一種自適應(yīng)SSR的霧天低照度圖像增強(qiáng)方法

李燦林 朱金娟 劉金華 畢麗華

1(鄭州輕工業(yè)大學(xué)計(jì)算機(jī)與通信工程學(xué)院 河南 鄭州 450000) 2(鄭州輕工業(yè)大學(xué)學(xué)科建設(shè)辦公室 河南 鄭州 450000)

0 引 言

隨著計(jì)算機(jī)技術(shù)的日益發(fā)展，計(jì)算機(jī)視覺在室外監(jiān)測、交通監(jiān)控、航空航天等領(lǐng)域都有著極為重要的應(yīng)用。但由于霧霾等惡劣天氣，空氣中粉塵粒子增多，造成了設(shè)備成像內(nèi)容模糊、對(duì)比度低、顏色暗淡的現(xiàn)象，不僅降低了戶外的光學(xué)成像設(shè)備成像的視覺質(zhì)量，也不利于后續(xù)圖像特征的識(shí)別與提取，這使得圖像去霧增強(qiáng)技術(shù)成為了眾多學(xué)者的研究熱點(diǎn)。

目前，已有不少文獻(xiàn)從不同的研究角度提出了圖像去霧方法，大致可以分為兩類：一類是圖像修復(fù)方法，一類是圖像增強(qiáng)方法[1]。但圖像修復(fù)方法主要是基于大氣退化的物理模型，算法的實(shí)現(xiàn)需要更多的圖像額外信息，計(jì)算復(fù)雜度高[2]。對(duì)于一般的霧天低照度圖像，處理方法更多的是采用圖像增強(qiáng)方法。常用的有直方圖均衡化法(HE)[3]，HE算法簡單，容易實(shí)現(xiàn)，但使用HE會(huì)導(dǎo)致圖像細(xì)節(jié)模糊；因此STARK JA提出了自適應(yīng)直方圖均衡化法(AHE)[4]，改善了圖像細(xì)節(jié)的恢復(fù)，但其處理圖像容易出現(xiàn)過增強(qiáng)的現(xiàn)象；為了解決這一問題，有研究者提出了一種限制對(duì)比度的自適應(yīng)直方圖均衡化法(CLAHE)[5],它在AHE的基礎(chǔ)上進(jìn)行了對(duì)比度的限制，能使圖像對(duì)比度更加自然，但其同時(shí)放大了平坦區(qū)域的噪聲，容易產(chǎn)生偽影。肖俊等[6]指出同態(tài)濾波算法能很好地校正圖像光照不均現(xiàn)象，但由于該算法是針對(duì)整幅圖像進(jìn)行處理的，其中部分有用的信息也會(huì)丟失。其次，文獻(xiàn)[7]提出的色彩恒常性理論，即Retinex理論算法，在圖像去霧增強(qiáng)上也得到了應(yīng)用。該算法是一種非線性的圖像增強(qiáng)算法，可以模擬人的視覺系統(tǒng)，具有大動(dòng)態(tài)范圍壓縮、顏色恒常性、高色彩保真度等特點(diǎn)，適用于受霧天影響的低照度圖像，來對(duì)其進(jìn)行光照補(bǔ)償和去霧處理，能提高圖像質(zhì)量，使圖像的顏色更接近自然[8]。但是，基于Retinex理論的圖像增強(qiáng)算法還是存在一些缺陷，傳統(tǒng)單尺度Retinex[9](Single Scale Retinex，SSR)算法中高斯環(huán)繞尺度的設(shè)置往往需要通過大量實(shí)驗(yàn)來保證維持色彩保真度與提高對(duì)比度之間的平衡，處理圖像在光照突變處容易出現(xiàn)光暈；多尺度Retinex[10](Multi-Scale Retinex,MSR)算法在平衡圖像動(dòng)態(tài)范圍與對(duì)比度方面有所改善，但處理后的圖像容易出現(xiàn)顏色失真現(xiàn)象；帶色彩恢復(fù)的多尺度Retinex[11](Multi-Scale Retinex with Colour Restore,MSRCR)算法是對(duì)MSR算法的進(jìn)一步改進(jìn)，能更好地恢復(fù)圖像顏色，但其計(jì)算復(fù)雜度高。

