圖像去霧中的大氣光強度自適應恢復算法研究

程煒 湯紅忠 朱玲 王翔 李驍 郭雪峰

摘要：傳統的單幅圖像去霧方法中大氣光強度僅設定為與圖像最亮象素有關的經驗值，容易造成去霧后的圖像亮度偏暗，且某些區域色彩還原失真等問題。本文提出一種大氣光強度自適應恢復算法。首先對圖進行分塊，根據每個圖塊的像素在RGB顏色空間分布在同一條線上，可求得大氣光強度的方向，然后對大氣光強度模值引入一個懲罰因子實現圖像去霧，對去霧后圖像提出大氣光強度模值估計的目標函數，根據圖像明暗系數的最大值與透射率的等級無關的約束條件，利用LBFGS優化從而得到正確的大氣光強度模值。實驗結果證明該方法可以有效避免大氣光強度估值偏差而引起的圖像色彩失真，魯棒性強，去霧后的圖像具有更好的色彩還原度和清晰度，更能符合人眼視覺效果。

關鍵詞：大氣光強度；明暗系數；模值估計；透射率

中圖分類號：TP751.1文獻標識碼：ADOI：10.3969/j.issn.10036199.2017.01.021

1引言

近年來，環境問題日益嚴峻，霧霾天氣的出現直接影響了室外視覺監視、目標識別與跟蹤等系統效用的發揮，給人們的日常生活帶來了極大的不便。因此，對單幅圖像如何進行有效去霧具有重要的研究意義。目前，通用的圖像去霧算法都是基于以下物理模型[1，2]；

I（x）=J（x）t（x）+（1-t（x））A （1）

其中，I（x）表示霧圖，J（x）表示無霧圖像，x是圖像像素的坐標，t（x）為大氣透射率，A為大氣光強度，為全局矢量。圖像去霧的本質是要實現A與t（x）的估算。現有的單幅圖像去霧算法主要圍繞透射率t（x）的求解，也取得了很多有效的學術成果。例如文獻[3]基于暗原色先驗得到初始透射率圖，再借助軟框圖算法優化初始透射率圖；文獻[4]則采用引導濾波細化初始透射率圖，提高算法的去霧實時性；文獻[5]首先定義了雙區域暗通道，再對透射率進行估算；文獻[6]結合大氣散射光與景深變化趨勢相同的特性，用局部均值和標準差的差值來估計大氣散射光，從而實現對有霧圖像的修復。然而在現有的去霧算法中，大氣光強度A則主要根據人工直接設定，一般采用與最大圖像亮度有關的經驗值，例如文獻[7]等直接選取有霧圖像中最亮的像素作為大氣光強度，文獻[3]等先選定暗通道圖中與最亮值的0.1%對應的像素，然后將這些像素對應到有霧圖I（x）中取最大值作為大氣光強度；文獻[5]則直接選取有霧圖雙區域暗通道的最大值作為大氣光；Wang等[8]為了避免大氣光受到圖像中白色和天空區域的影響，首先去除白色和天空區域，再選擇圖像最亮的像素點作為大氣光；文獻[9]依據大氣傳遞圖的先驗知識，將大氣傳遞圖的估計問題轉化為二次規劃問題，通過帶約束的歸一化最速下降法獲取最優大氣光強度。盡管這些方法都取得了一定的去霧效果，但亮度較大的大氣光強度也不可能出現在整個場景環境中，會造成復原圖像的亮度出現偏差，而且大氣光強度的取值也影響著透射率的求解，從而導致整幅圖像的去霧性能下降。

針對上述問題，首先對圖進行分塊，在RGB顏色空間中，由于每個圖塊的像素分布在同一條線上，基于局部區域簡化模塊求得大氣光強度的方向，直接采用具有懲罰因子的大氣光強度模值實現圖像去霧，去霧后的圖像在不同等級透射率的條件下，引入不變的圖像最大明暗系數作為限制條件，提出大氣光強度模值估計的目標函數，最小化圖像明暗系數與透射率相關估計值的距離，利用LBFGS優化從而得到正確的大氣光強度模值。該算法可以提高大氣光強度估算的精確度，去霧效果魯棒性強，實用范圍更廣，去霧后的圖像更加清晰自然。

