改進暗通道遙感影像去霧方法及效果分析

江政遠，胡 勇，宋文韜，鞏彩蘭

(1.中國科學院大學，北京 100049； 2.中國科學院 上海技術物理研究所，上海 200083； 3. 中國科學院 紅外探測與成像技術重點實驗室，上海 200083)

0 引言

隨著遙感技術的飛速發展，遙感影像的需求量越來越大。然而，遙感影像成像過程容易受到云、霧、霾等影響，造成影像色彩灰暗、對比度降低、目標模糊不清等問題，導致影像數據利用率降低[1]。隨著大氣污染日益嚴重、霧霾天氣增多，消除遙感影像數據中的霧霾影響成為亟待解決的問題。遙感影像去霧不僅可以使影像數據中的可用范圍增大，而且能降低各種復雜的氣候條件對遙感成像的影響。

遙感影像去霧方法主要分為兩類。一是基于大氣物理模型的影像復原方法。通過了解影像退化的物理機理，構建大氣傳輸模型，從傳輸方程的角度，對大氣的散射和反射作用進行建模分析，使用反演手段去除霧霾[2-3]，這類方法考慮了影像的成像過程，更容易消除云霧影響，但所涉及的大氣物理模型一般較為復雜，參數眾多，如果沒有足夠多的約束條件，則在去霧過程中容易產生較多的影像噪聲。二是基于影像增強的方法。其實質是削減處于低頻的云霧信息，從而使影像對比度增強，如：自適應濾波的高分辨率遙感影像去霧霾算法[4]、基于同態濾波的遙感影像去霧霾方法[5]、基于直方圖非線性拉伸的紅外影像增強算法[6]、基于線性拉伸的遙感影像處理方法[7]、基于Retinex和小波變換的遙感影像去霧方法[8]，但這些方法在過濾處于低頻的云霧信息時會過濾一部分地物細節信息，導致地物紋理的缺失及邊緣模糊。

隨著計算機視覺技術的發展，目前國內學者在自然影像的去霧處理方面已有一些卓有成效的方法。如HE等[9]以暗原色統計先驗去霧算法為約束條件，簡化了大氣散射物理模型的參數，在引入數學模型的同時，通過統計的先驗知識簡化數學模型的計算過程，使模型求解僅需少量容易獲取的參數；王時震等[10]針對遙感影像的特點，對基于暗原色統計先驗的暗通道去霧方法中大氣透射率及大氣光值的求解過程進行了簡化；李國等[11]采用了暗原色統計規律對“天繪一號”衛星遙感影像去霧技術進行了研究；廖國忠等[12]利用多核CPU并行計算，提高了基于暗原色統計先驗去霧方法的效率。以上方法并未考慮衛星遙感影像的成像幅寬較大，導致成像區域內霧霾分布不均勻的問題。

本文以“高分一號”(GF-1)衛星遙感影像為例，在暗原色統計先驗的基礎上，針對衛星遙感影像霧霾分布不均勻的特點，改進了暗原色值的計算方法，使用導向濾波優化傳輸率影像，并基于歸一化植被指數(NDVI)設計了可對去霧算法定量分析的指標。

1 基于暗原色統計先驗的自然圖像去霧算法

暗原色統計先驗去霧算法是在對5 000多幅無霧自然圖像統計后得到的規律。該規律認為在無霧自然圖像的非天空區域內，總存在一部分能被認為是“暗像元”的像素，至少有1個顏色通道的像素值趨近于0[9]，即局部影像3個顏色通道(R，G，B)像素值的最小值趨近于0，其表達式為

Jdark(x,y)=

(1)

在成像中使用大氣退化模型來描述云霧退化過程，其表達式為

I(x,y)=J(x,y)t(x,y)+(1-t(x,y))A

(2)

式中：I(x,y)為觀測圖像的光照強度；J(x,y)為目標場景的反射強度；t(x,y)為場景內大氣傳輸過程中的傳遞效率，即大氣透射率；A為大氣光強。

對式(2)變換，得

(3)

對式(3)進行2次最小值濾波運算，得

(4)

根據暗原色統計先驗，結合式(1)、(4)可得

(5)

因此，如果A值已知，則可得到t(x,y)預估值。

在晴天，大氣中也存在一些顆粒懸浮物，使肉眼在觀察距離較遠物體時，仍然感覺到霧的影響，這種影響會隨著距離的增加而變大。如果不把霧的影響全部去除，而是保留一部分，則去霧后圖像將更加真實，且具備一定的深度感，顏色也更為自然。因此，可在式(5)中引入1個修正因子ω (0≤ω≤1)，將式(5)變換為

(6)

從自然圖像中得到A值，用式(6)計算t(x,y)，結合式(2)，可得到去霧后圖像的J(x,y)，該過程用公式表示為

(7)

