基于暗通道先验的图像去雾方法研究

基于暗通道先验的图像去雾方法研究
苟婷婷1严瑾2黄凌霄1刘立波1*
(1.宁夏大学信息工程学院，宁夏回族自治区银川750021;
2.宁夏回族自治区遥感测绘勘察院，宁夏回族自治区银川750021)
[摘要]针对多发性的雾霾天气下获得的图像质量退化问题,雾天退化图像的去雾复原技术引起广泛关注。

在充分分析雾天图像特点的前提下,研究暗通道先验算法在图像去雾中的应用并借助Matlab平台实现仿真验证。

首先将采集到的雾天图像载入系统,然后使用暗通道先验算法处理图像。

实验结果证明,该方法具有良好的去雾效果,处理后的图像不仅更加清晰,同时增强了细节信息,提升了图像的利用价值。

[关键词]暗通道先验;图像去雾;Matlab;直方图均衡化
中图分类号:TP391.41文献标识码:A文章编号:1008-6609(2019)01-0005-04
1引言
随着人类生产工业化进程的推进，空气污染尤其是雾霾天气愈发严重，这给人类生产生活带来极大不便，使得户外景象图像的对比度和颜色被改变或退化，同时也会使图像中的许多细节特征不清晰。

这些降质图像不但不符合人类视觉效果，同时也给交通监控系统之类的视觉系统正常工作带来影响。

所以，对于在雾霾等恶劣天气下由图像采集设备得到的降质图像，非常有必要进行去雾处理并恢复细节信息。

图像去雾技术是通过一定的方法和手段去除图像中霾的干扰，从而得到高质量的图像，以便得到满意的视觉效果并获取更多有效的图像信息[1]。

国内外相关研究领域围绕如何对图像去雾进行了深入研究，至今提出了多种去雾方法，这些研究方法大体可分为两大类：图像增强方法和图像复原方法。

图像增强方法早期表现出优异的去雾效果，是研究相关问题的常用方法，主要有基于统计特性的直方图均衡化算法[2]和nd等人提出的Retinex 理论[3]。

该类方法重点在于改善图像对比度，针对图像中需要用到的部分进行增强即可。

基于物理模型的图像复原方法通过掌握图像的退化过程，对该过程进行建模实现图像去雾[4]。

该类方法中具有代表性的是何恺明提出的暗通道先验去雾算法，该方法根据暗通道统计规律复原清晰图像，去雾效果明显[5]。

由于随机的天气条件具有不确定性，研究具有较高可靠性的图像去雾算法仍具有重大应用价值。

本文在分析雾天图像成像过程的基础上，探讨暗通道先验算法在图像去雾过程的实际应用，解决雾天图像的降质问题。

2雾天成像分析
空气中的灰尘等微小颗粒在低气压等环境下会黏结在一起，一般上午和晚上悬浮在空气中，造成雾霾天气。

在这种天气下，光在介质中与空中的微粒相互作用，传播方向发生改变，产生了光的散射，使得到达接收设备的光线减少，最终获得的图像在色调、亮度、对比度等方面会发生不同程度的失真[8]。

图像衰减的程度与景物距离接收设备的距离也不可分割，一般来说成指数关系，即距离越大，衰退强度也越大，反之亦然。

从雾霾天气获得的图像也可以观察到，图像的对比度随着景深的增加在逐渐减小。

总而言之，影响雾霭天气图像质量退化的根本原因还是大气中粒子的散射作用。

震惊世界的大气散射模型由Mc-Cartney于二十世纪七十年代提出，同时也是目前图像处理领域经常使用的模型之一，如图1所示。

该模型将到达镜头的光分为两部分：其一是正投影，即物体的反射光线未被散射的一部分，称之为入射光衰减模型；其二是添加到图像的各种进入视角的周围环境光线，称
作者简介:苟婷婷(1995-),女,宁夏固原人,硕士,研究方向为智能信息处理、深度学习。

*通信作者:刘立波(1974-),女,宁夏银川人,博士后,教授,CCF会员(14770M),研究方向为智能信息处理、深度学习。

基金项目:国家自然科学基金项目,项目编号:61862050;西部一流大学科研创新项目,项目编号:ZKZD2017005。

之为大气光模型[2]。

根据该模型，雾天图像退化的物理模型可表述为：
I(x)=J(x)t(x)+A(1-t(x))
(1)
其中，I(x)为获得的雾霾图像的亮度；J(x)为没有雾霾时的亮度；
A 为大气光值；t(x)为透射率。

