基于暗通道的沙塵圖像增強(qiáng)算法

孫啟隆, 于 萍, 司振惠, 郭 鑫, 王 巖

(1. 吉林師范大學(xué) 管理學(xué)院, 吉林 四平 136000; 2. 吉林師范大學(xué) 計(jì)算機(jī)學(xué)院, 吉林 四平 136000)

由于沙塵中含有大量灰塵和沙土等雜質(zhì), 因此導(dǎo)致沙塵環(huán)境下拍攝的圖像質(zhì)量嚴(yán)重下降, 主要表現(xiàn)為圖像顏色偏黃、 噪聲大和可見(jiàn)度低等, 很難清晰識(shí)別圖像中的目標(biāo), 尤其在道路監(jiān)控方面, 極易導(dǎo)致交通事故. 目前, 計(jì)算機(jī)視覺(jué)領(lǐng)域中已有很多增強(qiáng)沙塵圖像清晰度的算法[1-6], 這些算法有的利用調(diào)優(yōu)模糊算子處理沙塵圖像, 有的則通過(guò)分析沙塵圖像的直方圖調(diào)整圖像色差, 雖然這些算法都提高了沙塵圖像的清晰度, 但仍存在以下局限： 1) 對(duì)于沙塵較重的圖像去除色差不徹底; 2) 增強(qiáng)后的圖像局部區(qū)域噪聲被放大; 3) 處理包含天空區(qū)域的沙塵圖像時(shí), 天空區(qū)域易出現(xiàn)光暈現(xiàn)象; 4) 對(duì)沙塵圖像的過(guò)度增強(qiáng), 導(dǎo)致圖像出現(xiàn)色彩失真和細(xì)節(jié)模糊等現(xiàn)象. 針對(duì)以上局限, 本文提出一種新的圖像增強(qiáng)算法. 該算法主要分為調(diào)整圖像色差和提高圖像清晰度兩部分, 前者主要通過(guò)在Lab色彩空間利用灰度世界算法消除色差; 消除色差后的沙塵圖像與有霧圖像相似, 所以后者主要以消除光暈效果的暗通道算法為基準(zhǔn), 并改進(jìn)其對(duì)大氣光的錯(cuò)誤估計(jì)方法, 然后利用伽馬校正以及圖像加權(quán)融合等算法綜合處理圖像. 實(shí)驗(yàn)結(jié)果表明, 該算法有效解決了傳統(tǒng)算法存在的不足, 提高了沙塵圖像的質(zhì)量和清晰度.

1 算法簡(jiǎn)介

基于暗通道的沙塵圖像增強(qiáng)算法主要步驟如下.

1) 調(diào)整沙塵圖像色差： 將輸入圖像轉(zhuǎn)換到Lab色彩空間, 運(yùn)用灰度世界算法調(diào)整色彩分量a和b的值, 進(jìn)而解決沙塵圖像色差問(wèn)題, 在Lab色彩空間調(diào)整色差可解決圖像因色差去除不徹底導(dǎo)致的色彩失真問(wèn)題.

2) 伽馬校正： 伽馬校正可減少圖像亮度和對(duì)比度, 避免了去霧后的圖像存在過(guò)度曝光和局部區(qū)域有噪聲的問(wèn)題.

3) 減少光暈效果的暗通道去霧算法： 該算法通過(guò)對(duì)透射率的正確估計(jì), 解決了圖像天空區(qū)域出現(xiàn)光暈和失真的問(wèn)題, 同時(shí)針對(duì)原算法中對(duì)大氣光的錯(cuò)誤估計(jì)方法進(jìn)行了修正.

4) 亮度補(bǔ)償： 減少光暈效果的暗通道算法通常會(huì)降低圖像亮度, 不利于顯示圖像細(xì)節(jié), 所以提高圖像的亮度通道L(Lab色彩空間中用L表示亮度通道), 以提高圖像的可見(jiàn)度.

5) 增強(qiáng)對(duì)比度： 暗通道去霧后的圖像不僅亮度較低, 而且對(duì)比度也較低, 所以利用限制對(duì)比度自適應(yīng)直方圖均衡化(contrast limited adaptive histogram equalization, CLAHE)算法提高圖像對(duì)比度.

