王 鵬,齊 潔,張 鑫,鄧守京,孫莉莉
(1.大連交通大學(xué) 軟件學(xué)院,遼寧 大連 116028;2.大連口岸物流網(wǎng)有限公司,遼寧 大連 116000)
霧與霾是特定氣候條件與人類活動(dòng)相互作用的結(jié)果。在空氣中懸浮的大量顆粒物會(huì)導(dǎo)致拍攝得到的圖像質(zhì)量下降,對(duì)計(jì)算機(jī)視覺(jué)應(yīng)用造成不利影響。對(duì)圖像進(jìn)行去霧處理已經(jīng)成為圖像增強(qiáng)領(lǐng)域的主要研究課題之一。
圖像去霧技術(shù)主要分為兩大類:基于圖像的去霧方法[1-3]與基于物理模型的場(chǎng)景復(fù)原方法[4-6]。芮義斌等人[7]結(jié)合霧天圖像和場(chǎng)景景深強(qiáng)度關(guān)系對(duì)交互式圖像進(jìn)行去霧操作,實(shí)現(xiàn)了用戶對(duì)于圖像的主觀判斷先驗(yàn)經(jīng)驗(yàn)與模型的結(jié)合,獲得良好的圖像去霧效果。禹晶等人[8]設(shè)計(jì)了一種快速圖像去霧算法,利用雙邊濾波算法合理地估計(jì)大氣消散函數(shù),進(jìn)而得到場(chǎng)景反射率,以提高圖像的清晰度。為了對(duì)高分辨率圖像進(jìn)行去霧,周首峰等人[9]提出將暗通道先驗(yàn)理論與高斯濾波算法結(jié)合,對(duì)去霧圖像進(jìn)行恢復(fù),優(yōu)化了算法的計(jì)算量。於敏杰等人[10]同時(shí)利用不同的算法得到的透射圖以及初步去霧圖像,得到復(fù)原圖像,對(duì)灰度圖像也同樣適用。唐寧等人[11]利用雙邊濾波局部估計(jì)霧濃度,間接求取大氣耗散函數(shù),最終通過(guò)變換的大氣散射模型恢復(fù)無(wú)霧圖像。方帥等人[12]設(shè)計(jì)了針對(duì)夜間圖像進(jìn)行去霧的算法,基于信息熵的傳輸圖粗估計(jì)的方法,去除不均勻光照影響,提高圖像質(zhì)量。王殿偉等人[13]利用統(tǒng)計(jì)截?cái)喾椒ㄈス烙?jì)大氣光值,并結(jié)合暗通道進(jìn)行粗略估計(jì)投射圖從而對(duì)霧天圖像進(jìn)行去霧。張崢等人[14]提出基于顏色線先驗(yàn)和暗通道先驗(yàn)的遙感圖像去霧算法,基于最小二乘的透過(guò)率優(yōu)化方法,通過(guò)計(jì)算先驗(yàn)可信度權(quán)重來(lái)加權(quán)融合顏色線先驗(yàn)和暗通道先驗(yàn)估計(jì)的透過(guò)率圖,達(dá)到去霧效果。王園園等人[15]采用雙邊濾波優(yōu)化的方法,對(duì)霧天的交通標(biāo)識(shí)進(jìn)行去霧,效果良好。王鋒等人[16]利用二分搜索的方法估計(jì)大氣光值,利用灰度差獲取閾值從而對(duì)暗通道進(jìn)行修正,進(jìn)行圖像去霧。廖干洲等人[17]等人利用深度學(xué)習(xí)的方法構(gòu)建模型,獲得圖像序列,依靠對(duì)散射圖的估計(jì)實(shí)現(xiàn)了對(duì)圖像霧天特征的去處。以上方法均從不同角度對(duì)霧天圖像進(jìn)行了復(fù)原,但復(fù)原的圖像仍然存在對(duì)比度低、圖像過(guò)暗或過(guò)飽和、色彩失真和細(xì)節(jié)模糊等問(wèn)題。
針對(duì)上述情況,本文提出了基于空域分解的圖像去霧算法,將霧天環(huán)境抽象為一種圖像噪聲,并將按照此設(shè)想將霧天圖像分解為含有色彩信息的基礎(chǔ)層圖像以及含有噪聲的細(xì)節(jié)層圖像,并分別進(jìn)行圖像處理,最后進(jìn)行圖像層融合,經(jīng)過(guò)實(shí)驗(yàn)比較,本文設(shè)計(jì)的去霧算法得到的復(fù)原圖像色彩真實(shí),清晰度高,且算法適應(yīng)性強(qiáng)。
