雾天图像的边缘检测及其应用

王小丽

（西华大学计算机与软件工程学院，成都610039）

0 引言

随着社会的不断发展，我国经济不断发展，人们的生活水平提高，生活质量得到提高。但随之而来的是环境恶化、全球气候变暖等问题，给人类的可持续发展带来了巨大的挑战。因环境的恶化，雾霾历经天数越来越多，覆盖范围也越来越广，给人类的生产生活造成影响。

在雾霾天气条件下，因空气中雾霾颗粒影响，人眼可见度低，使道路监控、航空遥感和军事观测等领域的户外成像设备采集到的图像退化严重，具有对比度低、亮度偏暗、清晰度差等缺陷。降质的图像不仅增加了图像处理系统的复杂性，也给人们的生活和出行带来不便。例如：在雾霾天气条件下，可见度低，光照弱，行驶的车辆无法看清路况及来往车辆，导致交通事故的发生；因雾霾的影响，飞机无法正常起飞，导致人类的出行推迟延期，造成诸多不便；军事应用中对成像设备精度要求很高，如果获取了降质的图像，就无法识别敌我目标，对国家和人民的安全带来严重的后果。因此，对雾霾天气下采集到的图像、视频进行去雾增强处理是十分必要的。

进行图像去雾之后，能够提高图像的对比度，增加图像的人眼可识别性。但往往还不够，还需要对去雾后的图像作进一步处理，如边缘检测。边缘检测就是将图像中的边缘点（边缘点即：是图像中像素灰度急剧变化的点）检测出来，将图像中的物体与背景分离开来。图像中的边缘不仅是图像的基本特征，它也包含了图像中大部分信息，对于整体场景的识别具有十分重要的作用。边缘检测是图像处理中目标识别、特征提取、图像分析等的重要前提，也是计算机视觉和图像分析理解中不可分割的一部分。

1 去雾算法

图像去雾是去除或减少悬浮颗粒对图像质量造成的影响，还原图像的真实色彩，提高图像的对比度，以便后期处理。一方面，图像去雾不仅提高了视觉效果；另一方面，图像去雾为后续的边缘检测、模式识别等奠定了基础，起预处理的作用。

现有的去雾算法主要分为基于图像恢复的方法和基于图像增强的方法。其中基于复原的去雾算法是利用物理模型（大气散射模型[1]），通过求解图像降质的逆过程来恢复清晰图像，例如基于暗通道先验理论[2]等，它的目的是使估计图像尽可能逼近真实图像。而基于增强的去雾算法是用一些算法来提高带雾图像的对比度，突出或弱化某些信息，减少雾对图像造成影响，使去雾后的图像便于用以机器识别或主观视角观察。包括直方图均衡化及其改进算法[3]，Retinex 方法及改进Retinex 方法[4]等算法。

1.1 基于大气散射物理模型原理

在有雾的天气条件下，物体的反射光线会因空气中的小颗粒发生散射，使光线在传播过程中受到衰减，导致图像采集设备采不到完整的物体反射光线。大气散射模型的提出很好地表示图像经过空气衰减到达采集设备的这一过程，其表达式：

公式（1）中，I（x）表示采集到的图像，t（x）表示透射率；A 代表大气光强度；J（x）代表真实的图像。

1.2 暗通道先验原理

何凯明提出的暗通道先验理论是通过统计大量的无雾图像，发现：每一幅图像的RGB 三个颜色通道中，总有一个通道的灰度值很低，几乎趋向于零。因此，在这个“几乎”作为先验条件下，可以粗略估算出透射率。暗通道先验数学表达式如下：

其中，Jc可以分别表示r，g，b 三个颜色通道，而c表示三个颜色中的一个，Ω（x）表示以像素X 为中心的一个窗口。在暗通道先验的理论，核心“几乎”则表明：Jdark→0。

