一種基于自適應(yīng)大氣光和加權(quán)引導(dǎo)濾波的夜間圖像去霧算法

趙 波，李洪平，金汝寧，唐萬松，劉相宜

(1.四川大學(xué) 機(jī)械工程學(xué)院，四川 成都 610065；2.四川省智能農(nóng)機(jī)裝備創(chuàng)新中心，四川 德陽 618000)

戶外視頻圖像采集廣泛用于交通安防和無人駕駛等多個(gè)領(lǐng)域，但由于霧霾等天氣因素的影響，所采集的圖像往往會(huì)出現(xiàn)模糊、色彩偏移等問題[1]。近年來，針對晝間圖像去霧的研究得到了廣泛的發(fā)展并趨于成熟，但在夜間人工光源條件下，晝間去霧算法存在不能有效復(fù)原夜間霧天圖像等局限性[2]。以無人駕駛為例，若在夜間有霧場景下不能實(shí)現(xiàn)圖像的快速去霧，將會(huì)嚴(yán)重影響視覺感知模塊的性能，從而危及其行駛安全[3]。因此，研究夜間霧天圖像復(fù)原，彌補(bǔ)現(xiàn)有去霧算法在夜間場景下的不足，對于算法的場景普適性和可靠性具有重要學(xué)術(shù)意義，同時(shí)對于夜間條件無人駕駛和視頻安防等設(shè)備的正常工作具有重要的工程應(yīng)用價(jià)值。

目前，圖像去霧算法研究主要分為3類，即圖像增強(qiáng)、深度學(xué)習(xí)和圖像復(fù)原技術(shù)。基于圖像增強(qiáng)的研究主要基于圖像自身信息，通過局部直方圖均衡化算法[4]、Retinex算法[5]等提升圖像的對比度和色彩紋理信息，但忽略了霧天圖像的形成機(jī)理，去霧效果有限。程鴻等[6]針對夜間有霧圖像光照不均勻問題，利用同態(tài)濾波校正圖像光照，并使用Retinex算法實(shí)現(xiàn)了光源附近的光暈去除，得到了視覺效果較好的夜間無霧圖像。得益于計(jì)算機(jī)計(jì)算能力的提升，基于深度學(xué)習(xí)[7-11]的圖像去霧算法不斷被衍生出來，但由于不同場景數(shù)據(jù)庫的相對缺乏，限制了算法的普適性和可靠性。Liao等[12]提出一種夜間霧濃度預(yù)測網(wǎng)絡(luò)HDP-Net，并通過預(yù)測結(jié)果與原圖像相減，得到色彩清晰的無霧圖像。針對夜間多光源場景，Kuanar等[13]引入了一個(gè)基于深度學(xué)習(xí)的DeGlow-DeHaze迭代模型，該模型同時(shí)考慮了不同的顏色和光源，有效地解決了復(fù)原圖像中的光暈現(xiàn)象。圖像復(fù)原技術(shù)主要利用大氣光學(xué)模型，在各種先驗(yàn)假設(shè)[14-16]基礎(chǔ)上，基于霧霾的形成機(jī)理逆向推導(dǎo)無霧圖像。然而，對于夜間霧天圖像，由于多個(gè)光源的存在，往往會(huì)引起圖像照度不均、色彩偏差嚴(yán)重、大氣光分布不均勻等問題。因此，在夜間霧天場景下，基于恒定大氣光的假設(shè)先驗(yàn)有一定的局限性。部分學(xué)者嘗試將圖像增強(qiáng)技術(shù)和圖像復(fù)原技術(shù)相融合來實(shí)現(xiàn)復(fù)原圖像的優(yōu)化[17-19]，但算法復(fù)雜度也隨之增大。Ancuti等[20]提出一種基于多尺度融合的夜間去霧算法，通過在局部圖像塊上估計(jì)圖像大氣光，避免了光照不均的影響，但圖像復(fù)原后會(huì)引起色彩失真。Li等[21]引入一種新的夜間霧霾模型，通過分析不同光源及其光暈，并在去霧前消除光暈的影響，但該模型在復(fù)原后景深處會(huì)引起邊緣偽影。Yu等[22]首先利用通道差分圖作為引導(dǎo)圖，對原圖像進(jìn)行引導(dǎo)濾波以得到環(huán)境大氣光的分布圖，并提出亮通道先驗(yàn)矯正亮區(qū)域的透射率，最后采用加權(quán)融合的方法得到透射率圖，但亮、暗通道透射率的不準(zhǔn)確融合會(huì)引起復(fù)原圖像中暗區(qū)域的紋理消失。Zhang等[23]基于日間室外圖像統(tǒng)計(jì)，提出最大反射率先驗(yàn)估計(jì)環(huán)境大氣光。隨后，Zhang等[24]在此基礎(chǔ)上，提出基于最佳尺寸最大反射率先驗(yàn)，有效解決了最大反射率先驗(yàn)在單色區(qū)域的失效問題，不足之處是復(fù)原后的圖像偏暗。本文受Yu等[22]提出的亮、暗通道先驗(yàn)融合思想的啟發(fā)，提出一種自適應(yīng)大氣光求取方法，主要思想是：基于飽和度和亮度聯(lián)合求取大氣光，同時(shí)對亮、暗通道透射率融合方法進(jìn)行優(yōu)化；在透射率融合階段，對亮度分量進(jìn)行分段伽馬矯正得到亮通道透射率融合權(quán)值，實(shí)現(xiàn)亮、暗通道投射率的可靠融合，并采用加權(quán)聚合引導(dǎo)濾波細(xì)化初始透射率；為解決暗通道先驗(yàn)引起的復(fù)原圖像偏暗問題，將復(fù)原圖像轉(zhuǎn)化到HSV（Hue-Saturation-Value）色彩空間，對亮度分量V（Value）進(jìn)行均衡化；最后，對均衡化前后的圖像進(jìn)行線性融合，得到最終的復(fù)原圖像。實(shí)驗(yàn)結(jié)果表明，所提算法在有效復(fù)原圖像的同時(shí)，去霧徹底，色彩自然，紋理清晰。

