基于颜色校正和明暗通道的沙尘降质图像增强算法

唐 立，张 育，任 佳

(海南大学 信息与通信工程学院，海南 海口，570228)

沙尘天气条件下获取的室外图像，其对比度和色彩通常较低[1].大气中混合的额外沙尘颗粒存在，使得入射到相机镜头的光线出现分散和衰减，从而减弱了场景的可见度，远景图像尤为明显.这种图像退化对智能交通、视频监控、目标跟踪和导航等户外视觉系统的性能产生了极大影响.因此，重建场景细节、增强退化的沙尘图像具有重要的理论和实际应用意义.

目前已有的沙尘降质图像的增强算法可以分为图像增强和图像恢复2类.Fu[2]等提出了一种基于融合原理的算法来克服沙尘降质图像存在的各种问题，首先采用统计策略对沙尘降质图像进行偏色校正，对校正后的图像计算锐度、色度和突出度3种加权图像，再将输入图与权重图融合来获得增强图像.智宁[3]等提出了一种新型的沙尘降质图像增强算法，其先通过调整各通道高斯模型对沙尘降质图像进行偏色校正，再通过基于奇异值分解的图像增强算法对偏色校正后的图像进行对比度增强.该算法为解决图像的偏色问题提供了一种有效的方法，但是其校正结果易受G通道的影响，导致增强后的图片过亮或过暗，且在图像远景部分的增强效果不佳.同时，奇异值分解在硬件平台上实现的复杂度较高，无法达到图像的实时处理，一定程度上限制了算法的应用.Wang[4]等先对Lab颜色空间的a和b通道进行偏色校正，然后使用拉普拉斯滤波对L通道进行处理，以增强图像对比度和亮度.该算法可以快速的得到有较高能见度的去沙尘图像，但是存在着颜色校正不足的问题，导致输出的图片可能存在一定的色偏，且算法对远景增强不足.

基于图像恢复的算法是利用暗通道先验知识，建立大气光散射的数学模型，再根据模型进行反向推演运算，以复原沙尘降质图像中的场景.吕方舟[5]以暗通道去雾算法为基础，先使用 Retinex 算法[6]对沙尘降质图像进行偏色校正，然后利用暗通道先验理论对预处理后的图像进行增强.该算法可以校正色偏并有效的提高图像的清晰度，但由于在灰度不连续处计算出的透射率受前景像素影响而偏大，导致在物体边缘处会产生白色光圈.Yu[7]等提出一种基于大气散射模型和信息损失约束的沙尘降质图像恢复算法，可以很好地提高不同种类的沙尘降质图像的对比度，但并不能完全去除偏色的光晕.潘海明[8]等在此基础上改进了信息损失约束算法，在提高图像亮度的基础上优化了透射率图，并利用改进的高斯模型对沙尘降质图像进行偏色校正.该算法可以有效的解决偏色对去雾的影响，并且提高了图像的对比度和亮度，但是该算法由于迭代的原因耗时较长，且在处理天空区域较大且偏暗的沙尘图像时会出现天空过增强的问题.

针对上述问题，提出了一种基于颜色校正和明暗通道的沙尘降质图像增强算法.通过改进的高斯模型，解决了沙尘降质图像偏色校正效果不足、亮度过高或过低的问题.通过基于亮通道和暗通道[9]的对比度增强算法，解决了图像远景对比度低的问题.最终得到较高主观质量的增强图像.

1 基于改进高斯模型的偏色校正

1.1 沙尘降质图像的统计特性沙尘降质图像的直方图分布存在偏离性、集中性和顺序性的先验特征.如图1所示，为黄色偏色的沙尘降质图像及其RGB 3个通道直方图.

从直方图可以看出沙尘降质图像的偏离性表现为RGB 3个通道的直方图呈分散状态，集中性表现为RGB 3个通道的像素值明显集中在某一狭窄的区域内，顺序性表现为RGB 3个通道呈RGB顺序排列.清晰图像RGB各通道直方图的像素值基本分布于整个取值区间.虽然三通道直方图之间也存在一定的顺序性，但其各通道之间的峰值偏离比降质图像小很多.

图1 沙尘降质图像

1.2 改进的基于高斯模型的偏色校正根据上述沙尘降质图像的统计特性，可以利用高斯模型[3]进行颜色校正.潘海明[8]等针对文献[3]提出的校正方法受G通道分布影响，会出现溢出和偏亮偏暗的问题进行了改进,取128为参考对3个通道进行平移，取RGB 3个通道中直方图分布范围最大的通道计算延展系数，利用改进的像素调整公式，对各颜色通道进行自适应颜色调整.该方法将偏色校正后的图像的亮度保持在中间灰度区间，一定程度上避免了图像过拉伸和溢出的现象，但对亮度较高以及直方图分布较宽的沙尘降质图像，此校正方法不仅降低了图像亮度，造成了图像信息的损失，还抑制了直方图的离散性，降低了图像的对比度.

