無人機(jī)圖像增強(qiáng)技術(shù)研究

朱建旺，趙敏，穆華超

中國人民解放軍95894部隊(duì)，北京市 昌平區(qū) 102211

導(dǎo)讀：介紹了無人機(jī)圖像增強(qiáng)，提出了改進(jìn)的自適應(yīng)限制對(duì)比度直方圖均衡算法和基于暗原色先驗(yàn)的改進(jìn)算法，分別介紹了算法原理，并通過大量實(shí)驗(yàn)，從主客觀兩個(gè)方面分析了算法的優(yōu)越性。

無人機(jī)獲取圖像是以高空向地面拍攝的形式，其有兩方面的特殊性導(dǎo)致目標(biāo)跟蹤任務(wù)受到對(duì)比度的影響。首先，無人機(jī)距離地面距離一般較遠(yuǎn)，圖像中包括的信息多，目標(biāo)尺寸小，這導(dǎo)致的后果是增大了對(duì)跟蹤目標(biāo)的識(shí)別和檢測(cè)的難度。其次，由于拍攝角度的原因，畫面中包含天空的部分的亮度偏高，而地面部分的對(duì)比度會(huì)被嚴(yán)重拉低。同時(shí)如果遇上有霧天氣，將導(dǎo)致航拍圖像畫面的清晰度降低，進(jìn)而導(dǎo)致目標(biāo)跟蹤的不準(zhǔn)確。所以在目標(biāo)跟蹤之前先對(duì)圖像進(jìn)行增強(qiáng)就顯得很有必要。

圖像增強(qiáng)是一種改善圖像效果的一種方法。這種方法不考慮圖像質(zhì)量下降的客觀原因，而是根據(jù)特定的需求來突出一幅圖像中的所需信息，同時(shí)削弱或去除某些不需要的信息。圖像增強(qiáng)處理只能增強(qiáng)對(duì)某種信息的辨識(shí)能力，此外，還會(huì)損失一些其他信息。圖像增強(qiáng)的方法有多種，如對(duì)比度拉升、Gamma校正、去霧增強(qiáng)、直方圖均衡化等。當(dāng)無人機(jī)在對(duì)地面目標(biāo)進(jìn)行跟蹤時(shí)，圖像序列是由云臺(tái)相機(jī)由空向地拍攝得到的，因此，會(huì)在一定程度上影響圖像序列的對(duì)比度。本文提出將CLAHE增強(qiáng)算法應(yīng)用于圖像序列的預(yù)處理來有效提高圖像的對(duì)比度。針對(duì)無人機(jī)執(zhí)行地面目標(biāo)跟蹤任務(wù)時(shí)會(huì)受到霧天情況的影響，導(dǎo)致目標(biāo)的辨識(shí)度嚴(yán)重降低的問題，本文對(duì)圖像序列應(yīng)用了一種基于暗原色先驗(yàn)的改進(jìn)算法。

CLAHE增強(qiáng)圖像對(duì)比度

比較了大量的圖像對(duì)比度提高方法包括伽馬變換，領(lǐng)域統(tǒng)計(jì)方法，直方圖匹配等。由于直方圖均衡化可以拉伸圖像灰度的動(dòng)態(tài)范圍，突出一些細(xì)節(jié)，同時(shí)通過限制對(duì)比度來減少圖像的失真現(xiàn)象。所以本文選擇限制對(duì)比度自適應(yīng)直方圖均衡(CLAHE，Contrast Limited Adaptive Histogram Equalization) 方法作為無人機(jī)目標(biāo)跟蹤任務(wù)的預(yù)處理。

直方圖均衡

直方圖均衡(HE, Histogram Equalization) 技術(shù)就是對(duì)原始圖像的灰度直方圖進(jìn)行處理，將灰度直方圖從像素集中的某個(gè)灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布，其優(yōu)點(diǎn)是算法簡(jiǎn)單，并不需要借助外來因素設(shè)置參數(shù)，能有效地增強(qiáng)圖像的對(duì)比度。

通常，我們假設(shè)像素灰度值 的取值范圍為[0，L-1]，且0表示最暗，L-1表示最亮，變換后圖像的像素為S,N為一副圖像所含像素?cái)?shù)目。圖像中灰度值為i的數(shù)目用ni描述，則圖像中灰度值為r的像素出現(xiàn)的概率為：