6) 圖像加權(quán)融合： CLAHE算法處理圖像時(shí)易出現(xiàn)偽影和光暈等現(xiàn)象, 所以將其與亮度補(bǔ)償后的圖像進(jìn)行融合, 既能消除光暈等現(xiàn)象, 又能提高圖像的對(duì)比度. 實(shí)驗(yàn)結(jié)果表明, 本文算法不僅可以解決圖像色差和失真等問(wèn)題, 而且也提高了圖像的亮度和對(duì)比度. 本文算法的流程如圖1所示.

圖1 基于暗通道的沙塵圖像增強(qiáng)算法流程Fig.1 Flow chart of dust image enhancement algorithm based on dark channel

2 調(diào)整圖像色差

灰度世界算法[7]通過(guò)使圖像3個(gè)通道的平均值相等, 從而使圖像呈灰白色, 并且不會(huì)改變?cè)瓐D像中物體的顏色, 該算法適用于調(diào)整各種有色差的圖像. Ancuti等[8]曾用灰度世界算法處理水下圖像, 去除了水下圖像中多余的藍(lán)綠色調(diào), 使增強(qiáng)后的圖像色彩更自然. 沙塵圖像和水下圖像相似, 水下圖像由于藍(lán)光的波長(zhǎng)短, 在水中吸收衰減系數(shù)小, 所以水下圖像大多呈藍(lán)青色. 而沙塵圖像由于其含有大量沙土等雜質(zhì), 在光的反射下圖像色調(diào)整體偏黃, 故可用灰度世界算法處理沙塵圖像.

Lab色彩空間由亮度L和相關(guān)色彩的分量a,b組成, 其中亮度分量和色彩分量是獨(dú)立的, 可以單獨(dú)處理并且彼此間不會(huì)產(chǎn)生影響, 這種優(yōu)勢(shì)是RGB色彩空間不具備的. 此外, 相比RGB色彩空間, Lab色彩空間不僅有更寬闊的色域, 且其能顯示RGB色彩空間不能顯示的顏色, 人類肉眼可見(jiàn)的顏色通過(guò)Lab色彩空間能全部展現(xiàn), 由于RGB空間3個(gè)分量不是獨(dú)立的, 因此處理圖像時(shí)易出現(xiàn)色彩失真現(xiàn)象. 分別在RGB和Lab色彩空間調(diào)整色差后的增強(qiáng)圖像對(duì)比結(jié)果如圖2所示. 由圖2可見(jiàn)： 在RGB色彩空間調(diào)整色差后得到的圖像(B)整體色調(diào)仍有些偏黃， 天空區(qū)域偏藍(lán)， 出現(xiàn)了顏色失真現(xiàn)象; 而在Lab色彩空間調(diào)整色差后的圖像(C)， 色差問(wèn)題基本得到了解決， 沙塵圖像偏暗黃的色調(diào)基本被去除， 圖像的清晰度也有提高. 所以, 本文在Lab色彩空間調(diào)整沙塵圖像色差. 過(guò)程如下：首先將圖像從RGB色彩空間轉(zhuǎn)換到Lab色彩空間, 分離出色彩分量a和b, 然后用灰度世界算法分別對(duì)其補(bǔ)償, 最后再將圖像從Lab色彩空間轉(zhuǎn)換回RGB色彩空間.

圖2 不同色彩空間的色差校正結(jié)果Fig.2 Chromatic aberration correction results of different color spaces

設(shè)A和B分別表示調(diào)整色差后的分量a和b,Ga和Gb分別表示分量a和b的平均值, 則用灰度世界算法補(bǔ)償色彩分量a和b的表達(dá)式[6]為

A=a-Ga,

(1)

B=b-Gb.

(2)

3 算法設(shè)計(jì)

3.1 伽馬校正

伽馬校正對(duì)圖像色調(diào)的調(diào)解是非線性的, 通過(guò)調(diào)整校正參數(shù)值可改變圖像高/低光的局部動(dòng)態(tài)范圍, 進(jìn)而改變圖像的對(duì)比度和亮度.當(dāng)校正參數(shù)值大于1時(shí), 低光局部范圍被放大, 圖像色彩整體偏暗, 而圖像細(xì)節(jié)將被放大; 當(dāng)校正參數(shù)值小于1時(shí), 高光局部范圍被放大, 圖像色彩整體明亮, 圖像細(xì)節(jié)模糊.其數(shù)學(xué)表達(dá)式為

LI=Is,

(3)

其中LI表示伽馬校正后的圖像,I表示調(diào)整色差后的圖像,s為校正參數(shù).