針對(duì)以上所述各種圖像增強(qiáng)方法處理霧天低照度圖像存在的缺點(diǎn),以及單尺度算法相對(duì)多尺度計(jì)算處理圖像能更簡潔有效地取得較好效果[12-14]，本文提出一種自適應(yīng)單尺度Retinex(SSR)的霧天低照度圖像增強(qiáng)方法。首先針對(duì)SSR算法處理圖像在光照突變處容易產(chǎn)生光暈的缺點(diǎn)，將圖像轉(zhuǎn)換到HSI空間，對(duì)其亮度分量進(jìn)行伽馬自適應(yīng)校正;再利用PSO自適應(yīng)地尋找全局最優(yōu)尺度常量，來作為SSR算法中心環(huán)繞函數(shù)的尺度常量值。PSO在尋優(yōu)過程中，針對(duì)霧天圖像目標(biāo)內(nèi)容模糊以及對(duì)比度低等的特點(diǎn)，以信息熵作為參照之外，還將圖像標(biāo)準(zhǔn)差融入到粒子評(píng)價(jià)函數(shù)中，保證了尋優(yōu)結(jié)果對(duì)于處理霧天低照度圖像有更好的效果，降低了算法對(duì)參數(shù)設(shè)置的依賴性。

1 單尺度Retinex算法理論

Retinex理論是1963年E.Land作為人類視覺的亮度和顏色感知模型在俄亥俄州提出的一種顏色恒常知覺的計(jì)算理論[9]。該理論表明，觀察者所看到的物體圖像是由物體表面對(duì)入射光反射得到的，反射圖像由物體本身決定，不受入射光的影響，其模型如圖1所示。

圖1 Retinex理論模型

即被觀察的圖像S(x,y)可以看作是由光的照射分量L(x,y)和具有圖像細(xì)節(jié)信息的目標(biāo)物體的反射圖像R(x,y)構(gòu)成，用公式表示為：

S(x,y)=R(x,y)·L(x,y)

(1)

Retinex算法的思想是在頻域上用原圖像減去圖像的低頻部分(照射分量)來獲取圖像細(xì)節(jié)信息(高頻部分，即反射分量)。

第一步先將公式兩端取對(duì)數(shù)：

(2)

r(x,y)=logS(x,y)-logL(x,y)

(3)

而基于數(shù)學(xué)理論，光照分量L(x,y)不能被直接求出，而是采用S(x,y)與一個(gè)中心環(huán)繞函數(shù)F(x,y)的卷積來代替，則公式可以寫成：

r(x,y)=logS(x,y)-log[S(x,y)×F(x,y)]

(4)

式中：r(x,y)為輸出圖像即所求圖像，中心環(huán)繞函數(shù)F(x,y)一般選用高斯函數(shù)來實(shí)現(xiàn)：

(5)

λ作為一個(gè)尺度常量，要求它的值必須滿足以下歸一化條件：

(6)

另外，式(5)中c為高斯環(huán)繞尺度，當(dāng)c值設(shè)置較小時(shí)，能較好地控制動(dòng)態(tài)范圍的壓縮，圖像細(xì)節(jié)能得到較好的增強(qiáng)；而當(dāng)c值設(shè)置較大時(shí)，顏色恒常性保持較好。故c值的設(shè)置極為重要，選擇合適的c值才能保證平衡增強(qiáng)后的圖像在動(dòng)態(tài)范圍的壓縮與對(duì)比度增強(qiáng)。

