基于暗通道的快速图像去雾方法研究与实现

吴 迪, 葛馨阳(沈阳师范大学 物理科学与技术学院, 沈阳 110034)

0 引 言

近年来,雾霾天气愈演愈烈,然而在雾、霾等天气条件下, 大气中悬浮的大量颗粒(雾气、烟、杂质等)的散射作用致使成像设备获得的图像严重退化,这在很大程度上影响并限制了室外工作系统的工作性能[1],因此对雾天图像进行快速有效的去雾处理有着现实和理论的迫切需要。

迄今为止,国内外对去雾算法的研究主要分2个方向:一类是基于图像增强的方法,该类方法在增加带雾图像的对比度以及优化视觉效果的方面颇有成效,适用的对象范围较广,但是在处理景深多变的图像中局部景深的时候,无法体现出局部场景的细节,也无法解决图像过亮过暗或者光照不均的情况[2];另一类是基于大气散射物理模型提出的去雾的方法,该类方法对雾天图像的退化过程进行模拟还原,最终去雾效果自然,无信息损失[3]。何凯明博士的暗通道先验去雾算法[4]也是在该模型的基础之上提出来的。

1 雾天图像退化的物理模型

根据大气传输理论的描述,在雨雪雾等极度恶劣的天气条件下,物体表面反射的光线由于大气中的浑浊媒介的作用,从目标物体到达观测点的传播过程中会发生散射,从而导致入射光衰减,使观测点获得的图像存在对比度下降,细节模糊等特性。

1975年,McCartney提出了著名的大气散射模型[5],该模型表示在雾天条件下,雾天图像退化的物理模型是由入射光衰减模型与大气光成像模型组合而成的,如图1所示,该模型提出后在计算机视觉和图形学领域中得到了广泛的应用。根据光线在恶劣天气条件下传输的物理特性,其描述为:

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

(1)

图1 雾天图像退化的物理模型Fig.1 A physical model for haze image degradation

式(1)中,I表示带雾图像;J表示去雾图像;t(x)表示光线透射率函数;A表示大气光强度。式(1)揭示了雾天图像的成因,等号右边的第1项t(x)J(x)为直接衰减项[6],表示目标物体反射的光线经过大气传播衰减后的部分,第2项A(1-t(x))则表示大气光成像部分,该部分是由前方散射引起的,会导致成像后场景颜色的偏移。分析式(1)可知,I是已知带雾图像,J是待求的去雾图像,透射率函数t和大气光强度A都是未知的,在这种只有一个已知条件的状态下,该方程显然是无解的,需要添加先验知识来增加约束条件,进而求解方程。本文将暗通道先验理论作为方程的约束条件,从而求解出方程中其他未知的参数[7]。

2 暗通道先验理论

暗通道先验理论是何凯明博士等人在晴朗无雾的天气下对大量室外图像观察得出的,本文以下简称何凯明方法。该理论指出,在大部分不含有天空的局部区域里,总会存在这样一些像素,即在RGB颜色模型中至少有一个颜色通道的强度值很低或者接近于0[8],这些像素称为暗像素(dark-channel pixel)。对于任何一幅图像J,其暗像素Jdark可以定义为:

(2)

式(2)中,Jdark表示去雾图像J的暗像素;Jc表示去雾图像J的R、G、B三通道中一个通道;Ωx表示以x为中心的一个矩形窗口。假设在图像块Ωx范围内透射率相同,则在带雾图像I里,这些暗像素的强度值会变高,同时影响着光线穿透力的强弱,为初步估计透射率函数打下坚实的基础[7]。