減少光暈效果的暗通道算法在圖像色彩方面普遍存在過(guò)度增強(qiáng)的問(wèn)題, 從而導(dǎo)致圖像出現(xiàn)失真和噪聲等現(xiàn)象.通過(guò)調(diào)整伽馬校正參數(shù)擴(kuò)展圖像低光局部范圍可解決上述問(wèn)題, 實(shí)驗(yàn)結(jié)果如圖3所示, 其中(E)為L(zhǎng)I經(jīng)過(guò)減少光暈效果的暗通道去霧算法處理后的增強(qiáng)圖像.由圖3可見(jiàn), 與圖3(D)相比, 圖3(E)有效避免了色彩失真現(xiàn)象以及噪聲的出現(xiàn), 圖像細(xì)節(jié)更清晰. 為更好地觀察圖像細(xì)節(jié), 將圖3(A)中黑色框內(nèi)圖像局部區(qū)域放大, 細(xì)節(jié)對(duì)比結(jié)果如圖4所示, 其中圖4(A)～(D)分別對(duì)應(yīng)圖3(A),(D),(E)和(F)的細(xì)節(jié). 由圖4可見(jiàn), 圖4(B)出現(xiàn)了嚴(yán)重的色彩失真, 進(jìn)而導(dǎo)致圖像出現(xiàn)噪聲； 而圖4(C)的細(xì)節(jié)更清晰, 圖像在色彩方面也未出現(xiàn)過(guò)度增強(qiáng)現(xiàn)象; 圖4(D)由于提高了圖像亮度, 其清晰度更高, 圖像的色彩也更明亮自然.

圖3 伽馬校正圖像前后對(duì)比結(jié)果Fig.3 Comparison results before and after gamma correction images

圖4 圖3中伽馬校正圖像的細(xì)節(jié)對(duì)比Fig.4 Detail comparison of gamma correction images in Fig.3

3.2 減少光暈效果的暗通道算法

圖像去霧算法主要分為基于大氣散射模型和非大氣散射模型兩個(gè)類型, 基于暗通道的去霧算法屬于前者, 大氣散射模型表達(dá)式為

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

(4)

其中I和J分別表示需要增強(qiáng)的模糊圖像和清晰圖像,t和A分別表示圖像的透射率和全局大氣光,x表示圖像像素點(diǎn)的坐標(biāo).式(4)可視為一個(gè)線性方程, 其中已知量有且僅有一個(gè)I, 其他3項(xiàng)都是需要求解的未知量.使用暗通道成功解決了上述問(wèn)題, 暗通道來(lái)源于I, 而t和A又可以根據(jù)暗通道求解, 所以,J也可求解.

3.2.1 暗通道

He等[9]提出了基于暗通道的去霧算法, 通過(guò)觀察和統(tǒng)計(jì)大量戶外圖像發(fā)現(xiàn)： 圖像在局部區(qū)域(除天空區(qū)域外), 某些像素在對(duì)應(yīng)的顏色通道中, 至少在一個(gè)通道中的像素強(qiáng)度值較低, 其值接近零, 并將其稱為圖像的暗通道, 求解圖像暗通道的表達(dá)式為

(5)

其中r,g,b分別表示輸入圖像J的3個(gè)顏色通道,Ω(x)表示像素點(diǎn)x周圍鄰域像素的集合區(qū)域.

3.2.2 求解大氣光的改進(jìn)方法

He等[9]利用暗通道求解大氣光, 其過(guò)程為： 首先挑選有霧圖像暗通道中最亮的0.1%像素估計(jì)大氣光, 然后求其在圖像三通道中的坐標(biāo)并記錄, 最后分別求解三通道中的最大值, 作為圖像的大氣光. 這種方法的缺點(diǎn)是易錯(cuò)將圖像中白色物體或者高光區(qū)域?qū)?yīng)的像素值作為大氣光值, 導(dǎo)致去霧后圖像亮度降低, 所以本文將三通道大氣光值的平均值作為全局大氣光, 其表達(dá)式為

A=[M;M;M],

(6)

其中M為三通道大氣光值的平均值,A為圖像最終的大氣光.