此处公式(1)中清晰图像J(x)被t(x)衰减，而大气光线强度A 又由(1-t(x))衰减。

目前只有I(x)已知，而上述提到的J(x)、t(x)和A 是未知的。

因此根据公式可推测，研究图像去雾问题大的本质是通过确定t(x)和A 得出清晰图像J(x)的过程。

3暗通道先验算法
在此方法提出之前，图像去雾的研究者都是针对有雾图像工作，利用各类改进算法消除雾霾等天气对拍摄图像的影响。

而暗通道先验方法首先掌握原始图像的完整退化过程，其次对该过程进行建模（该模型可看作退化过程的逆过程），在以上基础上复原之前的原始图像。

3.1暗通道先验规律
文献[6]经对上千张户外条件下的清晰图像进行实验，发现在天气晴朗时，户外的清晰图像中除了多数水域及空域以外，在其他小区域中一些甚至一个像素点处的RGB 的某个通道中总会存在非常低的像素，
这些像素通常被称为暗通道，由此实验证明，不论哪一幅图像，没有不存在暗通道的。

所以需要想办法得到这些暗通道，为此第一步将图像进行RGB 分解，取到局部块的最小值后求其分别在R 、G 、B 三个通道中的分量，最后选择其中的最小分量进行最小滤波操作。

暗通道求解公式如下：J dark
=min y ∈Ω(x )（min c ∈{r ，g ，b }J
c
（y ））（2）
其中，J 表示户外晴天下的清晰图像，J dark
表示图像J 的暗通道（通常该值几乎为0），J c
(y )表示J 图像的R 、G 、B 中的某个颜色通道，Ω(x )表示上述提到的局部块，该区域以x 为中心[7]。

该定义原理图如图2所示。

3.2透射率估算
现假设大气光成分A 已知，在局部最小区域Ω(x )内透射率恒定，可求出雾霾图像暗通道值为：
min y ∈Ω(x )(min c I c (y )A c )=t(x ~)min y ∈Ω(x )(min c I c
(y )A
c )（3）
其中c 表示R 、
G 、B 通道之一，Ω(x )为以15×15为大小，中心为x 的一小块。

通过公式（3）可以得到透射率t (x )：
t (x ~)=1-min y ∈Ω(x )(min c I c
(y )A
c )（4）
上式min y ∈Ω(x )(min c I c
(y )A c )为大气光成分A 归一得到的图像暗通道值，故所求透射率即该暗通道。

但是消除图像中的全部雾霾，将导致图像因过度处理而不够真实。

故为使处理结果显得真实可选择适当保留部分雾，w 表示表示去雾强度，规定0＜w ≤1,当操作图像中雾气浓度越大时w 的值应随之增大，引入w 后的公式如下：
t (x ~)=1-w min y ∈Ω(x )(min c I c
(y )A
c （5）
场景在大气散射作用下未被散射部分的比例即透射率，与光线经大气散射后到达成像设备的能量成正比。

由大气散射模型和暗原色先验规律可估算透射率。

3.3有雾图像恢复
前文提到过雾霾天气成像模型，根据该模型可推导出，图像去雾问题的本质是通过确定t (x )和A 得出清晰图像J(x)的过程，因此可依据大气光值A 和透射率的值来恢复原始图像：
J (x )=I (x )-A t (x )
+A
(6)
此处设置t 0作为最小透射率来控制处理过程中雾的保
留，那么恢复原始图像的最终公式为：
图1大气散射
模型
图2
暗通道先验原理
J(x)=I(x)-A
max(t(x)，t0)
+A(7)此处t0设置为0.1。

4实验结果与分析
4.1实验结果
本文以Matlab2016a为实验操作平台，采集户外不同时间段的雾天图像，经筛选保留其中300幅进行实验，通过暗通道先验算法对有雾图像做图像去雾处理仿真，现选取浓雾天气及薄雾天气的两幅图像进行实验说明，比较结果图像与原始图像的对比度和信息熵，同时以对比度、信息熵和去雾时间为客观评价指标，选用直方图均衡化方法和Retinex增
强方法进行实验对比。