1 算 法

圖1為基于自適應(yīng)大氣光和加權(quán)聚合引導(dǎo)濾波的夜間圖像去霧算法的整體架構(gòu)，共分為3部分。1）大氣光模塊：基于亮度和飽和度分量聯(lián)合求取信道圖，并將信道圖作為引導(dǎo)圖，采用引導(dǎo)濾波對原始圖像進(jìn)行引導(dǎo)得到大氣光分布圖。2）透射率模塊：基于亮通道先驗(yàn)和暗通道先驗(yàn)求取對應(yīng)的透射率，對亮、暗通道透射率進(jìn)行線性加權(quán)以得到初始透射率，其中，亮通道透射率權(quán)值通過對亮度分量進(jìn)行分段伽馬矯正得出；為解決引導(dǎo)濾波容易引起弱紋理模糊等問題，引入加權(quán)聚合引導(dǎo)濾波，在引導(dǎo)濾波的聚合階段基于相似度為不同的窗口分配權(quán)值，實(shí)現(xiàn)初始透射率的細(xì)化。3）亮度矯正模塊：為解決復(fù)原后圖像偏暗的問題，將復(fù)原后的圖像J1轉(zhuǎn)換到HSV空間，對V分量進(jìn)行均衡化后得到J2，最后將J1和J2進(jìn)行線性聚合，得到最終的復(fù)原圖像J。

圖1 基于自適應(yīng)大氣光和加權(quán)聚合引導(dǎo)濾波的夜間圖像去霧算法框架Fig.1 Framework of night image dehazing algorithm based on the adaptive atmospheric light and the weighted aggregation guided filter