1.3 Retinex理论原理

Retinex 理论的基本内容：物体固有的色彩并不受光照非均性的影响，是由物体对不同波长光线的反射能力决定，而不是由物体反射光强的绝对值决定，它具有一致性。

Retinex 理论是以色感一致性（颜色恒常性）为基础的。它的基本假设：原始图像S 是通过光照图像L和反射率图像R 的乘积来得到的，通过转换到对数域上，将两数乘积转化为两数之和。而它的核心就是估测光照图像，从原始图像中估测光照图像分量，并去除光照图像分量，得到原始反射图像分量。

随着机器视觉的发展，广大学者对雾霾的特点进行细致研究，使图像去雾技术取得了进展，同时产生了很多新的方法，如深度学习[5]、图像融合等。除此之外，多数学者们不再满足一种图像去雾算法了，而是通过结合多种不同去雾的方法相结合的方式（一般是物理模型与图像增强相结合的方式），例如改进的大气散射模型[6]、基于暗通道的改进算法[7]、暗通道与Retinex 理论结合[8]等。单一的算法去雾时，在某个参数（如：透射率估计、景深等）上占有优势，而整体去雾效果却不占有优势，因此将多种方法结合的方式能够比单一算法获得更好的去雾效果，但与此同时增加了计算量和复杂度。随着雾霾天气的多变，天气中颗粒物的大小、太阳光强度、图像景深等参数的多变性，研究一种简单的、应用广泛的以及去雾效果明显的去雾算法是广大学者致力学习的。

2 边缘检测

图像的边缘检测指的是将数字图像中的边缘点检测标识出来。在图片中，边缘不仅是图像最基本的特征，也集中了图像中大部分信息，边缘的确定和提取对整个场景的识别是十分重要的。边缘检测在机器视觉、图像处理等应用中是重要的前提，同时也是图像分析与模式识别的重要环节。

边缘检测算子检查每个像素及其直接邻域，对灰度变化率和方向进行计算和确定。边缘检测算子一般是通过边缘检测算子与图像做卷积运算，选取卷积后的结果（最大值）作为该像素点的输出值；再将其中超过某个阈值（单阈值或双阈值）的点视为边缘点，以得到图像中物体的边缘。经典的边缘检测算子，Kirsch算子、Prewitt 算子及其改进算法、Roberts 算子、Sobel 算子及其改进算法[9]、Laplace 算子、LoG 算子及其改进算法、Canny 算子[10]等，数学形态学方法[11]，近几年出现的新边缘检测方法深度学习[12]。边缘检测在机器视觉和图像处理中是不可或缺的部分，一直以来都是广大学者致力于学习和研究的热点之一。

2.1 Sobel边缘检测

基于Sobel 算子的边缘检测在水平和垂直两个方向上求导，得到的是图像在X 方向与Y 方向梯度图像。通过3×3 区域的内核Gx和内核Gy与图像中的像素点做平面卷积运算。在实际应用中，将两个卷积结果中的最大值作为该像素点的输出值；然后将改区域内所有超过某个阈值的点视为边缘点。

Sobel 边缘检测算子：

Sobel 算子检测方法对噪声有一定的抑制能力，边缘定位也比较准确完整，但Sobel 算子对边缘的检测结果中易出现伪边缘。

2.2 Canny边缘检测原理

Canny 边缘检测算子是一种多级检测算法，它的目标是找到一个最优的边缘检测算法。在Canny 边缘检测方法提出的同时，也提出了一个对于边缘检测算法的评价标准：第一，以低的错误率检测边缘，这意味着需要尽可能准确的捕获图像中尽可能多的边缘；第二，实际检测的边缘和真实边缘的偏差要最小；第三，只标记一次图像的给定边缘，尽可能使图像噪声不产生伪边缘。

Canny 边缘检测算法，首先使用高斯滤波器以平滑图像，滤除噪声；然后采用一阶微分边缘检测算子来计算平滑后图像各点处的梯度强度和梯度方向；再利用非极大值抑制，保留梯度强度中的局部最大值以消除边缘检测带来的杂散响应；随后采用双阈值法来检测出图像中的强、弱两类边缘像素；最后，通过抑制孤立的边缘，检测和连接最终的边缘，完成图像的边缘检测。