2 霧天低照度圖像增強(qiáng)方法

針對(duì)霧天低照度圖像的特點(diǎn)，及其傳統(tǒng)SSR算法處理圖像存在的缺陷，該方法首先將讀入的RGB霧天低照度圖像轉(zhuǎn)換到HSI空間，采用伽馬校正方法對(duì)亮度分量I進(jìn)行自適應(yīng)校正，得到亮度較均勻的中間圖像；再對(duì)中間圖像采用自適應(yīng)的SSR算法進(jìn)行去霧增強(qiáng)處理。由于傳統(tǒng)的SSR算法處理圖像效果依賴中心環(huán)繞函數(shù)尺度常量的設(shè)置，以往需要通過人為手動(dòng)的大量實(shí)驗(yàn)驗(yàn)證才能得到較為理想的效果，本文通過PSO得到一個(gè)全局最優(yōu)尺度值，來作為SSR算法的中心環(huán)繞函數(shù)的尺度常量，縮短實(shí)驗(yàn)時(shí)間的同時(shí)保證了增強(qiáng)圖像的質(zhì)量。本文所提出的一種自適應(yīng)SSR的霧天低照度圖像增強(qiáng)方法的總體流程如圖2所示。

圖2 本文算法流程

2.1 圖像亮度分量的校正處理

(1) 亮度分量的提取。HSI顏色模型是一種典型的面向視覺感知的彩色系統(tǒng)模型，其中H表示色調(diào)，S表示飽和度，I表示亮度(對(duì)應(yīng)圖像灰度(亮度))。HSI模型的特征是彩色圖像中攜帶顏色信息的色調(diào)H和飽和度S兩個(gè)分量與亮度I之間沒有關(guān)聯(lián)，將RGB圖像轉(zhuǎn)換到HSI模型對(duì)圖像亮度進(jìn)行調(diào)整，保證了圖像色彩信息的不流失。其中亮度分量的轉(zhuǎn)換公式采用幾何推導(dǎo)法，方法如式(7)所示。

I=(R+G+B)/3

(7)

(2) 亮度分量的校正。伽馬校正[15]是圖像預(yù)處理階段常用的一種非線性操作，屬于直方圖修正技術(shù)，常用于平衡圖像光照不均和提高圖像對(duì)比度。伽馬校正主要是通過伽馬(γ)自適應(yīng)參數(shù)來實(shí)現(xiàn)對(duì)圖像的調(diào)整，它的基本形式如下：

(8)

式中：Iin∈[0,Imax]，Imax是輸入圖像灰度(亮度)的最大值，Iin是輸入圖像某像素點(diǎn)的實(shí)際灰度值。從式(8)中可以看出，伽馬校正技術(shù)主要是通過參數(shù)γ來控制圖像的拉伸程度，不同的γ值拉伸效果不同。當(dāng)γ=1時(shí)，對(duì)輸入圖像不進(jìn)行拉伸；γ<1時(shí)，處理后的圖像會(huì)比輸入圖像更亮；γ>1時(shí)，處理后的圖像會(huì)比輸入圖像更暗。圖3為不同γ值處理后的圖像拉伸狀態(tài)。

圖3 不同γ值下圖像拉伸狀態(tài)

本文采用伽馬校正的方式來對(duì)圖像亮度進(jìn)行調(diào)整，根據(jù)Retinex理論可以得出圖像的光照分量，基于圖像光照分量的分布特性自適應(yīng)地調(diào)整伽馬(γ)參數(shù)，構(gòu)造伽馬校正函數(shù)如下：

(9)

(10)

L(x,y)=S(x,y)×F(x,y)

(11)

式中：Iout(x,y)為校正后的亮度值；Iin(x,y)為原圖像的亮度分量；γ為校正自適應(yīng)參數(shù)；u為光照分量的亮度均值；L(x,y)為圖像的光照分量，可根據(jù)Retinex理論計(jì)算得出，如式(11)所示，其中S(x,y)為原圖像，F(xiàn)(x,y)是為高斯函數(shù)的中心環(huán)繞函數(shù)，如式(5)所示。

