低能见度条件下车载视频的清晰化处理研究*

李欧迅，邓 莉

（桂林航天工业高等专科学校 电子工程系，广西 桂林 541004）

1 车载视频清晰化算法的研究意义

能见度在气象学中指物体能够被清楚识别的最大距离，它与当时的天气情况密切相关。当出现雾、霾和沙尘等恶劣天气时，大气透明度降低,能见度一般小于1.0 km。低能见度条件下拍摄的图像其对比度和颜色在天气影响下被改变，图像蕴含的许多特征被掩盖，景物可辨识度大大降低。

目前国内外研究最多的清晰化算法是图像的去雾技术，主要有两种思路，一种是基于大气退化物理模型的方法,需要求得深度信息[1-2],这对硬件系统的要求过高；另一种是基于图像增强的方法[3],运算量很大,不适合实时处理。2009年，He等提出的暗原色先验去雾技术对一般带雾图像取得了很好的效果[4],它无需深度信息，简单有效，实时性高，但是通过实验表明，该算法处理其他天气类型图像的效果不佳。本文在该算法基础上进行了改进,使其适用于恢复各种低能见度天气下的交通图像。

2 低能见度条件下车载视频的清晰化算法

2.1 大气散射模型

恶劣天气引起图像质量下降的主要原因是大气粒子的散射作用，用于描述图像退化过程的大气散射模型如下：

式中I是观测图像，J是景物光线强度，即所求清晰图像，A是大气光线强度，t为透射率。图像清晰化就是从I中复原J，这需要先估计t和A的值。

2.2 暗原色先验去雾算法

暗原色先验由对户外图像的统计规律得出，在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，即暗原色。一幅图像的暗原色定义为：

Jc为图像的第c个颜色通道，Ω(x)为以像素x为中心的块。通过大量统计实验表明，对于清晰图像，Jdark的强度总是很低并且趋近于0。如果J是清晰图像,则称Jdark为J的暗原色,并且把以上观察得出的经验性规律称为暗原色先验。

假设大气光线强度A已知，且在一个局部区域的透射率t恒定不变,对式(1)使用最小运算,并同除以A,得到：

对三个颜色通道再使用最小运算，有：

由式(3)可知式(5)等号右边第一项为零，则方程等价为：

通过式(6)可粗略估算出透射率t，为了提高精度，应用一种软抠图算法[5]来完善透射率分布函数。大气光线强度A的估计方法为：先取暗原色中0.1%亮度最大的像素,然后取这些像素对应在原图中的最大值作为A的值。

2.3 直方图均衡

暗原色先验算法对雨、雪、霾和沙尘等低能见度天气图像处理效果不佳的原因主要有两方面，第一，该算法建立在暗原色假设之上，对不满足这一假设的天空、白色物体和水面等明亮区域，算法估计的透射率偏小，如图1(a)的雨水和白色车辆，图1(b)的雪花和白色地面。这些区域的像素值很大，暗原色直方图分布偏高(如图2(a))，区域内找不到像素值接近于0的暗原色点，暗原色假设不成立，造成结果失真。另一方面，如图1(c)和图1(d)所示的霾和沙尘天气图像，其主要特点是整体画面昏暗，暗原色直方图的像素值绝大部分偏低 (如图2(c))，若直接利用暗原色先验算法估测透射率和大气光线强度,恢复效果很不理想。

解决上述问题的关键是在用暗原色先验算法之前改善退化图像的直方图分布，使其既满足暗原色假设，又能增强图像对比度。图像增强算法种类很多，考虑到算法的实时性，选择最简单有效的直方图均衡。它以概率论为基础，通过灰度的映射来修正图像的直方图，使之具有平坦的分布，增加灰度值的动态范围，从而达到增强图像整体对比度的效果。图2(a)和 图2(b)分别为雪天图像（即图1(b)）的暗原色直方图及其均衡后的结果；图2(c)和图2(d)为沙尘图像（即图1(d)）的暗原色直方图及其均衡后的结果。

2.4 HSV颜色模型

在对彩色图像进行直方图均衡后，经常会产生颜色偏差。因此，在均衡前先将图像的颜色模型转换成HSV模型。该模型将亮度(Value)与反映色彩本质特性的色度(Hue)和饱和度(Saturation)分开，比较符合人的视觉感受。在恢复图像时只需处理其中的亮度分量，最后再将其与色度分量和饱和度分量整合，可大大减少图像的颜色失真。另外，由于恢复过程中只处理了亮度信息，算法速率也得到提高。

3 实验结果分析

实验选取四种低能见度天气条件下的交通图像，分别用本文算法和参考文献[4]算法进行恢复。图3～图6给出了对比结果，其中图3(a)～图6(a)分别为暴雨、大雪、霾和沙尘天气下的低能见度图像，图3(b)～图6(b)为参考文献[4]算法结果，图3(c)～图6(c)为本文算法结果。可以看出对于上述各种低能见度天气图像，本文算法能够更好地提高图像对比度，达到清晰辨识目标物和路面交通情况的目的。但是图像的色彩仍有一定程度失真，如图5(c)很多色彩细节没有恢复，图6(c)的天空部分则出现不规则的光晕。

本文在暗原色先验去雾算法的基础上提出改进，使其适用于恢复各种低能见度天气下的交通图像。它将降质图像转换到HSV空间后，提取其中的亮度分量进行直方图均衡和基于暗原色先验的恢复。多种实验表明，改进算法可以更好地恢复各种低能见度天气造成的图像模糊，对比度明显提高，路面交通状况清晰可辨，并且算法实时性较高。下一步的工作是在保证算法时效性的同时，进一步改善图像恢复过程中的颜色失真，以及完成算法的硬件实现。

[1]OAKLEY J P,SATHERLEY B L.Improving image quality in poor visibility conditions using a physicalmodel for contrast degradation[J].IEEE Transactions on Image Processing,1998,7(2)：167-179.

[2]NARASIMHAN S G,NAYAR S K.Removing weather effects from monochrome images[A].Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2001：186-193.

[3]Zhu Pei，Zhu Hong，Qian Xueming.An image clearness method for fog[J].Journal of Image and Graphics,2004,9(1)：124-128.

[4]He Kaiming，Sun Jian，Tang Xiaoou．Single image haze removal using dark channel prior[C]．CVPR,2009：1956-1963．

[5]LEVIN A，LISCHINSKI D，WEISS Y．A closed form solution to natural image matting[C].CVPR,2006：61-68．