基于暗原色先验的图像去雾新方法

董林娜 胥妍山东师范大学物理与电子科学学院



基于暗原色先验的图像去雾新方法

董林娜 胥妍
山东师范大学物理与电子科学学院

摘要：文章提出了一种基于暗原色先验的图像去雾新方法，此方法将中值滤波处理后的有雾图像的灰度图或灰度图的反转图作为优化透射率；根据归纳出的两条准则划分出天空区域，进而计算得到大气光值；最后借助有雾图像形成模型获得最终的去雾图像。实验表明，与同类方法相比，本方法在主观效果和客观指标上均能够获得较高质量的清晰图像；而且克服了同类算法耗时的缺点，缩短了算法的运行时间。

关键字：暗原色先验 灰度图 灰度图的反转图 图像去雾

近年来，雾霾天气越来越频繁地出现在人们的生活中，各种拍摄所获得的图像清晰度也随之严重下降，这对日常生活、科学研究等各个领域带来了很多不便。为了解决该问题，获得高质量、清晰的去雾图像，很多研究者致力于有雾图像的研究，并提出了许多去雾方法。但由于客观条件的限制，提出的方法总是存在一些问题。例如：算法运行时间过长，不具有实用性；算法得到的去雾图像边缘处存在人工假象；算法对含有大面积明亮区域的有雾图像，得到不正确的大气光值。本文在研究和验证已有去雾方法的基础上，针对上述问题，提出了一种新的去雾方法：首先根据有雾图像计算其灰度图或灰度图的反转图作为估测透射率，并对估测透射率进行中值滤波处理，作为优化透射率；然后根据天空区域（即雾最浓区域）往往位于无穷远处（即在图像中表现为位于图像的中上三个通道的亮度值相差很小的特点，获得图像中的天空区域，再计算出较为真实和准确的大气光值；最后根据有雾图像的形成模型，使用优化透射率和大气光值得到最终的去雾图像。

1　去雾模型

1.1 有雾图像形成模型

在图像去雾领域，广泛应用的有雾图像形成模型为： I（x）= L（x）T（x）+ A（1-T（x）） 其中，I（x）表示有雾图像；L（x）表示去雾图像，即目标图像；A表示大气光值；T（x）表示透射率，它是通过各种媒介到达拍摄设备的未被散射的光线。L（x） T（x）表示目标景物光线经过散射等衰减后的部分，称为直接衰减项；A （1- T （ x ） ）表示大气光部分，直接衰减项与大气光联合作用，最终产生有雾图像I（x）。

1.2 最终的去雾图像

为获得最终的去雾图像，要得到目标图像L（x），只需得到透射率T （ x ） 以及大气光值A，因此论文接下来的工作就是计算优化透射率和大气光值，从而得到最终的去雾图像。

2　透射率

2.1 透射率的分析

入射光通过各种媒介时会发生折射现象，折射后所剩下的部分与入射光的比值称为透射率。文献方法首先对有雾图像形成模型进行最小化运算，再运用暗原色先验得到估测透射率，但由于估测透射率具有块效应，不能较好地保留图像信息，因此采用软抠图的方法优化透射率，但该方法需要付出较高的时间代价。

2.2 透射率的计算

通过对大量去雾图像的实验和观察发现，有雾图像经中值滤波处理后的灰度图及其反转图，与文献和文献方法计算的透射率具有较高的相似度，因此本文选取它们作为优化透射率。尽管有雾图像的灰度图及其反转图很容易获得，但由于包含了图像本身的大量信息，用其作为透射率会使去雾图像丢失过多细节，因此需要进行中值滤波处理，将处理后的图像作为优化透射率，从而保留最终去雾图像的大量细节信息。相比文献和文献方法优化得到的透射率，有雾图像的灰度图及其反转图更容易得到，对其进行中值滤波处理所用时间较少，使计

算透射率的时间大大缩短。实验结果验证了我们的结论。

3　大气光值

3.1 大气光值的分析

太阳光穿过大气层后，大气分子及悬浮在大气中的各种微粒等对太阳光的散射作用减弱了太阳光，散射后的太阳光被称为大气光。太阳光经散射后得到的颜色与大气中各种粒子的大小有关，具有小半径的粒子会对短光波有散射时，被散射的光线主要是太阳光中的蓝色光，故天空区域呈现蓝色。当大气层中存在比空气分子体积大的粒子时，如雾、雨滴等，长光波也会发生散射作用，在这种情况下，由于短波、长波各种光波都会发生散射作用，因此它们之间的散射强度的差异变得越来越小，当差异足够小时，天空的颜色就会变成白色。

