基于改進暗通道算法的紅外圖像去霧研究

張 健

(黃淮學院智能制造學院,河南 駐馬店 463000)

1 引 言

霧是自然界一種常見的現象,米氏散射受霧霾影響較大,削減了紅外圖像的對比度和可見性[1-2],因此對紅外圖像進行去霧處理,還原目標細節,對提高紅外圖像質量具有重要意義。

目前紅外圖像去霧研究方法主要有:何愷明提出基于物理模型的暗通道先驗(Dark Channel Prior,DCP)去霧算法,通過暗通道統計圖像規律,去霧后圖像自然,效果明顯[3],但是計算量較大,無法滿足實時去霧,同時忽略了顏色信息的丟失和過飽和情況；正則化恢復方法(Regularized Recovery,RR)去霧[4],需要不同拍攝角度或不同拍攝時間,取得了一定的效果,但這些方法對數據輸入要求較高,普通拍攝難以獲取合適的圖像；自適應直方圖均衡化(Adaptive Histgram Equalization,AHE)在一定程度上增強了霧霾圖像中物體的對比度[5],但是不具有魯棒性以及時間復雜度較高,同時會過度放大平坦區域的噪聲；Yael Erez通過獲取同一場景兩幅圖像大致估算出大氣光強值[6],再人為區分出圖像中的天空區域,獲得去霧圖像；Puneet主要減少去霧耗時問題,通過暗原色求解大氣透過率[7],利用正交偏振圖像估算大氣光信息獲得去霧后的圖像；邊界約束方法(Boundary Constraint Method,BCM)紅外圖像去霧[8],通過增加物理模型中參數約束條件,最后恢復出無霧圖像。

本文提出改進暗通道算法(Improved Dark Channel Prior,IDCP),通過圖像自身調節來獲得較準確的大氣光強,利用原圖的暗原色圖以及亮原色圖線性方法得到更加接近圖像的真實值的大氣光強；通過透射率伸縮系數和透射率增減系數來調節透射率；為避免去霧圖像畫質偏暗,通過灰度值大小對圖像亮度進行校正。實驗仿真顯示本文算法的有效性。

2 紅外圖像去霧模型

紅外圖像去霧可借鑒可見光圖像去霧算法,但是紅外圖像成像具有特殊性,直接采用可見光算法進行紅外圖像去霧,處理結果不太好,因此需要改進優化。

2.1 霧圖像模型

針對圖像的衰減過程[9],大氣散射物理模型成像方程為:

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

(1)

式中,I(x)為霧霾圖像；J(x)為無霧圖像；A為大氣光強度值；t(x)為介質透射率,即到達成像設備中未被散射和吸收的部分；J(x)t(x)為物體的光線在傳播過程中的衰減項,A(1-t(x))為大氣光成分。

紅外圖像受霧霾天氣影響與可見光圖像所受霧霾天氣影響具有近似性,因此大氣散射物理模型成像方程可近似適用于紅外有霧圖像去霧[10]。

2.2 大氣光強和透射率調節方法

2.2.1 基于調節因子的大氣光強值求解

為提高紅外圖像去霧結果的清晰度,需要更加可靠的大氣光強的估算值[11-12]。由式(1)知,造成去霧結果過飽和的原因是大氣光強的求取會受到天空光強的影響,使獲得的大氣光強值偏離了場景的實際光強值。本文通過調節因子來獲得較準確的大氣光強:

(2)

(3)

不同α、β影響大氣光強如圖1、圖2所示。

圖1 不同α影響大氣光強Fig.1 The influence of differentαon atmospheric light intensity

圖2 不同β影響大氣光強Fig.2 The influence of differentβon atmospheric light intensity

從圖1、圖2可以看出,α主要對無天空區域的有霧圖像大氣光強調節,α越小越有利于圖像暗通道值獲取,此時對于無天空區域的有霧圖像處理較佳；β主要對有天空區域的有霧圖像大氣光強調節,β越大越有利于圖像亮通道值獲取,此時對于有天空區域的有霧圖像處理較佳。

2.2.2 透射率調節優化

假設同一局部區域塊傳輸率相同[13],則J(x):

(4)

(5)

(6)

(7)

式中,Imed(x)為經過中值濾波后的圖像,包含了原圖像的豐富的紋理和邊緣,在平滑的過程中,對隨機噪聲進行了去除,同時還保持了一定的圖像邊緣特征,避免了用暗通道最小值濾波所帶來的halo效應。本文選取μ=0.95。

(8)

2.3 紅外圖像去霧過程

2.3.1 恢復圖像

(9)

透射率t0=0.1,保證了去霧恢復出的無霧紅外圖像不產生顏色失真情況。

2.3.2 圖像亮度校正

去霧復原后的紅外圖像畫質偏暗,需要對紅外圖像亮度重新校正,通過灰度值大小對圖像亮度進行校正:

Ggray=0.25×IR+0.55×IG+0.2×IB

(10)

式中,IR、IG、IB為像素點三通道像素值;Ggray為當前像素點灰度值。

(11)

式中,ξ為有效限制透射率區域很小的值；ζ為校正因子,越大則調整后圖像畫質越亮,ζ為50為可取得較好的校正效果。這樣復原出的圖像能有效避免天空區域的顏色失真和噪聲。

3 算法流程

本文所提出算法流程為:①輸入霧天紅外圖像；②計算大氣光強值；③介質透射率通過公式(8)調節優化；④通過公式(9)去霧；⑤紅外圖像亮度校正；⑥輸出去霧紅外圖像。

4 實驗仿真

實驗對天空區域和非天空區域采用不同的透射率進行處理,限定局部塊狀區域的大小均為15×15,使用的 MATLAB版本7.0,IDCP算法涉及的主要參數α=0.05,β=0.95,Q=50,k=0.45,p=5,用于比較的其他算法參數值均為最優條件。

4.1 視覺效果分析

涉及的算法有DCP、RR、AHE、BCM、IDCP算法,如圖3(a)、圖4(a)為紅外有霧圖像,圖3(b)、圖4(b)為DCP去霧結果,圖3(c)、圖4(c)為RR去霧結果,圖3(d)、圖4(d)為AHE去霧結果,圖3(e)、圖4(e)為BCM去霧結果,圖3(f)、圖4(f)為IDCP去霧結果。

圖3 各種算法對有霧圖像1去霧結果Fig.3 Image hazing NO.1 dehazing results for various algorithms

圖4 各種算法對有霧圖像2去霧結果Fig.4 Image hazing NO.2 dehazing results for various algorithms

從圖3、圖4各種算法去霧結果可以看出,DCP算法去霧紅外圖像清晰度較好；RR算法存在昏暗等問題；AHE算法在天空中有嚴重的失真現象,過度放大了平坦區域圖像；BCM算法存在偏色現象；IDCP算法在非天空區域與天空區域交界處沒有失真現象,邊緣細節處理更清晰明亮,如在圖3(f)可以看清楚遠處山的輪廓以及山脈景象,在圖4(f)可以看清楚湖面上鴨子的輪廓以及柳樹的細條紋。

4.2 客觀評價分析

4.2.1 平均梯度、信息熵以及峰值信噪比指標分析

平均梯度(Average Gradient,AG)值越大,圖像的層次感越強,圖像也會越清晰；信息熵(Information Entropy,IE)值越大,則圖像的信息量越大,圖像的質感好；峰值信噪比(Peak Signal To Noise Ratio,PSNR)值越高說明兩幅圖像結構越相似,劣化的程度低且引入的噪聲較少。各種算法對圖3(a)、圖4(a)去霧進行30次實驗仿真,記錄每次實驗的平均梯度、信息熵以及峰值信噪比指標,結果如圖5、圖6、圖7所示。

圖5 平均梯度指標分析Fig.5 Average gradient index analysis

從圖5、圖6、圖7指標分析可以看出,在30次實驗中,IDCP算法對去霧圖像1的平均梯度值的平均值為6.05,信息熵的平均值為為7.51,峰值信噪的平均值為為17.66 dB,IDCP算法對去霧圖像2的平均梯度值的平均值為6.08,信息熵的平均值為為7.65,峰值信噪的平均值為為17.62 dB,各種指標高于其他算法,平均梯度較高,信息熵略高于DCP算法,峰值信噪比較高,最大化的減少了結構的破壞,減少噪聲的引入,能夠有效提升去霧圖像的對比度、清晰度。

圖6 信息熵指標分析Fig.6 Information entropy index analysis

圖7 峰值信噪比指標分析Fig.7 Peak signal to noise ratio index analysis

4.2.2 魯棒性指標分析

基于部分參考型圖像質量評價的結構相似度思想[17-19],魯棒性評價函數為:

(12)

圖8 魯棒性指標分析Fig.8 Robustness index analysis

從圖8可以看出,IDCP算法獲得的P值數據波動較小,P值相比其他算法較大,算法魯棒性較好；其他算法數據波動較大,說明魯棒性較差。

5 總 結

本文調節了大氣光強和透射率,同時為避免去霧圖像畫質偏暗,通過灰度值大小對圖像亮度進行校正。實驗仿真顯示本文算法沒有色彩失真現象,邊緣細節處理更清晰明亮,平均梯度值最少為6.0,信息熵最少為7.5,峰值信噪比最少為17.6 dB,算法數據波動較小,魯棒性較強,因此本文算法在處理效果上有一定的優勢,對霧天紅外圖像的去霧有一定的借鑒意義。