算法針對(duì)霧天的圖像,采用利用中值濾波算法,將圖像分解為基礎(chǔ)層與細(xì)節(jié)層,再針對(duì)色彩空間解耦?;A(chǔ)層圖像主要包含色彩信息和亮度信息,采用直方圖均衡化,進(jìn)行亮度和對(duì)比度調(diào)整;細(xì)節(jié)層主要包含圖像細(xì)節(jié)信息和噪聲信息,解耦后采用非局部均值降噪算法,抑制噪聲;將處理后的基層和細(xì)節(jié)層圖像進(jìn)行融合,最后采用gamma校正,調(diào)整圖像灰度,得到最終增強(qiáng)圖像。算法總框架如圖1所示。
圖1 基于空域分解的去霧算法總框圖Fig.1 General block diagram of defogging algorithm based on spatial decomposition
根據(jù)文獻(xiàn)[9]的分析,霧天圖像符合暗原色先驗(yàn)(Dark Channel Prior,DCP),并且霧天圖像適用于圖像退化原理,據(jù)此建立霧氣退化模型:
f(x)=g(x,y)·e-β·d(x)+A(1-e-β·d(x))+n(x,y),
(1)
式中,f(x)為霧天圖像;g(x,y)為真實(shí)圖像;A為大氣光;β為空氣的散射系數(shù);d(x)為場(chǎng)景深度;n(x,y)為噪聲信息。
借鑒文獻(xiàn)[18]的雙域圖像處理思想,霧天圖像經(jīng)中值濾波器分解為包含色彩信息的基礎(chǔ)層圖像和包含噪聲信息的細(xì)節(jié)層圖像。霧氣在圖像中表現(xiàn)為噪聲特征,主要集中在細(xì)節(jié)層圖像中。
根據(jù)上述分析,真實(shí)圖像g(x,y)可由基礎(chǔ)層圖像gbase和細(xì)節(jié)層圖像gdetail融合得到,如式(2)所示,結(jié)合式(2),將式(1)進(jìn)行變形得到式(3):
g(x,y)=gdetail(x,y)+gbase(x,y),
(2)
f(x)=[gdetail(x,y)·e-β·d(x)+A(1-e-β·d(x))]+
gbase(x,y)·e-β·d(x)+n(x,y)。
(3)
根據(jù)分層強(qiáng)化的原理,將式(3)進(jìn)一步變形得到:
式中,fdetail(x,y),fbase(x,y)為霧天圖像的細(xì)節(jié)層圖像和基礎(chǔ)層圖像;gdetail(x,y),gbase(x,y)為真實(shí)圖像的細(xì)節(jié)層圖像和基礎(chǔ)層圖像;fdetail(x,y)包含gdetail(x,y)以及霧氣圖像和噪聲信息;fbase(x,y)主要由gbase(x,y)構(gòu)成。
霧天圖像經(jīng)中值濾波處理得到基礎(chǔ)層圖像,如式(4)所示,并與其進(jìn)行差值運(yùn)算得到細(xì)節(jié)層圖像,如式(5)所示:
fbase=Med(x,y)×f(x,y),
(4)
fdetail=f(x,y)-Med(x,y)×f(x,y),
(5)
式中,f(x,y)為霧天圖像;fbase為基礎(chǔ)層圖像;fdetail為細(xì)節(jié)層圖像;Med(x,y)為中值濾波,其原理如式(6)所示。
假設(shè)x1,x2,…,xn表示n個(gè)隨機(jī)輸入變量,按值大小升序排列為xi1 (6) 霧天圖像f(x,y)經(jīng)過(guò)中值濾波器分解,得到基礎(chǔ)層圖像fbase和細(xì)節(jié)層圖像fdetail。為了驗(yàn)證中值濾波器對(duì)圖像分離效果以及分解后細(xì)節(jié)層噪聲含量,對(duì)圖像Table進(jìn)行分解,如圖2所示,中值濾波卷積核大小為5×5,添加噪聲的標(biāo)準(zhǔn)差為0.05。 (a) 原圖 (b) 基礎(chǔ)層 (c) 細(xì)節(jié)層 (d) 噪聲原圖 (e) 噪聲基礎(chǔ)層 (f) 噪聲細(xì)節(jié)層圖2 Table原圖及噪聲圖像分解效果圖Fig.2 Original Table image and noise image decomposition effect 通過(guò)對(duì)分解后的細(xì)節(jié)層圖像分析可知,圖2(b)與圖2(e)差別很小,噪聲信息基本集中在細(xì)節(jié)層中,經(jīng)過(guò)計(jì)算,圖2(d)噪聲原圖的噪聲標(biāo)準(zhǔn)差為0.020,圖2(f)噪聲細(xì)節(jié)層的噪聲方差為0.019??