融合改进暗通道和Retinex 的遥感影像去雾增强算法

杨显琼，秦荣波

（1.长安大学 地球科学与资源学院，陕西 西安 710054；2.贵州省第一测绘院，贵州 贵阳 550025）

1 概述

随着空间对地观测技术的发展，遥感技术逐渐成为获取空间分布信息及其时空变化状况的重要手段[1]。然而，遥感影像极易受到恶劣天气的影响，导致影像饱和度低，色彩失真，细节模糊等问题。直接影响影像目视解译、光谱分析、特征提取等后续工作。

目前，遥感影像去雾算法大致分为：（1）基于影像复原方法。利用影像退化的先验知识来对有雾遥感影像进行复原。该类方法以He[2]的暗通道先验规律为代表。江政远等[3]将有雾遥感影像的雾度划分为轻度薄雾区域、中度薄雾区域以及重度浓雾区域。并采用改进暗通道算法，分别对三个区域进行去雾处理。（2）基于影像增强的方法。该方法不考虑影像退化的物理机制，而只需根据特定的需求，改善图像的视觉效果，增强影像亮度和对比度，突出重要信息，实现影像去雾。邵振峰等[4]通过色彩空间转换，将RGB 空间转换为HSI 空间，在HSI 空间上利用多尺度Retinex 算法对亮度分量进行调整，有效增强低照度遥感影像的视觉效果。

2 改进暗通道去雾方法

暗通道先验规律与大气散射模型相结合已被证明是简单有效的去雾方法。但是，暗通道先验最初是根据无雾的自然图像的统计方法开发的，由于其成像距离不同，这些自然图像与遥感影像有很大差异。分别对几组含雾的自然图像和遥感影像做灰度直方图处理，经统计对比发现，遥感影像相对于自然图像具有向右平移的特性[5]。因此，为了使暗通道先验规律能够适用于遥感影像，需要将遥感影像暗通道的灰度直方图向左平移[5]，这意味着需要从He[2]的暗通道先验规律的两侧减去一个C 项，将改进的暗通道定义为：

式中C 是从无雾遥感影像的统计量中得出的，（J（x）-C）dark是表示有雾影像的暗通道，c 表示像素点的 r，g，b 三个颜色通道，Ω（x）是以x 为中心的矩形邻域。

3 Retinex 理论

文采用单尺度Retinex 算法对复原后影像进行增强，是为了减少因透射率的错误估算而可能导致的同物异谱的问题。使增强后的影像更加符合人类视觉特性，影像细节更加明显。单尺度Retinex 算法影像增强的原理是：通过减少亮度分量 I（x，y），增加反射分量 R（x，y），突出影像的重要信息，达到平均亮度和色彩的目的。单尺度Retinex 算法公式为：

图1 Landsat8 实验结果对比

式中ri（x，y）是处理后的反射分量影像；Fi（x，y）是第i 个颜色通道中所输入的原始有雾影像；* 是卷积运算符；i 是影像中的第i 个颜色通道；Si（x，y）为滤波函数。

4 实验结果与分析

4.1 主观评价

本文选用1 幅分辨率为30m 的Landsat8 有雾遥感影像作为数据源，大小均为500 像素×500 像素，如图1所示。实验采用He 算法、改进暗通道算法、直方图均衡化算法、SSR 算法以及本文算法，分别对有雾遥感影像进行去雾处理，同时进行实验结果的对比分析。由图1 可知：改进暗通道算法与He 算法均为影像复原方法，相比较而言，改进暗通道算法对浓雾区的去雾效果更为明显，改善了传统暗通道先验规律去雾后影像亮度偏暗的问题；直方图均衡化算法与SSR 算法均为影像增强方法，相比较而言，直方图均衡化算法去雾效果较差，且出现白色光晕现象；SSR 算法得到的影像边缘模糊，色彩失真；本文提出的融合改进暗通道和Retinex 的遥感影像去雾增强算法，改善了上述算法中存在的问题，不仅去雾效果突出，而且影像的亮度、对比度更加清晰，地物细节、纹理特征更加明显，更加符合人眼视觉特性。

4.2 客观评价

在客观评价中，本文采用平均梯度、均方误差、峰值信噪比、信息熵等四个指标对5 种算法进行比较。影像质量评价指标的客观评价数据如表1 所示。

平均梯度（Average gradient），该指标反映影像的清晰度、纹理变化的程度。平均梯度越大，说明影像越清晰。本文算法的平均梯度均高于其他算法，由此说明本文算法不仅有效去雾，还可以有效的提高影像的清晰度。均方误差（MSE）的值越小，说明影像质量越好。改进暗通道算法的MSE 值相较He 算法要小，说明改进通道算法的去雾效果在传统暗通道先验规律的基础上有所改善，能够有效的应用于遥感影像。峰值信噪比（PNSR），反映待评价影像与参考影像之间颜色失真的情况。PSNR 值越大，说明颜色失真较小，影像质量较好。改进暗通道算法的PSNR 值相较He 算法要大，表明改进通道算法去雾后影像失真较小。信息熵（Entropy）反映影像信息的丰富程度，信息熵越大，说明影像信息量越丰富，质量也就越好。本文算法信息熵值均高于其他算法，表明本文算法能够有效的提高影像的纹理细节，便于后期的目视解译处理。通过实验结果对比分析发现，本文算法对雾度分布不均的遥感影像处理效果不论是从平均梯度、均方误差、峰值信噪比还是信息熵，都有较好的表现。

表1 客观评价数据

5 结论

综上所述，虽然影像复原和影像增强是影像处理中两种不同的研究方向，但都是以提高影像质量为最终目的，因此两者是交织并存的。影像去雾增强就是这两种技术的交叉产物，既能达到有效的去雾处理，又能解决影像去雾后亮度偏暗的问题。因此，本文针对雾度分布不均的有雾遥感影像，提出了一种融合改进暗通道和Retinex 的遥感影像去雾增强算法。该算法改善了传统去雾算法中存在的问题，不仅去雾效果显著，而且影像的亮度、对比度更加清晰，地物细节更加明显，更加符合人眼视觉特性。通过对遥感影像进行去雾预处理，从而实现对有雾遥感影像的再利用。不仅避免了资源浪费，还降低了恶劣气象条件对光学遥感的影响。有利于影像后续的目视解译、识别分类以及地物提取等工作的顺利进行，能够很好的满足实际的应用需求。通过主观评价和平均梯度、均方误差、峰值信噪比、信息熵等影像质量评价指标验证了本文算法的有效性和可行性。