基于暗原色先验的图像去雾优化技术

申怀波，王永康，张孝峥

（中国北方车辆研究所，北京　100072）

基于暗原色先验的图像去雾优化技术

申怀波，王永康，张孝峥

（中国北方车辆研究所，北京100072）

由于雾霾等大气散射作用会使战场环境获取的图像质量退化，图像去雾可以大幅度提升视觉效果，方便火控系统目标识别与跟踪。基于暗通道先验理论提出一种改进的中值滤波算法，针对不同区域使用不同大小的滤波窗口，可以快速有效地对透射率细化，避免边缘效应。并且还提出了天空区域透射率优化算法，去除了天空区域的纹理和斑块效应。实验结果表明，该算法具有速度快并且效果好的特点。

去雾算法，暗通道先验，透射率优化

0　引言

图像作为感知战场最直观的信息，为发现和识别目标带来极大便利。然而，由于受到恶劣天气的影响，使得采集到的图像质量受到极大退化。如在有雾的环境中，由于大气散射的作用，拍摄出来的图像色彩失真、对比度和能见度降低，图像质量退化严重影响了图像信息的提取与应用，对火控系统的目标识别与跟踪带来严峻挑战。因此，快速和高效的图像去雾算法成为当前研究热点。

图像去雾算法主要分为两类：一类是基于图像增强的算法，另一类是基于图像复原的算法。基于图像增强的方法大多基于直方图均衡和Retinex算法，通过增加图像亮度或对比度，突出细节信息，从而减小雾对图像的干扰。如Tan［1］通过增加复原图像的局部对比度来达到去雾的目的，但是这种方法由于没有考虑透射率，结果会使部分色彩过度饱和失真。基于图像复原的去雾算法利用已有的模型和观测到的数据反演退化过程，从而复原得到清晰的图像。如Oakley［2］利用测得的场景景深信息，然后对光照分布进行修正从而实现去雾。但是，该方法得到的透射率偏差较大，不能有效改善降质图像质量。

HE［3］等人基于户外无雾图像统计规律，提出了基于暗通道先验的单幅图像去雾算法。根据暗通道先验规律估算透射率，并且采用软抠图算法对透射率进行细化，对降质图像去雾产生了较好的效果。但是该算法复杂度高，计算量大，计算速度和效率比较低。

本文基于暗原色先验规律，提出了改进的中值滤波算法，改善了中值滤波在图像去雾时造成的黑色斑点和去雾后图像不自然等缺点。并针对原算法对天空区域不适用而造成去雾后图像模糊现象，提出了透射率修复算法，提高了去雾图像天空区域的视觉效果。

1　暗原色先验去雾算法

1.1大气散射物理模型

根据大气散射理论［4］，在计算机视觉领域，广泛使用以下公式：

其中，I（x）是指观测到的像素颜色强度，J（x）表示场景的真实亮度。A表示图像总体大气光强。t（x）为大气透射率，表示场景中物体反射的光线没有发生散射而直接传输到摄像机的比例。J（x）t（x）表示场景信息在传输过程中的衰减。A（1-t（x））表示由于大气散射作用导致图像质量下降。图像去雾的目的就是从I（x）、t（x）和A中求出原图像J（x）。

1.2暗原色先验去雾

何凯明等人通过对晴朗天气下大量户外无雾图像统计发现，绝大多数无雾图像的每个局部区域，R、G、B 3个通道中至少一个颜色通道具有强度值很低的像素。公式定义如下：

Jc代表J的一个颜色通道，而Ω（x）是以x为中心的一块方形区域。除了天空区域Jdark（x）的值总是很低，甚至趋近于0。则Jdark（x）称为J的暗原色，并把以上规律称为暗原色先验。

根据暗原色先验规律，透射率t'（x）计算过程如下：

假设全球大气光强度A已知，并且在Ω（x）方形区域内透射率t'（x）保持不变，有：

为了使去雾后，图像更加真实，对上式加入调整因子ω，表示去雾程度的大小。该值可根据具体情况进行选取，原文中取ω为0.95。

则透射率t'（x）为：

全球大气光A通常为常量，HE算法中求取过程如下：首先选取图像暗通道中最大的0.1%像素，然后找到这些像素在原有雾图像中对应的点，选取其中亮度最大的作为图像大气光估计。

