霧天圖像的邊緣檢測及其應用

王小麗

（西華大學計算機與軟件工程學院，成都610039）

0 引言

隨著社會的不斷發展，我國經濟不斷發展，人們的生活水平提高，生活質量得到提高。但隨之而來的是環境惡化、全球氣候變暖等問題，給人類的可持續發展帶來了巨大的挑戰。因環境的惡化，霧霾歷經天數越來越多，覆蓋范圍也越來越廣，給人類的生產生活造成影響。

在霧霾天氣條件下，因空氣中霧霾顆粒影響，人眼可見度低，使道路監控、航空遙感和軍事觀測等領域的戶外成像設備采集到的圖像退化嚴重，具有對比度低、亮度偏暗、清晰度差等缺陷。降質的圖像不僅增加了圖像處理系統的復雜性，也給人們的生活和出行帶來不便。例如：在霧霾天氣條件下，可見度低，光照弱，行駛的車輛無法看清路況及來往車輛，導致交通事故的發生；因霧霾的影響，飛機無法正常起飛，導致人類的出行推遲延期，造成諸多不便；軍事應用中對成像設備精度要求很高，如果獲取了降質的圖像，就無法識別敵我目標，對國家和人民的安全帶來嚴重的后果。因此，對霧霾天氣下采集到的圖像、視頻進行去霧增強處理是十分必要的。

進行圖像去霧之后，能夠提高圖像的對比度，增加圖像的人眼可識別性。但往往還不夠，還需要對去霧后的圖像作進一步處理，如邊緣檢測。邊緣檢測就是將圖像中的邊緣點（邊緣點即：是圖像中像素灰度急劇變化的點）檢測出來，將圖像中的物體與背景分離開來。圖像中的邊緣不僅是圖像的基本特征，它也包含了圖像中大部分信息，對于整體場景的識別具有十分重要的作用。邊緣檢測是圖像處理中目標識別、特征提取、圖像分析等的重要前提，也是計算機視覺和圖像分析理解中不可分割的一部分。

1 去霧算法

圖像去霧是去除或減少懸浮顆粒對圖像質量造成的影響，還原圖像的真實色彩，提高圖像的對比度，以便后期處理。一方面，圖像去霧不僅提高了視覺效果；另一方面，圖像去霧為后續的邊緣檢測、模式識別等奠定了基礎，起預處理的作用。

現有的去霧算法主要分為基于圖像恢復的方法和基于圖像增強的方法。其中基于復原的去霧算法是利用物理模型（大氣散射模型[1]），通過求解圖像降質的逆過程來恢復清晰圖像，例如基于暗通道先驗理論[2]等，它的目的是使估計圖像盡可能逼近真實圖像。而基于增強的去霧算法是用一些算法來提高帶霧圖像的對比度，突出或弱化某些信息，減少霧對圖像造成影響，使去霧后的圖像便于用以機器識別或主觀視角觀察。包括直方圖均衡化及其改進算法[3]，Retinex 方法及改進Retinex 方法[4]等算法。

1.1 基于大氣散射物理模型原理

在有霧的天氣條件下，物體的反射光線會因空氣中的小顆粒發生散射，使光線在傳播過程中受到衰減，導致圖像采集設備采不到完整的物體反射光線。大氣散射模型的提出很好地表示圖像經過空氣衰減到達采集設備的這一過程，其表達式：

公式（1）中，I（x）表示采集到的圖像，t（x）表示透射率；A 代表大氣光強度；J（x）代表真實的圖像。

1.2 暗通道先驗原理

何凱明提出的暗通道先驗理論是通過統計大量的無霧圖像，發現：每一幅圖像的RGB 三個顏色通道中，總有一個通道的灰度值很低，幾乎趨向于零。因此，在這個“幾乎”作為先驗條件下，可以粗略估算出透射率。暗通道先驗數學表達式如下：

其中，Jc可以分別表示r，g，b 三個顏色通道，而c表示三個顏色中的一個，Ω（x）表示以像素X 為中心的一個窗口。在暗通道先驗的理論，核心“幾乎”則表明：Jdark→0。

1.3 Retinex理論原理

Retinex 理論的基本內容：物體固有的色彩并不受光照非均性的影響，是由物體對不同波長光線的反射能力決定，而不是由物體反射光強的絕對值決定，它具有一致性。

Retinex 理論是以色感一致性（顏色恒常性）為基礎的。它的基本假設：原始圖像S 是通過光照圖像L和反射率圖像R 的乘積來得到的，通過轉換到對數域上，將兩數乘積轉化為兩數之和。而它的核心就是估測光照圖像，從原始圖像中估測光照圖像分量，并去除光照圖像分量，得到原始反射圖像分量。