何凯明方法可分为3个步骤: 1)去除背景干扰并估计大气光强度A; 2)利用导向滤波获得精细的透射率函数t; 3)求出大气光强度A。 待求得所有未知量便可获得最终的去雾图像[10]。 何凯明博士等人提出的暗通道先验法在单幅图像去雾方面取得了很大的进步, 是目前最实用有效的去雾方法。 但是在实际使用过程中依然存在一些问题, 其中首要的问题就是大量的计算使得整个处理过程比较耗时, 一幅分辨率266×272的图像处理用时2.07 s(处理器为2.4 GHz、系统内存为2.00 GB的普通PC), 严重限制了该方法的实际应用和推广。 针对时间复杂度高的问题, 本文结合何凯明的去雾算法提出了一种改进的图像去雾方法, 该方法在保证去雾效果的前提下, 减少了去雾处理的计算量, 提升处理效率。

3 改进的去雾方法

3.1 流程图

图2 流程图Fig.2 Flow chart

本文提出的改进方法流程图如图2所示。利用多分辨率的方法对高分辨率带雾图像I进行降维处理以减少处理像素的时间,得到Ilow1和Ilow2,对其中一幅Ilow采用何凯明方法进行去雾处理得到图像Jlow2,并与另一幅细节图像Q进行融合,最后对融合后的图像进行升维处理到原分辨的p倍(0

3.2 降 维

为了更多的保留原带雾图像I的细节信息,本文在做降维处理时不添加平滑滤波器,并以2为采样因子,对原带雾图像I进行降维处理获得子图Ilow1和子图Ilow2,再对2幅Ilow进行何凯明去雾方法处理。经过大量的实验处理结果验证,本文选用2幅子图进行融合,既满足提升去雾速度,又能相对多的保留场景细节。本文采用客观评价指标峰值信噪比(PSNR)[11]来定量的测试暗通道先验去雾方法与改进方法恢复出的图像相对于原带雾图像的好坏程度,如图3所示。

图3 何凯明方法与改进方法处理结果PSNR对比Fig.3 The comparison of the PSNR between He Kaiming method and improved method

图3结果显示,大部分图片经过改进去雾方法处理后的峰值信噪比要高于何凯明方法,即改进方法处理结果的失真度要优于何凯明方法的处理结果。

3.3 融 合

考虑最终去雾图像场景细节的还原,先对其中一幅低分辨率带雾图像Ilow1叠加高通滤波器,然后对2幅低分辨率去雾图像进行融合:

J(x)low=HJ(x)low1+J(x)low2

(3)

图4 何凯明方法与改进方法处理结果平均梯度对比Fig.4 The comparison of the average gradient between He Kaiming method and improved method

式(3)中:I(x)low1为低分辨率带雾像;J(x)low2为低分辨率去雾像;H为高通滤波器,J(x)low为融合后的低分辨率去雾图像,这样在增强图像细节特征的同时,还可以对目标图像的噪声进行抑制。图4所示为使用何凯明去雾方法和改进方法处理的若干幅图像的平均梯度,平均梯度是评判图像清晰程度的指标,平均梯度越大,图像细节反差率越大,图像越清晰;反之,图像越模糊。图4表明,用改进方法处理图像的平均梯度均高于何凯明去雾方法处理图像的平均梯度,即添加高通滤波器的改进方法处理的图片的清晰度优于何凯明去雾方法处理的图片的清晰度。

4 实验结果与分析

本文提出的改进方法和何凯明方法均在操作系统为Windows 7、CPU为AMD V160 Processor 2.4 GHz处理器、系统内存为2.00 GB的普通PC上运行,并从视觉效果与时间复杂度上对处理结果进行了对比。

4.1 视觉效果

通过对大量带雾图像进行对比性实验,证明本文提出的方法的有效性、可靠性。图5～7为一幅分辨率1280×720的带雾图像的实验结果图。可以明显看出,原本受雾气影响模糊不清、颜色不真实的图像经过何凯明去雾方法和改进方法处理之后在细节上更清晰,颜色上更真实,图像中被雾气遮挡住的电线杆,经过去雾处理后也清晰可见。

