基于改進暗通道算法的紅外圖像去霧

王昊昱，何明樞

基于改進暗通道算法的紅外圖像去霧

王昊昱1，何明樞2

（1. 北京郵電大學 現代郵政學院，北京 102206；2. 北京郵電大學 網絡空間安全學院，北京 100876）

為了提高紅外圖像去霧效果，提出改進暗通道算法。首先利用近紅外光在天空區域與非天空區域的穿透能力不同，天空區域的紅外能量相對非天空區域能量較小，通過紅外有霧圖像的能量差異性劃分為天空區域、非天空區域；接著天空區域的大氣光值通過滑動窗口的像素亮度平均值計算，透射率考慮近紅外波段衰減，非天空區域的大氣光值、透射率通過改進暗通道算法計算；最后通過各區域大氣光值、透射率恢復出無霧圖像。實驗結果表明，本文算法對紅外圖像去霧結果清晰，圖像細節信息較好，評價指標較優。

能量差異；天空區域；滑動窗口；紅外圖像去霧

0 引言

紅外在有霧環境下易發生米氏散射，霧氣越濃越密則散射波長更長[1]，獲取的紅外圖像對比度低、分辨率低，紅外圖像去霧能夠改善圖像的細節信息。

紅外圖像去霧目前主要方法有：直方圖均衡化（histogram equalization, HE），該方法實現簡單[2]，將紅外圖像轉為灰度圖像，通過修正和合并像素值等變換使圖像灰度直方圖近似均勻分布，去霧過程中細節信息丟失。暗通道算法（dark channel prior, DCP）可取得不錯的去霧效果[3]，但是DCP屬于可見光圖像去霧算法，若直接對紅外圖像進行去霧處理，由于圖像位數不同，處理效果無法滿足視覺需求。大氣散射模型（atmospheric scattering model, ASM），將紅外圖像灰度值進行反轉操作[4]，通過大氣散射模型進行分析，四叉樹方法分割圖像子塊，通過子塊估算出各種參數來恢復出場景，但是該方法存在計算復雜度高的缺陷。暗通道和伽馬校正算法（dark channel prior and Gamma correction, DCPGC），利用紅外圖像成像原理[5]，通過伽馬校正改進紅外圖像去霧效果，但是不利于天空區域存在的紅外圖像，估算各種參數不太準確。加權近紅外圖像融合（Weighted Near-Infrared Image Fusion，WNIIF）圖像除霧方法[6]，利用紅外圖像的細節成分融合到同一場景的可見光圖像中恢復圖像度，使用透射圖對近紅外圖像進行加權，去霧圖像不會出現過分強化無霧區域。近紅外與可見光雙通道（Near-Infrared and Visible Dual Channel，NIVDC）傳感器信息融合方法[7]，將可見光圖像轉換到HIS彩色空間，HIS亮度通道圖與近紅外圖像進行融合去霧處理，效果明顯，需要使用雙目光學傳感器獲得圖像信息。霧濃度和脈沖耦合神經網絡（Fog Concentration and Pulse Coupled Neural Network, FCPCNN）方法[8]，根據暗通道估算可見光圖像的霧濃度，通過結合霧濃度分區和脈沖耦合神經網絡分別融合可見光與近紅外圖像的高頻分量和低頻分量，去霧圖像視覺效果較理想。

由于紅外圖像去霧大部分算法是通過紅外圖像與可見光圖像融合去霧，需要分別處理紅外與可見光圖像，導致計算量比較大，無法進行實時去霧。本文提出改進暗通道算法（improved dark channel prior，IDCP），利用紅外有霧圖像自身的像素能量信息進行劃分天空區域、非天空區域，對各自區域分別進行去霧，實驗顯示了本文算法的有效性。

1 改進暗通道算法

1.1 暗通道算法簡介

暗通道算法是由中國學者何凱明研究提出[9]，他把無霧圖像劃分為較小的圖像區域，發現每個區域內都存在一些顏色通道非常低的值，幾乎接近于0，因此把趨于0的顏色通道稱之為暗通道，要求滿足：

式中：dark(,)為暗通道圖；J(,)為無霧圖像、、顏色通道的某個通道，為像素鄰域。

暗通道算法不適合含有天空、鏡面反射物體的場景，同時計算復雜度較高。

1.2 紅外圖像去霧模型

利用紅外成像理論與圖像去霧模型[10]，紅外圖像去霧模型為：

(,)＝(,)()＋(1－()) (2)

