一种针对光晕优化的暗通道去雾算法

李和键，贺长秀

（1.四川大学计算机学院，成都 610065；2.中国人民解放军 63636部队，酒泉 732750）

一种针对光晕优化的暗通道去雾算法

李和键1，贺长秀2

（1.四川大学计算机学院，成都 610065；2.中国人民解放军 63636部队，酒泉 732750）

为了更好解决传统暗通道去雾算法在景深突变区域容易产生光晕的问题，提出一种针对光晕优化的去雾算法。算法首先对输入图像的灰度图进行边缘检测并膨胀；其次，根据得到的边缘图将输入图像划分为边缘区域和非边缘区域；最后，自适应选择窗口大小来进行去雾处理；实验结果表明改进算法可以有效提高景深突变区域的去雾效果。

单幅图像去雾；暗通道；光晕；边缘

0 引言

当空气中有悬浮粒子时，这些悬浮粒子会使被摄物体的反射光线发生衰减，同时也使大气光（太阳光、地面反射光、散射天空光等）散射后进入成像设备中，影响户外监控系统采集图像的质量。雾霾对图像采集设备影响很大，特别是天眼等监控系统的运行，所以提升监控系统对雾霾天的适用性是非常有意义的研究。

目前图像去雾有许多方法，可以分为两类，一类是：非物理模型的图像增强算法，这类算法不考虑图像退化的原因，突出图像中感兴趣的信息，但可能会使图像失真。另一类是：基于物理模型的有雾图像清晰化算法，这类算法因为了解图像的降质原因，反推出无雾图像，处理后的图像更显得自然。

常用的图像增强算法有：直方图均衡化，Stark JA等人[1]提出的一种自适应的直方图均衡化方法，更好地增强局部特征；小波变换，Scheunders[2]基于多尺度提出了一种多值图像的小波表示形式，此方法可用于彩色图像增强；同态滤波：基于照明反射模型的原理，在频率域利用同态滤波器分离出低频和高频信息，分别对低频和高频信息处理提高图像对比度。Seow等人[3]用此方法取得很好效果。Retinex算法：由Edwin Land等人[4]基于颜色恒常性提出的，可有效的增强图像的对比度和压缩图像的动态范围。常用的图像复原算法有：Schechner等人[5]根据光的偏振特性，采用偏振片得到同一场景下的不同偏振角度的多幅图像来估计环境光，进而恢复清晰无雾的图像。Tan等人[6]提出通过对雾天图像局部区域的对比度做最大化处理来进行去雾，能很好的恢复图像的细节和结构信息，但是输出图像通常出现过饱和的现象。Fattal[7]提出的基于数理统计的方法，假设图像局部区域的返照率为常向量，再得到介质传播图后复原无雾图像，但对浓雾区域和低信噪比区域效果不好。He等人[8]首先利用统计的方法总结出暗通道先验规律，进而利用暗通道先验假设来求取粗略投射图，再对粗略投射图精细化后恢复无雾图像。Qingsong Zhu[9]提出比较新颖的色彩衰减先验方法，对色彩的还原有很好的效果。本文是在He的方法基础上，针对图像中景物边缘出现的光晕效应做出一些优化，提高边缘去雾能力，实验结果表明有很好的效果。

1 针对光晕优化的暗通道去雾算法

暗通道先验源自He等人对大量无雾图像特征统计得到的，他们发现了大多数无雾图片的的非天空区域任意局部块中，都会有某些像素的一个颜色通道值接近0。

式（1）中，Jdark（x）是图像的暗通道图，Ω（x）是像素点x的邻域，Jc（y）是无雾图像。

暗通道先验去雾算法是根据大气散射模型[10]来复原图像，如下表示：。

式（2）中，I（x）是有雾输入图像，J（x）是复原后的输出图像，t（x）是介质透射率，A是全局大气光。

1.1 光晕产生的原因

假设A是已知的，同时对式（2）两边先做最小值滤波，再对RGB三个通道取最小值，整理后得到式（3）。（x）表示局部块内的透射率，且块内为常数。

由于全局大气光值A＞＞0。由式（1）推出：

将式（4）带入式（3），整理后并引入ω系数（原算法ω取值0.95，因为即使晴朗无雾的天气下，大气中也会有少量悬浮微粒对光线产生散射），即为求取的粗略透射率（x），如下所示：