至此，理论上根据求得的透射率t'（x）和A可对原图像还原。然而，原算法对透射率估计过于粗糙，导致去雾后图像存在较明显边缘效应。原图和去雾图如图1所示。因此，十分有必要对透射率进行细化。

图1　含雾图及粗略透射率去雾图

HE等人利用软抠图［5］的方法，可以有效去除holo效应。但该算法计算量大，不能达到实时去雾的目的。HE又提出用引导滤波［6］代替软抠图对透射率进行细化。但是计算较复杂，限制了该算法后续的代码移植和硬件实现。并且HE等人的算法对天空等大面积明亮区域不适用，去雾后图像天空处出现较明显纹理与斑块效应。文献［5］提出了用中值滤波代替HE的最小值滤波算法，但去雾后图像会出现黑色斑点，并且像素间过度不自然。

2　改进算法

2.1改进中值滤波细化透射率

采用暗通道先验去雾后，图像产生边缘效应是由于对景深突变处的透射率估计错误造成的。如窗口Ω（x）内，近景处像素强度值较小，而远景处强度值较大，则远景处的像素值经最小值滤波后将会被低估，透射率t结果偏大。

中值滤波［5］是一种非线性低通滤波器，可以去除噪声的同时，保持图像的边缘。基本原理是以窗口中像素（x，y）为中心，将窗口内所有的像素从小到大排列，取中间值为该中心像素的强度值。采用中值滤波代替窗口内最小值滤波会避免这种估计错误。

若整幅图像采用中值滤波，会发现去雾后图像边缘处，细节过于突出，像素间过渡不自然，并且滤波后图像某些区域会产生黑色斑块。这是由于在强度变化的边缘，若某像素点强度值低（甚至趋于0），但窗口内绝大多数像素值强度较大，中值滤波后该点取较大强度值，使透射率取值偏低所致。因此，对于强度值较低的局部暗区域，防止该点强度值因为窗口内其他像素点被过度放大，将原滤波半径减小。经过大量实验，我们发现对于明亮区域，中值滤波窗口半径r1为4，窗口大小为9*9的效果较好。对于局部暗区域，窗口半径r2取为1，即采用3*3的窗口，可以明显减小边缘区域像素被过度放大的现象，去除黑斑效应。阈值K将整幅图像划分为亮区域与暗区域。为了方便计算，取K值为A*0.5。

实验结果如图2所示。

图2　去雾后算法效果对比

从图2可以看出，只采用中值滤波求暗通道图对透射率进行优化会使去雾后图像出现黑色斑点，并且去雾后图像像素间过渡不自然。采用改进的中值滤波算法后，黑色斑点消失，并且图像平滑，视觉效果较好。

2.2天空区域透射率t优化

大量实验发现，在亮度较高的区域找不到像素值趋近于0的点，也就是说暗通道先验在这些区域不适用。在天空等区域，透射率t（x）为：

可以看出，在这些区域内，透射率t比原透射率大。为了更好地处理天空区域，本文首先分割天空区域，然后将透射率根据天空区域与非天空区域分别处理。

天空区域整体较平滑，相邻像素间变化不大，因此，可以用像素间梯度信息来识别，梯度值越小表明该图像越光滑。Sobel边缘检测算子用3*3邻域的行与列之间的离散差计算梯度，输入图像在水平和垂直方向分别与模板进行卷积，输出二值图像，边缘处标记为1，非边缘处标记为0。

检测出梯度小的区域后，天空区域具有较高亮度值，根据亮度阈值可以准确地分割出天空区域。

由于天空区域真实透射率比暗通道得到的透射率大，为了正确求取t，定义：

图3　原图与天空区域分割图

为了防止改进后天空区域透射率被度放大和防止对雾气较浓区域过度去雾，本文对透射率t分别设置了上限tmax和下限tmin，此处tmax=1，tmin=0.1。即：

综上所述，天空区域透射率优化算法过程如下：

2.3求取去雾后图像

根据上述所求得的大气光强度A和透射率t，去雾后图像可由下式求得：

3　实验结果分析

为了验证该算法的效率，在酷睿i5处理器，3 G内存的计算机上基于matlab进行了试验，并将该优化算法与HE等人的暗原色先验算法进行比较。本节将从图像去雾的处理效果与处理时间两方面进行对比。