3.2.3 透射率的求解與優(yōu)化

若大氣光已知, 則透射率的求解就會(huì)變得簡(jiǎn)單, 根據(jù)式(4)、 清晰圖像J的暗通道值接近零以及局部最小值濾波可得到粗略透射率的表達(dá)式為

(7)

其中參數(shù)ω=0.95, 其主要作用是保留圖像部分霧, 使圖像視覺(jué)不失真.

對(duì)透射率的優(yōu)化有兩種方式： 軟摳圖和引導(dǎo)濾波[10].前者雖然效果較好, 但復(fù)雜度極高, 算法運(yùn)算效率較低.而后者不僅優(yōu)化速度快, 并且其保護(hù)圖像邊緣能力強(qiáng), 所以本文對(duì)透射率的優(yōu)化使用引導(dǎo)濾波方法, 其表達(dá)式為

Gt=GF(I,t,r,ε),

(8)

其中Gt和GF分別表示優(yōu)化后的透射率和引導(dǎo)濾波函數(shù), 引導(dǎo)圖像I在本文算法中為經(jīng)過(guò)調(diào)整色差和伽馬校正預(yù)處理后的圖像, 引導(dǎo)參數(shù)r和ε分別表示濾波窗口和正則化, 其取值在多數(shù)實(shí)驗(yàn)中分別設(shè)為32和0.01.

3.2.4 重估透射率求解清晰圖像

將求解出的大氣光A和優(yōu)化后的透射率Gt代入式(4), 可求出清晰圖像, 同時(shí)設(shè)參數(shù)t0=0.1, 防止Gt為零, 增強(qiáng)圖像J(x)的表達(dá)式為

(9)

He算法存在對(duì)透射率的估計(jì)不準(zhǔn)確, 導(dǎo)致處理包含天空區(qū)域圖像時(shí), 易出現(xiàn)光暈現(xiàn)象等缺陷, 為解決該問(wèn)題, 蔣建國(guó)等[11]通過(guò)設(shè)置容差值K的方法, 最后得到增強(qiáng)圖像的表達(dá)式為

(10)

在式(10)中, 如果|I(x)-A|

3.3 亮度補(bǔ)償

由圖3可見(jiàn), 經(jīng)過(guò)伽馬校正和減少光暈效果的暗通道去霧后的圖像(E), 明顯存在亮度較低的問(wèn)題, 所以需要進(jìn)一步提高圖像亮度. 對(duì)于圖像亮度的增強(qiáng)與調(diào)整圖像色差相同, 均在Lab色彩空間進(jìn)行. 對(duì)亮度通道L的補(bǔ)償公式為

l=L×m1,

(11)

其中:l為調(diào)整亮度后的L;m1為補(bǔ)償參數(shù), 是一個(gè)常數(shù), 當(dāng)m1>1時(shí), 提高圖像亮度, 當(dāng)m1<1時(shí), 降低圖像亮度.提高亮度后的圖像如圖3(F)所示, 明顯可見(jiàn)圖像的細(xì)節(jié)更清晰, 色彩更貼近于原圖像.

3.4 限制對(duì)比度自適應(yīng)直方圖均衡化算法

直方圖均衡化算法是對(duì)圖像全局對(duì)比度的增強(qiáng), 通常會(huì)導(dǎo)致圖像局部信息丟失.自適應(yīng)直方圖均衡化算法先將圖像分成M×N大小的局部子區(qū)域, 再對(duì)每個(gè)子區(qū)域進(jìn)行直方圖均衡化, 以改善傳統(tǒng)直方圖均衡化的不足, 但其缺點(diǎn)是使圖像噪聲放大.為解決該問(wèn)題, 人們提出了限制對(duì)比度自適應(yīng)直方圖均衡化算法, 其能通過(guò)對(duì)局部直方圖高度的限制減少圖像噪聲的放大以及限制圖像局部區(qū)域?qū)Ρ榷鹊倪^(guò)度增強(qiáng).