圖4 圖像亮度分量的校正過程

2.2 PSO尋優(yōu)

PSO最初是由James Kennedy和Russell Eberhart于1995年提出的一種進(jìn)化算法,其發(fā)展是基于對(duì)鳥群捕食這種社會(huì)行為的研究[16]。標(biāo)準(zhǔn)粒子群優(yōu)化算法的基本思想是：假設(shè)搜索空間為M維，空間中共有N個(gè)粒子，則第i個(gè)粒子的空間位置可以表示為Xi=(xi1,xi2,…,xiM),i=1,2,…,N,速度可以表示為Vi=(vi1,vi2,…,viM)；定義該粒子的自身歷史最優(yōu)點(diǎn)(Personal best)為pbest,表示為Pi=(pi1,pi2,…,piM)；定義種群所找到的最優(yōu)點(diǎn)(Global best)為gbest，表示為Pg=(pg1,pg2,…,pgM)。PSO第一步將種群粒子初始化為隨機(jī)粒子(隨機(jī)解)，然后通過迭代尋找最優(yōu)解，其算法流程如圖5所示。

圖5 PSO流程

在每一次的迭代中，粒子通過兩個(gè)極值pbest和gbest來更新自己的速度和位置，對(duì)于第m維(1≤m≤M)的粒子，迭代更新公式如下：

Vim(t+1)=ωVim(t)+c1r1(Pim(t)-Xim(t))+

c2r2(Pgm(t)-Xim(t))

(12)

Xim(t+1)=Xim(t)+Vim(t+1)

(13)

式(12)中：參數(shù)ω是慣性權(quán)重值，c1和c2是學(xué)習(xí)因子，r1和r2是[0,1]范圍內(nèi)的隨機(jī)數(shù)。從式(12)可以看出粒子狀態(tài)的更新依賴于三個(gè)方面：(1) 對(duì)先前粒子速度的繼承，這是基于粒子對(duì)先前自身狀態(tài)的信任，屬于“繼承部分”；(2) 粒子對(duì)自身的學(xué)習(xí)，這是一個(gè)擴(kuò)展自身狀態(tài)的過程，屬于“認(rèn)知部分”；(3)粒子對(duì)群體的學(xué)習(xí)，這反映了粒子間的信息互共與協(xié)作，屬于“社會(huì)部分”。近年來PSO被廣泛應(yīng)用于各個(gè)研究領(lǐng)域[17-20]，以其有效性和收斂速度快的特點(diǎn)在圖像增強(qiáng)領(lǐng)域也取得了很大成就[21-23]。

針對(duì)SSR算法中心環(huán)繞尺度的設(shè)置直接影響到圖像增強(qiáng)效果，提出了采用PSO來自適應(yīng)地選取環(huán)繞尺度值，本文將PSO尋優(yōu)的粒子總數(shù)N設(shè)置為100，最大迭代次數(shù)T設(shè)置為50，以連續(xù)8次迭代gbest值不更新作為終止迭代的條件，根據(jù)以往實(shí)驗(yàn)經(jīng)驗(yàn)當(dāng)中心環(huán)繞尺度c的值在80～130之間時(shí)會(huì)有相對(duì)較好的增強(qiáng)效果，為了提高解的精確性，將粒子值的范圍設(shè)置為[0.5，1.5]，在代入SSR算法計(jì)算時(shí)再將粒子值增加100倍。另外，針對(duì)標(biāo)準(zhǔn)粒子群算法容易陷入早熟收斂的現(xiàn)象，對(duì)其慣性權(quán)重值和學(xué)習(xí)因子值也做出了適時(shí)的調(diào)整。

(1) 客觀評(píng)價(jià)函數(shù)的設(shè)計(jì)。評(píng)價(jià)函數(shù)是算法中判斷粒子值好壞的依據(jù)，即評(píng)價(jià)圖像質(zhì)量的依據(jù)。霧天低照度圖像具有成像內(nèi)容對(duì)象模糊、對(duì)比度低等特點(diǎn)，因此增強(qiáng)圖像的目的是需要提高圖像清晰度和對(duì)比度。信息熵和標(biāo)準(zhǔn)差是評(píng)價(jià)圖像質(zhì)量常用的指標(biāo)，信息熵H反映了圖像所攜帶的信息量，標(biāo)準(zhǔn)差δ則反映了圖像的對(duì)比度特征，本文將兩者同時(shí)融入算法評(píng)價(jià)函數(shù)中，綜合兩個(gè)圖像質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行線性排列，來作為客觀評(píng)價(jià)函數(shù)，如式(14)所示。

fitness=a1H+a2δ

(14)