1.1 大氣散射模型

Narasimhan等[25]提出的大氣散射簡化模型廣泛應(yīng)用于圖像去霧領(lǐng)域，其物理模型為：

式中，I為霧天原始圖像矩陣，J為去霧后的圖像矩陣，t為透射率矩陣，A為大氣光值，O為元素都為1的矩陣。由式（1）可知，A和t未知，求解J是一個(gè)病態(tài)問題，對于式（1）的求解需要強(qiáng)有力的先驗(yàn)。但由于在夜間圖像場景下，光線主要由人工光源提供，局部大氣光分布不均勻，恒定的大氣光值不能有效滿足去霧需求，Yu等[22]提出一種適用于夜間去霧的大氣光學(xué)模型，采用大氣光分布圖A代替恒定大氣光值A(chǔ)，即：

為了解決夜間場景下大氣光求解問題，本文提出一種自適應(yīng)大氣光分布圖求取方法。首先，聯(lián)合圖像亮度分量和飽和度分量求取大氣光信道圖L，如式（3）所示；然后，基于引導(dǎo)濾波求取夜間霧天圖像的大氣光分布圖A，如式（4）所示。

式中，V為圖像亮度分量，S為圖像飽和度分量，Guild-Filter(L,I)為L在I的引導(dǎo)下進(jìn)行濾波操作。

圖2中的兩行分別為兩張夜間有霧圖像的大氣光分布圖。由圖2（b）和（c）可知，本文所提算法求得的大氣光分布結(jié)果與Yu等[22]算法一致，說明所提大氣光分布圖求取算法可以有效求取圖像的大氣光分布情況，具有一定的魯棒性。

圖2 大氣光對比Fig.2 Comparison of atmospheric light

1.2 亮、暗通道先驗(yàn)及透射率細(xì)化

He等[15]提出的暗通道先驗(yàn)是解決式（1）病態(tài)問題最具代表性的假設(shè)和先驗(yàn)。該先驗(yàn)表明，在一幅彩色圖像的R、G、B 3個(gè)通道中，總有1個(gè)通道或其鄰域內(nèi)的像素色彩通道強(qiáng)度值很小，近似為0，數(shù)學(xué)表達(dá)式如下：

式中：Jdark為像素暗通道矩陣；min_D(I)為求解矩陣I的像素暗通道函數(shù)，對矩陣I中每一個(gè)像素，該函數(shù)首先分別計(jì)算其鄰域像素的R、G、B通道取值的最小值作為每一個(gè)鄰域像素通道暗值，再計(jì)算該像素所有鄰域像素通道暗值的最小值，作為該像素的像素暗通道值；本文鄰域大小取為15×15。對式（2）兩邊求取局部最小值，并將式（5）代入式（2），得到暗通道透射率tdcp的表達(dá)式：

為避免恢復(fù)出的圖像不協(xié)調(diào)，引入透射率修正參數(shù)ω[15]，ω = 0.95，如式（7）所示：

圖3為所提算法對夜間霧天圖像的復(fù)原過程。由圖3（a）和（b）可知，紅框區(qū)域存在著多個(gè)光源，此處的透射率應(yīng)相對較大，而暗通道先驗(yàn)求取的透射率卻很小，表明暗通道先驗(yàn)在亮區(qū)域處出現(xiàn)失效。

圖3 基于亮、暗通道先驗(yàn)的透射率求取圖Fig.3 Transmittance calculation diagrams based on light and dark channel priors

為解決夜間亮區(qū)域暗通道失效問題，Yu等[22]對500幅夜間有霧圖像進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，在夜間光源等亮區(qū)域，95%以上的像素點(diǎn)的亮通道值為0.9 ～ 1.0，即亮通道先驗(yàn)。該先驗(yàn)表明在夜間有霧圖像亮區(qū)域處，R、G、B 3個(gè)通道中總有一個(gè)的像素強(qiáng)度值很高，如下所示：

式中，Jbcp為 圖像亮通道矩陣，m ax_B(I)為求解矩陣I的像素亮通道函數(shù)。將式（8）代入式（2）得到圖像的亮通道透射率tbcp：

亮通道透射率如圖3（c）所示，亮通道先驗(yàn)在光源等亮區(qū)域的透射率估計(jì)準(zhǔn)確，如紅框區(qū)域；同時(shí)觀察圖3（c）藍(lán)框中的天空區(qū)域，發(fā)現(xiàn)亮通道透射率還適用于夜間天空等微光區(qū)域的透射率矯正。