減少光暈效果的暗通道算法雖可去除圖像表面的模糊特征, 但圖像的對(duì)比度還有待提高, 所以對(duì)暗通道算法處理后的圖像進(jìn)行限制對(duì)比度自適應(yīng)直方圖均衡化處理, 以進(jìn)一步提高圖像的對(duì)比度.

3.5 圖像加權(quán)融合

圖5為圖像融合處理對(duì)比結(jié)果.由圖5(A)可見(jiàn), 在圖像對(duì)比度得到提高的同時(shí), 圖像的清晰度也得到了提高, 圖像色彩更明亮. 由圖5(B)可見(jiàn), 雖然圖像的對(duì)比度得到了提高, 但在圖像的遠(yuǎn)處出現(xiàn)了輕微的偽影現(xiàn)象, 并且通過(guò)實(shí)驗(yàn)發(fā)現(xiàn), 限制對(duì)比度自適應(yīng)直方圖均衡化算法處理包含天空區(qū)域的沙塵圖像時(shí)易出現(xiàn)光暈現(xiàn)象. 為解決該問(wèn)題, 將亮度補(bǔ)償后的圖像與CLAHE算法處理后的圖像進(jìn)行加權(quán)融合, 在保障圖像清晰度的同時(shí)避免圖像出現(xiàn)偽影和光暈等現(xiàn)象, 實(shí)驗(yàn)結(jié)果如圖5(D)所示. 由圖5(D)可見(jiàn), 融合后的圖像不僅消除了圖像景深處(即圖像的遠(yuǎn)處)的偽影, 而且圖像的亮度也得到進(jìn)一步提高, 并且與亮度補(bǔ)償后的圖像相比, 圖像的清晰度也得到了提高. 圖像融合表達(dá)式為

E=λH+(1-λ)C,

(12)

其中E表示融合后的圖像,λ表示融合系數(shù),H表示亮度補(bǔ)償后的圖像,C表示增強(qiáng)對(duì)比度后的圖像.

圖5 圖像融合處理對(duì)比結(jié)果Fig.5 Comparison results of image fusion

4 實(shí)驗(yàn)結(jié)果與分析

在普通PC機(jī)上進(jìn)行實(shí)驗(yàn), 實(shí)驗(yàn)環(huán)境為： 操作系統(tǒng)Windows 7.0, 處理器為AMD AthlonTMⅡ X4 640 Processor 3.00 GHz, 系統(tǒng)內(nèi)存為4 GB, 算法運(yùn)行的軟件為MATLAB R2016a. 經(jīng)過(guò)大量實(shí)驗(yàn)測(cè)試, 設(shè)s=1.2,m1=1.5,λ的取值范圍為0.5～0.9, 其中λ值不固定的原因?yàn)閷?duì)于不同的沙塵圖像, 算法并不具有相同的處理效果.

為證明算法的可行性, 將本文算法與文獻(xiàn)[4-6]的算法進(jìn)行比較, 實(shí)驗(yàn)中選取的圖像主要來(lái)源于網(wǎng)絡(luò)和文獻(xiàn)[6], 圖像名稱分別為Build.jpg,Dusk.jpg,Lou.jpg和House.jpg, 圖像的統(tǒng)一特點(diǎn)是都包含天空區(qū)域, 是為驗(yàn)證算法是否在天空區(qū)域出現(xiàn)光暈現(xiàn)象. 算法的評(píng)價(jià)主要從視覺(jué)效果和客觀參數(shù)方面進(jìn)行綜合評(píng)價(jià), 不同算法的視覺(jué)效果如圖6和圖7所示. 客觀參數(shù)選取廣泛使用的峰值信噪比(peak signal-to-noise ratio, PSNR)和結(jié)構(gòu)相似度(structural similarity, SSIM). PSNR表示圖像失真的程度, 其值越大, 圖像失真越小. PSNR的表達(dá)式為

(13)

(14)

其中m和n分別為圖像的長(zhǎng)和寬,I表示增強(qiáng)后的圖像,P表示原圖像, MSE為均方誤差, MAX=255. 式(13)和式(14)是針對(duì)灰度圖像的方法, 處理彩色圖像時(shí), 需將其轉(zhuǎn)換到Y(jié)CbCr色彩空間, 計(jì)算亮度分量Y的PSNR值即可.