针对上述问题，提出了一种改进的基于高斯模型的颜色校正算法，其具体流程如下：

2)考虑到少数极大值和极小值像素点会影响延伸系数α的大小，使直方图的集中区域无法被有效扩展.以各直方图前10(2-v)%像素点处的像素值作为minIC，取(1-10(2-v)%)像素点处的像素值作为maxI，其中v为像素总数值的位数.以RGB 3个通道的maxIC-minIC的最大值作为参照计算α，即α=255/(maxIC-minIC).

3)对各通道颜色值进行调整，即

(1)

(2)

图2为通过改进的基于高斯模型的颜色校正算法得到的校正后的图像及各通道直方图，其RGB 3个通道的直方图分布基本重合，且分布区间比原图像要大，对比度较高.

图2 改进的高斯模型校正算法效果

2 基于暗通道和亮通道的对比度增强

通过改进的高斯模型得到的校正后的图片，其对比度较低，存在一定的雾霾现象.考虑到沙尘降质图像与雾霾天气图像都是由于光的散射造成的，因此采用基于暗通道去雾原理对图像进行恢复增强.

在计算机视觉和图像处理中，雾天降质图像的光学模型被广泛描述为

(x)=J(x)t(x)+A(1-t(x))，

(3)

根据暗通道先验原理，其基于最小值滤波的暗通道先验公式

(4)

其中，Ω(x)表示以像素x为中心的一个局部区域；C表示图像(x)的一个颜色通道.由暗通道原理可知，在天空以外的区域，暗通道均值Jdark(x)的值很小，趋近于0.

2.1 透射率估计根据空气散射模型和暗通道原理，估算了透射率.假设空气光A已知，且在一个局部区域Ω(x)内的透射率是固定的，记作t′(x).对式(3)两边进行2次最小值运算，第一次是取RGB 3个通道的最小值，即

(5)

第二次是对等式两边进行大小为Ω(x)的最小值滤波运算，可得

(6)

将式(4)带入式(6)，并由Jdark(x)→0，可得

Jdark(x)t′(x)+A(1-t′(x))=A-At′(x)，

(7)

变换成t′(x)的公式则

(8)

在实际生活中，空气中有各种各样的颗粒，这些颗粒会让人们对远处的事物感到雾蒙蒙的.雾感是人类感知深度的基本线索，保留一定的雾气更符合人眼视觉效果，在式(8)中引入参数ω，得到

(9)

2.2 改进的基于亮通道和暗通道的大气光估计He[10]等提出从暗原色中选取0.1%亮度最大的像素，然后取这些像素对应于原图像中的最大值作为大气光值.但是，若图像中天空区域小于暗原色滤波窗口的尺寸，则错误的滤除了天空区域.同时，若图像中存在亮度较高的白色物体，则会影响估计得到的大气光值的有效性.卢辉斌[11]等提出了基于暗通道和亮通道的大气光估计方法.相比于经典算法的取一个全局大气光值，该方法求取像素级的大气光估计值A(x)，避免使用一个全局大气光值造成局部区域透射率估计不准确的现象.笔者在该方法的基础上加入了自适应参数，得到的大气光A(x)的表达式为

A(x)=αAlight(x)+(1-α)A0，

(10)

其中，Alight(x)为亮通道估计的大气光，A0为暗通道估计的大气光，α为调节参数，其表达式为α=mean(Alight(x))，mean(·)表示对所有元素取均值.由于α是一个和Alight(x)的灰度分布有关的参数，故对大气光A(x)具有自动调节功能.

亮通道部分的大气光估计值为

(11)

暗通道部分的大气光估计步骤：

1)从暗通道先验图像中按亮度的大小选取前0.1%的像素点；

2)将这些像素点所在位置对应到原始有雾图像I′的相应位置上，计算这些满足要求的像素点的亮度均值作为A0值.

2.3 透射图补偿结合式(9)和式(10)，得到根据改进的大气光估计的透射率t′(x)，

(12)

已知天空区域不满足暗通道先验理论，当沙尘降质图像中存在大面积天空区域时，由于暗通道图像中天空区域的取值不趋于0，导致式(12)中dark(x)偏大，从而使得计算出来的t′(x)偏小.由于t′(x)中的天空区域的介质传输率被低估，导致复原图像在这些区域容易出现颜色失真，故t′(x)中天空区域的介质传输速率的取值应大于当前值.