由以上分析可知，亮通道先驗(yàn)更加適用圖像中的亮區(qū)域；而在非亮區(qū)域，暗通道先驗(yàn)更加適用。為同時(shí)兼顧兩者優(yōu)點(diǎn)，采用線性加權(quán)的方法對亮、暗通道透射率加以融合：

式中，μ為亮通道透射率權(quán)值矩陣。為了解決Yu等[22]在亮、暗通道透射率融合不準(zhǔn)確引起復(fù)原圖像中暗區(qū)域紋理消失的問題，本文提出一種基于亮度分量的分段伽馬矯正權(quán)值計(jì)算方法，使用圖像的亮度值表征圖像的亮通道透射率權(quán)值。圖像亮度圖V與圖像R、G、B 3通道的像素值的關(guān)系如式（11）所示：

式中，max_C(I)為求圖像I的R、G、B 3通道最大值操作。在夜間場景下，圖像成像的主要光源來自人工光源或月光。對于圖像中光源處或光源周邊的亮區(qū)域，其3通道值一般較高；對于圖像中距離光源較遠(yuǎn)的暗區(qū)域，其成像的光主要來自月光或微弱的人工光線，其3通道的值一般較低。當(dāng)圖像中某區(qū)域的亮度值較大時(shí)，3通道值也就越大，說明該區(qū)域受光源的影響越大，亮區(qū)域的概率就越大，亮通道透射率權(quán)值也就越大；反之，暗通道先驗(yàn)應(yīng)越占優(yōu)，亮通道透射率也就越小。綜合上述分析可得到亮通道透射率權(quán)值矩陣 μ表達(dá)式為：

式中，vl j為V的元素，l、j為矩陣元素下標(biāo)，T為亮、暗分割閾值。當(dāng)圖像被分割成亮區(qū)域時(shí)，其亮區(qū)域的透射率權(quán)值應(yīng)越高。為了準(zhǔn)確地確定分割閾值，實(shí)現(xiàn)圖像中亮暗區(qū)域的準(zhǔn)確分割，選取不同閾值T對圖像亮暗區(qū)域進(jìn)行分割并進(jìn)行權(quán)值計(jì)算，分割后的亮區(qū)域透射率權(quán)值圖如圖4所示。綜合分析可知，隨著T增大，圖4中亮區(qū)域的占比逐漸減小。當(dāng)T為0.3時(shí)，圖4中的部分非亮區(qū)域被分割為亮區(qū)域，如圖4（b）第2行中的紅色區(qū)域所示。當(dāng)T為0.5時(shí)，圖4（d）中的亮區(qū)域被誤分割為了暗區(qū)域，如圖4（d）第1行中藍(lán)色區(qū)域所示。當(dāng)T為0.6時(shí)，誤分割的情況進(jìn)一步加重。當(dāng)T為0.4時(shí)，圖像中亮區(qū)域分割準(zhǔn)確，可實(shí)現(xiàn)圖像亮、暗區(qū)域的有效辨識。因此本文取亮、暗區(qū)域分割閾值為0.4。

圖4 不同亮區(qū)域分割閾值下的亮區(qū)域透射率權(quán)值圖Fig.4 Weight diagram of bright region transmittance under different bright region segmentation threshold

圖3（a）的亮區(qū)域透射率權(quán)值分布情況如圖3（d）所示，融合后得到的初始透射率如圖3（e）所示。由圖3（e）可知，所提權(quán)值計(jì)算方法對亮區(qū)域響應(yīng)敏感，融合后的透射率在亮、暗區(qū)域分布準(zhǔn)確。

為細(xì)化透射率，保持復(fù)原圖像的紋理信息，He等[15]提出引導(dǎo)濾波。但引導(dǎo)濾波在聚合階段不能考慮全局信息，會(huì)導(dǎo)致細(xì)小紋理被弱化，出現(xiàn)Halo效應(yīng)[26-27]。為清晰地保留圖像邊緣的弱紋理信息，陳彬等[27]在引導(dǎo)濾波的聚合階段為不同的窗口分配權(quán)值，鄰域像素k與中心像素i相似度越高，權(quán)值越大，像素i的加權(quán)聚合引導(dǎo)濾波值qi的數(shù)學(xué)表達(dá)式為：

