一种改进的基于暗通道先验去雾算法

合集下载

基于暗通道先验的图像去雾优化算法

Ｏｐｔｉｍｉｚｅｄｄｅｈａｚｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒ
ＷＡＮＧＸｉｎ，ＳＵＮＹｉｎｇｙｉｎｇ，ＭＥＮＧＪｉａｎ
（ＣｈａｎｇｃｈｕｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，
王昕春１３００１２）
摘要：暗通道先验算法虽然在单幅图像去雾方面取得了一定的效果，但是该算法运行时间较长，另外对环境光的计算不太准确，不适用于天空区域，会导致复原图像色彩失真、亮度偏暗。针对这些缺陷，本文提出一种改进的ｗｈｉｔｅＰａｔｃｈＲｅｔｉｎｅｘ算法，对原有图像去雾算法进行优化。首先，通过改进的ｗｈｉｔｅＰａｔｃｈＲｅｔｉｎｅｘ算法计算出环境光。其次通过暗通道先验算法获得透射率。最后根据得到的环境光和透射率，求解大气散射模型，从而得到去雾后的图像。实验结果表明，该算法不仅运行时间较短，对分辨率为６００×８００的图像处理时间平均为５Ｓ左右，且能解决天空区域失真问题，去雾后的图像具有较高的亮度和对比度。关键词：去雾；暗通道先验；改进的ＷｈｉｔｅＰａｔｃｈＲｅｔｉｎｅｘ算法；引导滤波中图分类号：ＴＰ３１７．４文献标识码：Ａｄｏｉ：１０．３７８８／ＹＪＹＸ￥２０１６３１０５．０５０６

基于暗通道先验的图像去雾算法改进

基于暗通道先验的图像去雾算法改进王凯;王延杰;樊博【摘要】To develop an algorithm for haze removal based on the physics model,this paper proposes an improved and fast method for single image haze removal using dark channel prior.First,we intro-duce the degraded model for describing the formation of a haze image and several algorithms based on this model.Second,we introduce the method of He’s single image haze removal using dark channel prior.The image quality of He’s method is satisfactory,but it is a time consuming method because of refining the transmission map with guide filter.We propose an optimized method based on estimating transmission by scene depth directly and the runtime of the new algorithm decreases a lot.Finally,we realize the algorithm in MATLAB and compare the runtime with the original algorithm.Results dem-onstrates that the new method provides a reliable transmission estimation and a better image quality with around 40% computation time of He’s method,and the results of haze images with sky are less halos.The optimized method execute fast and the results demonstrate the new method abilities to re-move the haze layer as well as provide a high quality transmission estimation as a byproduct of haze removal which can be used for other applications.%为了实现基于物理模型的图像复原去雾算法，文中提出了一种改进的基于暗通道先验的图像去雾算法。

基于改进暗通道先验模型的遥感图像去雾算法

（Ｊ．ＡｐｐｌｉｃａｔｉｏｎｏｆＮｅｗＴｅｃｈｎｏｌｏｇｉｅｓｆｏＣｏｍｍｕｎｉｃａｔｉｏｎＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｃｈｏｎｇｑｉｎｇ４０００６５，Ｃｈｉｎａ；
ＩＩＩＤｌＧＩＴＡ数Ｌ宇Ｖｌ视Ｄ，王屈桥，燕历科．基于改进暗通道先验模型的遥感图像去雾算法［Ｊ］．电视技术，２０１７，４１（１）：１４ — １７
ＬＩＸＬ，ＷＡＮＧＱＱ，ＹＡＮＬＫ．ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄｅ－ｈａｚｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｄａｒｋｃｈａｎｎｅｌｐｉｒｏｒ
像采用自动色阶算法进行图像增强处理，提升了去雾后图像的亮度。实验表明，该算法在图像去雾的精确性和效率上均
优于原算法。关键词：无人机；图像去雾；暗通道先验；处理速度
ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄｅ－ｈａｚｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｄａｒｋｃｈａｎｎｅｌｐｒｉｏｒｍｏｄｅｌＬＩＸｉａｏｌｉｎ，ＷＡＮＧＱｕｑｉａｏ，ＹＡＮＬｉｋｅ

基于暗通道先验的单幅图像去雾改进算法

基于暗通道先验的单幅图像去雾改进算法基于暗通道先验的单幅图像去雾改进算法摘要：近年来，随着计算机视觉和图像处理领域的快速发展，图像去雾成为了研究的热点之一。

在单幅图像去雾中，暗通道先验算法是一种非常有效的算法。

本文提出了一种基于暗通道先验的单幅图像去雾改进算法，通过对暗通道进行优化得到更好的去雾效果。

实验结果证明，该算法在去雾效果和图像细节保持方面都达到了较好的效果。

关键词：暗通道先验算法；单幅图像去雾；图像细节保持 1. 引言在许多户外场景中，雾霾天气会导致图像质量下降，进而影响计算机视觉和图像处理的性能。

因此，图像去雾技术的研究对于提高图像质量和准确性具有重要意义。

在过去的几年中，许多基于单幅图像的去雾算法被提出，其中暗通道先验算法是一种广泛应用的方法。

2. 暗通道先验算法暗通道先验算法是一种利用图像中存在的暗通道来估计场景中全球大气光照的方法。

暗通道可以理解为图像中最暗的区域，它存在于几乎所有户外图像中。

该算法基于以下观察结果：在大气无光散射模型中，透射率和全球大气光照成反比关系。

因此，通过估计图像中最暗区域的暗通道来获得全球大气光照估计，并进一步计算出场景的透射率。

最后，通过修复的透射率和原始图像重建无雾图像。

然而，传统的暗通道先验算法在一些情况下存在一定的局限性。

首先，传统算法往往难以处理场景中存在强光源的情况。

这是因为在强光照射下，暗通道不再是局部最暗的区域，导致估计的透射率不准确。

其次，传统算法对于具有复杂纹理和细节的图像在去雾后可能存在伪影和失真问题。

3. 改进算法为了克服传统暗通道先验算法的局限性，本文提出了一种基于暗通道先验的单幅图像去雾改进算法。

改进算法分为以下几个步骤：3.1 强光源处理对于存在强光源的图像，传统算法往往难以准确估计透射率。

因此，我们在预处理阶段采用了一种强光源检测和过滤的方法。

首先，通过检测图像中较亮的区域来判断是否存在强光源。

然后，对于存在强光源的图像，我们利用图像分块和平滑操作来减弱其影响，使传统暗通道算法能够更好地适应这样的场景。

基于暗通道原理的图像去雾算法改进

电子技术与软件工程Electronic Technology&Software Engineering计算机与多媒体技术Computer And Multimedia Technology基于暗通道原理的图像去雾算法改进倪金卉(吉林建筑科技学院吉林省长春市130114)摘要：本文基于暗通原理改进的去雾算法针对透射率细化过程比较耗时的问题，通过结合Retinex算法进行改进；针对暗通道去雾类似区域出现颜色失真、色偏效应，采用分割出天空区域在求取大气参数A,提高求取大气参数A的精度，并结合阈值法对透射率加个增幅项；针对暗通道去雾处理后的图像有偏暗的现象，采用自适应对数映射算法进行色调调整.该改进算法能较好的还原出无雾图像，并具有很好的保留边缘细节信息等特性.关键词：图像去雾；暗通道去雾；透射率；还原图像雾是十分普遍的大气现象，釆集图像时目标图像和雾被一起釆集，这种图像比无雾图像看起来朦胧模糊且伴有颜色偏灰白、对比度下降现象。

何恺名博士通过大量户外自然图像釆集实验得出，在户外自然无雾图像中，除去天空区域外，绝大多数的图像数据块中都有一些在某个色彩通道上亮度值很小的像素，并提出了暗通道先验原理模型，通过暗通道先验假设直接恢复岀无雾的图像。