2 本文算法

受霧霾濃度的影響，與薄霧區域相比，濃霧區域暗通道的灰度值較大。如果直接求解影像全局的暗原色，會使薄霧區域的去霧影像色彩失真。鄰域尺寸會對去霧效果產生影響，尺寸過大會造成光環效應，尺寸過小則會使影像出現過飽和或暗沉現象。當對霧霾影像按像素點取其三原色通道中的最小值時，可消除光環效應，但暗沉現象最為嚴重。本文去霧算法的具體流程如圖1所示。具體包括以下步驟：

步驟1將影像按影像灰度值分為重度濃霧區域、中度霧氣區域和輕度薄霧區域。使用k_means非監督分類算法對影像灰度圖中按灰度值分類，把k_means分類后的結果作為graph cuts分割算法的初始輸入，應用graph cuts算法將影像分為3個區域。

步驟2分區域統計暗原色值，得到暗原色分布，暗原色獲取公式為

(8)

圖1 遙感影像去霧處理流程Fig.1 Process of fog removal for remote sensing image

步驟3計算式(7)中的A值。選取暗原色統計圖中按亮度值的高低進行排列，提取前1‰的像素，在原始有霧影像中計算對應像素位置上亮度值的平均值，將該平均值作為A值參與去霧運算。

步驟4計算式(7)中的大氣透射率t(x,y)分布。將步驟3中獲得的A值代入式(6)計算大氣透射率t(x,y)，ω=0.98。

步驟5將A值和t(x,y)代入式(7)，獲得去霧后影像。

為獲得暗原色值，根據影像灰度圖中的像素灰度值將影像分為重度濃霧區域、中度霧氣區域、輕度薄霧區域。采取分區域統計的原因在于暗原色值會隨著霧氣濃度的增加而增加，直接計算鄰域內最小值所得到的暗原色值較低，將導致該區域透射率計算有誤。選擇像素點3個通道的平均值作為暗原色統計值，不僅能反映影像真實的霧氣分布狀況，還能得到更精細的暗原色值和透射率值，從而使原始影像的霧氣分布痕跡很好保留，且其他區域不至于出現顏色失真的情況。薄霧區域與濃霧區域相比，由于受霧霾散射、反射的影響較小，整個區域色彩更接近于地物的真實色彩，亮度更低，對暗沉現象反應不明顯，因此選擇區域內像素點3個通道的最小值作為該像素點的暗原色統計值。這樣不僅可以消除暗沉現象的影響，還可以防止光環效應的出現。改進前后暗原色統計分布如圖2所示。

3 實驗數據與實驗結果

3.1 實驗數據

本文采用GF-1衛星PMS1相機于2013年12月8日(霧霾天氣)和2013年12月12日(晴空天氣)拍攝的遙感影像，實驗影像如圖3所示，區域為江蘇省蘇州市常熟市，成像中心經緯度分別為(120.9°E，31.6°N)和(120.8°E，31.6°N)，成像幅寬優于60 km，像素分辨率為8 m。使用無霧影像的NDVI和去霧前后的NDVI組合起來設計1組指標，對算法的去霧效果進行定量分析。

圖2 暗原色統計分布對比Fig.2 Comparison of dark original color statistic distribution

圖3 實驗影像Fig.3 Image date of experiment

3.2 實驗結果

采用改進暗通道法、傳統暗通道法、同態濾波法3種去霧算法對遙感霧霾影像進行去霧處理，同時與1幅臨近時相的晴空遙感影像[見圖3(b)]進行對比，實驗結果對比如圖4所示。由圖可見：3種算法都有一定去霧效果；改進暗通道法與傳統暗通道法相比，對濃霧區域的去霧效果更為明顯，處理后的影像更為清晰；同態濾波法在處理濃霧區域時去霧效果較差，且有一定的顏色失真；與無霧影像相比，3種算法去霧后圖像顏色相對較暗。

圖5為局部影像的去霧效果，圖中影像區域對應圖4中紅色矩形窗口標記的影像區域。由圖5可知：與傳統暗通道法和同態濾波法相比，改進暗通道法在處理含霧影像中“井”字形房屋時，細節邊緣恢復效果更好，影像邊緣及細節特征更接近于無霧影像。

4 分析與討論

4.1 基于影像質量指標的去霧效果分析

影像質量評價指標主要為熵、能量、標準差、平均梯度等。各種去霧算法對影像處理前后的指標見表1。

表1 去霧前后影像指標對比

圖4 實驗結果對比Fig.4 Comparison of experimental results

圖5 局部放大對比Fig.5 Comparison of partial enlarged details of fog removal image

熵是影像包含信息量的隨機性度量，反映影像灰度分布的復雜程度。熵值越大，說明影像越復雜。由表1可見：經過3種算法去霧后，影像信息更加豐富。其中，應用改進暗通道法去霧處理后得到的影像熵值最大，且更接近于無霧影像的熵值，說明本文算法去霧后的影像具有更豐富的紋理信息。