圖1 直方圖均衡化效果圖

令圖像像素變換函數(shù)為：

圖1為將一個(gè)電子顯微鏡下細(xì)胞圖像進(jìn)行直方圖均衡化的結(jié)果，從對(duì)比結(jié)果可以看出，經(jīng)過直方圖均衡化的圖像對(duì)比度得到了提升，從而使得圖像中原本不清晰的細(xì)節(jié)變得清晰。

自適應(yīng)直方圖均衡化

HE算法對(duì)于圖像的所有像素使用同樣的直方圖變換，若在一幅圖像中，像素亮度分布比較平衡，則HE效果較好。但當(dāng)圖像中包含過亮或者過暗的區(qū)域時(shí)，增強(qiáng)效果就會(huì)很差。自適應(yīng)直方圖均衡化(AHE,Adaptive Histogram Equalization) 形成于HE算法基礎(chǔ)之上，AHE算法通過統(tǒng)計(jì)像素鄰域的的直方圖，通過鄰域的直方圖變換重新分布像素的亮度來改變圖像的對(duì)比度。該算法不僅提高了圖像的局部對(duì)比度，還能夠保留更多的圖像細(xì)節(jié),最簡(jiǎn)單的形式，就是每個(gè)像素通過自身一個(gè)矩形鄰域的直方圖均衡化處理該像素。此外，由于圖像邊沿部分的像素通常沒有完整的矩形鄰域，邊緣像素的鄰域不完全在圖像內(nèi)部，所以圖像的邊沿要經(jīng)過預(yù)處理。這個(gè)問題可以通過給圖像加邊來解決，加邊的方式一般是增加幾行或幾列，這些行或列像素可以設(shè)定某個(gè)定值，可以直接復(fù)制原先的邊沿，也可以和邊沿鏡像。

將M×N圖像分成a×b個(gè)矩形子圖像，每個(gè)矩形子圖像的尺寸為m×n,其中M=a×m； N=b×n。

令圖像像素變換函數(shù)為：

圖2 自適應(yīng)直方圖均衡圖像效果

從圖2可以看出，自適應(yīng)直方圖均衡后的圖像對(duì)比度得到很好提升，圖像也變得清晰，但缺點(diǎn)是由于相鄰子圖像間的平均灰度值相差較大，引入了很嚴(yán)重的塊狀效應(yīng)。

限制對(duì)比度直方圖均衡化

在處理過程中加入了直方圖裁剪過程是CLAHE和普通AHE的不同之處。這個(gè)特性也可以應(yīng)用到HE中，衍生為所謂的限制對(duì)比度直方圖均衡(CLHE，Contrast Limited Histogram Equalization) ，但這在實(shí)際中很少使用。在CLAHE中，對(duì)每個(gè)局部都要執(zhí)行直方圖的裁剪操作,相比AHE，CLAHE可以在裁剪直方圖的工程中抑制噪聲和邊緣的過度放大,變換函數(shù)的斜率主要決定了指定像素值鄰域的對(duì)比度，斜率越大的部分對(duì)比度提高的就越大。這個(gè)斜率和鄰域的直方圖的高低正相關(guān)和累計(jì)直方圖的增長(zhǎng)率成比例，CLAHE算法首先使用裁剪幅度來裁剪并重分布直方圖，以達(dá)到限制直方圖中數(shù)量過多的灰度的目的，然后計(jì)算累積分布函數(shù)(CDF，Cumulative Distribution Function) ，這限制了CDF的斜率。直方圖分布決定了限制幅度值，而鄰域大小決定了直方圖分布，因此，變換函數(shù)與鄰域大小的取值密切相關(guān)。

裁剪幅度通常由(5) 式得到，設(shè)裁剪幅度為ClipLimit

式中，M為每個(gè)圖像塊內(nèi)像素總數(shù)；ceil表示向上取整，round表示四舍五入；Td為預(yù)先設(shè)定的受限閾值，由它決定對(duì)比度增強(qiáng)幅度，取值范圍為[0,1],當(dāng)Td=0時(shí)該值為每個(gè)灰度占據(jù)像素?cái)?shù)的平均值，當(dāng)設(shè)置此值時(shí)，輸出圖像為原圖；當(dāng)Td=1時(shí)，ClipLimit=M，相當(dāng)于HE算法。

