基于改进暗通道先验模型的遥感图像去雾算法

李校林，王屈桥，燕历科

(1.重庆邮电大学 通信新技术应用研究中心，重庆 400065；2.重庆重邮信科集团股份有限公司，重庆400065)

基于改进暗通道先验模型的遥感图像去雾算法

李校林1，2，王屈桥1，燕历科1

(1.重庆邮电大学 通信新技术应用研究中心，重庆 400065；2.重庆重邮信科集团股份有限公司，重庆400065)

无人机航拍技术因其诸多优势，已被应用在越来越多的场景中。但因空气污染或气候原因使得某些地区雾霾较多，导致拍摄的图像降质明显。针对该问题，同时对于无人机遥感图像较高的去雾速度要求，提出了一种基于改进暗通道先验模型的无人机遥感图像去雾算法。首先使用下采样法和插值算法改进暗原色先验模型的透射率计算，大幅降低了计算复杂度；然后针对图像偏白色区域的去雾处理，采用结合容差机制恢复无雾图像的方法，减少了偏色现象；最后对去雾图像采用自动色阶算法进行图像增强处理，提升了去雾后图像的亮度。实验表明，该算法在图像去雾的精确性和效率上均优于原算法。

无人机；图像去雾；暗通道先验；处理速度

因空气污染或天气原因使得某些地区雾霾较多，大气中漂浮着许多悬浮颗粒，这些悬浮颗粒导致了在雾天拍摄图像的降质问题，使得拍摄的图像模糊，无法满足人们对于高清图像的需求。而无人机作为目前新兴的摄影工具，以其低廉的市场价格、简单的操作模式以及灵活的拍摄角度等特点被越来越广泛地应用于各种场景中。由于无人机航拍的广泛应用，雾天图像的降质问题函待解决。通过图像去雾处理得到高清的图像一直是具有较高难度的研究内容，因为图像中雾的厚度是未知的，导致去雾的研究较为复杂。而无人机遥感图像去雾需要实现去雾的实时性，因此对图像去雾提出了更高的要求。

近年来，国内外的研究人员在图像去雾方向进行了大量的研究，目前图像去雾方法主要分为两种：一种是通过图像增强实现去雾的方式，经典的算法有全部或局部直方图均衡算法[1-2]，通过调节图像灰度分布实现增强图像整体效果的目的。其中全局直方图均衡化方法容易引起散斑效应，从而导致图像去雾的效果较差。而局部直方图均衡算法虽然能够克服这一缺点，但其时间复杂度过高，无法保证图像去雾的实时性。基于Retinex的去雾算法[3]是目前通过图像增强方式实现去雾中的主流算法，其对于薄雾的处理具有很好的效果。另一种是通过大气散射模型实现去雾的方式，近年来该去雾技术取得了明显的突破。Tan[4]观察到有雾图像比无雾图像的对比度更低，于是他采用扩大复原图像的局部对比度对图像进行去雾处理。通过这种方式处理后的图像具有很好的视觉效果，但因为没有按照物理模型进行处理，导致恢复的图像色彩饱和度过高；Fattal[5]通过估测景物的反射率来推断透射率，其方法在处理薄雾的时候效果较好，但由于雾浓度较大时颜色信息较少，容易导致统计偏差，因此在雾浓度较大时处理效果有限；Tarel[6]通过使用中值滤波估测大气消散函来实现去雾处理，Tarel的方法虽然速度较快，但去雾后图像的效果较差；He[7]提出基于暗通道先验的去雾算法，该算法在去雾效果上有显著提升，但因为无法准确估算明亮区域的透射率，容易引起去雾图像的失真，由于算法在透射率计算中采用软抠图处理，导致算法具有较高的时空复杂度，无法实现实时去雾。

本文针对He算法去雾处理时间较长、无法准确估算明亮区域的透射率、去雾恢复后图像偏暗的问题，同时结合无人机航拍图像去雾速度的要求，提出一种基于改进暗通道先验模型的无人机遥感图像去雾算法。首先采用下采样法和插值法改进透射率的计算，同时采用结合容差机制恢复图像的方法对图像进行恢复，最后采用自动色阶的方法对去雾后恢复的图像进行图像增强处理。通过实验验证，本文算法不仅大幅提升了去雾速度，而且去雾效果也优于原算法。

