基于图像暗通道的高速公路团雾检测应用算法

基于图像暗通道的高速公路团雾检测应用算法
许志成
【摘要】针对高速公路上团雾预报的需要,提出一种基于图像暗通道理论的团雾检测预报算法.该算法从暗通道理论出发,通过对同一高速公路情景上的有雾及无图像
雾参照对比,并进行代数逻辑运算,求出单一角度处的团雾扩散深度.经实验测试,该方法计算出的团雾雾厚距离与实际雾厚距离在数值上基本吻合,误差在±1.5m范围内,满足实际应用需求误差小于2m的范围,具有较高的可信性及实际应用性.
【期刊名称】《黎明职业大学学报》
【年(卷),期】2018(000)004
【总页数】4页(P93-96)
【关键词】团雾检测;图像处理;暗通道
【作者】许志成
【作者单位】黎明职业大学信息与电子工程学院,福建泉州362000
【正文语种】中文
【中图分类】TP391.4
团雾是一种分布范围小，分布随机性高的小团状雾，是由高速公路路面早晚的温差，并结合汽车尾气排放、秸秆焚烧等因素而产生的。

当驾驶人员进入团雾后，能见度急剧降低，这种能见度的突然变化会严重影响驾驶人员的驾驶判断，为交通事故的发生埋下隐患[1]。

团雾具有雾内可视度低，雾外可视度高的特点。

与一般的雾气
不同，团雾的出现与消退没有任何征兆，其出现的时间、地点以及分布情况也是随机的，而这种不确定性增加了高速公路上驾驶的安全隐患。

为了更好地避免高速公路上事故的发生，对高速公路上的团雾进行检测预报，向驾驶人员发布团雾分布信息是十分必要的[2]。

团雾检测本质是雾气探测，按照其探测原理的不同可以分为
两大类，一类是遥感探测，另一类是光学探测。

遥感探测技术适用于宽广范围的雾气探测，即探测某一地区的雾气整体分布情况，而对于团雾这种小范围分布的雾气探测宜采用光学探测[3]。

光学检测根据采用的探测原理不同，可以分为散射探测、透射探测和成像分析探测。

散射探测是利用大气散射的回波信号的强弱来分析判断雾团[4]。

这种探测方法的优点是容易实现，缺点是探测的准确性和精度较低。

透
射探测的实现方法是将激光发射和接收装置安装在高速公路两侧，通过光强的衰弱对团雾进行分析判断。

这种探测方法的优点是探测的精度较高，但是使用的激光发射和接收装置成本较高。

成像分析探测技术是基于计算机视觉的探测技术，通过对同一情境下的有雾、无雾两张图像进行对比分析计算，从而实现对雾团的分析判断[5-6]。

基于此，本文通过成像分析探测技术，对高速公路团雾进行检测，试图在
降低其应用成本的同时又能提高准确性与可靠性[7-8]。

1 检测算法原理
1.1 目标参数的求解问题
对于有雾图像，可用如下的模型表示：
I(x)=J(x)t(x)+A(1-t(x))。

(1)
其中：I(x)表示掺杂了大气散射光的有雾图像；J(x)表示无雾时的原景物图像；A和t(x)分别表示大气光强和透射率；t(x)是雾厚距离L的一次函数。

因此，只要将上
述模型中的t(x)求解出来，便能够获得该图像拍摄角度处的雾厚距离。

根据上述模型，理论上只要通过一张有雾图像和无雾图像，并且将大气光强A估
算出来，便能够将未知数t(x)求解出来[9]。

而实际上，将这3个值直接作为已知
量代入雾图形成模型所求出的t(x)是不准确且不可靠的，与真实值之间有较大偏差。

造成该现象的主要原因是，在无雾场景下所获得的图像j(x)的值与有雾图像中所包含的原图像J(x)的值是不相等的。

从雾图形成模型上看，有雾图像就是在无雾图像上进行简单的线性叠加，但在对无雾景象进行取景拍摄的时候，由于没有雾气散射介质的存在，景物的反射光全部进入到图像传感器中，此时得到无雾时的图像j(x)；而在有雾的场景下对景象进行取景时，由于雾气散射介质的存在，导致景物反射光在传播到图像传感器的过程中发生散射现象，部分场景反射光偏离原来的传播方向，这部分散射掉的场景光被大气光替代进入到图像传感器中，此时得到有雾时的图像I(x)。

由此可知，有雾图像I(x)是将无雾图像j(x)的部分景物反射光替换为大气光而产生的，此时有雾图像中的景物反射光成分为J(x)，它的光强值小于j(x)。

因此，
想要获得准确的t(x)值，就需要将获得的J(x)值代入进行求解。

然而J(x)的值是无
法直接求得的，且与j(x)也没有确定的函数关系。

所以，必须建立J(x)与j(x)之间
的关系，才能够求取目标参数值。

1.2 暗通道理论求解J(x)
通过上述分析可知，问题的核心在于j(x)与J(x)之间关系的建立。

由于J(x)与j(x)
之间在光强角度上不存在明确的函数关系，具有较大的任意性，因此要从其他角度出发来建立两者之间的关系，而暗通道理论就是一个很好的出发点。

由计算机视觉的相关知识可知，一张彩色图像由RGB(Red Green Blue，三原色)
的3个色彩通道构成，而图像暗通道就是在这个基础上人为拓展得到的，其定义
为包含该点在内的附近邻域内RGB的3个通道中灰度最小值为该点的暗通道值。