由于在不同的應(yīng)用場(chǎng)景中Td的取值不同，為了獲得對(duì)于本文中無人機(jī)空對(duì)地圖像應(yīng)用場(chǎng)景Td值，本文采用實(shí)驗(yàn)法來獲取。得益于計(jì)算機(jī)視覺開源openCV(Open Source Computer Vision Library)的Trackbar函數(shù)的滑動(dòng)條功能，先將Td的默認(rèn)值設(shè)為0，最大值設(shè)為1，以0.001為間隔。從0～1緩慢滑動(dòng)Trackbar的滑動(dòng)條，并觀察圖像經(jīng)當(dāng)前Td值下CLAHE的處理效果，當(dāng)處理效果滿意時(shí)，記錄Td值。經(jīng)過測(cè)試大量的無人機(jī)空對(duì)地拍攝的圖像，最終得到的取值范圍，如圖3所示。

通過實(shí)驗(yàn)得到適用于無人機(jī)空對(duì)地拍攝的圖像Td值的取值范圍為[0.65,0.85]之間。

參考前人的研究發(fā)現(xiàn)，通常得到這個(gè)裁剪限幅值之后，首先對(duì)子塊的直方圖裁剪，使其幅值低于這個(gè)限幅值，再將超出限幅值的部分重新分布，或是直接舍去，如圖4藍(lán)色部分所示。如果舍去這部分像素，圖像的亮度會(huì)低于理論值。而如果將像素重新分配到灰度直方圖中，這會(huì)導(dǎo)致低于裁剪幅度的部分再一次超過裁剪幅度，如圖4的綠色部分所示。

圖3 實(shí)驗(yàn)法獲取Td值

圖4 裁剪直方圖峰值示意圖

如圖4所示，這時(shí)直方圖再一次超出了限制幅度。對(duì)于這個(gè)問題，一種方法是通過多次迭代裁剪重分布過程，使得上升的部分忽略不計(jì)，另一種方法先統(tǒng)計(jì)直方圖中高于裁剪幅度的部分的像素總數(shù)totalExcess，此時(shí)假設(shè)將totalExcess等分給所有灰度級(jí)，統(tǒng)直方圖整體上升的高度W=totalExcess/N，以u(píng)pper=ClipLimit-W為下限對(duì)直方圖進(jìn)行如下處理：

(1) 若幅值高于ClipLimit-W，直接置為ClipLimit；

(2) 若幅值處于Upper和ClipLimit之間，將其填補(bǔ)至ClipLimit；

(3) 若幅值低于Upper，直接填補(bǔ)W個(gè)像素。

重復(fù)上述操作若干次之后，用來填補(bǔ)的像素點(diǎn)個(gè)數(shù)通常會(huì)略小于totalExcess，即剩余一些像素沒有分配。于是再把這些點(diǎn)均勻地分配到幅值仍然小于 的灰度值。

基于單限幅直方圖裁剪方法

為了彌補(bǔ)上文所提到的關(guān)于直方圖裁剪方法的不足，本文提出了基于單限幅直方圖裁剪方法。假設(shè)將裁減下來的高于ClipLimit的部分的和totalExcess僅分配給灰度值小于ClipLimit的灰度級(jí)，則原先高于ClipLimit的部分不變動(dòng)，而原先低于且臨近ClipLimit又會(huì)超過ClipLimit，但經(jīng)過少許次的迭代過程，像素將完全被分配。這一改進(jìn)將提高直方圖裁剪的效率。改進(jìn)方法如下：

(1) 求直方圖中高于ClipLimit的部分像素總數(shù)totalExcess，記錄高于ClipLimit的灰度值及其個(gè)數(shù)UpNum和低于ClipLimit的灰度值及其個(gè)數(shù)DownNum；

(2) 將直方圖中高于ClipLimit的部分，直接置為ClipLimit；

(3) 將直方圖中低于ClipLimit的灰度值部分分配t o t a l E x c e s s/D o w n N u m個(gè)像素，并將余下的DownNum個(gè)像素隨機(jī)分配給低于ClipLimit的灰度值部分。

針對(duì)以上改進(jìn)，本文選擇了5幅分辨率不同的的圖像并設(shè)置TD=0.02在操作系統(tǒng)為Windows10，運(yùn)行內(nèi)存為4GB，CPU為Inter(R)CoreTMi5-3470 3.20GHz的臺(tái)式機(jī)上通過Visual Studio2015編譯器上進(jìn)行了實(shí)驗(yàn)，比較上文中提到的原始裁剪和本節(jié)改進(jìn)后的方法。首先計(jì)算了圖像的總像素?cái)?shù)，然后統(tǒng)計(jì)了圖像超過裁剪幅度的總像素?cái)?shù)和灰度數(shù)目，最后對(duì)兩種不同算法的迭代次數(shù)和運(yùn)行時(shí)間做了統(tǒng)計(jì)，實(shí)驗(yàn)結(jié)果如表1所示。