圖6 不同算法對(duì)Build.jpg的實(shí)驗(yàn)結(jié)果對(duì)比Fig.6 Experimental comparison results of Build.jpg by different algorithms

圖7 不同算法對(duì)Dusk.jpg的實(shí)驗(yàn)結(jié)果對(duì)比Fig.7 Experimental comparison results of Dusk.jpg by different algorithms

SSIM表示兩幅圖像在結(jié)構(gòu)上的相似程度, 其值越大, 圖像間的相似程度越高. SSIM主要通過(guò)對(duì)比兩幅圖像的亮度l、 對(duì)比度c和結(jié)構(gòu)s綜合評(píng)價(jià), 其表達(dá)式為

c1=(0.01T)2,c2=(0.03T)2,c3=c2/2,

(18)

其中x,y表示圖像像素的坐標(biāo),I表示增強(qiáng)后的圖像,P表示原圖像,μI和μP分別為I和P的平均值,σI和σP分別表示I和P的方差,σIP為I和P的協(xié)方差,T為像素值的范圍.SSIM的表達(dá)式為

(19)

沙塵圖像雖存在色差問(wèn)題, 但圖像的結(jié)構(gòu)和紋理較清晰, 所以可用其評(píng)價(jià)算法恢復(fù)圖像整體結(jié)構(gòu)的效果. 客觀評(píng)價(jià)參數(shù)結(jié)果列于表1和表2.

表1 圖6的客觀評(píng)價(jià)參數(shù)值

表2 圖7的客觀評(píng)價(jià)參數(shù)值

由圖6可見(jiàn)： 文獻(xiàn)[4-6]中算法在圖像天空區(qū)域均出現(xiàn)了不同程度的色彩失真, 文獻(xiàn)[4]的算法由于未徹底解決沙塵圖像的色差問(wèn)題, 增強(qiáng)圖像不僅出現(xiàn)了嚴(yán)重的色彩失真, 而且也降低了圖像的可見(jiàn)度, 而文獻(xiàn)[5]和文獻(xiàn)[6]的算法雖然解決了沙塵圖像的色差問(wèn)題, 但增強(qiáng)后的圖像局部區(qū)域存在過(guò)度曝光現(xiàn)象, 文獻(xiàn)[5]算法過(guò)度曝光的結(jié)果導(dǎo)致圖像色彩過(guò)度增強(qiáng), 而文獻(xiàn)[6]的算法則由于過(guò)度曝光問(wèn)題導(dǎo)致圖像表面有些模糊, 清晰度較低; 本文算法有效避免了天空區(qū)域出現(xiàn)失真現(xiàn)象, 并解決了圖像色差問(wèn)題, 并且在亮度和色彩增強(qiáng)方面不存在過(guò)度曝光或者低曝光等現(xiàn)象. 由圖7可見(jiàn)： 文獻(xiàn)[4]算法增強(qiáng)后的圖像整體色調(diào)仍然偏黃， 圖像的色彩過(guò)度增強(qiáng), 并且圖中新娘的頭紗部分區(qū)域也存在細(xì)節(jié)丟失現(xiàn)象； 文獻(xiàn)[5]和文獻(xiàn)[6]的算法在圖像天空區(qū)域都出現(xiàn)了不同程度的光暈現(xiàn)象, 并且圖像部分區(qū)域存在噪聲, 圖像中攝影師臉的周圍也出現(xiàn)了不同程度的色彩失真現(xiàn)象; 文獻(xiàn)[4-6]算法增強(qiáng)后的圖像, 無(wú)論是在色彩方面還是清晰度方面的效果都弱于本文算法. 由表1和表2可見(jiàn), 本文算法PSNR和SSIM參數(shù)值均明顯高于對(duì)比算法, 表明本文算法在降低圖像失真和結(jié)構(gòu)恢復(fù)方面效果均較好.

為證明融合算法的有效性, 以圖6和圖7中圖像為例, 將融合前后圖像的客觀參數(shù)進(jìn)行對(duì)比, 實(shí)驗(yàn)結(jié)果列于表3. 由表3可見(jiàn), 融合后圖像的客觀參數(shù)值明顯提高, 證明了融合算法的有效性.