式中：fitness表示粒子的適應(yīng)度值；a1、a2是符合a1+a2=1的常數(shù)項(xiàng)，分別表示各目標(biāo)函數(shù)在整體評(píng)價(jià)函數(shù)中的權(quán)重，本文設(shè)置a1=a2=1/2，即兩項(xiàng)指標(biāo)所占權(quán)重相同。其中圖像信息熵H和圖像標(biāo)準(zhǔn)差δ的計(jì)算方法如下：

(15)

(16)

式(15)中：p(i)是指圖像灰度值為i的像素占總像素點(diǎn)的比例；式(16)中：M×N表示圖像大小，P(i,j)表示第i行第j列的像素值，μ表示均值。

(2) PSO參數(shù)的調(diào)整。針對(duì)標(biāo)準(zhǔn)粒子群優(yōu)化算法容易陷入局部最優(yōu)、早熟收斂，以及研究人員以提高解的精確度與有效性為目的等問題，提出了各種粒子群優(yōu)化算法的改進(jìn)模型[24-27]，但在這些改進(jìn)方法中，依然存在一些局限性，比如文獻(xiàn)[24]中提出的慣性權(quán)重線性遞減的方法，沒有考慮到后期在慣性權(quán)重很小的情況下粒子會(huì)缺乏探索能力，且這種線性的變化在非線性的問題處理中很難得到適應(yīng)。其次這些提出的改進(jìn)方法一些只是調(diào)整了部分參數(shù)，一些在慣性權(quán)重的調(diào)整和學(xué)習(xí)因子的調(diào)整上缺乏關(guān)聯(lián)性，這在一定程度上影響了問題最優(yōu)解的有效性。本文提出的慣性權(quán)重調(diào)整方法采用非線性的調(diào)整方式以適應(yīng)本文非線性的圖像增強(qiáng)，并且將學(xué)習(xí)因子的調(diào)整與慣性權(quán)重相關(guān)聯(lián)，整體上保持了同步，有效地避免粒子陷入早熟收斂。慣性權(quán)重值與學(xué)習(xí)因子的調(diào)整遵循以下規(guī)則：

(17)

c1=c1s-(c1s-c1e)cos(ω)

(18)

c2=c2s-(c2s-c2e)cos(ω)

(19)

式中：ωs為ω的初始值，ωe是ω的終止值，t表示當(dāng)前迭代次數(shù)，T是迭代次數(shù)的最大值，c1s為c1的初始值，c1e為c1的終止值，c2s為c2的初始值，c2e為c2的終止值。根據(jù)經(jīng)驗(yàn)，在本文算法中設(shè)置ωs=0.95，ωe=0.4，c1s=2.5，c1e=1.5，c2s=0.9，c2e=1.75。

3 實(shí)驗(yàn)與分析

本節(jié)給出了自適應(yīng)單尺度Retinex的霧天低照度圖像增強(qiáng)方法的實(shí)驗(yàn)結(jié)果。并將其與CLAHE算法、同態(tài)濾波算法、SSR算法和MSRCR算法進(jìn)行了比較。接下來將通過主觀視覺效果和客觀質(zhì)量評(píng)估兩個(gè)方面對(duì)圖像增強(qiáng)效果進(jìn)行分析。

3.1 主觀視覺效果

本文提出的針對(duì)霧天低照度圖像成像內(nèi)容模糊、對(duì)比度低、色彩暗淡的圖像增強(qiáng)方法，選取了戶外霧天狀況下拍攝的圖像，進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果與分析如下。