图 1

从图1（d）中看出，边缘区域的光晕比较明显。光晕 如果直接（x）将和A带入式（2）恢复（x）如下图所示：产生的原因：一般出现在在景深突变区域，计算暗通道值和透射率时使用最小值滤波处理，在边缘处，其滤波窗口内既包含近景和远景，最后得到的此窗口的暗通道值一般是近景的暗通道值，对远景区域的暗通道值和透射率值估计不准确。导致此窗口内远景的去雾不明显，形成光晕效应。

1.2 优化的求取粗略透射率的方法

如果只对边缘区域缩小处理窗口，但这样只是减小了边缘区域光晕范围，但边缘区域的近景依旧影响对远景的暗通道估值，同样导致粗略透射率的不准确。

本文对求取粗略透射率做出优化：首先对原图的灰度图做边缘检测，再根据膨胀后的边缘图将原图分成两幅分别含有边缘和非边缘信息的图像，使用不同窗口大小最小值滤波处理，对前者使用小的固定窗口。对后者中靠近边缘的区域使用自适应窗口大小，其余区域使用原算法的窗口大小。具体步骤如下

（1）先对原图的灰度图做边缘检测得到边缘图Igray-edge（图2（a）），使用的是Canny算子，由于Canny算子采用高斯函数对其平滑，可以有效的抑制噪声，且边缘的连续性也较好。

（2）再对Igray-edge做两次膨胀处理得到图Idilate（图2（b），白色、灰色、黑色像素点的值分别是1、0.5、0，分别代表边缘区域、靠近边缘的非边缘区域、远离边缘的非边缘区域）。

（3）根据Idilate中白色区域，将输入图像分成边缘区域Iedge（图2（d））和非边缘区域Inonedge（图2（f）），对这两幅图分开处理，有效避免了处理窗口中同时包含近景和远景，减小近景对求取远景暗通道值的影响。

（4）依照图Idilate的颜色不同，对不同颜色区域使用不同窗口大小的最小值滤波处理，窗口大小win×win，win的取值如式（6），滤波窗口大小自适应结果如图2（c）所示。

对Iedge处理（即白色区域）时，win=3，得到边缘区域暗通道图darkedge（图2（e））；

对Inonedge处理时，黑色区域采用原算法的窗口大小win=15；灰色区域采用自适应窗口大小（5×5～15×15，窗口最小值如果过大可能会包含边缘另一边的非边缘信息，导致光晕），灰色区域ω取值规则是：中心点为（i，j）的正方形窗口，其边长为ω，窗口不包含边缘点的前提下，ω能取的最大值；得到非边缘区域的暗通道图dar-knonedge（图2（g））。

（5）合成darkedge与darknonedge得到最终的暗通道图dark（图2（h））。在根据式2-5计算得到优化算法得到的粗略透射率t*（图2（i））。

（6）使用t*的带入式2-2恢复出结果J*（图2（j）），和图1（c）比较，可以看出树叶边缘区域的雾去除效果明显。

图2 改进算法处理过程示意图

（7）使用导向滤波对t*细化后得到最终透射率t，带入式（2）还原出无雾图像J。从图3可以看出，优化算法对边缘区域的去雾能力有很大提高。

图3

2 实验结果及分析

本文主要对去雾能力做优化，而没有优化时间，只比较去雾效果。为了验证改进算法的可行性，采用导向滤波方法细化透射的He算法与本文提出的优化算法对多幅实验图像进行处理，本文算法除了求取粗略透射率的步骤不一样，其他处理步骤都与比较算法一致。从主观视觉、客观评价指标对去雾效果做出比较。

主观评价:对图4分析，本文算法只对景深突变的区域去雾效果有提升，其它区域与HE算法的效果相比相差不大。对（d）（h）（l）三幅图中HE算法和本文算法结果图的局部区域做对比，可以看出优化效果。对（f）和（g）两幅图的比较，本文算法优化后的效果提升明显。对（a）和（i）的提升很小，因为这两幅图只有很小一片区域产生光晕效应。