式中：(,)為霧天環境下獲得的紅外圖像；(,)為無霧環境下獲得的紅外圖像；為紅外圖像大氣光強度值；()?(0,1)為紅外圖像大氣光透射率。

紅外圖像去霧是通過(,)估算出()、反求去除霧氣干擾：

式中：為防止分母為0，0一般為較小值，本文取0＝0.1。

1.3 改進措施

通過近紅外能量把有霧圖像劃分為天空區域和非天空區域，不同的區域采取不同的方法計算大氣光值、透射率，這樣能夠獲得較準確的數值。

1.3.1 近紅外能量劃分有霧圖像區域

暗通道算法不適合包含天空區域圖像去霧，由于近紅外光的波長在780～1100nm之間，比可見光的波長長，因此穿透力較強，在傳播過程中空氣懸浮顆粒對其散射影響較弱，相比可見光具有較好的細節分辨能力[11]，由于近紅外光在天空區域與非天空區域的穿透能力不同，因此可通過紅外有霧圖像的能量差異性劃分為天空區域、非天空區域，并且近紅外能量值是紅外圖像的原始數據，受外界干擾較少。在紅外圖像上設置一個大小為3×3的滑動窗口，記錄每次移動滑動窗口的像素能量為：

式中：E(,)為第次移動的窗口內像素能量；(,)為窗口內像素點的灰度值。

計算整個紅外圖像能量為：

計算紅外圖像移動窗口的能量平均值為：

式中：為移動窗口的總次數。

較大時，則紅外圖像天空區域相對較多，此時取較大值，以便劃分出天空區域；￠較大時，則紅外圖像非天空區域相對較多，此時取較小值。統計個滑動窗口面積累加和即為天空區域sky(,)。

1.3.2 劃分區域去霧

1.3.2.1 天空區域去霧

1）天空區域大氣光值修正

對()按從大到小順序排列，累計統計排列前面20%的E像素亮度平均值即為大氣光值sky：

式中：為滿足統計的像素總數；E為第個像素的亮度值。

2）透射率優化

在天空區域，近紅外波段衰減與天氣情況、空氣成分有關[12]，透射率sky()計算為：

為避免天空區域出現塊效應，通過非線性函數()修正sky()：

sky￠()＝()sky() (12)

式中：()為分段函數。

天空區域灰度值與()取最小值關系如表1所示。

表1 天空區域灰度值與h(x)取最小值關系

實際使用中，若天空區域在某個灰度值區間，()可在最小值上進行增加，以便改善去霧的視覺效果，sky()優化對比如圖1所示。

從圖1可以看出，在灰度值較高區域，sky()優化后不再趨于0，這樣避免了天空區域產生的塊效應。

1.3.2.2 非天空區域去霧

在此區域由于明亮區域少，把單通道的紅外圖像IR(,)轉換至可見光多通道圖像(,)，一般轉為RGB三通道空間即可[13]，通過并行生成網絡方法實現紅外至可見光圖像轉換：

式中：、、分別代表轉換多通道的紅色通道、綠色通道、藍色通道。

1）非天空區域大氣光值修正

為避免非天空區域白色高亮體的影響[14]，將暗通道算法獲得此區域的大氣光值no-sky進行修正：

式中：＝8＋10e－25v；為修正因子。

非天空區域大氣光值修正因子與關系如圖2所示。從圖2可以看出，與成反比關系，lg()＜0保持no-sky，相當于非天空區域白色高亮體灰度值比較小，此時不再進行修正。

圖2 v與w關系

2）透射率優化

依據非天空區域大氣光值、暗通道值計算透射率：

式中：no-sky(,)為非天空區域的暗通道值。

通過no-sky()最小值q對透射率優化：

式中：q?(0,1)。

1.4 無霧圖像恢復

在得到各區域大氣光值、透射率后，可估計出無霧圖像：

式中：、為區域調節因子。

2 實驗仿真

實驗仿真通過Matlab2017b實現，計算機配置：WIN7，CPU為AMD銳龍5-5500主頻3.6GHz，內存16GB，涉及對比的算法有：HE（histogram equalization）、DCP（dark channel prior）、DCPGC（dark channel prior and Gamma correction）、WNIIF（weighted near-infrared image fusion）、NIVDC（near-infrared and visible dual channel）、IDCP（improved dark channel prior）。