場景一為霧天狀況下拍攝的交通路況圖，從原圖中可以看出，該圖像由于霧天影響，導(dǎo)致前方交通指示燈以及其他指示標(biāo)語均處于模糊狀態(tài)，使人難以看清，這不利于來往車輛的行駛以及交通監(jiān)控系統(tǒng)的數(shù)據(jù)采集，且原圖整體顏色暗淡，對(duì)比度低，目標(biāo)對(duì)象模糊。通過CLAHE增強(qiáng)后圖像色彩得到了一定的恢復(fù),但景深處圖像目標(biāo)物體依舊與背景難以區(qū)分；同態(tài)濾波處理過后圖像可見度的提升不明顯；SSR算法處理后圖像出現(xiàn)了光暈現(xiàn)象；MSRCR則出現(xiàn)了顏色偏轉(zhuǎn)；經(jīng)過本文算法所處理的圖像整體上清晰度得到了很大的提升，在對(duì)霧的去除效果上相較于前幾種方法也有明顯的優(yōu)勢，同時(shí)很大程度上改善了SSR的光暈現(xiàn)象。

場景二為霧天拍攝的行駛而來的列車，從原圖來看，景深處目標(biāo)物體與背景幾乎無法區(qū)分，通過CLAHE處理后景深處物體開始顯現(xiàn)，可見度得到一些提升；同態(tài)濾波處理圖像過后從視覺上來看圖像質(zhì)量提升程度很小；SSR在車燈區(qū)域附近產(chǎn)生了明顯的光暈現(xiàn)象，處理過后的圖像亮度分布不均勻；MSRCR處理圖像后顏色偏深，偏離自然顏色；本文方法顏色恢復(fù)上較自然，處理后圖像整體視覺效果很好，且相較于前幾種方法，圖像可見度提升幅度最為明顯，圖像細(xì)節(jié)也得到了很好的保留。

圖6 場景一戶外交通路況圖增強(qiáng)實(shí)驗(yàn)結(jié)果

圖7 場景二列車增強(qiáng)實(shí)驗(yàn)結(jié)果

場景三拍攝的是湖面上游走的鴨群，原圖中湖面后的房屋、人群以及樹木都十分模糊，通過CLAHE處理，房屋和人群可見度得到了一定的恢復(fù)，但景深處的樹木仍然不太清晰；同態(tài)濾波過后圖像整體亮度偏暗，視覺上來看，圖像增強(qiáng)效果不佳；SSR在圖像右上角產(chǎn)生了光暈現(xiàn)象，影響了圖像整體的視覺效果；MSRCR處理過后圖像中間區(qū)域與四周亮度有偏差，邊緣位置細(xì)節(jié)恢復(fù)不佳；本文方法處理過后的圖像整體亮度分布較均勻，通過觀察湖面水波紋，以及目標(biāo)內(nèi)容鴨子、房屋、人群和樹木等可以看出圖像細(xì)節(jié)得到了很好的恢復(fù)，且相較于前幾種方法，圖像可見度與清晰度的提升有明顯的優(yōu)勢。

圖8 場景三湖面鴨群增強(qiáng)實(shí)驗(yàn)結(jié)果

場景四為山頂觀光的游客，霧天影響下圖像中的山體、游客、護(hù)欄等內(nèi)容都不太清晰，通過增強(qiáng)處理，圖像可見度和清晰度得到了提升。其中CLAHE和同態(tài)濾波增強(qiáng)圖像在可見度的提升上相對(duì)較弱；SSR和MSRCR在可見度的提升上有優(yōu)勢，但圖像恢復(fù)不自然，SSR增強(qiáng)圖像后，圖像整體的亮度不太均勻，視覺上效果不佳，MSRCR處理過后圖像顏色偏藍(lán)，偏離了自然顏色；本文方法較好地改善了以上問題，顏色恢復(fù)自然，圖像亮度均勻，且清晰度較高，觀察圖像中山體紋理等說明圖像細(xì)節(jié)恢復(fù)很細(xì)致，整體視覺效果良好。

圖9 場景四山頂游客增強(qiáng)實(shí)驗(yàn)結(jié)果

3.2 客觀質(zhì)量評(píng)估

為了客觀評(píng)價(jià)本文算法與CLAHE、同態(tài)濾波法、SSR和MSRCR對(duì)原圖像的增強(qiáng)效果，本文選取了圖像信息熵、平均梯度以及視覺對(duì)比度三個(gè)客觀評(píng)價(jià)指標(biāo)。