但在实际应用中，利用软抠图算法来细化粗糙的透射率，会导致算法的复杂度很高。

经过大量实验对比分析，本文题提出一种基于暗通道先验原理的改进算法。

户外釆集的图像，天空区域一般在图像的中上部，利用这种特点对是否存在天空进行判断和分割。

从而避免高亮物体对大气参数求取过程的影响并提高了求取大气参数的精度。

结合Retinex算法、利用快速双边滤波器对透射率滤波从而消除Halo现象和色彩失真。

针对像素点的值接近大气光值时，对透射率加上增幅项来消除出现的色斑色块效应。

1暗通道先验原理去霧算法1.1大气散射模型在近些年计算机视觉领域，有一种得到广泛应用的雾天图像成像物理模型为：I(x)=/(/(x)+/1(1-r(x))(1)其中，I(x)为获取的有雾降质图像：J(x)为无雾的场景真实图像：A为大气参数；t(x)为透射率。

基于暗通道先验的单幅图像去雾算法改进

粒子对光线的传播影响，从根本上解释了有雾图像
的。到目前为止，对于去雾算法的研究主要包括以
的成像过程及原理，然后通过数学建模实现大气散
下两类方法，第一类是基于图像增强的去雾方法，
该类方法主要是通过对有雾图像中的灰度、对比度ห้องสมุดไป่ตู้
∗
射物理模型。目前的方法主要有：Tan［5］提出有雾
图像的对比度要比无雾图像要低并且大气散射物
道先验的单幅图像去雾改进算法。首先通过两种不同的暗通道图像获取不同的透射率粗估计，联合这两种透射率粗估计，
利用引导滤波器对其进行初步优化，针对天空范围内透射率估计偏低，对天空范围内的透射率进行补偿，再次使用引导滤波
器优化透射率，利用四叉树多层次搜索获取大气光的准确值。最后通过大气物理模型，获得去雾图像。结果表明论文算法
Vol. 47 No. 11
2890
总第 361 期
计算机与数字工程
Computer & Digital Engineering
第 47
2019 年第
11 卷
期
基于暗通道先验的单幅图像去雾算法改进
缑新科
孙维江
（兰州理工大学电气工程与信息工程学院
摘
要
∗
兰州
730050）
针对基于暗通道先验去雾算法存在的时间复杂度高，复原图像的天空范围内颜色失真等问题，提出基于暗通
的运算时间相对于软抠图方法缩减 90%以上，并且可以有效地处理包含天空区域的有雾图像。
关键词
天空区域；两种暗通道；引导滤波；透射率补偿；四叉树多层次搜索
中图分类号
TP301.6
DOI：10. 3969/j. issn. 1672-9722. 2019. 11. 049

基于改进的暗通道先验图像去雾算法研究

基于改进的暗通道先验图像去雾算法研究基于改进的暗通道先验图像去雾算法研究摘要：在计算机视觉和图像处理领域中，图像去雾是一个重要的研究方向。

本文基于改进的暗通道先验图像去雾算法，对传统的暗通道先验算法进行了研究和改进。

通过对比实验和分析，验证了改进算法的有效性和性能优势。

1.引言图像去雾是指通过算法或方法，消除图像中雾气导致的低对比度和模糊现象，以提高图像质量和视觉感受。

暗通道先验算法是一种常用的图像去雾算法，它利用图像中的暗通道特性来估计雾浓度和恢复无雾图像。

2.暗通道先验图像去雾算法原理暗通道是指在大部分区域中亮度较低的像素值，这是由于雾气的散射和吸收效应所致。

暗通道先验图像去雾算法假设，在无雾区域存在最小值为0的暗通道，并利用这个先验知识进行去雾。

算法的主要步骤包括：计算图像原始暗通道、估计全局雾浓度、恢复无雾图像。

3.改进的暗通道先验图像去雾算法研究3.1 雾浓度预估阈值的优化传统的暗通道算法中，全局雾浓度的估计存在一定的误差。

为了提高估计的准确性，本文提出利用前景-背景分割技术来预估雾浓度的阈值。

通过分割得到的前景信息，可以更精确地确定图像中受雾区域的像素点，从而提高估计的准确性。

3.2 基于边缘信息的雾浓度校正在雾浓度估计的过程中，传统算法没有考虑到图像边缘的影响。

然而，边缘通常是图像中最重要的结构之一，其对雾浓度的估计也具有重要影响。

因此，本文引入边缘检测技术，将边缘信息融合到雾浓度估计中，并根据边缘强度进行权衡，从而校正雾浓度估计。

3.3 基于强度平衡的无雾图像恢复在传统的暗通道图像去雾算法中，通过估计雾浓度和原始暗通道图像，可以恢复无雾图像。

然而，由于图像在不同区域的强度分布不均匀，直接恢复会导致图像的失真。

为了解决这一问题，本文采用强度平衡技术，对恢复过程中的强度进行调整，以保持图像的均衡性和自然性。

4.实验与结果分析本文在公开数据集上对比了传统暗通道算法和改进算法，并进行了定性和定量评价。

基于改进暗通道算法的fpga内窥镜去雾实现方法

基于改进暗通道算法的FPGA内窥镜去雾实现方法近年来，随着硬件加速技术的发展，FPGA在图像处理领域得到了广泛的应用。

FPGA作为一种可编程逻辑器件，具有并行计算能力和低功耗特性，对于图像处理任务有着独特的优势。

本文将介绍基于改进暗通道算法的FPGA内窥镜去雾实现方法，通过对暗通道算法的改进来提高去雾效果，并结合FPGA的并行计算能力实现实时高效的去雾处理。

一、暗通道算法原理简介1. 暗通道概念暗通道是指在自然景物中，非遮挡物体在任意方向上的最小亮度。

根据暗通道先验原理，雾天中景物的某些区域在任意方向上都会存在较低的亮度值。

暗通道像素的取值可以被视为雾浓度和全球辐射下雾图像的透射率的函数。

2. 暗通道先验原理暗通道先验原理表明，在自然景物图像中，非遮挡物体的暗通道在任意方向上的最小值非常小。

基于此原理，我们可以利用这一性质来估计雾图像的透射率。

在去雾算法中，通过估计暗通道图像可以更准确地获取透射率，从而达到更好的去雾效果。

二、改进暗通道算法1. 原始暗通道算法存在的问题原始暗通道算法在处理一些特殊情况下会出现较大的误差，例如在存在大块均匀颜色区域或者含有高频纹理的图像中，透射率估计不准确，导致去雾效果不佳。

2. 改进算法的方法为了解决原始暗通道算法的问题，可以采取如下改进方法：（1）引入先验信息。

利用场景的先验信息，如雾天中天空的颜色通常为蓝色，可以根据此信息对透射率进行修正。

（2）结合边缘信息。

通过引入边缘信息，将边缘像素的透射率值适当提高，以减少边缘模糊现象。

（3）多尺度分析。

对图像进行多尺度分析，得到不同尺度下的透射率估计，综合考虑各尺度结果来获得更准确的透射率估计。

三、FPGA内窥镜去雾实现方法1. FPGA硬件加速的优势FPGA作为一种可编程逻辑器件，具有并行计算能力和可编程性的特点，相比于CPU和GPU具有更低的功耗和更高的灵活性。

在图像处理领域，FPGA可以实现高效的并行计算，对于实时图像处理任务有着独特的优势。

基于暗通道先验的图像快速去雾及增强算法研究

基于暗通道先验的图像快速去雾及增强算法研究基于暗通道先验的图像快速去雾及增强算法研究摘要：图像雾霾是影响图像质量的重要因素之一，因此去除图像中的雾霾成为图像处理领域重要的研究内容之一。