数学定义式如下：
(2)
与RGB通道不同，图像暗通道不是唯一的，所选择点的领域大小不同，即卷积核的大小不一样，所得到的暗通道图像也不一样。

一般来说，卷积核越大，得到的暗通道图像越粗糙；卷积核越小得到的暗通道图像越细腻，但计算效率也越低。

对于大多数问题而言，取卷积核大小为15是个较好的选择，既能够保证精度，又不会影响计算效率，故在本例中同样地取卷积核大小为15。

对于绝大多数的无雾景象，除较亮的天空区域外，每个像素点的暗通道灰度值非常小，这是因为每个像素点的RGB的3个通道中，总是有1个通道的灰度值跟0十分接近。

而对于有雾图像而言，由于大气散射光是白光，各通道的灰度值都较高，因此各个像素的暗通道灰度值也比较高。

通过先前的分析可知J(x)与j(x)的光强值是不相等的，但是在暗通道下，两者的关系又是另外一种情况。

J(x)与j(x)的区别在于前者的是后者的部分光强被大气光强取代后所保留的原部分光强，在常规的RGB的3个通道下，这种取代作用是比较明显的，导致J(x)与j(x)的差别较大。

然而，这种取代作用在光强越小的时候越不显著，取代作用逐渐地变为叠加作用。

也就是说，RGB的3个通道中，光强最大的通道取代作用最显著。

而无雾图像暗通道的光强值非常小，因此可以近似地认为在雾图形成过程中，有雾图的暗通道值是在对无雾图像上进行线性叠加所形成的：
jdark(x)=Jdark(x)。

(3)
式(3)中：jdark(x)表示无雾时的景物暗通道图像；Jdark(x)表示雾图中残余景物光的暗通道图像。

由此建立J(x)与j(x)之间的关系。

1.3 求解目标参数
在雾图形成模型中依然包含大气光强值A这一有未知参数，因此还需将A求出，同样可以通过暗通道理论将其准确地求出。

其求解的基本方法是：首先，在雾图的暗通道中按照亮度的大小取前0.1%的像素点；其次，在有雾图像的3个通道中寻
找对应的具有最高亮度的点，将该点的灰度值作为大气光强值。

在所有参数值都确定之后，便可进行目标参数的求解，对雾图形成模型的等号左右两边分别做暗通道运算可得：
Idark(x)=Jdark(x)t(x)+A[1-t(x)]。

(4)
因为j(x)的暗通道与J(x)的暗通道近似相等，故式(4)又可变为：
Idark(x)=jdark(x)t(x)+A[1-t(x)]，
(5)
将式(5)进行变换，便有如下关系式成立：
(6)
透射率t(x)中包含有雾厚距离的相关信息，雾厚距离L与透射率t(x)的函数关系为：t(x)=e-βL。

(7)
β表示大气散射系数，其值取决于单位雾滴颗粒数N与消光系数Cext，三者之间
满足如下关系：
β=NCext，
(8)
将式(8)代入式(7)可得：
t(x)=e-NCextL，
(9)
对式(9)进行变换，便可求得目标参数雾厚距离L为：
(10)
式(10)中的单位雾滴颗粒数N与消光系数Cext的数值都可以通过烟雾传感器测量获得，联立上述公式，可得目标参数雾厚距离L的最终求解公式为：
(11)
2 实验测试与分析
对高速公路某一路段方位的雾厚距离进行实际测试分析，该场景下的有雾图像与无雾图像分别图1和图2所示。

图1 有雾图像图2 无雾图像
图1为有雾时的图像，图2为无雾时的参考图像，将这两幅图像导入算法程序中，便可计算该视角下的雾厚宽度。

在几个不同团雾天气环境下分别对图1和图2中
的雾厚距离进行算法估计计算与实际测量，最终得到的数据如表1所示。

表1 雾厚算法测量数据与实际测量数据对照项目123456算法估计
/m348.2401.5218.7652.3559.3215.9实际测量
/m349.5400.6217.9651.1558.2216.8
通过对这6组随机测试数据进行分析，与真实值的偏差在±1.5 m的范围内。

而对于实际的团雾检测预报应用而言，预报误差与实际误差在2 m内便可认为该预报
是可靠有效的。

因此，从测试所获得的这6组数据来看，该算法达到了所需的精
度水平。

3 结论
团雾检测应用算法是一种基于图像处理的检测技术。

除了摄像头与烟雾传感器及计算机作为硬件设备外，大多数的检测操作都通过纯软件的方式来实现，具有成本低廉的特点。

而且，基于暗通道理论所检测的预报数据也能够较好地控制在±1.5 m
的误差范围内，能够保证所预报的信息具有真实性、可靠性、准确性，使得该团雾检测方法具有较高的实际应用价值。

参考文献
【相关文献】
[1] 丁雪龙.高速公路团雾检测技术研究[D].南京：南京理工大学,2015.
[2] 李维,刘良明,文雄飞.基于面向对象方法的白天雾检测[J].遥感信息,2010(6):33.
[3] 魏书晓.星载激光雷达在基于MODIS海雾检测中的应用[D].青岛：中国海洋大学,2013.
[4] 张伟康.基于MODIS卫星数据的夜间辐射雾检测和属性反演[D].长沙：中南大学,2013.
[5] 刘建磊,刘晓亮.基于视频图像对比度的团雾检测算法[J].光电子技术,2015,35(2):92.
[6] 徐放.基于图像分析的团雾检测预警系统设计[D].南京：南京理工大学,2017.
[7] 朱子鹏.一种基于单片机的高速公路上的团雾检测系统[J].电子技术,2017,46(3):20.
[8] 卢博.CALIOP海雾检测及其在MODIS日间海雾遥感中的应用[D].青岛：中国海洋大学,2015.
[9] KAIMING H，JIAN S，XIAOOU T.Single Image Haze Removal Using Dark Channel Prior[J].IEEE Conference on Computer Vision and Pattern Recognition,2009,33(12):1958.。