式（14）～（15）中：ωk為以像素k為中心的鄰域局部窗口，k為中心像素；n為鄰域局部窗口 ωk的鄰域像素，n∈ωk；|ωk|為 局部窗口 ωk內(nèi)鄰域像素的個(gè)數(shù)；pn為輸入的透射率圖t中像素n的取值；ek為 ωk中像素n的灰度值gn與 透射率pn的 均方誤差；η為一個(gè)很小的常數(shù)，本文取0.03。基于加權(quán)聚合引導(dǎo)濾波細(xì)化的透射率圖如圖3（f）所示。

將大氣光分布圖A和加權(quán)聚合引導(dǎo)濾波細(xì)化后的透射率t代入式（2），透射率下限值t0設(shè)定為0.1，如下所示：

式中，max_t(t,t0) 為求解t中元素取值和t0的較大值的函數(shù)。當(dāng)t中元素大于t0時(shí) ，元素值不變；當(dāng)t中元素小于t0時(shí) ，用t0替換該元素。

復(fù)原圖像J1如圖3（g）所示。由圖3（g）可知，基于加權(quán)聚合引導(dǎo)濾波細(xì)化后的透射率弱紋理保持完整，復(fù)原后無Halo效應(yīng)。

1.3 亮度矯正

為解決圖像去霧后整體偏暗的問題，將復(fù)原圖像轉(zhuǎn)化到HSV空間，對亮度進(jìn)行均衡化，并對矯正前后的圖像進(jìn)行線性聚合，如下所示：

式中，J為最終復(fù)原的圖像，J1為均衡化前的圖像，J2為均衡化后的圖像，κ為亮度校正聚合權(quán)值。由于引入了亮通道先驗(yàn)，暗通道先驗(yàn)導(dǎo)致的圖像偏暗問題已得到了一定的改善。為保證復(fù)原結(jié)果更接近真實(shí)復(fù)原效果，κ應(yīng)為一個(gè)相對較大的值。

為更加綜合評價(jià)去霧效果，本文選擇峰值信噪比、信息熵、平均梯度、復(fù)原圖像的方差和Fade指標(biāo)[28]作為客觀評價(jià)指標(biāo)，并通過運(yùn)行時(shí)間評價(jià)算法的運(yùn)行效率。峰值信噪比反映了復(fù)原圖像和原始有霧圖像在相同位置的顏色差異情況，其值越大，圖像的失真就越小，圖像復(fù)原效果越好；信息熵反映圖像所含信息量的多少，其值越高，說明圖像包含的紋理信息越多；平均梯度反映圖像對微小細(xì)節(jié)反差的表達(dá)能力，平均梯度越大，說明復(fù)原后的圖像紋理越清晰；方差可反映圖像的灰度分布程度，方差越大，圖像對比度越高，去霧的效果越好；Fade指標(biāo)反映圖像含霧量大小，其值越小，圖像去霧越徹底。

為得到最佳的亮度校正權(quán)值系數(shù)，本文在0.7 ～1.0之間，以0.05為步長選取κ ，不同 κ對亮度校正后的復(fù)原結(jié)果（圖3（g））的影響如圖5所示。

圖5 不同聚合權(quán)值κ下復(fù)原結(jié)果的客觀指標(biāo)對比Fig.5 Comparison of objective indicators of recovery results at κ different aggregate weights

由圖5可知：當(dāng)聚合權(quán)值增大時(shí)，峰值信噪比增加，而信息熵、平均梯度和方差降低；Fade值先減小后增加，且在κ=0.85時(shí)，F(xiàn)ade有最小值。為了兼顧復(fù)原結(jié)果的客觀指標(biāo)全局最優(yōu)，選取亮度校正聚合權(quán)值為0.85。由最終的復(fù)原結(jié)果（圖3（h））可知，亮度校正后的圖像亮度適中，色彩自然，紋理清晰，去霧徹底。

