太阳耀斑图像去云方法比较研究

王凯 李婉卿 熊炜

摘 要：由于太阳耀斑图像中地球云雾对斑迹有所干扰，故需要对太阳耀斑图像进行去云处理。针对多尺度Retinex理论与暗通道优先算法两种去云方法进行比较研究，详细介绍了两种方法的数学模型与具体算法，分别运用两种方法对太阳耀斑图像进行去云处理，并进行MATLAB仿真，根据仿真结果对两者去云效果进行评估与对比。通过图像与客观误差参数比较两种去云方法，发现暗通道优先算法在影像平均灰度、细节信息显示、图片信息量与相对清晰程度等方面均优于多尺度Retinex去云方法，其中图片清晰度提升了约16%，标准差与信息量均提升了约8%，平均灰度降低了约27%。

关键词：太阳耀斑;去云处理;暗通道优先;多尺度Retinex;天文观测

DOI：10. 11907/rjdk. 191088

中图分类号：TP317.4

文献标识码：A文章编号：1672-7800（2019）006-0163-04

Abstract： Due to the interference of the earth's cloud in the solar flare image， it is necessary to remove cloud from the solar flare images. The two methods of MSR theory and dark channel prior algorithm are compared. The mathematical models and specific algorithms of the two methods are introduced in detail. Two methods are used to process the solar flare image and perform MATLAB simulation. According to the simulation results， the cloud-removing effects of the two methodsare evaluated and compared. Comparing the two methods of cloud removal by image and objective error parameters， it is found that the dark channel priority algorithm is better than the multi-scale Retinex cloud method in displaying the average gray level， detailed information display， picture information and relative clarity of the image. Among them， the picture clarity is improved by about 16%， the standard deviation and information are improved by about 8%， and the average gray level is reduced by about 27%.

Key Words： solar flare; cloud removing; dark channel prior; MSR theory; astronomical observation

0 引言

太陽大气中充满着磁场，磁场结构越复杂，越容易储存更多磁能。当磁场中储存磁能过多时，会通过太阳活动爆发以释放能量，太阳耀斑是最剧烈的爆发形式之一。太阳耀斑的能量来源于磁场[1]，太阳耀斑爆发时，太阳局部区域会向外抛射大量粒子云。多种观测手段表明，耀斑爆发时几乎全波段的电磁辐射都会增强，其中短波辐射（包括紫外光和x射线）和射电波段变化最为明显。近年来，科学家对太阳耀斑的研究逐渐增多，但由于观测时拍摄的耀斑图片易受到云层遮挡，故需要对其经过一定的去云处理后才能用于研究。

目前，对图像进行处理的方法有多种，包括同态滤波、小波变换、Retinex理论、暗通道优先算法等，其中董静薇等[2]结合同态滤波与小波变换算法，将两者共同应用于去云处理;张驰等[3]使用改进的双边滤波器作为滤波函数，并使用S型函数曲线对Retinex算法进行改进;暗通道优先算法最早是由何明凯[4]在2009年提出的，其提出一种暗通道理论，将去云图像与原始图像联系到一起。本文主要针对太阳耀斑图像去云领域的多尺度Retinex算法与暗通道优先算法，从平均灰度、细节信息显示等4个方面进行比较，得出去云效果更好的方法。

1 太阳耀斑图像去云方法

Retinex（Retina-Cortex）是一种常用的建立在科学实验与科学分析基础上的图像增强方法，其功能类似于视网膜与皮层成像，以颜色恒常性为基础[5]。暗通道优先算法基于一个统计规律，即在绝大多数非天空的局部区域，某些像素总会有至少一个颜色通道具有很低的值，该通道则被称为暗通道[6]。分别采用基于多尺度Retinex与暗通道优先算法的模型对太阳耀斑图片进行去云处理，得到重构图像[7]。

1.1 基于多尺度Retinex的图像去云方法

通过对图3中原始图像的分析，其耀斑显示并不清晰。由三维成像原理及耀斑特性[23]可知，图片上方凸起部分即为耀斑，但图片顶端较为平缓。对比两种方法去云处理后所得图像，可知采用暗通道优先算法处理时图中耀斑更加清晰、明显，也验证了对图片进行客观评价时参数计算的正确性。

4 结语

为了得到去云后的太阳耀斑图像，本文运用了基于多尺度Retinex理论与暗通道优先算法的去云方法。通过对比图像与建立客观误差参数对两种去云方法进行比较，发现暗通道优先算法在影像平均灰度、细节信息显示、图片信息量及相对清晰程度等方面均优于多尺度Retinex去云方法，并且通过观察灰度值三维成像图[24]可以看出，采用暗通道优先算法的耀斑突出程度更好。因此，在太阳耀斑图像去云方面，暗通道优先算法具有更强的实用性。

参考文献：

[1] 崔延美.  太阳光球磁场特性与耀斑相关性研究[D]. 北京：中国科学院研究生院，2007.