1 大气散射模型

首先，在数字图像处理中，Koschmieder模型方程[8-10]所描述的雾对图像的退化过程被广泛使用

I(x,y)=J(x,y)t(x,y)+A(1-t(x,y))

(1)

式中：A为全球大气光强度；J(x,y)为恢复的无雾图像；I(x,y)为待去雾的图像；t(x,y)为介质透射率称为透射率或传输图，其定义为

t(x,y)=e-βd(i,j)

(2)

式中：d(x,y)为场景点到观测点的距离；β为大气的散射系数。由式(1)变换可得

(3)

由式(3)可知，若已知全球大气光强度A与透射率t(x,y)，便可求得恢复的无雾图像，但若t(x,y)为0时，将出现计算错误，故将式(3)改写为

(4)

式中：t0为透射率的最小阈值，本文取为0.1。

2 暗通道先验去雾的基本原理

暗通道先验是通过观察得出的一种统计规律，它指出在绝大多数非天空的区域中光强度的最小值是一个很小的数，近似接近于0[7]。对于输入的任意图像J(x,y)，其暗通道强度表示如下

(5)

式中：Jc(x,y)为输入图像的某一个通道的强度值；φ(x,y)为以像素(x,y)为中心的一个窗口，为该窗口内的任意一个像素点；c为RGB色彩通道的索引值。如果Jc(x,y)是无雾图像，把Jdark(x,y)称为Jc(x,y)的暗原色。

暗通道先验的原理指出，除了天空区域，Jdark(x,y)的强度值总是趋近于0，即

Jdark(x,y)→0

(6)

然后，将式(1)进行变换，得到

(7)

(8)

根据暗原色先验理论有

(9)

(10)

由式(10)估算的透射率是假定某一区域φ(x,y)的透射率恒定的基础上进行的，所得的透射率是不精确的。为了提升计算精度，对像素点的透射率进行准确估算，He在算法中采用了软抠图方法细化了透射率的求取[7]。但是，软抠图方法计算复杂度较高，无法保证去雾的实时性。此外，式(10)是在暗通道先验成立的基础上进行计算的。但是，对于含有偏白色景物、天空等大面积明亮区域的特殊图像时，即使是在无雾的情况下，白色区域的像素值也较大，可能会出现在部分区域内找不到像素值接近0的暗原色点，使得暗通道先验在这种情况下不成立，导致恢复的无雾图像也是不精确的。为了解决He的去雾算法中存在的问题，需对原始算法进行改进，以提升算法的实时性和鲁棒性。

3 改进的暗原色先验去雾原理

3.1 基于下采样方法快速计算透射率

采用基于暗通道先验的去雾算法求取的透射率图精度比其他算法更高，但透射率的求取处理时间太长，导致算法无法实现实时去雾。如果在一定范围内略微降低精度以提升处理速度，去雾后的视觉效果理论上和原算法没有较大的差别，还可以实现无人机遥感图像去雾的实时性要求。本文依据这一原则，提出一种基于下采样和插值算法的透射率求取方法，具体实现方式如下：

1)对输入图像进行下采样操作，将其尺寸缩小为输入图像的1/8；

2)采用原算法透射率的求取方式，计算得到缩小后图像的透射率；

3)采用插值算法得到输入图像的透射率。

通过实验验证，采用基于下采样和插值算法的方式求取透射率在处理速度上相比原算法有明显提升，而图像去雾后的视觉效果与原算法差别很小。但在本算法的实践过程中发现，如果采样率设置不合理，比如仅仅将尺寸缩小为原来的一半，在处理速度上的提升很小。因此，在采样率的选取过程中，要选取较大的缩小比例对处理速度才会有明显提升。