隨著機器視覺的發展，廣大學者對霧霾的特點進行細致研究，使圖像去霧技術取得了進展，同時產生了很多新的方法，如深度學習[5]、圖像融合等。除此之外，多數學者們不再滿足一種圖像去霧算法了，而是通過結合多種不同去霧的方法相結合的方式（一般是物理模型與圖像增強相結合的方式），例如改進的大氣散射模型[6]、基于暗通道的改進算法[7]、暗通道與Retinex 理論結合[8]等。單一的算法去霧時，在某個參數（如：透射率估計、景深等）上占有優勢，而整體去霧效果卻不占有優勢，因此將多種方法結合的方式能夠比單一算法獲得更好的去霧效果，但與此同時增加了計算量和復雜度。隨著霧霾天氣的多變，天氣中顆粒物的大小、太陽光強度、圖像景深等參數的多變性，研究一種簡單的、應用廣泛的以及去霧效果明顯的去霧算法是廣大學者致力學習的。

2 邊緣檢測

圖像的邊緣檢測指的是將數字圖像中的邊緣點檢測標識出來。在圖片中，邊緣不僅是圖像最基本的特征，也集中了圖像中大部分信息，邊緣的確定和提取對整個場景的識別是十分重要的。邊緣檢測在機器視覺、圖像處理等應用中是重要的前提，同時也是圖像分析與模式識別的重要環節。

邊緣檢測算子檢查每個像素及其直接鄰域，對灰度變化率和方向進行計算和確定。邊緣檢測算子一般是通過邊緣檢測算子與圖像做卷積運算，選取卷積后的結果（最大值）作為該像素點的輸出值；再將其中超過某個閾值（單閾值或雙閾值）的點視為邊緣點，以得到圖像中物體的邊緣。經典的邊緣檢測算子，Kirsch算子、Prewitt 算子及其改進算法、Roberts 算子、Sobel 算子及其改進算法[9]、Laplace 算子、LoG 算子及其改進算法、Canny 算子[10]等，數學形態學方法[11]，近幾年出現的新邊緣檢測方法深度學習[12]。邊緣檢測在機器視覺和圖像處理中是不可或缺的部分，一直以來都是廣大學者致力于學習和研究的熱點之一。

2.1 Sobel邊緣檢測

基于Sobel 算子的邊緣檢測在水平和垂直兩個方向上求導，得到的是圖像在X 方向與Y 方向梯度圖像。通過3×3 區域的內核Gx和內核Gy與圖像中的像素點做平面卷積運算。在實際應用中，將兩個卷積結果中的最大值作為該像素點的輸出值；然后將改區域內所有超過某個閾值的點視為邊緣點。

Sobel 邊緣檢測算子：

Sobel 算子檢測方法對噪聲有一定的抑制能力，邊緣定位也比較準確完整，但Sobel 算子對邊緣的檢測結果中易出現偽邊緣。

2.2 Canny邊緣檢測原理

Canny 邊緣檢測算子是一種多級檢測算法，它的目標是找到一個最優的邊緣檢測算法。在Canny 邊緣檢測方法提出的同時，也提出了一個對于邊緣檢測算法的評價標準：第一，以低的錯誤率檢測邊緣，這意味著需要盡可能準確的捕獲圖像中盡可能多的邊緣；第二，實際檢測的邊緣和真實邊緣的偏差要最小；第三，只標記一次圖像的給定邊緣，盡可能使圖像噪聲不產生偽邊緣。

Canny 邊緣檢測算法，首先使用高斯濾波器以平滑圖像，濾除噪聲；然后采用一階微分邊緣檢測算子來計算平滑后圖像各點處的梯度強度和梯度方向；再利用非極大值抑制，保留梯度強度中的局部最大值以消除邊緣檢測帶來的雜散響應；隨后采用雙閾值法來檢測出圖像中的強、弱兩類邊緣像素；最后，通過抑制孤立的邊緣，檢測和連接最終的邊緣，完成圖像的邊緣檢測。