實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的分配方法不僅可將高于裁剪幅度的像素完全分配，并且經(jīng)過少于3次的迭代就可以完全分配完畢。

通過插值加快計(jì)算速度

如果對(duì)圖像中的每一個(gè)像素都采用上述操作，計(jì)算量會(huì)非常大，難以達(dá)到無人機(jī)目標(biāo)跟蹤任務(wù)的實(shí)時(shí)性要求。而通過插值方法，僅僅計(jì)算圖像中一些子塊的直方圖，然后根據(jù)這些像素與子塊的位置關(guān)系近似出當(dāng)前像素的鄰域直方圖，可使上述算法計(jì)算量極大的減少，并且圖像的增強(qiáng)效果并沒有降低。首先將一幅圖像均勻地分成尺寸相同的子塊，采用8行8列的格式效果通常比較好，如圖6的右側(cè)部分所示。然后計(jì)算各塊的直方圖、CDF以及對(duì)應(yīng)的變換函數(shù)。

表1 基于單限幅直方圖裁剪方法結(jié)果

對(duì)于紅色區(qū)域部分的像素，直接用該塊的直方圖變換函數(shù)，對(duì)于綠色區(qū)域的像素分別計(jì)算相鄰兩塊的直方圖，然后再由線性插值方法得到。

對(duì)于藍(lán)色區(qū)域的像素首先計(jì)算像素四個(gè)相鄰塊的直方圖變換值，然后再由雙線性插值來得到。而圖中黑色小方框?qū)?yīng)的像素的直方圖變換恰好是符合定義的。在這一過程中變換函數(shù)的計(jì)算次數(shù)極大地減少了，只是增加了雙線性插值的計(jì)算量。

圖6 插值法計(jì)算其余塊直方圖均衡變換函數(shù)

改進(jìn)的CLAHE算法結(jié)果及客觀評(píng)價(jià)

本文選取了兩幅圖像，分別采用普通的直方圖均衡算法和本文的CLAHE算法進(jìn)行實(shí)驗(yàn)，結(jié)果如圖7所示。

同時(shí)，本文對(duì)以上圖像的方差(灰度) ，平均梯度，信息熵，對(duì)比度做了計(jì)算，并依據(jù)SMD2清晰度標(biāo)準(zhǔn)計(jì)算了圖像的清晰度，以此對(duì)本文CLAHE結(jié)果進(jìn)行了客觀評(píng)價(jià)。評(píng)價(jià)結(jié)果如表2所示。

由表2可以看出本文改進(jìn)的CLAHE算法相比普通CLAHE算法能夠提升圖像的對(duì)比度。在畫面的清晰度方面，雖然相比普通的CLAHE并未有穩(wěn)定的增強(qiáng)效果但相比原圖，增強(qiáng)效果明顯。綜上所述，本文改進(jìn)的CLAHE算法可適用于無人機(jī)視頻序列的圖像增強(qiáng)。

圖7 本文CLAHE效果圖

表2 改進(jìn)的CLAHE算法客觀評(píng)價(jià)

去霧增強(qiáng)

由于無人機(jī)拍攝的圖像具有比例尺大、面積小等特點(diǎn)，很適合拍攝帶狀區(qū)域的圖像。但如果遇上有霧天氣等情況，霧氣會(huì)降低航拍圖像畫面的清晰度，進(jìn)而導(dǎo)致目標(biāo)跟蹤的不準(zhǔn)確，所以對(duì)圖像去霧的研究就顯得很有必要。

暗通道先驗(yàn)去霧算法

暗通道先驗(yàn)方法本質(zhì)上是圖像恢復(fù)，此處將該方法用在圖像增強(qiáng)上，主要是考慮到，在圖像恢復(fù)前先要找到圖像質(zhì)量下降的原因，然后根據(jù)圖像下降原因建立"降質(zhì)模型"，最后運(yùn)用該模型恢復(fù)圖像。而圖像增強(qiáng)的目的主要是為了提高圖像的可讀懂性，突出圖像中感興趣的區(qū)域，減少不需要的特征，不需要考慮圖像質(zhì)量下降的原因。