Canny 检测算法相对于传统边缘检测算子，它是效果较好的算子之一。使用高斯滤波可以很好地去除噪声，但也容易去除一些边缘信息；使用高阈值和低阈值来检测出图像中的强边缘和弱边缘，并且只有当弱边缘和强边缘相连时，才将弱边缘视为边缘点包含在输出图像中，但与此同时，增加了计算量和复杂度。

在对边缘检测进行优化，一般是从检测前和边缘检测算子方向以及检测后三个方面进行优化。边缘检测前：进行图像的预处理，例如图像的去噪（高斯滤波、同态滤波等），加强图像的细节信息以及根据图像的高频和低频部分（小波变换）进行不同处理；为了取得更好的边缘检测结果，除了水平方向和垂直方向外，会更加检测检测方向45 度、90 度、135 度等；边缘检测后：采用不同的阈值估计方法（单阈值或双阈值法），来进行边缘点的确定，尽可能准确的与图像中物体的真实边缘相对应。

3 交通场景的应用

近年来，受雾霾天气的影响，交通事故频发，在雾霾天气条件下出行，要时刻警惕来往车辆和道路上存在的障碍物等影响交通安全的隐患。随着去雾算法和边缘检测算法的不断完善，将去雾算法和边缘检测算法相结合来解决在交通、航空等领域遇到的实际问题也逐渐受到广大学者的关注和广泛研究。

文献[13]中石晓婧以雾霾天气下的交通图像为目标，针对雾霾天气下低能见度的交通图像进行对比度的提高，并在雾霾交通图像增强的基础上进行边缘检测。她提出一种基于雾气遮罩理论的图像增强算法，通过对饱和度分量采取分段非线性变换，并在Retinex算法处理时采用双边滤波代替高斯滤波，更好的保持了图像的边缘和纹理特征；然后改进了Canny 自适应算法来提取图像边缘。经过处理后的图像边缘连续性好、能抑制噪声，但是增加了复杂度，并且增强后的图像本身会有像素点的缺少，检测出的图像边缘整体偏暗，强度有所欠缺。

文献[14]中刘振在雾霾条件下进行交通标志的检测与识别，在图像复原技术基础上，通过结合大气光衰减模型和环境光模型得到大气雾霾图像成像的数学模型，然后根据模型的反推来恢复出清晰无雾图像；在交通标志定位方面，提出了一个改进的基于颜色信息分割和形状特征定位的交通标志检测法，在颜色空间进行RGB 图像分割得到二值图像，结合数学形态开闭运算和Canny 边缘检测得到轮廓信息以进行交通标志的粗分类，最终通过候选区域Hough 变换直线圆检测，最终定位交通标志。该处理方法综合了颜色和形状两者的优点，并且抗干扰能力强，但算法对噪声较敏感且复杂性高，不能保证实时性。

文献[18]中张群在车牌自动识别算法中引入暗原色先验去雾算法，通过指导滤波对透射率进行优化改进，保证了去雾效果的同时缩短了处理时间，提高了实时性。对去雾后的图像，采用灰度化处理（便于后续边缘检测阈值的选取），再进行Roberts 边缘检测确定车牌的上下边界，再通过先验知识确定左右边界，完成车牌定位。该文通过边缘检测来确定车牌的上下边界，为后续车牌识别做好准备。

在多数的研究中，通过去雾算法以提高还原图像真实的色彩，然后通过边缘检测将图像中感兴趣的区域标识出来，然后提取出图像中的目标，然后再对目标进行进一步分析或处理。随着去雾算法和边缘检测算法的不断研究和发展，将两种不同的方法结合使用以解决更多实际性的问题，会成为越来越热的研究点，在不同的场景中应用并能够达到实时地应用。

4 结语

本文简单介绍了经典的去雾算法和经典边缘检测算法以及两种方法的改进算法。在实际中为了取得更好的效果往往不再局限于一种算法，而是将多种算法结合以获得理想的效果，在获得好的效果的同时也增加了计算量和复杂度，因而寻求一种简单并且效果佳的方法任然是需要广大学者努力的方向。雾天条件下的边缘检测在交通领域的应用，有利于交通管理和减少交通事故的发生，但在实际中，时效问题还是现在的研究热点。