3.1图像去雾主观效果

本文提出用改进的中值滤波代替最小值滤波求透射率和对天空区域的透射率优化算法。图6与图7分别给出了无天空区域与有天空区域，本文算法与文献［3］算法的效果对比图。

图5　有雾图像

图6　无天空区域算法去雾效果对比

图7　有天空区域算法去雾效果对比

通过比较可得，在图像没有大面积天空区域时，该算法与HE提出的暗通道先验算法图像去雾主观效果差别不大，都能达到较好的去雾效果。和原算法相比，图片的对比度有明显提升，颜色的退化得到一定程度的修正。当原图像存在天空区域时，该算法能够有效地避免天空区域失真的块效应和较大面积的纹理。

3.2算法计算速度

本文与原算法分别对不同分辨率的相同图片进行测试，测试结果如下：

本文算法　文献［3］算法600*400　1.32 s　8.51 s 800*500　2.24 s　18.11 s 1 200*900　3.35 s　23.67 s

由实验可以得出，改进算法计算速度有较大提升。本算法利用改进中值滤波取代了原算法中的软抠图算法对透射率进行平滑，既保留了中值滤波的快速性，又可以有效地去除去雾后图像的边缘效应。

4　结论

本文在暗原色先验算法的基础上，提出了快速透射率细化算法。对暗通道图采用改进中值滤波算法代替最小值滤波，避免了计算繁琐的软抠图和复杂的引导滤波，提升了计算速度，有效地避免了预案算法中的边缘效应。该算法还对天空区域透射率进行优化，消除了预案算法去雾后天空区域出现的纹理和斑块，提升了天空区域去雾后的视觉效果。

为了更好地促进该技术的推广与应用，如何将该技术应用于实时视频处理，并且将该算法移植到基于硬件资源的嵌入式系统中，是我们下一步的研究重点。

［1］TAN R T.Visibility in bad weather from a single image［C］// Proceedings of IEEE Conference on Computer Vision and Patter Recognition，2008：1-8.

［2］OKALEY J P，SATHERLEY B L.Improcing image quality in poor visibility using modal for degradation［J］.IEEE Transactions on Image Processing.1998，7（2）：167-179.

［3］HE K M，SUN J.Single image haze removal using dark channel prior［C］//IEEE Conference on Computer Vision and Pattern Recogniton，Maami，USA，2009：1956-1963.

［4］MCCARTHEY E J.Optics of the atmosphere：scattering by molecules and particles［M］.New York：John Wiley and Sons，1976：23-32.

［5］GIBSON K B，VO D T，NGUYEN T Q.An investigation of dehazing effects on image and video coding［J］.IEEE Transactions on Image Processing，2012，2l（2）：662-673.

［6］HE K M，SUN J，TANG X O.Guided image filtering［C］//European Conference on Computer Vision，Crete，Greece，2010：1-14.

Optimized Image Dehazing Using Dark Channel Prior

SHEN Huai-bo，WANG Yong-kang，ZHANG Xiao-zheng
（China North Vehide Research Institute，Beijing 100072，China）

Atmospheric scattering effect can make image quality degradation.Image dehazing can improve visual effect and facilitate target recognition and tracking.This paper proposes improved median filter algorithm based on dark channel prior，using different sizes of filter window with different region.It can effectively refine transmissivity and avoid holo effect.Also，this paper proposes sky area transmissivity refine algorithm.It wipes off veins of sky and patch effect.Experimental results show that this algorithm is high-efficient to dehaze the image.

dehazing algorithm，dark channel prior，transmissivity refine

TP391

A

1002-0640（2016）07-0157-04

2015-06-05

2015-07-15

申怀波（1989-），男，山东聊城人，硕士研究生，助理工程师。研究方向：武器控制总体技术。