图3是对雾天公路图像分别采用按通道先验方法处理、直方图均衡化方法处理和Retinex增强方法进行去雾处理后的结果。

其中，图(a)为原始图像，图(b)为暗通道先验方法处理后的图像，图(c)为直方图均衡化方法处理后的图像，图(d)为Retinex增强方法处理后的图像。

(a)原始图像
(b)暗通道先验处理后的图像
(c)直方图均衡化处理后的图像
(d)Retinex增强处理后的图像
图3雾天公路图像不同算法去雾效果图
4.2结果分析
由图3可以看到，图(a)为有雾图像，图像信息笼罩在雾气中，无法清晰分辨出路况信息；经直方图均衡化处理后，图(b)较原图(a)去雾效果更明显，细节丰富，颜色保真度较好，看起来真实自然。

图(c)较图(a)和图(b)而言有一定的去雾效果，车和路标能显露出来，但增强效果并不均匀，致使图像色彩失真，且图像上方区域有轻微曝光，丢失了图像细节；图(d)较图(a)和图(d)而言，整体来说实现了图像去雾，增强处理后的图像细节突出，色彩丰富，但是色彩保真度低，不能达到良好的增强去雾效果。

表1给出了雾天公路图像去雾效果的客观质量评价，从对比度、信息熵和去雾时间可以对图像去雾质量进行分析。

经表中的对比数据可看出，直方图均衡化处理后的图像，对比度虽然有了很大的提高，但信息熵值相比原始图像反而有所减少，这说明该方法增强效果并不均匀，处理后的图
像会
Image Defogging Technology Based on Dark Channel Prior
GOUTing-ting 1YANJin 2HUANG Ling-xiao 1LIU Li-bo 1*
（1.Ningxia University,Yinchuan 750021,Ningxia;
2.Ningxia Hui Autonomous Region Remote SensingSurveyInstitute,Yinchuan 750021,Ningxia
）
For the problem of image quality degradation obtained from multiple haze days,the defogging and restoration technol-ogyof degraded images in fog has attracted extensive attention.On the premise of fully analyzing the image characteristics of fog,the application of dark channel prior algorithm in image defogging is studied,and the simulation verification is realized with the help of Matlab platform.Firstly,the collected foggy images are loaded into the system,and then the dark channel prior algorithm is used to process the images.The experimental results show that this method has better fog removal effect and clearer image,but also enhances the detail information and improves the utilization value ofthe
image.
dark channel prior;image defogging;Matlab;histogramequalization
丢失部分信息；Retinex 增强算法对比度和信息熵有了提高，但对比度仍然偏小，导致图像质量和色彩表现并不是最理想的；暗通道先验算法对比度和信息熵值都有提升，具有良好的去雾效果，但因计算量大导致去雾时间过长，时间代价过大。

5结论
鉴于雾霾等恶劣天气条件导致图像质量下降，本文将暗通道先验算法应用在图像去雾技术上，并以Matlab2016a 为仿真平台进行实验，同时选用直方图均衡化算法和Retinex 增强算法作为对比。

实验证明，
暗通道先验算法对降质图像的去雾效果良好，在有效恢复原始图像的同时增强了细节信息，提高了图像的利用价值，故后续可根据实际需要与其他系统相连接，如降低雾天交通监控难度，提高雾天交通车牌识别准确率。

与提到的另外两种算法相比，
暗通道先验方法虽表现出更佳的去雾效果，处理后的图像层次丰富，但因计算量复杂导致处理时间过长，这一点将在以后的研究中加以改进完善。

参考文献院
[1]郭璠,彭辉,唐琎.图像去雾技术及其应用[M].北京:机械工业出版社,2016.
[2]彭耀旺.图像去雾技术的研究[D].成都:电子科技大学,2015.
[3]林笑君,梁凤梅.基于Retinex 的一种图像去雾算法[J].电视技术,2013(17):047.
[4]舒婷.基于物理模型与非物理模型的图像去雾霾算法[D].张家界:吉首大学,2015.
[5]Fan G ,Zi-Xing C ,Bin X ,et al.Review and prospect of image dehazing techniques
[J].Journal of Computer
Applications,2010,30(9):2417-2421.
[6]HE K,SUN J ,TANG X.Single image haze removal using dark channel prior [C].Proceedings of IEEE Conference on computer vision and Pattern Recognition,Miami ,FL,USA:IEEE Computer Society,2009:1956-1963.
[7]王奕权.图像去雾与图像增强算法研究[D].南京:南京邮电大学,2015.
表1雾天公路图像客观质量评价指标。