本文研究了一种基于暗通道先验的图像快速去雾及增强算法。

该算法利用了图像中存在的暗通道先验，对图像进行快速且有效的去雾处理，并同时改善图像的视觉质量。

通过实验对比及结果分析，表明本算法能够更好地去除图像中的雾霾，同时保持图像的真实性和细节信息。

1. 引言图像去雾是指通过对图像中的雾霾进行处理，使图像恢复清晰和细节丰富的过程。

在实际生活中，由于天气、环境污染等原因，图像中常常存在各种各样的雾霾，影响了图像的视觉质量和信息传递效果。

因此，研究图像去雾算法具有重要的实际意义。

2. 相关工作在过去的几十年中，学者们提出了许多图像去雾算法。

最早的一些算法主要基于物理模型，如大气散射模型。

然而，这些算法在实际应用中往往存在计算量大、时间复杂度高等问题。

近年来，基于暗通道先验的去雾算法逐渐引起了研究者的关注。

暗通道先验在大多数自然场景图像中都成立，即在图像中存在一些像素点，在任何一条从亮像素点到黑像素点的路径上，至少有一个像素点的RGB分量值非常小。

基于暗通道先验的去雾算法较之传统算法在算法复杂度和处理速度方面都具有优势。

3. 方法介绍本文提出的图像去雾算法主要基于暗通道先验和图像增强技术。

算法的具体步骤如下：(1) 暗通道估计：根据暗通道先验，估计图像中的暗通道，得到图像的全局最小值。

(2) 大气光估计：根据估计的暗通道，计算图像的大气光。

(3) 透射率估计：根据估计的暗通道和大气光，计算图像的透射率。

(4) 图像恢复：根据估计的透射率和大气光，对图像进行去雾恢复。

(5) 图像增强：对去雾后的图像进行增强处理，以提高图像的视觉质量。

4. 实验结果与分析为了验证本文算法的有效性，我们使用了多组室外和室内雾霾图像进行了实验。

实验结果表明，本文算法能够快速有效地去除图像中的雾霾，并且在保持图像真实性的同时，能够准确地保留图像的细节信息。

基于改进暗通道先验的图像去雾算法

㊀第52卷第1期郑州大学学报(理学版)Vol.52No.1㊀2020年3月J.Zhengzhou Univ.(Nat.Sci.Ed.)Mar.2020收稿日期:2019-01-12基金项目:河南省交通厅重点项目(220024140173)㊂作者简介:辛娇娇(1995 ),女,山西临汾人,硕士研究生,主要从事图像处理研究,E-mail:915927100@;通信作者:郭元术(1962 ),男,河南信阳人,教授,主要从事通信信号处理研究,E-mail:ysguo@chd,㊂基于改进暗通道先验的图像去雾算法辛娇娇,㊀陈本豪,㊀郭元术,㊀张红丽,㊀高㊀洁(长安大学信息工程学院㊀陕西西安710000)摘要:针对暗通道先验去雾算法在含有浓雾㊁亮白㊁非均匀光照区域造成的图像失真的问题,提出了一种改进的自适应局部阈值分割和自适应参数优化相结合的去雾算法㊂首先根据暗通道先验理论运用局部阈值分割出亮白区域和非亮白区域,然后采用引导滤波将求取的原始透射率进行细化,并通过亮白区域与非亮白区域加权求取更加精准的大气光强,提高了大气光强的鲁棒性,使得该算法适用于暗通道去雾效果不好的浓雾高亮区域和非均匀光照区域㊂最后,通过雾天图像降质模型恢复出无雾图片,将该算法与几种常用的去雾算法进行比较㊂结果表明,该算法在绝大多数情况下恢复的图片清晰自然,解决了图像去雾后视觉效果不好的问题,同时也有效改善了亮白区域色彩失真的现象㊂关键词:局部阈值分割;大气光强;暗亮通道先验;图像去雾中图分类号:TP391㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2020)01-0072-07DOI :10.13705/j.issn.1671-6841.20190130㊀引言计算机视觉系统如今广泛应用于各个领域,如交通监控㊁航天航空㊁医药工程等,这些应用场景都对采集的图像视觉质量要求较高㊂然而近年来,每到冬季我国的大部分地区经常出现大面积雾霾天气,恶劣天气严重影响着人们的日常出行和生产活动㊂尤其在雾霾条件下,自然光因光线在雾霾天气中被散射而使色调发生偏移[1],获取的图像因此丢失了大量细节信息,导致拍摄出的图片出现对比度低㊁细节信息丢失㊁图像失真㊁可利用价值低等问题[2-3],因此消除雾霾天气所导致的图像负面效果从而恢复出相应的无雾图像有着显著的研究意义和应用价值[4-5]㊂目前,主流的去雾方法根据原理的不同可分为两类:一类是基于图像增强的方法,例如直方图均衡化㊁Retinex 算法[6]㊁同态滤波㊁小波变换等,这类方法通过增强图像对比度,改善整体视觉效果,实现图像去雾,但是没有考虑雾天图像降质的本质问题,去雾效果不理想㊂另一类是基于物理模型的图像复原方法,例如Tan [7]根据有雾图像对比度普遍较低的先验条件使用最大化复原图像的局部对比度的方法进行去雾,得到的去雾图像存在过饱和的问题㊂Tarel [8]等假设在某个区域内,大气耗散函数逼近最大值,然后根据中值滤波估计其取值,因为在景深突变区域,中值滤波的去雾能力较弱,可能出现光晕现象㊂Fattal [9]通过独立成分分析的方法估计透射率,该方法对浓雾图像处理效果不好,而且不能处理灰度图像㊂目前,基于图像复原的主流去雾方法是基于He [10]的先验知识理论的去雾算法,根据暗通道先验理论估计出初始透射率,利用引导滤波算法优化初始透射率,从而达到去雾的目的㊂但是当图像中出现大片天空㊁浓雾㊁白色㊁非均匀光照区域时,去雾效果不好,并且大气光强有时估值过高,导致去雾后图像色度偏暗㊂针对这些问题,本文提出了一种基于暗通道先验理论,利用局部阈值分割图像和自适应参数优化相结合的去雾算法,该算法有效解决了浓雾㊁高亮㊁光照不均匀区域的去雾问题㊂同时去雾后的图像具有较好的清晰度以及较高的图像对比度,去雾鲁棒性好㊁精准性强,可有效实现去雾㊂㊀第1期辛娇娇,等:基于改进暗通道先验的图像去雾算法1㊀暗通道先验算法理论1.1㊀基于暗通道的去雾算法文献[10]通过对户外无雾图像进行大量的统计实验后,得到了一个客观的统计规律,即暗通道先验知识㊂该思想内容是:在绝大多数户外无雾图像的任意区域内,总有某些像素在某个颜色通道上有一个很小的值,这个值为0或者接近于0,称之为暗通道先验知识㊂对于暗通道的求解,首先需要将一幅彩色图像在RGB颜色空间中进行分解,并取其最小值,以便求得R㊁G㊁B三个颜色通道中最小分量通道,其公式为J dark(x)=min yɪΩ(x)(min cɪ{r,g,b}J c(y))ң0,(1)式中:c表示R㊁G㊁B三通道的某个通道;Ω(x)表示以像素为中心点的局部区域;J c(y)表示在Ω(x)区域中的某个像素值通道;J dark(x)表示暗通道值,根据前文介绍在无雾图像中暗通道值是一个很小的值,其总是接近于0或者等于0㊂不妨假设大气光强A是已知的,并且认为在局部区域内图像透射率不变,用t~(x)表示,两边取暗通道,即对两边分别取最小值可得min yɪΩ(x)(min c I c(y)Ac )=t~(x)min yɪΩ(x)(min c J c(y)Ac)+1-t~(x)㊂(2)根据暗通道先验知识,J c(y)近似为0,式(2)可变形为t~(x)=1-min yɪΩ(x)(min c I c(y)Ac),(3)其中:t~(x)为初始透射率㊂当有一定景深成像时,雾是不可避免存在的,如果去雾太彻底,反而显得不真实,这种现象被称为空间透视 ,因此,引入一个去雾保真参数ω=0.95,于是式(3)可以表达为t~(x)=1-ωmin yɪΩ(x)(min c I c(y)Ac),(4)为了更直观地观察到去雾算法,将公式变形为J(x)=I(x)-Amax(t(x),t0)+A,(5)式(5)中,t0是为了避免透射率过小而设置的一个阈值,防止因t(x)太小而导致图像复原出现失真,经验值t0=0.1㊂根据上述暗通道先验知识,对一些有雾图像能取得较好的去雾效果,但是并不能满足所有的情况㊂文献[10]取原图所对应暗通道内前0.1%最大像素点的值作为大气光强,而当一张图像中有大面积浓雾㊁亮白㊁非均匀光照区域时,会导致大气光强估计不准确㊂因为在这些区域,其暗通道值不为0或者不接近于0,很可能这些值都会很大,所以有雾图像中的暗元素是准确获取透射率的关键,然而在处理天空区域时,由于这部分区域几乎不包含暗元素,从而导致该区域的透射率估值小㊂因此有必要针对浓雾㊁亮白㊁天空和因雾霾影响造成的非均匀光照等区域改进算法,使得其大气光强㊁传输透射率鲁棒性更强,适用范围更大,去雾效果更好㊂2㊀本文算法针对上述问题,本文提出了一种基于改进的暗通道先验的自适应局部阈值分割和参数优化的去雾算法㊂该方法通过局部阈值精准分割图像,提高大气光强获取的准确度以及加权求取透射率来达到去雾效果㊂整个算法主要分为以下步骤:利用局部阈值的方法精准分割成二值图像;通过暗亮通道图求取自适应程度更高的大气光强;将大气光强作为阈值,求取加权的透射率,再通过引导滤波算法,得到细化的透射率;最后基于雾天图像降质模型反演出去雾图像㊂2.1㊀局部阈值分割图像阈值分割方法[11]是常用的图像分割[12]方法之一,本文采用局部阈值法,即用与像素位置相关的一组阈37郑州大学学报(理学版)第52卷值对图像各区域分别进行有效分割,将图像划分为若干个小图像,先对分割的小图像进行处理,再将分割后的图像连接起来,就能有效完成整张图像的阈值分割㊂其具体步骤如下㊂1)将图像分为m 块,其中各个子块图像面积可以不相等㊂2)对每个子块图像分别计算其分割阈值㊂3)对每个子块图像分别进行阈值分割,并最终将子块合并到一起,进而完成整幅图像的分割㊂局部阈值的好处在于每个像素位置处的阈值不是固定不变的,而是由其周围邻域像素的分布来决定的,亮度较高的图像区域的二值化阈值通常会较高,亮度较低的图像区域的二值化阈值通常会较低㊂这样对于不同亮度㊁对比度㊁纹理的局部图像区域将会拥有相对应的阈值,最终有效分割出复杂背景图像的非亮白区域与亮白区域㊂2.2㊀改进的加权大气光强本文使用加权平均求取大气光强A 的方法㊂将有雾图像设为I (x ),亮白区域为L (x ),像素总数为M ,亮白区域像素数目为m ,由前文可知雾天图像的暗通道为I dark (x )=min y ɪΩ(x )(min c ɪ{r ,g ,b }I c (y )),(6)则暗通道图中的最大像素值I d _max 可表示为I d _max =max c ɪ{r ,g ,b }(I dark (x ))㊂(7)亮白区域像素通道最大值的中值L media 为L media =media [max(L (x ))],(8)改进的大气光强可表示为A =kL media +(1-k )I d _max ,(9)式中:k =m /M ,表示亮白区域的权值㊂此时求得的大气光强更加精准且鲁棒性更强㊂2.3㊀暗亮通道先验算法在本文前面内容,可以看到暗通道先验不适合大面积浓雾㊁亮白和非均匀光照区域,在这些区域中,暗通道值普遍较高,不满足暗通道先验理论㊂针对这些问题,在文献[12]的基础上提出了暗亮通道先验的算法㊂文献[13]提出了暗通道与亮通道的概念,该文献取通道的最大值,认为这些值接近于1或者等于1,称之为亮通道㊂当一幅图像中包含大面积的浓雾㊁亮白㊁非均匀光照区域时,这些区域符合上述特性,其像素通道值接近于1或者等于1㊂对于上述区域,本文提出了一种亮通道先验理论㊂根据前面内容描述的大气光强的特征,只要暗通道数值大于大气光强的区域,定义为亮通道区域,然后根据暗亮通道先验分别求得初始透射率,将这两个初始透射率进行区间判断,求得各自符合暗亮通道区域的初始透射率,同时对式两边取颜色通道最大值,可得max c (I c (y )A c )=t ~i (x )max c (J c (y )A c )+1-t ~i (x ),(10)式中各参数所表示的内容与前面提到的相同㊂然后对式(10)两边求区域最大值,并且将J light (x )ң1代入,也加入ω来保留少量的雾气来提高视觉上的真实性,可得t ~i (x )=1-ω1-max y ɪΩ(x )(max c I c (y ))1-A ㊂(11)㊀㊀将式(11)与式(4)相结合,并根据前面求得的暗亮通道先验图和大气光强,最终求得的初始透射率t dl (x )为t dl (x )=1-ωmin y ɪΩ(x )(min c I c (y ))A ,I dl (x )<A ,1-ω1-max y ɪΩ(x )(max c I c (y ))1-A ,I dl (x )ȡA ,ìîíïïïïïï(12)式中:I dl (x )为在暗亮通道图中的像素值㊂如果用初始透射率处理有雾图像,反演出来的去雾图像在边缘处会有白色雾状现象产生,并且在中间的平滑区域也会有方块效应的出现㊂所以采用引导滤波[14]算法细化初始透射率,最终恢复出的无雾图像视觉47㊀第1期辛娇娇,等:基于改进暗通道先验的图像去雾算法上更加清晰自然㊂相较于暗通道先验求取的透射率,本文改进的透射率对大片的浓雾㊁亮白㊁非均匀光照区域去雾效果大为改进㊂3㊀实验结果及性能分析实验所用软件为Matlab2016a,操作系统为64位Windows 10,硬件采用的处理器为英特尔第三代酷睿i5-3337U㊁CPU 1.80GHz㊁4.0GB 内存㊂所用引导滤波窗口大小为r =60,滤波参数为esp =10-6㊂本文将用文献[10]的算法㊁文献[9]的算法㊁文献[6]算法与本文算法进行对比实验,选取了两张图片进行去雾效果比对,如图1的(a)㊁(b)所示㊂图1㊀实验图像Figure 1㊀Experimental image3.1㊀主观分析主观分析是以观察者对图像的认知作为评价标准,主要分为两种㊂1)绝对评价:以原始图像作为参考图像,以人的肉眼观察作为评价标准㊂2)相对评价:没有原始图像作为参考图像,以其他相关去雾算法的结果和本文算法进行对比㊂最终的去雾图如图2㊁3所示㊂图2㊀高楼图像的相关去雾算法和本文算法的去雾效果对比Figure 2㊀Comparison of defogging algorithms for high building images通过图2可以看出,文献[10]的算法天空区域呈现蓝色,文献[9]的算法天空区域过亮,且建筑出现蓝色,两者都出现较为明显的失真㊂文献[6]的算法天空区域呈现暗灰色,整体图像偏暗㊂相比较而言,本文算法图片恢复较好,失真度较小,图片清晰明亮,视觉效果最好㊂通过观察图3可以得到,文献[9]算法的图像出现严重的失真,文献[10]算法和文献[6]算法去雾效果较好㊂但是文献[10]算法整体图像偏暗,文献[6]算法在水面部分和左上角建筑呈现黑色,图像出现少量失真㊂相比较而言,本文算法在去雾后最大程度保留了原有色彩,失真程度最低,视觉效果最佳㊂57郑州大学学报(理学版)第52卷图3㊀池塘图像的相关去雾算法和本文算法的去雾效果对比Figure3㊀Comparison of defogging algorithms for pond images and defogging effects of the algorithms3.2㊀客观分析主观分析因为不同的观察者㊁不同的图像类型㊁环境等有较大的感官差异,因此也需要根据客观分析对图像质量作出评价,本文将采用3种评价指标,分别是峰值信噪比㊁结构相似性㊁信息熵㊂1)峰值信噪比反映图像失真程度,其值越大,代表图像失真越小,即图像的质量越好㊂2)结构相似性的取值范围是[0,1],越接近于1,则表明二者结构相似性越高,失真也就越小,图像质量越好㊂3)对图像而言,信息熵越大,表示图像的信息量越大,即图像细节越丰富㊂图2㊁3的客观评价比较结果如表1所示㊂表1㊀图像去雾后客观评比结果Table1㊀Objective evaluation results after image defogging算法峰值信噪比信息熵结构相似性高楼图像原图 7.0388文献[6]算法13.51157.03890.8202文献[10]的算法8.7276 4.15610.4146文献[11]的算法17.33367.53980.8599本文算法22.98777.48690.9478池塘图像原图 6.2171文献[6]算法14.63117.21320.4735文献[10]的算法8.0575 1.72810.0698文献[11]的算法11.5183 6.29170.5616本文算法23.4771 6.94230.9136㊀㊀对比高楼图像去雾评价指标可以看出,本文算法的信息熵略低于文献[11]的算法,但却提供了最高的峰值信噪比和结构相似性㊂说明此图中本文算法失真程度最小,去雾效果最为真实自然,这与主观评价结果一致㊂对比池塘图像去雾评价指标可以看出,虽然本文算法的信息熵略低于文献[6]的算法,但是通过观察文献[6]的去雾图像可以看出,其牺牲了图像的失真度来保持图像的信息量㊂综合来看,本文提供了最高的峰值信噪比和结构相似性,说明此图中本文算法失真程度最小㊂6777㊀第1期辛娇娇,等:基于改进暗通道先验的图像去雾算法4　结论针对已有的去雾算法不能有效解决含有大面积浓雾㊁亮白㊁非均匀光照区域等复杂背景图像,以及大面积的高像素值带来的大气光强估值不准确的问题,本文提出了基于改进暗原色先验的局部阈值分割和自适应参数优化的去雾算法㊂该算法有效解决了原有算法不适用于大面积浓雾㊁亮白㊁非均匀光照区域和去雾后图像偏暗的问题,去雾效果良好㊁图像对比度高㊁色彩明亮㊁边缘信息保持良好且在视觉效果上更加真实自然㊂参考文献:[1]㊀禹晶,徐东彬,廖庆敏.图像去雾技术研究进展[J].中国图象图形学报,2011,16(9):1561-1576.YU J,XU D B,LIAO Q M.Image defogging:a survey[J].Journal of image and graphics,2011,16(9):1561-1576. [2]㊀孙小明,孙俊喜,赵立荣,等.暗原色先验单幅图像去雾改进算法[J].中国图象图形学报,2014,19(3):381-385.SUN X M,SUN J X,ZHAO L R,et al.Improved algorithm for single image haze removing using dark channel prior[J].Jour-nal of image and graphics,2014,19(3):381-385.[3]㊀吴迪,朱青松.图像去雾的最新研究进展[J].自动化学报,2015,41(2):221-239.WU D,ZHU Q S.The latest research progress of image dehazing[J].Acta automatica sinica,2015,41(2):221-239. [4]㊀李加元,胡庆武,艾明耀,等.结合天空识别和暗通道原理的图像去雾[J].中国图象图形学报,2015,20(4):514-519.LI J Y,HU Q W,AI M Y,et al.Image haze removal based on sky region detection and dark channel prior[J].Journal of im-age and graphics,2015,20(4):514-519.[5]㊀曾浩,尚媛园,丁辉,等.基于暗原色先验的图像快速去雾[J].中国图象图形学报,2015,20(7):914-921.ZENG H,SHANG Y Y,DING H,et al.Fast image haze removal base on dark channel prior[J].Journal of image and graph-ics,2015,20(7):914-921.[6]㊀张泽浩,周卫星.基于暗原色先验的图像去雾算法改进研究[J].电子技术,2018,47(10):52-56.ZHANG Z H,ZHOU W X.Research on improvement of image de-foging algorithm based on dark color priors[J].Electronic technology,2018,47(10):52-56.