表3 圖像融合前后客觀參數(shù)的對(duì)比

為進(jìn)一步證明增強(qiáng)算法的魯棒性, 將本文算法與文獻(xiàn)[12-14]中的經(jīng)典去霧算法進(jìn)行比較, 圖像評(píng)價(jià)仍選取視覺(jué)評(píng)價(jià)和客觀參數(shù)評(píng)價(jià)相結(jié)合. 為客觀評(píng)價(jià), 圖像統(tǒng)一使用調(diào)整色差后的沙塵圖像, 視覺(jué)效果如圖8和圖9所示, 客觀評(píng)價(jià)參數(shù)結(jié)果列于表4和表5.

圖8 不同算法對(duì)Lou.jpg的實(shí)驗(yàn)對(duì)比結(jié)果Fig.8 Experimental comparison results of Lou.jpg by different algorithms

圖9 不同算法對(duì)House.jpg的實(shí)驗(yàn)對(duì)比結(jié)果Fig.9 Experimental comparison results of House.jpg by different algorithms

表4 圖8的客觀評(píng)價(jià)參數(shù)值

表5 圖9的客觀評(píng)價(jià)參數(shù)值

由圖8可見(jiàn), 文獻(xiàn)[12]的算法雖然處理的是調(diào)整色差后的沙塵圖像, 但去霧后的圖像仍出現(xiàn)了色彩失真現(xiàn)象, 增強(qiáng)后的圖像整體色彩偏暗； 文獻(xiàn)[13]和文獻(xiàn)[14]的算法雖然未出現(xiàn)失真, 但在天空區(qū)域均出現(xiàn)了輕微的光暈現(xiàn)象, 并且在圖像色彩方面過(guò)度增強(qiáng), 導(dǎo)致圖像細(xì)節(jié)模糊; 本文算法不僅有效避免了光暈現(xiàn)象, 而且對(duì)圖像細(xì)節(jié)和色彩恢復(fù)方面的恢復(fù)與原圖像最相似. 由圖9可見(jiàn)： 文獻(xiàn)[12]算法雖然增強(qiáng)了圖像的可見(jiàn)度, 但圖像依然存在色差問(wèn)題, 導(dǎo)致圖像中樹(shù)木區(qū)域細(xì)節(jié)模糊； 文獻(xiàn)[13]、 文獻(xiàn)[14]和本文算法都有效解決了光暈和色差問(wèn)題, 但文獻(xiàn)[13]和文獻(xiàn)[14]算法的圖像亮度低于本文算法, 導(dǎo)致圖像可見(jiàn)度降低； 本文算法有效避免了上述問(wèn)題, 在有效消除色差的同時(shí)提高了圖像的可見(jiàn)度. 由表4和圖8可見(jiàn), 文獻(xiàn)[12-14]算法的PSNR和SSIM值均低于本文算法. 由表5和圖9可見(jiàn), 本文算法無(wú)論是在視覺(jué)效果方面, 還是在客觀評(píng)價(jià)方面, 都高于其他去霧算法, 證明了本文算法的魯棒性.

綜上所述, 針對(duì)沙塵圖像不同于傳統(tǒng)的有霧圖像或低照度圖像, 除可見(jiàn)度和對(duì)比度較低外, 該類圖像還普遍存在色差, 而傳統(tǒng)圖像增強(qiáng)算法通常會(huì)導(dǎo)致圖像出現(xiàn)色彩失真和光暈現(xiàn)象等問(wèn)題, 本文通過(guò)在Lab色彩空間用灰度世界算法調(diào)整色差有效避免了圖像出現(xiàn)色彩失真現(xiàn)象, 用伽馬校正函數(shù)和減少光暈效果的暗通道去霧算法避免了圖像出現(xiàn)噪聲、 色彩過(guò)度增強(qiáng)和光暈等現(xiàn)象, 最后將亮度補(bǔ)償后的圖像與對(duì)比度增強(qiáng)后的圖像進(jìn)行加權(quán)融合, 進(jìn)一步提高了圖像的可見(jiàn)度, 使圖像細(xì)節(jié)更清晰可見(jiàn). 實(shí)驗(yàn)結(jié)果表明, 本文算法可有效去除沙塵圖像色差, 提高圖像的亮度和清晰度, 減少光暈的出現(xiàn), 使圖像色彩更自然, 能得到較理想的圖像增強(qiáng)效果.