沼蚍纸馐沟渺F氣噪聲全部分解在細(xì)節(jié)層,避免了進(jìn)行去霧處理時(shí),對(duì)基礎(chǔ)層圖像色彩結(jié)構(gòu)的干擾,通過(guò)分別對(duì)基礎(chǔ)層圖像和細(xì)節(jié)層圖像的增強(qiáng),可同步實(shí)現(xiàn)圖像去霧與對(duì)比度的提高。 為了改善基礎(chǔ)層圖像fbase對(duì)比度,平衡色彩結(jié)構(gòu),還原圖像本身色彩,選擇具有均衡功能的直方均衡化算法對(duì)基礎(chǔ)層圖像fbase進(jìn)行校正。 假設(shè)基礎(chǔ)層圖像fbase中的像素為N,圖像的灰度級(jí)數(shù)為L(zhǎng),灰度級(jí)空間為[0,L-1],用nk表示k級(jí)灰度(第k個(gè)灰度級(jí),像素值為k)在圖像內(nèi)的像素點(diǎn)個(gè)數(shù),那么該圖像中的灰度級(jí)rk(第k個(gè)灰度級(jí))出現(xiàn)的概率為: 根據(jù)灰度級(jí)概率,對(duì)其進(jìn)行均衡化處理: 直方圖均衡化使圖像色彩更加均衡,外觀更清晰,更加易于處理。使用直方圖均衡化算法增強(qiáng)基礎(chǔ)層圖像fbase,步驟如下: (2) 統(tǒng)計(jì)直方圖,進(jìn)行像素統(tǒng)計(jì),形成直方圖; (3) 將累計(jì)直方圖進(jìn)行區(qū)間轉(zhuǎn)換,均衡化處理; 霧天圖像含有大量噪聲,主要是由圖像的采集過(guò)程以及大氣中顆粒折射、散射現(xiàn)象產(chǎn)生,若不加以抑制,會(huì)對(duì)最終圖像造成影響。為了更好地分離、除去噪聲,選擇具有分辨性高的小波變換進(jìn)行噪聲和霧氣抑制。 1.4.1 小波閾值去噪原理 圖像為二維信號(hào),用二元函數(shù)f(x,y)∈L2(R2),ψ(x,y)表示,可以對(duì)其進(jìn)行二維小波變換和多辨分析,設(shè)f(x,y)∈L2(R2),ψ(x,y)滿足式(7): (7) 則稱積分,如式(8)所示,為f(x,y)的二維連續(xù)小波變換: (8) 圖像小波閾值去噪的基本思想是將圖像轉(zhuǎn)變?yōu)槎S信號(hào),如式(7)進(jìn)行小波變換,并按照小波系數(shù)進(jìn)行分類,同時(shí)設(shè)置一個(gè)臨界閾值λ,若小波系數(shù)小于閾值λ,認(rèn)為該系數(shù)主要由噪聲引起,去除這部分系數(shù);若小波系數(shù)大于閾值λ,則認(rèn)為此系數(shù)主要是由信號(hào)引起,保留這部分系數(shù),然后對(duì)處理后的小波系數(shù)進(jìn)行小波逆變換得到去噪后的信號(hào)。 1.4.2 改進(jìn)的自適應(yīng)小波閾值去噪 首先,為了使閾值和噪聲的大小成某種函數(shù)關(guān)系,取小波系數(shù)在各個(gè)尺度下絕對(duì)值的中值,然后將該中值除以常數(shù)0.674 5作為該尺度下小波系數(shù)中噪聲強(qiáng)度的估計(jì),即: (9) 式中,j為小波分解的尺度;dj(k)為小波分解系數(shù);Med為中值運(yùn)算。則全局閾值為: (10) 式中,M,N是圖像的尺度。 其次,基于小波閾值降噪原理,對(duì)閾值函數(shù)進(jìn)行優(yōu)化,并添加最優(yōu)系數(shù)α,α∈[0,1],用于滿足自適應(yīng)小波閾值去噪,即: (11) 式中,ω為小波系數(shù);λ為臨界閾值;α為最優(yōu)系數(shù)。