3.2 利用容差机制优化透射率

由于基于暗原色先验的去雾算法在天空、白色景物等明亮区域对透射率的估测偏低，而无人机遥感图像中天空出现频率较高，因此在图像去雾的处理中，本文采取文献[11]提出的利用容差机制算法优化透射率的方法恢复图像，从而得到新的恢复图像公式

(11)

式中：A是全球大气光强度；J(x,y)为恢复的无雾图像；I(x,y)为待去雾的图像；t(x,y)为介质透射率；t0为透射率的最小阈值；K为容差，若像素各通道的差小于K，则认为不满足暗通道先验。

由式(11)可知，采取该算法对去雾图像的明亮区域恢复时，会弱化对偏白位置的处理，从而降低图像偏色。

3.3 去雾处理后图像增强

He在文献[7]中指出，利用暗通道先验恢复的图像相比于原图像偏暗，所以需要对恢复的图像进行图像增强处理。本文对于无人机遥感图像去雾的实时性要求较高，采用自动色阶算法对去雾图像进行增强处理。自动色阶算法可以自动去掉图像中的过亮区域和过暗区域，达到调节图像亮度的目的，其算法流程如下：

1)统计原始图像的直方图；

2)根据直方图计算出上下阈值，并得出阈值差d=上阈值-下阈值；

3)若原图图像像素值≤下阈值，则将该像素值赋值为0；

4)若原图图像像素值≥上阈值，则将该像素值赋为255；

5)若介于上下阈值之间，则该点像素值=原像素值×255/d；

6)得到处理后的图像。

采用自动色阶算法对去雾后的恢复图像进行处理，该算法不仅对图像增强有明显效果，而且复杂度低，可以实现图像的实时化处理。

4 算法实现及结果分析

本文采用C语言在VisualStudio2010平台仿真本文算法。采用Windows7系统，所使用计算机硬件为Corei5-3210MCPU@ 2.50GHzwith4GbyteRAM。算法的参数设置为：最小的操作模板blockb=12，blocks=4，去雾修正因子ω=0.96，剩余参数已在上文中设置。

4.1 主观比较

使用上述设置，将本文算法所得到的去雾效果与He的原算法进行对比，图1给出了本文算法和原算法的去雾效果情况。原图中包含了浓雾，He的原算法通过处理后得到的恢复图像较暗，景物颜色不够鲜明，本文算法的去雾后图像整体较明亮，景物更为逼真。

4.2 客观评估

为了更客观地说明改进算法的去雾效果，采用图像平均梯度、标准差和信息熵来衡量去雾后恢复图像的效果，表1给出了指标的具体情况。分析表1可以得出，本文算法在图像效果指标上优于He的原算法，客观地说明了改进算法的去雾能力相比于He的原算法有所提升。

同时，对于不同图像分辨率情况下改进算法与原算法的处理速度也进行了客观测量，如表2所示。由表2分析可得，本文算法相比于原算法处理时间提升了一倍左右，尤其是在处理分辨率较高图片时，能大幅度提升处理效率。

图1 本文算法与He算法去雾效果对比

算法平均梯度标准差信息熵有雾原图6.225340.22736.8672He算法11.218741.36826.9621本文算法13.562543.18737.0253

表2 算法计算速度对比

分辨率He算法处理时间/s本文算法处理时间/s175×2834.132.19263×4156.393.21362×5369.265.13446×62313.536.82

5 结语

本文提出一种基于改进暗通道先验模型的无人机遥感图像去雾算法，采用下采样和插值算法改进暗原色先验模型的透射率计算，大幅降低了计算复杂度，提高了图像去雾的实时性；针对图像偏白色区域的去雾处理，采用结合容差机制恢复无雾图像的方法，减少了偏色现象；最后对去雾图像采用自动色阶算法进行图像增强处理，提升了去雾后图像的亮度，保证了去雾图像的鲁棒性。实验结果显示，该算法同时兼顾了图像去雾的精确性和效率，对于无人机遥感图像去雾处理具有很高的实用性。图像去雾技术目前仍是数字图像处理领域一个重要的研究方向，在以后的研究中，该算法的图像去雾效率将是下一步的研究重点。

[1]STARKJA.Adaptiveimagecontrastenhancementusinggeneralizationsofhistogramequalization[J].IEEEtransactionsonimageprocessing，2000，9(5)：889-896.