2 實(shí)驗(yàn)結(jié)果與分析

仿真實(shí)驗(yàn)環(huán)境如下：CPU型號為Intel Core i7-8750H CPU@2.20 GHz，操作平臺為64位 Windows 10。仿真軟件環(huán)境為MATLAB R2019a。求取大氣光分布A所采用引導(dǎo)濾波的直徑為64像素；細(xì)化透射率階段，采用加權(quán)聚合引導(dǎo)濾波，濾波直徑32像素。

2.1 實(shí)驗(yàn)結(jié)果主觀評價(jià)

本文選取了5幅不同夜間場景下的霧天圖像，分別記為IMG 1～5，并將本文所提算法與He算法[15]、Li算法[21]、Yu算法[22]、Zhang算法[24]等經(jīng)典算法對比，結(jié)果如圖6所示。結(jié)果表明：He算法[15]可以去霧圖像中大部分霧，但復(fù)原后圖像整體偏暗，且在光源處產(chǎn)生光暈現(xiàn)象，表明了暗通道先驗(yàn)在夜間場景下去霧的局限性，如圖6（b）所示。Li算法[21]可有效去除近景處的霧，且復(fù)原后的圖像亮度適中，但會(huì)在景深的紋理邊緣處出現(xiàn)偽影，同時(shí)在天空區(qū)域出現(xiàn)失真，如圖6（c）所示。Yu算法[22]去霧后色彩自然，但會(huì)引起暗區(qū)域圖像紋理的消失，如圖6（d）所示。Zhang算法[24]可有效去除近景處的霧，但對遠(yuǎn)景處的去霧一般，且去霧后會(huì)出現(xiàn)一定的色偏，如圖6（e）所示。由圖6第1、2行可知，本文所提算法去霧徹底，有效地解決了暗通道先驗(yàn)在亮區(qū)域的失效問題，去霧后在天空等微光區(qū)域色彩無失真。由圖6的第3行可知，所提算法能夠有效去除圖像中遠(yuǎn)景處的霧，紋理過渡自然，無偽影產(chǎn)生。由圖6的4、5行可知，所提算法在多光源的霧天場景下，復(fù)原圖像無色偏，紋理清晰，具有較強(qiáng)的魯棒性。

圖6 復(fù)原結(jié)果對比Fig.6 Comparison of restoration results

2.2 實(shí)驗(yàn)結(jié)果客觀評價(jià)

各算法對5幅圖像復(fù)原效果的客觀評價(jià)結(jié)果如圖7所示。由圖7（a）～（e）可知：所提算法的峰值信噪比略低于Zhang算法，優(yōu)于其他對比算法，說明復(fù)原結(jié)果相對于原始有霧圖像的色彩保真度高，去霧后圖像原有特征信息保持較好，在IMG1中峰值信噪比相對于Li算法有最大提升，為49.4%；所提算法的信息熵整體優(yōu)于對比算法，說明復(fù)原圖像具有更豐富的細(xì)節(jié)，去霧更徹底，在IMG2中信息熵相對于He算法提升幅度最大，為18.3%；對比梯度和方差可知，所提算法復(fù)原圖像的平均梯度和方差優(yōu)于He算法、Yu算法和Zhang算法，略低于Li算法，在IMG1中，平均梯度相對于He算法的提升幅度最大，為172.3%；在IMG5中，方差相對于Zhang算法提升幅度最大，為115.0%，說明復(fù)原圖像灰度分布更均勻，輪廓更清晰；對比Fade指標(biāo)可知，復(fù)原圖像的Fade值均處于相對低值，說明含霧量較少，所提算法復(fù)原結(jié)果去霧徹底。算法運(yùn)行時(shí)間見表1，由于在引導(dǎo)濾波時(shí)引入了加權(quán)聚合模塊，因此執(zhí)行效率低于He算法、Yu算法和Zhang算法，但顯著優(yōu)于Li算法。