優(yōu)化后的閾值函數(shù)當(dāng)α=0時(shí)為硬閾值,α=1時(shí)為軟閾值,α在0~100間為區(qū)間閾值。實(shí)現(xiàn)了從硬閾值到軟閾值的平緩過(guò)渡,既可以保留邊緣等局部特征,處理結(jié)果也會(huì)更加自然。 最后,為了確定最優(yōu)系數(shù)α的數(shù)值,使用圖像去噪的評(píng)價(jià)標(biāo)準(zhǔn)峰值信噪比(PSNR)[16]: (12) 假設(shè)PSNR與最優(yōu)系數(shù)α之間存在某種函數(shù)關(guān)系,將這個(gè)函數(shù)成為?(x),函數(shù)關(guān)系為: PSNR=?(α)。 (13) 為了使得圖像抑制噪聲與霧氣的效果達(dá)到最佳,在最優(yōu)系數(shù)α的范圍內(nèi),PSNR為最大值,對(duì)應(yīng)的最優(yōu)系數(shù)α為最佳。 改進(jìn)的自適應(yīng)小波閾值去噪算法步驟如下: (2) 設(shè)置初始最優(yōu)系數(shù)為0.01,提取各層高頻系數(shù),并按照式(12)計(jì)算噪聲方差; (4) 用處理后各分量進(jìn)行小波圖像重構(gòu); (14) 為了最后融合的圖像色彩更加真實(shí),細(xì)節(jié)更加突出,設(shè)計(jì)了gamma校正,對(duì)最終增強(qiáng)圖像fI進(jìn)行處理。 gamma校正(冪律變換)是一種重要的非線性變換,是對(duì)輸入圖像灰度值進(jìn)行指數(shù)變換,進(jìn)而校正亮度偏差,通常應(yīng)用于擴(kuò)展暗調(diào)的細(xì)節(jié)。一般情況下,當(dāng)gamma校正的值大于1時(shí),圖像的高光部分被壓縮而暗調(diào)部分被擴(kuò)展;當(dāng)gamma校正的值小于1時(shí),圖像的高光部分被擴(kuò)展而暗調(diào)部分被壓縮,在最簡(jiǎn)單的情況下,gamma校正定義為: s=crγ, (15) 式中,γ為gamma值;r為灰度值;c為系數(shù);s為變換結(jié)果。 為了驗(yàn)證算法的效果,開(kāi)展改進(jìn)的小波閾值去噪實(shí)驗(yàn)與霧天圖像去霧對(duì)比實(shí)驗(yàn)進(jìn)行驗(yàn)證,實(shí)驗(yàn)圖片選擇參考文獻(xiàn)[8-10]展示圖像以及霧天圖像。 實(shí)驗(yàn)環(huán)境采用Intel i5處理器、Windows7系統(tǒng)、內(nèi)存大小為4 GB的計(jì)算機(jī),使用編程語(yǔ)言為Python,使用的編程軟件為Pycharm,函數(shù)庫(kù)opencv、numpy和math等。 為了驗(yàn)證改進(jìn)的小波閾值去噪算法性能,選擇硬閾值去噪算法、軟閾值去噪算法、隨機(jī)設(shè)置最優(yōu)系數(shù)閾值算法以及本文最優(yōu)系數(shù)閾值去噪算法進(jìn)行同步實(shí)驗(yàn)對(duì)比,選擇圖像進(jìn)行人為添加噪聲,噪聲均值為0,方差分別為0.02,0.04,0.06,進(jìn)行去噪實(shí)驗(yàn),去噪實(shí)驗(yàn)結(jié)果如圖3~圖5所示。 (a) 硬閾值去噪后的圖像 (b) 軟閾值去噪后的圖像 (c) 隨機(jī)最優(yōu)系數(shù)去噪后的圖像 (d) 最優(yōu)系數(shù)去噪后的圖像圖3 方差為0.02,各算法去噪效果Fig.3 Denoising effect of each algorithm when the variance is 0.02 (a) 硬閾值去噪后的圖像 (b) 軟閾值去噪后的圖像 (c) 隨機(jī)最優(yōu)系數(shù)去噪后的圖像 (d) 最優(yōu)系數(shù)去噪后的圖像圖4 方差為0.04,各算法去噪效果Fig.4 Denoising effect of each algorithm when the variance