图5 图5雾化图像Fig.5 Haze image

图6 何凯明去雾方法处理结果Fig.6 Haze removal result of using He Kaiming’s method

图7 改进去雾方法处理结果Fig.7 Haze removal result of using improvedmethod

由图8～10可见经过何凯明去雾方法处理后的图像在灰白区域出现大块斑块,但是由改进方法处理后的图像明显改善,呈现较好的视觉效果。

图8 雾化图像Fig.8 Haze image

图9 何凯明去雾方法处理结果Fig.9 Haze removal result of using He Kaiming’s method

图10 改进去雾方法处理结果Fig.10 Haze removal result of using improvedmethod

图11～13分别为原带雾图像、何凯明去雾方法处理结果图像、改进去雾方法处理结果图像,如图所示,经过2种方法的处理,浓雾现象都明显改善,但就远景山峰轮廓细节而言,改进去雾方法处理结果图13明显优于的何凯明去雾方法处理结果图12,层次感更强,细节更完善。

图11 雾化图像Fig.11 Haze image

图12 何凯明去雾方法处理结果Fig.12 Haze removal result of using He Kaiming’s method

图13 改进去雾方法处理结果Fig.13 Haze removal result of using improvedmethod

4.2 时间复杂度

图14 何凯明方法与改进方法处理时间对比Fig.14 The comparison of the time between He Kaiming method and improved method

为了验证本文算法在图像处理速度上的提升,在同一台PC、同一版本的Matlab软件上处理分辨率1280×720的带雾图像,实验数据表明,何凯明去雾方法的运算时间为24.23 s,改进方法的运算时间为13.11 s,大大提高了运算效率。图14是通过大量实验统计出的何凯明去雾方法与改进方法所用时间的对比图,由图可见,改进方法运行时间较何凯明方法的运算时间提高了45%左右,且图片的分辨率越大,改进方法的优势越明显。

5 结 论

本文通过对何凯明去雾方法进行深入的分析与研究,结合雾天图像退化的物理模型,通过对带雾图像进行降维处理,实现了一种快速有效的图像去雾处理方法,减少资源消耗,而且在处理某些图像细节处时能够得到效果更好的去雾效果,使暗通道先验的去雾算法更具备实时性。

[ 1 ]禹晶,李大鹏,廖庆敏. 基于物理模型的快速单幅图像去雾方法[J]. 自动化学报, 2011(2):143-149.

[ 2 ]李方,王好贤,毛兴鹏,等. 单一图像的快速去雾算法[J]. 计算机工程与设计, 2011(12):4129-4132.

[ 3 ]蒋建国,侯天峰,齐美彬. 改进的基于暗原色先验的图像去雾算法[J]. 电路与系统学报, 2011(2):7-12.

[ 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.

[ 6 ]黄黎红. 单幅图像的快速去雾算法[J]. 光电子·激光, 2011(11):1735-1738.

[ 7 ]嵇晓强,戴明,孙丽娜,等. 暗原色先验图像去雾算法研究[J]. 光电子·激光, 2011(6):926-930.

[ 8 ]和晓军,乔寅. 基于暗原色的单一图像去雾算法的研究[J]. 计算机应用研究, 2014(1):304-306.

[ 9 ]胡伟,袁国栋,董朝,等. 基于暗通道优先的单幅图像去雾新方法[J]. 计算机研究与发展, 2010(12):2132-2140.

[10]佟雨兵,张其善,祁云平. 基于PSNR与SSIM联合的图像质量评价模型[J]. 中国图象图形学报, 2006(12):1758-1763.

[11]刘海波,汤群芳,杨杰. 去雾图像质量客观评价方法研究[J]. 量子电子学报, 2016(1):20-28.

[12]王燕,伍博,谷金宏. 一种单幅图像去雾方法[J]. 电光与控制, 2011(4):65-67.

[13]戚娜,惠红梅,穆昌. 一种基于改进的暗原色先验图像去雾方法[J]. 计算机与现代化, 2016(5):18-21.

[14]陈瑶,孙兴波,黄祥,等. 一种改进的暗原色单幅图像去雾方法[J]. 四川理工学院学报(自然科学版), 2012(5):62-64.