下面介紹暗通道先驗(yàn)方法。

(1) 暗通道的概念

在絕大多數(shù)非天空的局部區(qū)域，某些像素總會(huì)有至少一個(gè)顏色通道具有很低的值。換言之，該區(qū)域光強(qiáng)度的最小值是個(gè)很小的數(shù)。下面給出了暗通道的數(shù)學(xué)定義。對(duì)于任何輸入圖像J，暗通道可用下式表示：

暗通道先驗(yàn)的理論指出：

實(shí)際生活中造成暗原色中低通道值主要有三個(gè)因素：

1) 生活中存在的物體的陰影，如汽車、建筑物和城市中玻璃窗戶等物體，或者是自然景觀的投影，例如樹葉、樹與巖石等；

2) 彩色物體或表面的RGB通道中的某些通道的顏色較低；

3) 黑暗的物體或表面，如灰色的泥土和灌木，這些場(chǎng)景的圖像通常具有非常黑暗的顏色。

(2) 暗通道去霧的原理

首先，在計(jì)算機(jī)視覺和計(jì)算機(jī)圖形中，常用下述方程來描述霧圖形成的模型：

將式(8)稍作處理，變形為下式：

其中，上標(biāo)c表示R、G、B三個(gè)通道。

首先假設(shè)透射率t(x) 在每一個(gè)窗口內(nèi)為常數(shù)，定義為，并且已經(jīng)給定A值，然后對(duì)式(9)兩邊求兩次最小值運(yùn)算，得到下式：

上式中，J是要求的無霧的圖像，根據(jù)前述的暗通道先驗(yàn)理論有：

因此，可推導(dǎo)出：

將(12)帶入式(10)中，得到：

這就是透射率的預(yù)估。

在現(xiàn)實(shí)生活中，即使是晴天白云，空氣中也存在著一些顆粒，因此，看遠(yuǎn)處的物體還是能感覺到霧的影響，另外，霧的存在讓人類感到景深的存在，因此，在去霧的時(shí)候保留一定程度的霧是很有必要的，通常在式(13)中引入一個(gè)取值范圍在[0,1]之間的因子，則式(13)修正為：

考慮到暗通道先驗(yàn)去霧算法對(duì)于圖像中的天空部分會(huì)出現(xiàn)過渡區(qū)域，針對(duì)這一缺陷，提出了一種基于暗原色先驗(yàn)的改進(jìn)算法。下面介紹這一算法。

基于暗原色先驗(yàn)的改進(jìn)算法

(1) 暗原色的改進(jìn)思想和原理

實(shí)驗(yàn)發(fā)現(xiàn)，經(jīng)典的暗原色先驗(yàn)的方法并不適用于大面積白色區(qū)域，原因是這些區(qū)域的暗通道值也過高，不滿足先驗(yàn)條件。我們選取通道中的最大值，認(rèn)為這些值等于1或接近1，并將其稱為明像素(設(shè)像素的取值范圍為[0,1]) 。雖然明像素在圖像中并非大規(guī)模存在，但在圖像中出現(xiàn)明亮的天空區(qū)域、高亮區(qū)域等，在這些區(qū)域中，暗通道也呈現(xiàn)出極大的數(shù)值，并不符合暗通道先驗(yàn)的條件，本文對(duì)這些區(qū)域進(jìn)行特殊處理，提出一種基于暗原色先驗(yàn)的改進(jìn)方法。

凡是暗通道數(shù)值大于大氣光值的區(qū)域，肯定為明區(qū)域，因此，可將明區(qū)域表示如下：

式中，Ibright(x)表示無霧圖像的明色。

則霧天圖像的明色區(qū)域可表示為：

式中，I(x)表示霧天圖像，Ibright(x)表示霧天圖像的明色。

由式(6)可知，霧天圖像的暗原色區(qū)域可表示為：

將式(16)和(17)結(jié)合，得出暗明原色圖，其公式表示如下：

式中，Idb(x)為暗明原色圖中在x處的像素值。

(2) 基于暗明原色圖求取粗透射率

對(duì)式(9)兩邊求兩次最大值運(yùn)算，得到下式：

將Jbright(x)→1代入式(19)，同時(shí)加入調(diào)節(jié)因子后，可得

式中，Idb(x)為暗明原色圖中在x處的像素值。

圖像去霧的計(jì)算

A值是通過選取暗通道圖像的0.1%個(gè)像素的位置，對(duì)這些像素求加權(quán)平均而得到的，將大氣光照值A(chǔ)和透射率t(x)帶入式(8)中，無霧圖像J(x)便恢復(fù)出了。