is 0.04 (a) 硬閾值去噪后的圖像 (b) 軟閾值去噪后的圖像 (c) 隨機(jī)最優(yōu)系數(shù)去噪后的圖像 (d) 最優(yōu)系數(shù)去噪后的圖像圖5 方差為0.06,各算法去噪效果Fig.5 Denoising effect of each algorithm when the variance is 0.06 圖6~圖8是不同噪聲方差下,PSNR與最優(yōu)系數(shù)變化曲線,可以看出,在最優(yōu)系數(shù)范圍內(nèi),PSNR隨最優(yōu)系數(shù)變化進(jìn)行調(diào)整,并可以取到最值。 圖6 噪聲方差0.02,PSNR隨最優(yōu)系數(shù)的變換曲線Fig.6 Transformation curve of PSNR with optimal coefficient when noise variance is 0.02 圖7 噪聲方差0.04,PSNR隨最優(yōu)系數(shù)的變換曲線Fig.7 Transformation curve of PSNR with optimal coefficient when noise variance is 0.04 圖8 噪聲方差0.06,PSNR隨最優(yōu)系數(shù)的變換曲線Fig.8 Transformation curve of PSNR with optimal coefficient when noise variance is 0.06 由表1~表3的不同程度噪聲下圖像去噪前后峰值信噪比可以看出,經(jīng)過(guò)小波閾值去噪后,PSNR有了明顯提高,設(shè)計(jì)的小波閾值去噪方法對(duì)具有高斯白噪聲的圖像去噪具有較好的效果。同時(shí),比較表中硬閾值、軟閾值、隨機(jī)最佳系數(shù)閾值和最佳系數(shù)閾值可以得出以下結(jié)論:軟閾值相對(duì)于硬閾值具有更好的圖像去噪效果;設(shè)計(jì)的優(yōu)化閾值取得了最好的效果,優(yōu)化閾值融合了硬閾值和軟閾值的優(yōu)點(diǎn),表現(xiàn)出更好的圖像去噪能力。 表1 噪聲0.02,不同閾值去噪前后的PSNRTab.1 PSNR before and after noise removal with different thresholds when noise variance is 0.02 表2 噪聲0.04,不同閾值去噪前后的PSNRTab.2 PSNR before and after noise removal with different thresholds when noise variance is 0.04 表3 噪聲0.06,不同閾值去噪前后的PSNRTab.3 PSNR before and after noise removal with different thresholds when noise variance is 0.06 為了更好地評(píng)價(jià)算法的性能指標(biāo),對(duì)比算法的優(yōu)劣性,選取霧天圖像行算法實(shí)驗(yàn),將本文算法與文獻(xiàn)[10]的色彩空間的直方圖均衡化算法(HE)、文獻(xiàn)[11]的改進(jìn)基于暗通道先驗(yàn)圖像去霧算法(DCP)、文獻(xiàn)[12]改進(jìn)的多尺度Retinex算法(MSR)以及文獻(xiàn)[13]的結(jié)合自動(dòng)色階的暗通道去霧算法(AL)進(jìn)行主觀視覺(jué)效果上的比較;客觀上通過(guò)等客觀評(píng)價(jià)指標(biāo)作為衡量標(biāo)準(zhǔn),對(duì)測(cè)試集中霧天圖像和經(jīng)各算法增強(qiáng)后的圖像進(jìn)行質(zhì)量對(duì)比評(píng)價(jià)。 2.2.1 圖像視覺(jué)評(píng)價(jià) 本文選用了霧天圖像進(jìn)行實(shí)驗(yàn),因文章篇幅有限,本文選取3組環(huán)境亮度不同,霧天狀態(tài)存在差異的圖片作為評(píng)價(jià)展示,分別是village,expressway,trail。 