能量是灰度共生矩陣各元素值的平方和，反映影像灰度的分布均勻程度和紋理粗細度，其值越大，說明當前紋理的規則變化較為穩定。從表1可見：經過3種算法去霧處理后，影像能量值都有所增加。其中，應用改進暗通道法后得到的影像能量值增加最為明顯，且最接近無霧影像的值，說明本文算法去霧后獲得的影像更接近于真實無霧的影像。

標準差通常被用來度量影像對比度，其值越大，說明對比度越大，層次越豐富，目標越清晰。從表1可見：經過3種算法處理后，影像的標準差均有所提高。其中，應用改進暗通道法去霧后得到的影像標準差增加最為明顯，且最接近無霧影像的標準差值，說明本文算法去霧后得到的結果影像對比更加明顯，層次更為豐富。

平均梯度反映了影像細節，其值越大，說明影像細節越清晰，邊緣保持效果越好。從表1可見：經過3種算法處理后，平均梯度均有所提高。其中，應用改進暗通道法去霧后得到的影像平均梯度增加最為明顯，且最接近無霧影像的值，說明本文算法去霧后獲得的影像可以恢復更多的影像細節。

4.2 NDVI定量評價

與自然圖像相比，遙感影像更為關注定量化應用，但云霧的遮擋不利于遙感影像的定量運用。NDVI被應用于檢測植被生長狀態、植被覆蓋度等，是定量遙感的重要應用指數之一。本文將晴空影像的NDVI和去霧前后的NDVI進行組合，設計1組指標，對算法的去霧效果進行定量分析。將臨近時相晴空影像的NDVI定義為NDVI真值；去霧前后影像的NDVI值與NDVI真值的差為去霧前后NDVI真值差。利用去霧前后NDVI面積比和去霧前后NDVI真值差2個指標，探討改進暗通道去霧算法對含霧遙感影像數據定量運用的影響，將從原始影像中截取1 000像素×1 000像素區域(見圖6)來進行NDVI的統計分析，結果見表2、3。

圖6 用于計算NDVI指數的假彩色合成影像Fig.6 False color composite images used to calculate NDVI index

將臨近時相晴空影像的NDVI值定義為NDVI真值，使用去霧前后的NDVI值與NDVI真值相減，求得NDVI真值差。根據晴空影像NDVI真值的范圍統計去霧前后相同區域內NDVI真值差的平均值，見表2。由表可得：去霧后遙感影像的NDVI值更接近晴空影像的NDVI值。整體而言，去霧后NDVI真值差更趨近于0，即與去霧前NDVI相比，去霧后的NDVI更接近晴空影像的NDVI。隨著NDVI值的增加，去霧后的NDVI真值差越來越趨近于0。也就是說，隨著NDVI值的增加，去霧后的NDVI更接近無霧影像的NDVI值，說明本文算法對于含霧遙感影像數據的定量運用有著積極作用，有霧影像去霧后可進行正常的定量應用。

表2 去霧前后NDVI真值差

表3 去霧前后NDVI面積比

當NDVI>0時，可以認為有植被覆蓋；NDVI值隨著植被覆蓋率的增大而變大。本文將統計不同NDVI值區域時，去霧前后的NDVI區域的面積相對晴空影像的面積，來分析去霧前后植被覆蓋率的變化。去霧前后NDVI面積比見表3。由表可得，當NDVI>0時，去霧前后NDVI大于某個數值的面積都相應增加，且隨著NDVI值增加，去霧后影像NDVI大于某數值的占比越來越大，逐漸接近于晴空影像的NDVI面積。經過本文算法去霧后，NDVI面積比更接近于晴空時的狀態，使含霧遙感數據能應用于定量遙感，提高了遙感數據的可用性及有效性。

5 結論

本文基于暗原色統計先驗去霧算法，以GF-1衛星遙感影像為例，采取分區域改進暗原色值的獲取方式，解決由于遙感影像幅寬較大引起的霧氣分布不均勻的問題。實驗表明：利用本文改進的暗通道法可實現對衛星遙感影像的去霧處理，有效改善衛星影像數據的視覺效果，提高含霧衛星影像數據的可用性和有效性。該方法對衛星遙感影像數據預處理工作中的云霧去除具有一定的參考價值，對地物識別、分類等衛星影像數據后續的開發處理有一定促進作用。該方法與傳統暗通道法相比，能獲得更好的去霧結果。另外，對NDVI值統計結果說明該方法對于有霧遙感影像的定量應用有積極意義。但本文僅考慮了霧霾的去除，在遙感影像上，云和霧一般同時存在，不能僅考慮某種影響，而要對同時去除云、霧的方法進行研究；本文僅對高空間分辨率的遙感影像進行了研究，隨著遙感技術的不斷發展，如何對高光譜分辨率、高時間分辨率的遙感影像去霧將成為重點研究領域；此外，可將去除的霧霾信息單獨保留，利用多時相的遙感數據進行霧霾的動態變化研究。