2大氣光強度的自適應恢復算法

本實驗所采用的圖片均來自谷歌，百度等網站，透射率的求解均采用最小值濾波，再利用引導濾波[4]進行優化，消除塊效應；而針對大氣光強度的取值，本文分別采用文獻[3]的方法，文獻[8]的方法，文獻[10]的方法，以及本文算法進行去霧后的圖像效果比較。所有實驗均采用采用MATLAB7.0軟件平臺，其實驗結果如圖4所示。 從圖中我們可以看出本文算法與文獻[10]相比，去霧效果色彩柔和，去霧結果也更加清晰自然。為了更好的評價圖像去霧后的效果，本文采用色調還原程度和平均梯度對這4種圖像大氣光去霧方法進行定量評價，實驗結果如表1所示。

參考文獻

[1] NARASIMHAN S G，NAYAR S K. Chromatic Framework for Vision in Bad Weather[C].IEEE Conference on Computer Vision & Pattern Recognition. 2000：598-605.

[2]NARASIMHAN S G，NAYAR S K. Contrast restoration of weather degraded images[C].Pattern Analysis & Machine Intelligence IEEE Transactions on， 2003， 25（6）：713-724.

[3]HE Kaiming，SUN Jian，TANG Xiaoou.Single image haze removal using dark channel prior[C].In： Proceeding of IEEE Conference on Computer Vision and Pattern Recognition. Washington D.C.， USA： IEEE，2009.1956-1963.

[4]HE Kaiming，SUN Jian，TANG Xiaoou. Guided Image Filtering[C]. IEEE Transaction on Pattern Analysis and Machine Intelligence，2013，35（6）：1397-1409.

[5]張小剛， 唐美玲， 陳華，等. 一種結合雙區域濾波和圖像融合的單幅圖像去霧算法[J]. 自動化學報， 2014， 40（8）：1733-1739.

[6]李娟， 張有會， 王志巍，等. 基于局部均值和標準差的圖像去霧算法[J].計算機工程與應用， 2014：1-5.

[7]TAN R T.Visibility in bad weather from a single image[M].Computer Vision and Pattern Recognition， 2008.

[8]WANG J B，HE N，ZHANG L L，et al.Single image dehazing with a physical model and dark channel prior[J]. Neurocomputing， 2015， 149（PB）：718-728.

[9]李權合， 畢篤彥， 許悅雷，等. 霧霾天氣下可見光圖像場景再現[J]. 自動化學報， 2014， 40（4）：744-750.

[10]SULAMI M，GLATZER I，FATTAL R，et al.Automatic recovery of the atmospheric light in hazy images[C].2014 IEEE International Conference on Computational Photography （ICCP）. 2014：1-11.

[11]SCHECHNER Y Y，NARASIMHAN S G，NAYAR S K. Instant Dehazing of Images Using Polarization[C].IEEE Computer Society Conference on Computer Vision & Pattern Recognition. IEEE， 2001：325.

[12]SCHECHNER Y Y，NARASIMHAN S G，NAYAR S K. Polarizationbased vision through haze[J].Applied Optics， 2003， 42（3）：511-525.

[13]FATTAL R. Dehazing Using ColorLines[J]. Acm Transactions on Graphics， 2014， 34（1）：1-14.

[14]LIU D，NOCEDAL J.On the limited memory BFGS method for large scale optimization[J]. Math. Program，1989，45（1）：503-528， 1989.

[15]李大鵬， 禹晶， 肖創柏. 圖像去霧的無參考客觀質量評測方法[J]. 中國圖象圖形學報， 2011， 16（9）： 1753-1757.

第36卷第1期2017年3月計算技術與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月計算技術與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7