表1 算法執(zhí)行時(shí)間對比表Tab.1 Comparison of algorithm execution efficiency

圖7 客觀評價(jià)指標(biāo)對比Fig.7 Comparison of objective evaluation indexes

綜合對比客觀指標(biāo)和運(yùn)行時(shí)間發(fā)現(xiàn)，本文算法去霧效果明顯，去霧后圖像紋理清晰、色彩自然，整體優(yōu)于對比算法。

3 不同霧濃度下圖像復(fù)原結(jié)果

為了更加綜合地評價(jià)算法在不同霧濃度下的圖像復(fù)原性能，選用相同場景下的不同霧濃度夜間有霧圖像進(jìn)行復(fù)原。由于現(xiàn)實(shí)生活中同一場景下不同霧濃度的夜間有霧圖像較難采集，因此本文采用合成數(shù)據(jù)集進(jìn)行研究。Zhang等[24]通過統(tǒng)計(jì)大量的夜間有霧圖像，得到了在真實(shí)夜間光源下有霧圖像的色彩分布規(guī)律，同時(shí)通過設(shè)定不同的霧濃度系數(shù)，合成了少霧、中霧和濃霧3種不同霧濃度的夜間有霧圖像。本文選取其合成數(shù)據(jù)集中的夜間有霧圖像進(jìn)行復(fù)原，復(fù)原效果如圖8所示，圖8的第1行為相同場景下不同霧濃度的夜間有霧圖像，第2行為對應(yīng)的復(fù)原結(jié)果。由圖8可知，在不同霧濃度下，所提算法去霧徹底，亮暗區(qū)域的透射率值計(jì)算準(zhǔn)確，復(fù)原結(jié)果紋理清晰、色彩自然。

圖8 相同場景下不同霧濃度的夜間有霧圖像復(fù)原結(jié)果Fig.8 Restoration results of night fog images with different fog concentrations in the same scene

表2為不同霧濃度下復(fù)原圖像信息熵的提升幅度對照。在不同霧濃度下，所提算法復(fù)原的圖像信息熵均能得到有效的提升，說明復(fù)原后圖像紋理細(xì)節(jié)等信息能增大，可實(shí)現(xiàn)夜間相同場景下不同霧濃度有霧圖像的有效復(fù)原。

表2 不同霧濃度下復(fù)原圖像信息熵提升幅度Tab.2 Amplitude of the increase in the entropy of the restored image under different haze concentrations

4 結(jié) 論

為解決暗通道先驗(yàn)在夜間場景下的失效問題，本文提出一種基于自適應(yīng)大氣光和加權(quán)引導(dǎo)濾波的夜間圖像去霧算法。首先，基于圖像亮度和飽和度得到信道圖，并采用引導(dǎo)濾波自適應(yīng)得到大氣光分布圖；然后，建立一種新穎的亮暗通道透射率融合方法，實(shí)現(xiàn)了初始透射率的準(zhǔn)確求??；在透射率細(xì)化階段，采用加權(quán)聚合引導(dǎo)濾波細(xì)化透射率，解決了引導(dǎo)濾波引起的邊緣模糊問題；最后，將復(fù)原圖像進(jìn)行亮度矯正得到最終結(jié)果。實(shí)驗(yàn)結(jié)果表明，所提算法大氣光估值合理，亮區(qū)域透射率計(jì)算準(zhǔn)確，去霧徹底，復(fù)原結(jié)果無Halo效應(yīng)，具有較強(qiáng)的可靠性，且能對相同場景下的不同霧濃度圖像實(shí)現(xiàn)有效復(fù)原。與經(jīng)典算法結(jié)果對比表明，提出算法的綜合指標(biāo)優(yōu)于對比算法，峰值信噪比、信息熵、平均梯度和方差的最大提升幅度分別為49.4%、18.3%、172.3%和115.0%。后續(xù)工作將針對如何提高本算法的執(zhí)行效率，實(shí)現(xiàn)夜間場景下的實(shí)時(shí)去霧展開進(jìn)一步研究。