[7]㊀TAN R T.Visibility in bad weather from a single images[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.Anchorage,2008:1-8.[8]㊀TAREL J P,HAUTIERE N.Fast visibility restoration from a single color or gray level image[C]//IEEE12th InternationalConference on Computer Vision(ICCV).Kyoto,2009:2201-2208.[9]㊀FATTAL R.Single image dehazing[J].ACM transactions on graphics,2008,27(3):72.[10]HE K M,SUN J,TANG X O.Single image haze removal using dark channel prior[C]//2009IEEE Conference on ComputerVision and Pattern Recognition(CVPR),Miami,2009:1956-1963.[11]刘国奇,邓铭,李晨静.融合RGB颜色空间的植物图像分割模型[J].郑州大学学报(理学版),2019,51(1):18-23.LIU G Q,DENG M,LI C J.Plant image segmentation model based on RGB color space[J].Journal of Zhengzhou university (natural science edition),2019,51(1):18-23.[12]刘洪普,杨乐,侯向丹,等.一种改进的模糊C均值图像分割算法[J].郑州大学学报(理学版),2017,49(2):67-72.LIU H P,YANG L,HOU X D,et al.An improved fuzzy C-means algorithm for image segmentation[J].Journal of Zhengzhou university(natural science edition),2017,49(2):67-72.[13]曲晨,毕笃彦,严盛文,等.基于明暗像素先验的随机游走图像去雾[J].系统工程与电子技术,2017,39(10):2368-2375.QU C,BI D Y,YAN S W,et al.Random walk image dehazing through a priori of light and dark pixel[J].Systems engineering and electronics,2017,39(10):2368-2375.[14]陈书贞,任占广,练秋生.基于改进暗通道和导向滤波的单幅图像去雾算法[J].自动化学报,2016,42(3):455-465.CHEN S Z,REN Z G,LIAN Q S.Single image dehazing algorithm based on improved dark channel prior and guided filter[J].Acta automatica sinica,2016,42(3):455-465.87郑州大学学报(理学版)第52卷Image Defogging Algorithm Based on Improved Dark Channel PriorXIN Jiaojiao,CHEN Benhao,GUO Yuanshu,ZHANG Hongli,GAO Jie(School of Information Engineering,Changᶄan University,Xiᶄan710000,China) Abstract:To solve the problem of image distortion caused by dark channel prior defogging algorithm in areas with dense fog,white light and non-uniform illumination,an improved defogging algorithm which combined adaptive local threshold segmentation and adaptive parameter optimization was proposed.First-ly,according to the dark channel priori theory,the local threshold was used to divide the bright white re-gion and the non-bright white region.Then the original transmittance was refined by guiding filter.After that,the more accurate atmospheric light intensity was obtained by weighting the bright white region and the non-bright white region,which improved the robustness of atmospheric light intensity.Therefore,this algorithm was suitable for the dense fog highlight area and non-uniform light area with poor fog removal effect in dark channel.Finally,the fog-free image was restored by the image degradation pa-ring the algorithm with several common defogging algorithms,the experimental results showed that the im-age restored by the algorithm was clear and natural in most cases,which solved the problem of poor visual effect after defogging and effectively improved the color distortion in the bright white area.Key words:local threshold segmentation;atmospheric light intensity;dark and bright channel prior; image defogging(责任编辑:王浩毅)(上接第71页)Text Similarity Computation Based on Deep-learningSHAO Heng,FENG Xingle,BAO Fen(School of Information Engineering,Changᶄan University,Xiᶄan710000,China) Abstract:The improved stacked autoencoder was used to extract low-dimensional sentence features,and the noise reduction technology of automatic encoder was adopted to increase the robustness and expressive power.The extracted features were used to calculate the similarity of sentences between texts and formed a similarity matrix,and the text feature matrix was generated with the corresponding text.After that,the features were trained and extracted through respective deep convolutional networks.The features extracted by the two deep convolutional networks were merged by feature fusion technology and the similarity was calculated by the fully connected multi-layer perception.The results showed that the proposed method ex-pressed the semantic features of the sentence and the contextual features of the text,and improved the ac-curacy of text similarity calculation effectively.Key words:deep-learning;auto-encoder;convolutional neural network;text similarity computing(责任编辑:王浩毅)。