[2] 董静薇，赵春丽，海博. 融合同态滤波和小波变换的图像去雾算法研究[J]. 哈尔滨理工大学学报，2019（1）：66-70.

[3] 张驰，谭南林，李响，等. 基于改进型Retinex算法的雾天图像增强技术研究[J]. 北京航空航天大学学报，2019，45（2）：309-316.

[4] KAIMING H，JIAN S，XIAOOU T. Single image haze removal using dark channel prior[C]. 2009 IEEE Conference on Computer Vision and Pattern Recognition， Miami， FL，2009：1956-1963.

[5] 刘鑫，祝海江，宋光磊. 基于改进Retinex方法的遥感图像云雾去除研究[J]. 北京化工大学学报：自然科学版，2013，40（S1）：76-80.

[6] 高原原，胡海苗. 基于多子块协同单尺度Retinex的浓雾图像增强[J/OL]. 北京航空航天大学学报：1-9[2019-04-07]. https：//doi.org/10.13700/j.bh.1001-5965.2018.0528.

[7] GIANINI G，RIZZI A，DAMIANI E. A Retinex model based on absorbing Markov chains[M].  Elsevier Science Inc. 2016.

[8] SOO-CHANG P，CHIH-TSUNG S. High-dynamic-range parallel multi-scale retinex enhancement with spatially-adaptive prior[C]. 2014 IEEE International Symposium on Circuits and Systems，2014.

[9] CHING-TANG F，JIAN-RU CHE，CHUNG-WEI L，et al. Accelerating multi-scale retinex using ARM NEON[C]. 2014 IEEE International Conference on Consumer Electronics-Taiwan （ICCE-TW），2014.

[10] 周杰. 基于暗通道先验和Retinex理论的图像去雾研究[D]. 兰州：兰州交通大学，2018.

[11] 惠霄霄. 暗通道優先的静态图像去雾算法改进研究[D]. 西安：西安石油大学，2018.

[12] 冯昕晨，穆平安. 基于暗通道先验的图像去雾改进[J]. 软件导刊，2019，18（2）：145-147，152.

[13] ZOU C，CHEN J. Recovering depth from a single image using dark channel prior[C]. 2010 11th ACIS International Conference on Software Engineering，Artificial Intelligence， Networking and Parallel/Distributed Computing，2010：93-96.

[14] ZHOU W，LIN L，WEI X. Combining dark channel prior and color cues for road following in outdoor environments[C].  2010 IEEE International Conference on Image Processing，2010：2197-2200.

[15] XIE B，GUO F，CAI Z. Improved single image dehazing using dark channel prior and multi-scale retinex[C].  2010 International Conference on Intelligent System Design and Engineering Application， 2010：848-851.

[16] CHUANSHUAI Y，YONG F，ZHIYING T，et al. Pyramidal and segment-concurrent acceleration of dark channel prior algorithm[C].  International Conference on Automatic Control and Artificial Intelligence （ACAI 2012），2012：1610-1613.

[17] XU H，GUO J，LIU Q，et al. Fast image dehazing using improved dark channel prior[C]. 2012 International Conference on Information Science and Technology （ICIST），2012.

[18] 李娟.  基于局部均值和标准差的图像去雾算法研究[D]. 石家庄：河北师范大学，2015.

[19] 刘晓文，仲亚丽，袁莎莎，等. 基于暗原色先验的煤矿井下退化图像复原算法[J]. 煤炭科学技术，2012，40（6）：77-80.

[20] 庞春颖，嵇晓强，孙丽娜，等. 一种改进的图像快速去雾新方法[J]. 光子学报，2013，42（7）：872-877.

[21] DING M，TONG R. Efficient dark channel based image dehazing using quadtrees[J]. Science China（Information Sciences），2013，56（9）：231-239.

[22] 朱振杰，王红茹. 基于暗原色先验原理的水下图像增强[J]. 图学学报，2018，39（3）：453-462.

[23] 解书凯，赵红军，李莉娟. 基于暗原色先验的雾天图像清晰度复原[J]. 激光杂志，2018，39（7）：100-104.

[24] 卢辉斌，赵燕芳，赵永杰，等. 基于亮通道和暗通道结合的图像去雾[J]. 光学学报，2018，38（11）：233-240.

（责任编辑：黄 健）