram equalization

TP391.41

A

2017- 01- 17;

2017- 03- 02。

國(guó)家自然科學(xué)基金資助項(xiàng)目(61374143)。

徐喆(1968—)，女，遼寧沈陽(yáng)人，副教授，博士，主要研究方向：信號(hào)處理、自適應(yīng)控制及智能儀器； 陳美竹(1992—)，女，遼寧鞍山人，碩士研究生，主要研究方向：圖像處理、模式識(shí)別。

1001- 9081(2017)08- 2329- 05

10.11772/j.issn.1001- 9081.2017.08.2329