第1組的實(shí)驗(yàn)結(jié)果如圖9所示。 (a) 原圖 (b) HE (c)DCP (d) MSR (e) AL (f) Ours圖9 Village圖像去霧算法效果對(duì)比Fig.9 Comparison of village image defogging algorithms 圖9(a)原圖為原始圖片,圖像因霧氣原因,清晰度低,圖像中景深小,物體模糊,遠(yuǎn)處無(wú)法看清,圖像中的指示牌和車輛標(biāo)識(shí)都無(wú)法看清。經(jīng)過(guò)圖9(b)HE增強(qiáng)算法后,圖像亮度增加,紋理細(xì)節(jié)突出,但是景深不夠且清晰度不夠,視覺(jué)效果較差;圖9(c)DCP增強(qiáng)算法與HE增強(qiáng)算法相比對(duì)比度再度有所提升,圖像的信息比較明顯,近處的物體較為明顯,但是整體亮度有所下降失真,圖像偏暗。經(jīng)圖9(d) MSR算法處理后的圖像亮度適中,明暗差有所減小,但抑制霧氣效果不好,清晰度較低;圖9(e) AL算法增強(qiáng)后,圖像的景深有所提高,但近處顏色失真,無(wú)法判斷顏色與景物;圖9(f) Ours為本文設(shè)計(jì)算法增強(qiáng)后的圖像,近處的指示牌和車的車牌部位信息清晰可見(jiàn),可辨別,車道線和邊花草更加清楚,顏色更加真實(shí),亮度、對(duì)比度相比原圖有效提升,信息也有很好的顯示,并且細(xì)節(jié)清晰。 第2組的實(shí)驗(yàn)結(jié)果如圖10所示。 (a) 原圖 (b) HE (c)DCP (d) MSR (e) AL (f) Ours圖10 Expressway圖像去霧算法效果對(duì)比Fig.10 Comparison of expressway image defogging algorithms 圖10(a)原圖地理位置為高速公路,車牌信息因?yàn)殪F氣遮擋無(wú)法看清,更無(wú)法識(shí)別;經(jīng)過(guò)圖10(b)HE增強(qiáng)算法后,亮度改善不明顯,且天空區(qū)域出現(xiàn)大量噪聲,但車牌信息有所凸顯,遠(yuǎn)景中車輛燈光區(qū)域出現(xiàn)光暈等噪聲;圖10(c)DCP增強(qiáng)算法中出現(xiàn)色彩失真,主要集中在天空區(qū)域,圖像亮度降低,色彩出現(xiàn)混亂提升,視覺(jué)效果差,主要原因是由于圖像expressway存在大量天空區(qū)域,由于算法對(duì)天空區(qū)域處理存在敏感度低以及暗通道像素值較高的緣故,導(dǎo)致處理結(jié)果不理想;經(jīng)圖10(d) MSR處理后的圖像亮度、對(duì)比度和紋理細(xì)節(jié)都有明顯增強(qiáng);圖10(e) AL算法增強(qiáng)的圖像景深相對(duì)較大,但是對(duì)于近處的景物色彩像素出現(xiàn)堆積,導(dǎo)致近處出現(xiàn)黑色區(qū)域,導(dǎo)致色彩失真嚴(yán)重。圖10(f) Ours為本文設(shè)計(jì)算法處理后的圖像各項(xiàng)屬性均有明顯提升,圖像細(xì)節(jié)清晰,車牌部分更加清晰,更加有利于圖像的進(jìn)一步處理。 第3組的實(shí)驗(yàn)結(jié)果如圖11所示。 (a) 原圖 (b) HE (c)DCP (d) MSR (e) AL (f) Ours圖11 Trail圖像去霧算法效果對(duì)比Fig.11 Comparison of trail image defogging algorithms 由這一組圖片可以很明顯感受到算法的增強(qiáng)。