客观评价:客观指标评价主要从图像的颜色、对比度等方面出发构建评价指标来定量分析。本文使用两个评价指标，一是从衡量图像对比度的角度出发，使用基于可见边的对比度增强评价方法[11]，e代表新增可见边比。二是对结果图像的灰度图进行统计，代表平均梯度比。一般而言，e和越大越好，表示去雾效果越好。

图4

对表1的数据分析，HE算法和本文算法两者比较，平均梯度比有高有低，但都相差不大。而新增可见边比e有一定的提升，因为景深突变区域的光晕明显减弱，这部分区域就会有更多细节展现出来，提高了可见边的数量，图4的（f）和（g）比较，指标e提升很明显。图4的（b）和（c），（j）和（k）两者的指标都很相近。与主观视觉评价一致

3 结语

本文提出来一种针对光晕优化的暗通道去雾算法。本文算法使用边缘检测和膨胀处理，对原有雾图像进行抠图后分开处理，极大降低了近景对远景的去雾能力的影响。实验表明，和原算法相比，提高了对景深突变区域去雾的效果。

表1 HE算法与本文算法结果图的客观评价

[1]Stark JA．Adaptive Image Contrast Enhancement Using Generalizations of Histogram Equalization[J].IEEE Trans Image Process，2000，9（5）:889-96.

[2]P.Scheunders.A Multivalued Image Wavelet Representation Based on Multisacle Fundamental Forms[J].IEEE Transactions on Image Processing，1997，6（7）:965-976.

[3]M.J.Seow，V.K.Asari.Ratio Rule and Homomorphic Filter for Enhancement of Digital Colour Image[J].Neurocomputing，2006，69（7）: 954-958.

[4]E.land，J.McCann.Lightness and Retinex Theory[J].J.Opt.Soc.Amer，1971，61（1）:1-11.

[5]Y.Y.Schechner，S.G.Narasimhan，S.K.Nayar.Polarization-Based Vision Through Haze[J].AppliedOptics，2003，Special Issue，42（3）: 511-525.

[6]R.T.Tan.Visibility in Bad Weather from a Single Image[C].IEEE Conference on Computer Vision and Pattern Recognition，2008，1-8. [7]Fattal R.Single Image Dehazing[J].In Proc.ACM SIGGRAPH，2008，27（3）:1-9.

[8]He K，Sun J，Tang X.Single Image Haze Removal Using Dark Channel Prior[C].Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.IEEE Computer Society，2009:1956-1963

[9]Qing-song Zhu，Jia-ming Mai，Ling Shao.A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J].IEEE Transactions on Image Processing，2015，24（11）:3522-3533.

[10]McCartney Earl J.Optics of Atmosphere-Scattering by Molecules and Particles[M].Physics Today，1977，30（5）:76-77.

[11]N.Hautiere，J.P.Tarel，D.Aubert，et al.Blind Contrast Enhancement Assessment by Gradient Ratioing at Visible Edges[J].Image Analysis and Stereology Journal，2008，27（2）:87-95

A Halo-Free Image Dehazing Algorithm Based on Dark Channel Prior

Li He-jian1，He Chang-xiu2

（1.College of Computer，Sichuan University，Sichuan 610065；2.Unit 63636，PLA，Gansu 732750）

In order to tackle the problem that the halo artifacts tend to appear in edge regions with large depth jumps in the traditional dehazing algorithms based on dark channel prior(DCP),proposes a halo-free single image dehazing method.Firstly,the edge image of gray-level image of the input foggy image can be detected by using the canny operator.Secondly,the input foggy image can be divided into edge region and non-edge region based on the edge image.Finally,the size of local window can be selected adaptively applying to dehazing process.Experimental results show that the proposed method can improve the dehazing effect of edge regions with large depth jumps efficiently.

Single Image Dehazing;Dark Channel Priori;Halo;Edge

1007-1423（2017）02-0072-05

10.3969/j.issn.1007-1423.2017.02.018

李和键（1989-），男，四川南充人，在读硕士研究生，研究方向为图像处理、多源信息融合

2016-11-25

2017-01-10

贺长秀（1981-），女四川射洪人，硕士研究生，工程师，研究方向为图像处理、多源信息融合、多目标跟踪