基于暗通道先验和优化自动色阶的图像去雾算法

原因是：在远近景交界处，远景像素点做暗通道估计
时，获取的是 Ω（ｚ）区域中像素较小的值，即近景像素
的暗通道，则带宽（Ω（ｚ）－为透射率补偿值，ｔ０计算方法为：选择雾图像暗通道Ｉｄａｒｋ（ｚ）中数值较大的前０．０５％的像素点，求出平均值；把平均值与Ａ
第３８卷第７期２０２１年７月
计算机应用与软件ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖｏｌ３８Ｎｏ．７Ｊｕｌ．２０２１
基于暗通道先验和优化自动色阶的图像去雾算法
庄秀玲１谭福奎２李震１李良荣１
１（贵州大学大数据与信息工程学院贵州贵阳５５００２５）２（兴义民族师范学院物理与电子科学系贵州兴义５６２４００）
ＫｅｙｗｏｒｄｓＤａｒｋｃｈａｎｎｅｌｐｒｉｏｒＴｒａｎｓｍｉｔｔａｎｃｅＷｅｉｇｈｔｅｄｌｅａｓｔｓｑｕａｒｅｓＡｕｔｏｃｏｌｏｒ
０引言
室外场景图像的感知质量对于分析环境，以执行导航、目标检测和识别等自动化任务非常重要。然而有雾天气条件下极大地限制室外场景成像的可视性，因此图像去雾是目前计算机视觉领域的研究热点。
以得到Ｉ＝Ｊ；而在有雾天气情况下，ｋ＞０，则ｋ不可忽
略。Ｊ（ｚ）ｔ（ｚ）是图２所示的过程，是直接衰减项，而
Ａ（１－ｔ（ｚ））是图３所示的过程。恢复无雾图像由式
（２）完成。
Ｊ（ｚ）＝Ｉ（ｔｚ（）ｚ）－Ａ＋Ａ
（２）
可以看出，要从有雾图像Ｉ（ｚ）中恢复无雾图像
Ｊ（ｚ），则需要估计Ａ和ｔ（ｚ）。
目前已有一些较为经典的单幅图像去雾算法。如，Ｔａｎ［１］将晴天拍摄的室外图像分成多个小块，并计

基于暗通道先验的图像去雾算法改进研究

基于暗通道先验的图像去雾算法改进研究摘要：暗通道先验去雾算法求得的的透射率比较精细，去雾效果优于大多数去雾算法。

然而在暗通道求取过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，使得去雾后的图像在边缘部分产生“光晕”现象。

为了减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。

实验表明，改进后的算法去雾效果更佳、去雾速度更快，具有更强的鲁棒性。

关键词：暗通道先验去雾；腐蚀；引导滤波DOIDOI：10.11907/rjdk.161089中图分类号：TP312文献标识码：A 文章编号：1672-7800（2016）005-0030-040 引言雾霾天气不仅影响人们的出行，也给视频监控、自动驾驶等涉及室外图像应用的领域带来了很大挑战，并引起了相关研究人员的重视，如今已出现了不少研究成果。

图像去雾的研究方法可分为两大类，基于图像增强的方法和基于物理模型的方法。

早期图像去雾研究主要利用图像处理的知识来去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法，这种方法根据每个像素的邻域对像素进行处理，可以突出图像的特征，但运算量较大，算法复杂度较高。

Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比度相对较高，色彩失真较小。

基于图像增强的去雾方法可以利用成熟的图像处理算法来增强图像的对比度，突出图像中的特征信息，但这种方法会造成图像部分信息损失，导致图像失真。

图像去雾的另一类是基于物理模型的方法，该方法研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复原图像，恢复的图像效果更真实，图像信息能得到较好保存。

Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模型，后来基于物理模型的方法几乎均建立在此模型之上。

改进的暗通道先验快速图像去雾算法

改进的暗通道先验快速图像去雾算法张江鑫;周佳波;孟利民【期刊名称】《计算机应用》【年(卷),期】2017(037)008【摘要】针对暗通道去雾算法复杂度过高的问题,提出一种基于暗通道的快速去雾算法.首先对图像分块处理,提高求取暗通道值的速度;接着采用线性插值算法平滑处理,消除块状效应;然后根据暗通道先验求得透射率;最终利用大气散射模型得到清晰无雾图像.实验结果证明,在保证良好去雾效果的前提下,相比原暗通道算法,所提算法复杂度被有效降低,去雾所需时间也降为原来的1/10左右,达到准实时.%Due to high complexity of dark channel prior defogging algorithm,a fast defogging algorithm based on dark channel prior was proposed.Firstly,the computing of the dark channel map was accelerated by blocking the image.Secondly,the block effect was eliminated by using the linear interpolation algorithm to smoothing.Then,the transmission map was acquired by dark channel prior.Finally,a clear and haze-free image would be gotten from the atmospheric scattering model.The experimental results show that the defogging effect of the proposed algorithm can be as good as the original defogging algorithm but the complexity can be reduced effectively.The proposed algorithm needs time about one-tenth of the original algorithm and reaches the requirement of near real-time.【总页数】5页(P2324-2328)【作者】张江鑫;周佳波;孟利民【作者单位】浙江工业大学信息工程学院,杭州310023;浙江工业大学信息工程学院,杭州310023;浙江工业大学信息工程学院,杭州310023【正文语种】中文【中图分类】TP391.413【相关文献】1.一种基于暗通道先验的快速图像去雾算法 [J], 张登银;鞠铭烨;王雪梅2.基于暗通道先验的快速图像去雾算法 [J], 肖钟捷;余文森;程仁贵;刘长勇3.基于改进暗通道先验的图像去雾算法 [J], 辛娇娇; 陈本豪; 郭元术; 张红丽; 高洁4.基于暗通道先验理论的图像去雾算法改进 [J], 车雯雯;李竹林;徐雪丽5.改进暗通道先验的海上图像去雾算法 [J], 赵红;李春艳;王宁;田嘉禾;郭晨因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的基于暗通道先验知识的去雾算法