Canny 檢測算法相對于傳統邊緣檢測算子，它是效果較好的算子之一。使用高斯濾波可以很好地去除噪聲，但也容易去除一些邊緣信息；使用高閾值和低閾值來檢測出圖像中的強邊緣和弱邊緣，并且只有當弱邊緣和強邊緣相連時，才將弱邊緣視為邊緣點包含在輸出圖像中，但與此同時，增加了計算量和復雜度。

在對邊緣檢測進行優化，一般是從檢測前和邊緣檢測算子方向以及檢測后三個方面進行優化。邊緣檢測前：進行圖像的預處理，例如圖像的去噪（高斯濾波、同態濾波等），加強圖像的細節信息以及根據圖像的高頻和低頻部分（小波變換）進行不同處理；為了取得更好的邊緣檢測結果，除了水平方向和垂直方向外，會更加檢測檢測方向45 度、90 度、135 度等；邊緣檢測后：采用不同的閾值估計方法（單閾值或雙閾值法），來進行邊緣點的確定，盡可能準確的與圖像中物體的真實邊緣相對應。

3 交通場景的應用

近年來，受霧霾天氣的影響，交通事故頻發，在霧霾天氣條件下出行，要時刻警惕來往車輛和道路上存在的障礙物等影響交通安全的隱患。隨著去霧算法和邊緣檢測算法的不斷完善，將去霧算法和邊緣檢測算法相結合來解決在交通、航空等領域遇到的實際問題也逐漸受到廣大學者的關注和廣泛研究。

文獻[13]中石曉婧以霧霾天氣下的交通圖像為目標，針對霧霾天氣下低能見度的交通圖像進行對比度的提高，并在霧霾交通圖像增強的基礎上進行邊緣檢測。她提出一種基于霧氣遮罩理論的圖像增強算法，通過對飽和度分量采取分段非線性變換，并在Retinex算法處理時采用雙邊濾波代替高斯濾波，更好的保持了圖像的邊緣和紋理特征；然后改進了Canny 自適應算法來提取圖像邊緣。經過處理后的圖像邊緣連續性好、能抑制噪聲，但是增加了復雜度，并且增強后的圖像本身會有像素點的缺少，檢測出的圖像邊緣整體偏暗，強度有所欠缺。

文獻[14]中劉振在霧霾條件下進行交通標志的檢測與識別，在圖像復原技術基礎上，通過結合大氣光衰減模型和環境光模型得到大氣霧霾圖像成像的數學模型，然后根據模型的反推來恢復出清晰無霧圖像；在交通標志定位方面，提出了一個改進的基于顏色信息分割和形狀特征定位的交通標志檢測法，在顏色空間進行RGB 圖像分割得到二值圖像，結合數學形態開閉運算和Canny 邊緣檢測得到輪廓信息以進行交通標志的粗分類，最終通過候選區域Hough 變換直線圓檢測，最終定位交通標志。該處理方法綜合了顏色和形狀兩者的優點，并且抗干擾能力強，但算法對噪聲較敏感且復雜性高，不能保證實時性。

文獻[18]中張群在車牌自動識別算法中引入暗原色先驗去霧算法，通過指導濾波對透射率進行優化改進，保證了去霧效果的同時縮短了處理時間，提高了實時性。對去霧后的圖像，采用灰度化處理（便于后續邊緣檢測閾值的選取），再進行Roberts 邊緣檢測確定車牌的上下邊界，再通過先驗知識確定左右邊界，完成車牌定位。該文通過邊緣檢測來確定車牌的上下邊界，為后續車牌識別做好準備。

在多數的研究中，通過去霧算法以提高還原圖像真實的色彩，然后通過邊緣檢測將圖像中感興趣的區域標識出來，然后提取出圖像中的目標，然后再對目標進行進一步分析或處理。隨著去霧算法和邊緣檢測算法的不斷研究和發展，將兩種不同的方法結合使用以解決更多實際性的問題，會成為越來越熱的研究點，在不同的場景中應用并能夠達到實時地應用。

4 結語

本文簡單介紹了經典的去霧算法和經典邊緣檢測算法以及兩種方法的改進算法。在實際中為了取得更好的效果往往不再局限于一種算法，而是將多種算法結合以獲得理想的效果，在獲得好的效果的同時也增加了計算量和復雜度，因而尋求一種簡單并且效果佳的方法任然是需要廣大學者努力的方向。霧天條件下的邊緣檢測在交通領域的應用，有利于交通管理和減少交通事故的發生，但在實際中，時效問題還是現在的研究熱點。