[2]XUZ，LIUX，JIN.Fogremovalfromcolorimagesusingcontrastlimitedadaptivehistogramequalization[C]//Proc. 2ndInternationalCongressonImageandSignalProcessing.[S.l.]：IEEE，2009：1-5.

[3]PARTHASARATHYS，SANKARANP.ARETINEXbasedhazeremovalmethod[C]//Proc. 2012IEEE7thInternationalConferenceonIndustrialandInformationSystems(ICIIS). [S.l.]：IEEE，2012：1-6.

[4]TANRT.Visibilityinbadweatherfromasingleimage[C]//Proc.theIEEECVPR. [S.l.]：IEEE， 2008，1-8.

[5]FATTALR.Singleimagedehazing[J].ACMtransactionsongraphics，2008，27(3)：1-9.

[6]TARELJP，HAUTIEREN.Fastvisibilityrestorationfromasinglecolororgraylevelimage[C]//Proc.IEEEInternationalConferenceonComputerVision. [S.l.]：IEEE，2009：2201-2208.

[7]HEK，SUNJ，TANGX.SingleImagehazeremovalusingdarkchannelprior[C]//Proc.ConferenceonComputerVisionandPatternRecognition. [S.l.]：IEEE，2011：2341-2353.

[8]BUITM，TRANHN，KIMW，etal.Segmentingdarkchannelpriorinsingleimagedehazing[J].Electronicsletters，2014，50(7)：516-518.

[9] LI B， WANG S， ZHENG J， et al. Single image haze removal using content-adaptive dark channel and post enhancement[J]. Iet computer vision，2013，8(2)：131-140.

[10]褚宏莉，李元祥，周则明，等. 基于黑色通道的图像快速去雾优化算法[J].电子学报， 2013，41(4)：791-797. [11]YU L，YAN P，YAN X. Video defogging based on adaptive tolerance[J]. Telkomnika indonesian journal of electrical engineering，2012，10(7)：1644-1654.

责任编辑：闫雯雯

UAV remote sensing image de-hazing algorithm based on improved dark channel prior model

LI Xiaolin1，2，WANG Quqiao1，YAN Like1

(1.ApplicationofNewTechnologiesofCommunicationResearchCenter，ChongqingUniversityofPostandTelecommunications，Chongqing400065，China；2.ChongqingInformationTechnology(Group)Co.，Ltd.，Chongqing400065，China)

UAV aerial photography technologies， for its many advantages， are more and more widely used. But in some areas， due to weather conditions or air pollution and other factors，there are often fog and haze in the air， so that the quality of the captured images is lowered severely. To solve this problem， at the same time to meet the requirement of defogging speeds of UAV aerial photography， a fast algorithm to defog based on the dark channel prior algorithm is proposed in this paper. Firstly， sampling and interpolation algorithm is used to improve transmission rate calculation of dark colors prior model， so that the computational complexity is reduced significantly. Then for the defogging process of the areas where images are whitish， the method of combining with tolerance mechanisms is adopted to restore the image without fog， and the phenomenon of color cast is reduced. Finally， auto-levels algorithm is adopted to treat the defogging image， and the brightness of the image after defogging is enhanced. Experiment shows that the algorithm proposed in this paper are better than the original algorithm both in the accuracy and efficiency of the image defogging.

UAV；haze removal； dark channel prior； processing speed

李校林，王屈桥，燕历科. 基于改进暗通道先验模型的遥感图像去雾算法[J].电视技术，2017，41(1)：14-17. LI X L，WANG Q Q，YAN L K. UAV remote sensing image de-hazing algorithm based on improved dark channel prior model[J]. Video engineering，2017，41(1)：14-17.

TN911.73

A

10.16280/j.videoe.2017.01.003

2015年重庆市研究生科研创新项目(CYS15166)

2016-04-15