一种改进的基于暗通道先验知识的去雾算法
方紫娟;谢正祥;吕霞付;冯鹏
【期刊名称】《微电子学与计算机》
【年(卷),期】2014(31)5
【摘要】针对上述问题首先分析了基于暗通道先验知识的去雾算法存在的缺陷与不足,然后通过预处理把原图像转换成标准图像,接着以引导滤波器代替软抠图来细化信息图以提高算法运行的速度,并调整信息图来改善原算法在处理明亮区域的失真和光晕现象.通过实验证明,改进的暗通道先验知识去雾算法比原算法在速度上提高了84.2%,并避免了对明亮区域的过度处理而产生的失真现象,增强了对色彩单一的有雾图像的处理效果.
【总页数】5页(P74-78)
【关键词】标准化变化;引导滤波器;透射率
【作者】方紫娟;谢正祥;吕霞付;冯鹏
【作者单位】重庆邮电大学工业物联网与网络化控制教育部重点实验室;重庆医科大学生物医学工程研究室
【正文语种】中文
【中图分类】TP317.4
【相关文献】
1.一种改进的基于暗通道先验的图像去雾算法 [J], 包斌;李亚岗
2.一种改进的基于暗通道先验去雾算法 [J], 何立风;钟岩;刘艳玲;姚斌
3.一种改进的基于暗通道先验的快速去雾算法 [J], 王娇; 韩加蓬; 马骏; 李煜; 刘二全; 郭栋
4.一种改进的基于暗通道先验的图像去雾算法 [J], 杨旭; 任世卿; 苗芳
5.一种改进实时图像去雾的暗原色先验算法 [J], 陈伟; 贺元恺; 李昭慧; 郭明香; 郑佳雯; 陶智慧
因版权原因，仅展示原文概要，查看原文内容请购买。