式中，當(dāng)t(x)趨于0時(shí)，直接衰減項(xiàng)也趨近于0，導(dǎo)致復(fù)原的圖像中存在一定的噪聲。因此對(duì)t(x)設(shè)一個(gè)下限，t0通常取0.1。

去霧算法結(jié)果及分析

在暗通道先驗(yàn)方法中，在原始圖象中取一個(gè)像素值得到A，去霧處理的過程中，天空部分出現(xiàn)過渡區(qū)域，處理后的圖像就含有許多色斑并伴有偏色現(xiàn)象，這是因?yàn)楫?dāng)A取原始像素中某一個(gè)點(diǎn)的像素時(shí)，可能會(huì)造成各通道的A值很有可能與最大值很接近。

本文采用上面介紹的基于暗原色先驗(yàn)的改進(jìn)算法來解決這一問題?？紤]到圖像中天空部分對(duì)去霧效果的影響，本文選用無天空部分、天空部分被樹枝遮擋、天空部分沒有被遮擋的三幅圖像，分別采用暗通道先驗(yàn)去霧算法和基于暗原色先驗(yàn)的改進(jìn)算法進(jìn)行去霧，去霧效果如圖8、圖9、圖10所示：

從圖8中可看出，對(duì)于不存在天空部分的圖像，暗通道先驗(yàn)算法的去霧效果和基于暗原色先驗(yàn)的改進(jìn)算法的去霧效果差不多，只是暗通道先驗(yàn)算法去霧后的圖像比較暗。

在圖9中，待去霧圖像中天空部分被樹枝遮擋，暗通道先驗(yàn)算法去霧后的圖像在樹枝遮擋的天空部分出現(xiàn)了不太明顯的過渡區(qū)域，此時(shí)基于暗原色先驗(yàn)的改進(jìn)算法的去霧效果要好。

圖8 圖像中無天空部分

圖9 圖像中天空部分被樹枝遮擋

圖10 圖像中天空部分沒有被遮擋

表3 圖像中無天空部分處理后的客觀評(píng)價(jià)

表4 圖像中天空部分被遮擋處理后的客觀評(píng)價(jià)

表5 圖像中天空部分沒有被遮擋處理后的客觀評(píng)價(jià)

在圖10中，待去霧圖像中天空部分沒有被遮擋，暗通道先驗(yàn)算法去霧后的圖像在天空部分出現(xiàn)了很明顯的過渡區(qū)域，原圖像中由于大霧影響，幾乎看不出天空，而基于暗原色先驗(yàn)的改進(jìn)算法將天空部分也成功去霧，可見本文采用的基于暗原色先驗(yàn)的改進(jìn)算法的去霧效果更好。

圖11 圖像增強(qiáng)技術(shù)在無人機(jī)電力巡線中應(yīng)用廣泛

為了更加直觀地觀察兩種算法對(duì)圖像的去霧效果，針對(duì)上面三幅圖像，選擇方差(灰度) 、平均梯度、信息熵、對(duì)比度、SMD2清晰度標(biāo)準(zhǔn)以及算法耗時(shí)六個(gè)評(píng)價(jià)指標(biāo)，同時(shí)采用暗通道先驗(yàn)去霧算法和本文算法進(jìn)行試驗(yàn)，對(duì)圖像去霧效果進(jìn)行客觀評(píng)價(jià)。結(jié)果見表3、4和5。

由表3、4和5可以看出，本文算法處理后的圖像方差要比暗通道先驗(yàn)去霧算法的大，同時(shí)信息熵和平均梯度也要高，說明經(jīng)本文算法去霧后的圖像包含的信息量更多，清晰度更高，與人眼直觀看到的效果一致。不足之處是本文算法比暗通道先驗(yàn)去霧算法要耗時(shí)，在處理大圖像時(shí)這一缺點(diǎn)更加明顯，但總體來說本文算法更具有優(yōu)勢(shì)。

通過主觀和客觀兩個(gè)方面對(duì)比暗通道先驗(yàn)去霧算法和本文算法，充分說明了本文算法的去霧效果更好，為下一步目標(biāo)跟蹤奠定了基礎(chǔ)。 ■

(參考文獻(xiàn)：略，如有需要，請(qǐng)聯(lián)系編輯部。)