通过对天空区域的传输率进行补偿，来优化天空的去雾效果，其表达式为

dif(x)=abs(dark(x)-A(x))，

(13)

其中，dif(x)表示暗通道dark(x)和大气光值A(x)的差的绝对值，且在天空和白色区域dif(x)趋近于0.

(14)

其中，λ为判断是否进行补偿的阈值，λ过大，导致图像去雾效果变差；λ过小，天空和远景部分容易出现色块，降低了图像质量，且天空色彩不自然.

(15)

其中，k为(0，1)区间的值，通过同比例缩小各像素的大气光值，在保留各像素间差异性的基础上提高整体的亮度.

已知在实际图像恢复时，是将RGB 3个通道分别计算再进行合并.将式(15)的RGB 3个通道公式相加，可得

(16)

对式(16)两边同时除以3，即求取每个像素的RGB 3个通道间的均值，公式为

(17)

其中，Jmean(x)为恢复后的图像的亮度图，mean(x)为校正后的图像的亮度图.已知Jmean(x)存在取值范围为0≤Jmean≤1，则过度增强将会造成像素溢出.为了将J(x)的图像亮度增强到的程度，取式(10)中的A0作为上限，即Jmean(x)≤A0.代入式(17)得到

(18)

变换可得

(19)

k的计算步骤如下:

步骤1统计mean(x)中大于A0的像素个数，记为count_1；

步骤3设置迭代初始值k=0.5；

步骤4开始循环；

步骤5k=k+0.01；

步骤6A′(x)=A(x)·k；

步骤7Adif(x)=A′(x)-At arg et(x)；

步骤8统计Adif(x)中小于0的像素个数，记为count_2；

步骤9当count_2≤count_1时，跳出循环；

步骤10得到k值.

图3展示了本文中沙尘降质图像增强算法的过程图.

3 实验结果分析

为了证明本文算法的有效性，在大量沙尘降质图像上开展了测试.实验中，Ω(x)设置为大小为15×15的窗口，ω一般取值0.95，λ取值为0.15.实验采用的图像均来源于网络真实拍摄的沙尘暴照片，非人工合成的图像.

3.1 偏色校正结果比较分析图4展示了文献[3]、文献[8]和本文算法在偏色校正方面的效果对比图.从图4a～4d所示实例1中可以看出，文献[3]校正的结果偏暗，图像中建筑部分信息损失，且直方图分布集中，图像对比度低；本文算法和文献[8]得到的校正图像亮度较高，且直方图分布更加均匀，图像对比度高.从图4e～4h所示实例2中可以看出，文献[8]校正的结果像素下溢，图像较原图偏暗；文献[3]校正的结果亮度较高，但其直方图分布集中，对比度较差，有明显的雾感；本文算法校正的结果不仅保持图像的亮度和景物的细节信息，其直方图更是分布于整个灰度区间.

3.2 图像增强效果比较分析图5展示了本文算法与3种沙尘降质图像增强算法的3组实验结果.其中文献[3-4]算法属于基于增强的去沙尘算法，文献[8]算法与本文算法属于基于恢复的去沙尘算法.从实验2和3中的b图、c图和e图可以看出，文献[3-4]算法在整体亮度上较本文算法高，但其对比度较低，且对远景处增强效果不佳.从实验1的b图、c图和e图可以看出，文献[3]算法存在天空竖纹，该竖纹的产生受直方图均衡化后的输入图像的影响.文献[4]算法存在一定的色偏，且由于其对L空间进行纹理增强，导致天空的纹理被保留了下来，出现天空色块现象.从实验2和例3的d图和e图可以看出，文献[8]算法对比度较高，但部分区域偏暗，降低了主观质量.从例1的d图和e图可以看出，文献[8]算法存在天空色斑.

通过实验对比发现，在综合偏色校正，对比度增强，图像细节和图像亮度等方面，提出的算法较已有算法拥有较高的主观质量，显示了算法的优越性.

4 小 结

提出了一种基于颜色校正和明暗通道去雾的沙尘降质图像增强算法.该算法是结合改进的高斯模型和基于明暗通道的去雾算法来完成增强工作.首先，对输入的沙尘降质图像进行改进的高斯模型校正得到校正后的有雾图，然后利用明暗通道对雾图进行恢复和优化，最后得到比原沙尘降质图像，细节更丰富，亮度更适宜，对比度更高且色彩自然的增强图像.实验结果验证了本文算法可以有效地改善不同种类的沙尘降质图像存在的颜色偏移问题，使得图像颜色更加丰富，而且更好地突出了景物的细节，提高了图像的亮度.