(1) 圖像信息熵。圖像的信息熵表示圖像每個(gè)灰度級(jí)像素所傳達(dá)的平均信息量，用來衡量目標(biāo)在圖像中的重要性，其值越大，表明圖像細(xì)節(jié)越豐富，圖像質(zhì)量越好。圖像信息熵的計(jì)算方法為式(14)。如表1所示，為各個(gè)場景圖像及其增強(qiáng)處理后的信息熵值。從表中數(shù)據(jù)來看，圖像經(jīng)過各種增強(qiáng)處理后熵值都得到了提升，其中本文算法和SSR提升程度較大，MSRCR、CLAHE和同態(tài)濾波次之。

表1 各場景及其增強(qiáng)圖像的信息熵值表

(2) 圖像平均梯度。圖像的平均梯度，指的是一幅圖像梯度圖上所有點(diǎn)的均值，它反映的是圖像的細(xì)節(jié)紋理變化特征和清晰度。平均梯度值越大，表示圖像層次越豐富，圖像越清晰。平均梯度G的計(jì)算公式如下：

(20)

如表2所示，為各場景圖像及其增強(qiáng)處理后的平均梯度值，從表中數(shù)據(jù)來看，其中本文算法在圖像平均梯度的提升上占絕對(duì)優(yōu)勢，SSR、MSRCR和CLAHE稍弱，同態(tài)濾波提升效果則不太明顯。

表2 各場景及其增強(qiáng)圖像的平均梯度值表

(3) 圖像視覺對(duì)比度。針對(duì)圖像質(zhì)量衡量的方法，文獻(xiàn)[28]提出了VCM(visual contrast measure)這種衡量圖像對(duì)比度的方法，計(jì)算方法如下：

VCM=100×Rv/Rt

(21)

式中：Rv表示圖像中超過區(qū)域信號(hào)標(biāo)準(zhǔn)差特定閾值的區(qū)域數(shù)，Rt表示圖像被分割的區(qū)域總數(shù)。因此VCM的值就表示圖像具有良好對(duì)比度區(qū)域的多少，其值越大表示區(qū)域越多，圖像對(duì)比度越好。

表3為各場景圖像及其增強(qiáng)處理后的VCM值，從表中數(shù)據(jù)來看，本文算法在視覺對(duì)比度VCM值的提升上程度最大，說明本文方法處理后圖像對(duì)比度較其他方法占優(yōu)勢。

表3 各場景及其增強(qiáng)圖像的VCM值表

通過以上三個(gè)衡量圖像質(zhì)量的客觀質(zhì)量評(píng)估數(shù)據(jù)的分析來看，本文所提方法在各個(gè)評(píng)價(jià)指標(biāo)上都取得了一定的優(yōu)勢，在霧天低照度圖像的去霧增強(qiáng)方面有很好的效果。

4 結(jié) 語

本文提出一種自適應(yīng)SSR的霧天低照度圖像增強(qiáng)方法，對(duì)霧天低照度情況下的圖像進(jìn)行了增強(qiáng)去霧。對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析可以得出，主觀上增強(qiáng)圖像在色彩保真度與對(duì)比度的提高兩個(gè)方面達(dá)到了有效的平衡，且很好地改善了光暈現(xiàn)象，得到的增強(qiáng)去霧圖像具有較好的視覺效果，相較于傳統(tǒng)算法(CLAHE、同態(tài)濾波、SSR、MSRCR)處理一般的霧天低照度圖像，有明顯的優(yōu)勢；客觀上本文方法是基于非線性的圖像增強(qiáng)方法，在圖像對(duì)比度提升的同時(shí)很好地保留了圖像細(xì)節(jié)，增強(qiáng)后的圖像能有效地保持色彩恒常性，清晰度高，適合人眼觀察；但仍需要進(jìn)一步的改進(jìn)，如在圖像景深處以及濃霧分布不均的情況下，對(duì)霧的去除效果不徹底。