3.2 大气光值的计算

根据上述原理和实验分析，可以得到：1）大气光值应该在有雾图像的雾最浓区域选取，这部分区域对应于天空区域或无穷远处，且往往位于图像中部以上区域；2）雾最浓区域中物体的色彩对比度出现很大程度的下降，从而导致像素在RGB三个通道中亮度值的最大值与最小值相差很小。经上述分析，本文使用以下方式选取大气光值：（1）由于雾最浓区域往往位于图像的中部以上区域，所以选取有雾图像上部1/8的区域作为计算大气光值的预选区域；（2）在预选区域内，选取RGB三个通道中亮度值最大值与最小值之差较小的像素点作为大气光值的预选区域，通过实验对比设定阈值P=0.079，其中，Imax和Imin分别表示像素RGB三个通道中像素点亮度值的最大值和最小值。（3）满足条件（1）和（2）的区域即为雾最浓区域，且大气光值偏大，应该在雾最浓区域中选取，所以在上述区域中选取最大值作为大气光值。

4　实验结果与分析

为了验证本文方法的有效性和实用性，在Pentium（R）Dual-Core、2.59GHz 、3.00GB的PC机上采用MATLAB 7.1编程，对大小为352×288 的图像分别使用文献方法、文献

方法和本文方法进行了实验和对比。在主观效果上，文献方法所得去雾图像出现了块效应和边缘处的人工假象，且图像色彩比较暗淡。文献方法所标记的雾最浓区域较小，没有包含大部分雾最浓区域，而且所得去雾图像的去雾程度不够彻底，图像色彩稍显暗淡。本文方法所标记的雾最浓区域包含了大部分雾最浓区域，因此可以得到更加精确的大气光值，而且所得去雾图像的去雾程度彻底，图像色彩鲜艳，对比度增强，保留了更多的细节，更加逼近真实场景的色彩；同时使用中值滤波处理的灰度图作为透射率，得到的去雾图像亮度更高，更适用于不含天空区域或含有少量天空区域的有雾图像；而使用中值滤波处理的灰度反转图作为透射率，所得到的去雾图像保留了更多的细节，具有层次感，更适用于含有大面积天空区域以及含有大面积明亮区域的有雾图像。在客观指标上，文献方法运行时间较长，不具有实用性；文献方法的运行时间有了一定程度的提高；而无论是使用有雾图像的灰度图，还是使用灰度图的反转图作为估测透射率，本文方法的运行时间相对于前两种方法提高了几十倍。此外，文献、文献和本文方法去雾结果的结构相似度相比，三者的结构相似度相近，并且对于部分图像中，本文方法获得的去雾结果具有更高的结构相似度。本文也对其它图像进行了实验，其实验结果具有同样的结论。综上所述，无论从主观效果还是客观指标，本文方法在与其它去雾方法获得相近甚至质量更好的去雾结果的基础上，大大节省了方法的运行时间。

5　结论

本文通过对已有去雾方法相关原理和理论分析和验证，提出了一种图像去雾的新方法：将经过中值滤波处理后的有雾图像的灰度图或灰度反转图作为透射率，然后根据有雾图像中雾最浓区域的特点得到更加准确的大气光值，最后借助有雾图像形成模型获得最终的去雾图像。实验表明，本方法与同类方法相比，不仅去雾效果较好，并且缩短了算法的运行时间。下一步的研究重点和研究目标是，将有雾图像的灰度图和灰度反转图分别作为透射率，对得到的两幅去雾图像进行有效融合，以达到更好的去雾效果。

参考文献

［1］ He K M，Sun J，Tang X O. Single image haze removal using dark channel prior［C］//Proceedings of IEEE Conference on Computer Vision and PatternRecognition. Washington，USA，2009： 1956-1963.

［2］ Fattal R. Single image dehazing［J］. ACM Transactions on Graphics，2008，27（3）： 721-729.

［3］ Tan R. Visibility in bad weather from a single image［C］//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Washington，USA，2008：2347-2354.

［4］ John P O，Brenda L S. Improving image quality in poor visibility conditions using a physical model for contrast degradation［C］//Proceedings of IEEE Transactions on Image Processing. Washington，USA，1998：167-179.

［5］ 徐晶，刘鹏，唐降龙.大气光估计对单幅图像去雾复原的影响［J］.智能计算机与应用，2012，2（3）：68-71.

［6］ He K M，Sun J，Tang X O. Guided image filtering［C］// Proceedings of IEEE Transactions on Pattern Analysis and Machine Intelligence. Washington，USA，2013： 1-13.

［7］ Levin A，Lischinski D，Weiss Y. A closed form solution to natural image matting［C］// Proceedings of IEEE Conference on Computer Vision and PatternRecogition. Washington，USA，2006： 61-68.

［8］ 郭璠，蔡自兴，谢斌，等.单幅图像自动去雾新算法［J］.中国图象图形学报，2011，16（4）：516-521.