圖11(a)原圖是環(huán)山公路,圖片信息識(shí)別困難,遠(yuǎn)處人像更無(wú)法顯示,近處的植物也很模糊;圖11(b) HE算法增強(qiáng)的圖像,雖然能使整體明亮一些,但是抑制霧氣效果不夠理想,景深不夠;圖11(c)DCP視野區(qū)域亮度降低,整體偏暗,去霧效果良好,景深較大,需再次對(duì)亮度進(jìn)行增強(qiáng);圖11(d) MSR圖像經(jīng)過(guò)算法處理,亮度均有所提升,但圖像中左側(cè)樹(shù)木存在去霧偏差,樹(shù)木出現(xiàn)虛化,影響整體效果;圖11(e)AL算法處理的圖像存在曝光區(qū)域,中間天空區(qū)域亮度過(guò)高,導(dǎo)致亮度出現(xiàn)失衡;圖11(f) Ours為本文設(shè)計(jì)算法呈現(xiàn)的效果較為自然,細(xì)節(jié)信息明顯,右側(cè)水坑清晰可見(jiàn),遠(yuǎn)處人影也可分辨清楚,層次感分明。 本文設(shè)計(jì)算法針對(duì)不同類型的霧天圖像均能揮發(fā)穩(wěn)定的功效,增強(qiáng)后的圖片十分自然,并且細(xì)節(jié)效果展示充分。 2.2.2 圖像屬性評(píng)價(jià) 為了進(jìn)一步驗(yàn)證所提出算法的性能,客觀地評(píng)價(jià)經(jīng)算法處理后的圖像質(zhì)量,本文采用5種常見(jiàn)的圖像屬性作為評(píng)價(jià)標(biāo)準(zhǔn)[16],對(duì)經(jīng)過(guò)9種增強(qiáng)算法處理的圖像進(jìn)行評(píng)價(jià)如表4~表6所示。 由表4~表6的數(shù)據(jù)綜合分析可以看出,本文算法在圖像信息量以及清晰度方面優(yōu)于其他幾種算法,在亮度以及對(duì)比度方面基本可以保持在同一水平。為了進(jìn)一步對(duì)比改進(jìn)的算法,設(shè)置算法Ours-1,該算法采用與Our一樣的算法結(jié)構(gòu),在對(duì)細(xì)節(jié)層進(jìn)行降噪處理是采用硬閾值的小波去噪算法。 表4 village增強(qiáng)算法評(píng)價(jià)數(shù)據(jù)Tab.4 Evaluation data of village enhancement algorithm 表5 expressway增強(qiáng)算法評(píng)價(jià)數(shù)據(jù)Tab.5 Evaluation data of expressway enhancement algorithm 表6 trail增強(qiáng)算法評(píng)價(jià)數(shù)據(jù)Tab.6 Evaluation data of trail enhancement algorithm 本文提出了一種基于空域分解的圖像去霧算法,針對(duì)有霧圖像進(jìn)行處理。通過(guò)對(duì)圖像進(jìn)行分解,將含有霧天的圖像轉(zhuǎn)換到細(xì)節(jié)層圖像,并通過(guò)去噪算法加以優(yōu)化,實(shí)現(xiàn)了圖像色彩和噪聲的同步處理,利用直方圖均衡化算法,使得算法在保證圖像質(zhì)量的情況下同時(shí)提升了亮度、清晰度和對(duì)比度。經(jīng)本文算法處理后的圖像顏色自然,畫(huà)面質(zhì)量高,圖像細(xì)節(jié)信息豐富。與其他去霧算法相比,本文算法在去除噪聲、恢復(fù)色彩方面有了明顯提升,經(jīng)處理的圖像各項(xiàng)屬性均有所提升,圖像顏色自然,畫(huà)面質(zhì)量高,圖像細(xì)節(jié)信息豐富。對(duì)于含有大面積天空區(qū)域的霧天圖像使用算法后也有一定效果,但仍顯不足,該類圖像也是今后主要攻克的問(wèn)題。1.3 基礎(chǔ)層直方圖均衡化
1.4 細(xì)節(jié)層改進(jìn)的自適應(yīng)小波閾值去噪
1.5 圖像融合及gamma校正
2 實(shí)驗(yàn)結(jié)果與分析
2.1 改進(jìn)的小波閾值去噪實(shí)驗(yàn)
2.2 霧天圖像去霧對(duì)比實(shí)驗(yàn)
3 結(jié)束語(yǔ)