一种自适应基于暗通道先验的去雾方法

一种自适应基于暗通道先验的去雾方法孙红光;房超;张慧杰;刘丽红;王建中【摘要】基于暗通道先验去雾方法,提出一种改进的自适应基于暗通道先验去雾方法,并使用均方误差对已有雾模型数据库中多组数据进行误差分析.实验结果表明,该方法对光线不足或天空等背景的图像实验效果优于已有方法,并且恢复的图像更接近真实图像.%An improved algorithm based on dark channel prior was proposed which compenstaes the transmission estimated via dark channel prior, redefines atmospheric light via analyzing the fog images fail to recover by original method based on physical model. Experiments prove our algorithm works better than original method, especially on sunlight lacking or sky including images. Meanwhile, mean square error (MSE) was used in our method to verify the images we recovered are close to true images based on fog database.【期刊名称】《吉林大学学报（理学版）》【年(卷),期】2012(050)005【总页数】6页(P987-992)【关键词】去雾;暗通道;均方误差(MSE)【作者】孙红光;房超;张慧杰;刘丽红;王建中【作者单位】东北师范大学计算机科学与信息技术学院,长春130117;东北师范大学智能信息处理吉林省高校重点实验室,长春130117;东北师范大学计算机科学与信息技术学院,长春130117;东北师范大学智能信息处理吉林省高校重点实验室,长春130117;东北师范大学计算机科学与信息技术学院,长春130117;东北师范大学智能信息处理吉林省高校重点实验室,长春130117;北京理工大学信息与电子学院通信技术研究所,北京100081;东北师范大学计算机科学与信息技术学院,长春130117;东北师范大学智能信息处理吉林省高校重点实验室,长春130117【正文语种】中文【中图分类】TP391.41随着数字图像技术的广泛应用, 由雾引起户外场景的变化而导致图像退化的问题日益突出. 退化的图像不利于电视监控系统、智能交通系统及军用探测系统的实现, 因此雾天成像的清晰化问题已引起人们广泛关注, 目前已有许多研究结果, 如极化滤波使用多张带雾图像可估计出清晰的图像[1-2]; 不同设备拍摄的带雾图像, 通过对物理设备光学属性的估计, 也可以估计出无雾图像[3-4]; 景深作为图像中景物的固有属性, 可估计出雾的影响, 达到去雾目的[5-6]; 3D地理模型作为先验知识, 可估计无雾图像[7]; 而单幅图像信息量少, 难于直接将有雾图像恢复为无雾图像. 无雾图像相对有雾图像有更高的对比度[8], 最大化局部对比度可使有雾图像清晰化. 透射率与物体反光是独立的, 使用单图像估计出媒介的透射率, 可得到清晰图像[9]; 通过暗通道值低的特点估计出透射率, 可恢复清晰图像[10]; 基于中值滤波的方法, 运行速度快, 可轻易应用到灰度和彩色图像中[11]; 图像中物体的固有属性可作为隐Markov模型的隐层, 通过估计物体固有属性估计出清晰图像[12]. 本文提出一种对暗通道值进行补偿的方法, 对单幅图像的大气光进行重新估计, 使原有方法可应用到不满足暗通道先验的场景中.1 去雾方法的光学理论基础景物反射光退化模型描述为本应进入成像系统的光, 在传输过程中由于液滴的存在而使部分光被遮挡和反射而未达到成像系统[13]:(1)其中: d表示图像的景深；λ表示波长; β(λ)表示大气散射系数; E∞表示大气光强; r(λ)表示成像系统和景物反射属性的函数.空气光线增强模型描述为雾现象的小液滴反射空气光, 并传输到成像系统中光线的过程:Ea(d,λ)=E∞(λ)(1-e-β(λ)d),(2)将式(1)与式(2)合并, 得E(d,λ)=Edt(d,λ)+Ea(d,λ),(3)简写为[10]I(x)=J(x)t(x)+A(1-t(x)),(4)其中: I(x)表示观察到有雾图像; J(x)表示无雾图像; t(x)表示透射率; x表示像素点. 本文基于上述模型, 分析其适用场景范围, 提出一种改进的去雾方法.2 暗通道先验基于暗通道的单图像去雾方法[10]是对白天无雾彩色图像的RGB通道进行分析, 结果表明: 单像素的邻域内总有一个通道值特别低, 甚至为0; 相应场景中有雾图像对应位置通道值也很低, 但不趋于0, 这些值来源于雾的影响. 由暗通道值可估计出该邻域内的雾影响值, 由式(4)可恢复无雾图像. 算法过程如下.1) 估计透射率. 假设A已知, 透射率t在以x为中心点的邻域Ω(x)内是常量则式(4)变形为(5)邻域内像素的RGB各通道值取最小值为(6)其中, 暗通道先验(7)从而可得估计(8)2) Soft matting估计. 估计出的是以x为中心邻域的透射率, 可恢复图像. 为了提高精度, 采用Soft matting方法对透射率t细化到像素. 细化方法为[10](9)3) 估计大气光. 无雾状态下的大气粒子分布均匀, 近景与远景反射光的强度相似, 可获取到清晰的图像；而雾天空气中反射光线粒子较多, 分布不均, 会遮挡景物反射光; 同时粒子反射光过强导致得到的图像较模糊. 单图像中, 最亮的像素点值更接近于大气光亮度. 可选取暗通道中0.1%最亮的像素值, 取其亮度最大值作为大气光A 的估计.4) 恢复原图像. 通过估计细化大气光A和透射率t, 可得恢复的无雾图像为(10)其中t0=0.1. 细化后的t会有0值出现, t → 0时, 恢复图像会丢失景物信息, 选取t0=0.1可以保证去雾效果并且不丢失景物信息.3 改进的暗通道补偿方法将文献[10]算法应用到大量图片中, 结果如图1所示. 由图1可见: 光线充足、色彩鲜艳的图像中, 该方法效果良好, 如图1(A)～图1(C)所示; 光线不足、色彩单一的图像, 该方法效果不佳, 如图1(D)所示. 可见, 暗通道的效果对景物有一定的要求, 符合暗通道特征的图像才会有较好的效果, 而包含天空、水面和纯白色物体的图像不符合暗通道的特点, 因此处理后效果不明显.图1 用文献[10]算法的效果Fig.1 Result images based on reference [10]3.1 暗通道分析与补偿暗通道先验是基于室外白天拍摄的无雾图像, 内容为图像中非天空像素的邻域内, 像素中某像素点RGB通道中的某个通道值特别低. 如天空等特例的RGB通道值几乎相等且接近255, 这种情况下将暗通道的值认为由雾引起就会违背式(4)的理论. 因此, 使用暗通道先验没有得到很好的效果. 文献[14]提出一种容差机制K, 用于区分天空这类RGB三个通道值相差不大且接近255的情况. 将式(10)改写为(11)其中K为容差, 用于计算像素RGB各通道相互的差. 如果其各通道值的差小于K, 则认为不满足暗通道先验. 该方法对背景为天空等有雾图像的去雾效果有所改善, 但K值选取不当会直接影响去雾效果. 针对暗通道的值不总为0的特点, 本文将式(8)中的值修正为(12)其中α为补充被忽略的暗通道值. 变形为(13)通过对暗通道值的补偿, 不仅会对数值低的暗通道值进行补偿, 而且也会补偿一部分数值极高被估计为0的暗通道数值, 从而减少了估计的偏差.3.2 大气光文献[11]认为白平衡先验先于图像恢复, 即假设大气光A是纯白色的. 而针对不同的图像, 由图像内容的不同, 可导致雾粒子反射光线的颜色偏离纯白色. 由于视觉系统中接受到的景物颜色是被反光物体吸收后而缺少的那部分颜色. 因此, 景物不同, 图像中最亮的像素偏于纯白色(太阳等光源景物除外). 透射率与景物到成像装置的距离关系[4]为t(x)=e-βd(x).(14)文献[10]中大气光的估计为选取暗通道中前0.1%最亮的像素点, 取其中亮度最大值作为大气光A. 本文针对图像中不同景物有不同景深的特点, 提出重估大气光的方法. 先取暗通道中0.1%最亮的像素点, 并取其中亮度最大值A′, 将其映射到每个像素：A=βA′,(15)其中β为约束系数, 与t的关系如下:(16)估计出的大气光基于像素, 即远景与近景的大气光不同, 可更好地恢复图像.4 实验结果与分析4.1 暗通道补偿通过使用暗通道补偿方法, 可保持图像像素与其相邻像素间的梯度, 即可恢复图像也可保持恢复后的图像不再出现失真效果. 如图2所示, 其中: (B)为文献[10]的处理效果; (C)为暗通道补偿后的效果. 由图2可见: 色彩失真部分已被消除; 图像(D)比(C)显得更明亮, 更接近真实场景.图2 不同方法对图像的改进效果Fig.2 Initial picture and improved result4.2 重估大气光由式(4)可知, 去雾效果与大气光的取值有关. 在去雾模型中, 图像中的雾化效果都是由于反射大气光的多少而导致发白, 而实际生活中的大气光不一定是纯白光, 通常都与附近的景物相关. 所以在原模型中, 直接取固定值或取图像中最大的像素值都不可取, 应根据景物的不同取不同的大气光.图3为图2中图像相应的像素值. 由图3可见, 原算法过大地放大了像素间的梯度, 而使用暗通道补偿方法可降低放大像素间的梯度. 重估大气光后, 又在暗通道补偿的基础上降低了像素间的梯度, 使图像更接近真实图像.4.3 使用均方误差(MSE)对去雾效果进行评价采用FRIDA(foggy road image database)数据库[15], 分别使用文献[10]方法、文献[14]方法和本文方法做实验分析, 用K080,L080,M080和U080四个数据集做测试, 并将各种方法的MSE求均值, 实验结果如图4和图5所示. 图4和图5为仿真带雾图像去雾后与仿真无雾图像的MSE曲线, 其中: 图4(A)～图4(D)分别为使用K080,L080,M080,U080数据集在原方法、文献[14]方法和本文改进方法上求得的MSE值曲线; 图5为将图4 MSE求均值的结果. 由图4和图5可见, 使用暗通道补偿机制可使去雾图像接近于原图像, 在暗通道补偿上重新估计大气光使图像的MSE更接近于原图像. 图6为分别使用本文提出的改进方法与文献[11]中方法对数据集求得MSE值的散列点. 从每列上观察, 3个点中最低值表示运行结果最接近原图像. 由图6可见, 与文献[11]的方法相比, 本文方法重估大气光后的图像在多数情况下都较接近原图像.(A) 原始图像; (B) 原算法; (C) 暗通道补偿; (D) 暗通道补偿和重估大气光.图3 图2中图像相应的像素值Fig.3 Pixels of pictures from Fig.2图4 原方法、文献[11]方法和本文方法对FRIDA数据库中4组数据集的MSE值Fig.4 MSE calculated by above mentioned four algorithms used FRIDA respectively图5 对图4中MSE求均值结果Fig.5 Averaging the results in Fig.4 MSE综上所述, 本文基于暗通道的去雾方法, 在对实验数据进行分析的基础上, 提出了一种改进方法, 并使用MSE进行分析评价. 实验结果表明, 本文的改进方法优于文献[10]的方法, 并扩大了文献[10]方法的适用范围.图6 文献[11]方法与本文提出改进方法的MSE散列点Fig.6 MSE points calculated by reference [11] and proposed in this article参考文献【相关文献】[1] Schechner Y Y, Narasimhan S G. Instant Dehazing of Images Using Polarization[C]//IEEE Conference on Computer Vision and Pattern Recognition. Kuaui: IEEE Press, 2001: 325-332.[2] Shwatz S, Namer E, Schechner Y Y. Blind Haze Separation [C]//IEEE Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 2006: 1984-1991.[3] Cozman F, Krotkov E. Depth from Scattering [C]//IEEE Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 1997: 801-806.[4] Nayar S K, Narasimhan S G. Vision in Bad Weather [C]//IEEE International Conference on Computer Vision. Washington DC: IEEE Computer Society, 1999: 820-827.[5] Kopf J, Neubert B, Chen B, et al. Deep Photo: Model-Based Photograph Enhancement and Viewing [C]//Proceedings of Special Interest Group for Computer GRAPHICS Asia. New York: ACM Press, 2008: 1-10.[6] Narasimhan S G, Nayar S K. Interactive Deweathering of an Image Using Physical Models [C]//IEEE International Conference on Computer Vision. Washington DC: IEEE Computer Society, 2003: 1387-1394.[7] Hautiere N, Tarel J P, Aubert D. Toward Fog Free in Vehicle Vision Systems through Contrast Restoration [C]//IEEE Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 2007: 1-8.[8] Tan R T. Visibility in Bad Weather from a Single Image [C]//IEEE Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 2008: 1-8.[9] Fattal R. Single Image Dehazing [C]//Special Interest Group for Computer GRAPHICS Asia. New York: ACM Press, 2008: Article 72.[10] HE Kai-ming, SUN Jian, TANG Xiao-ou. Single Image Haze Removal Using Dark Channel Prior [C]//IEEE Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 2009: 2341-2353.[11] Tarel J P. Fast Visibility Restoration from a Single Color or Gray Level Image [C]//IEEE 12th International Conference on Computer Vision and Pattern Recognition. Washington DC: IEEE Computer Society, 2009: 2201-2208.[12] Nishino K O, Kratz L, Lombardi S. Bayesian Defogging [J]. International Journal of Computer Vision, 2012, 98(3): 263-278.[13] Narasimhan S G, Nayar S K. Contrast Restoration of Weather Degrade Image [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(6): 713-724.[14] JIANG Jian-guo, HOU Tian-feng, QI Mei-bin. Improved Algorithm on Image Haze Removal Using Dark Channel Prior [J]. Journal of Circuits and Systems, 2011, 16(2): 7-12. (蒋建国, 侯天峰, 齐美彬. 改进的基于暗原色先验的图像去雾算法 [J]. 电路与系统学报, 2011, 16(2): 7-12.)[15] Tarel J P, Aurelien Cord, Houssam Halmaoui. Foggy Road Image Database [DB/OL]. 2010-03-05. http://www.lcpc.fr/english/products/image-databases/-article/frida-foggy-road-image-database.。