2.1 算法對比分析

改進暗通道算法IDCP與暗通道算法DCP對一幅有霧圖像進行去霧對比分析，結果如圖3所示。

圖3 算法對比分析

從圖3結果可以看出，IDCP相比DCP圖像去霧效果比較清晰，圖像顏色自然，無失真現象，沒有出現DCP算法的邊緣效應，DCP算法存在局部失真現象。

2.2 視覺效果分析

對不同的紅外有霧圖像進行去霧，HE、DCP、DCPGC、WNIIF、NIVDC、IDCP算法處理效果如圖4、圖5所示。

從圖4、圖5可以看出，IDCP算法對紅外圖像去霧效果較清晰，可以看清遠處物體的邊緣細節信息，同時沒有出現暗通道的塊效應。HE無法看清圖像細節信息；DCP去霧后天空區域出現小塊現象；DCPGC算法圖像去霧依舊有所欠缺；WNIIF算法去霧后圖像細節信息看起來不是很清晰；NIVDC算法去霧清晰。IDCP算法對紅外圖像去霧考慮像素的能量，通過像素的能量劃分不同區域，不同區域采用不同的方法，去霧效果視覺效果較好。

2.3 評價指標

平均梯度計算圖形在某一個方向細節變化[15]，評判該細節的清晰度：

式中：Z(x,y)為去霧圖像；M、N為圖像尺寸。D越大，圖像的層次感越好、細節信息豐富。

圖5 各種算法對紅外圖像去霧對比效果（場景2）

結構信息的保留程度[16]：

對圖4、圖5的各種算法紅外圖像去霧評價指標分析，蒙特卡羅25次實驗結果如圖6所示。

從圖6可以看出，本文IDCP算法的值、值最大，能夠使得去霧效果清晰，同時保留紅外場景中的邊緣細節信息，如紅外去霧圖像1的值25次實驗平均值為10.30，相比HE、DCP、DCPGC、WNIIF、NIVDC分別提高了34.89%、28.16%、20.39%、13.59%、7.77%，紅外去霧圖像2的值25次實驗平均值為10.25，相比HE、DCP、DCPGC、WNIIF、NIVDC分別提高了35.05%、26.75%、19.37%、12.91%、7.38%。紅外去霧圖像1的值25次實驗平均值為0.952，相比HE、DCP、DCPGC、WNIIF、NIVDC分別提高了12.82%、10.71%、8.61%、6.51%、4.41%，紅外去霧圖像2的值25次實驗平均值為0.955，相比HE、DCP、DCPGC、WNIIF、NIVDC分別提高了12.17%、10.18%、8.18%、6.19%、4.19%。

圖6 評價指標分析

3 結語

本文采用能量和改進暗通道算法對圖像去霧，通過紅外有霧圖像的能量差異性進行劃分為天空區域、非天空區域，各個區域分別計算大氣光值、透射率；實驗仿真顯示IDCP算法能夠使得去霧效果清晰，同時保留紅外場景中的邊緣細節信息，平均梯度、結構信息的保留程度較好，因此為紅外圖像去霧研究提供了一種新方法。

[1] 張健. 基于改進暗通道算法的紅外圖像去霧研究[J]. 激光與紅外, 2021, 51(8): 1081-1087.

ZHANG Jian. Infrared image dehazing based on improveddark channel prior algorithm[J]., 2021, 51(8): 1081-1087.

[2] 曹海杰, 劉寧, 許吉, 等. 紅外圖像自適應逆直方圖增強技術[J]. 紅外

與激光工程, 2020, 49(4): 0426003.

CAO Haijie, LIU Ning, XU Ji, et al. Infrared image adaptive inverse histogram enhancement technology[J]., 2020, 49(4): 0426003.

[3] HE K M, SUN J, TANG X O. Guided image filtering[J]., 2013, 35(6): 1397-1409.

[4] 袁小燕, 張照鋒, 顧振飛, 等.基于大氣散射模型的紅外圖像增強方法[J].電子器件, 2019, 42(1): 147-156.

YUAN Xiaoyan, ZHANG Zhaofeng, GU Zhenfei, et al. An infrared image enhancement method based on the atmospheric scattering model[J]., 2019, 42(1): 147-156.

[5] ZHENG L, SHI H, GU M. Infrared traffic image enhancement algorithm based on dark channel prior and gamma correction[J]., 2017, 31(19-21): 84-92.

[6] 朱珍, 黃銳, 臧鐵鋼, 等. 基于加權近紅外圖像融合的單幅圖像除霧方法[J]. 計算機科學, 2020, 47(8): 241-244.

ZHU Zhen, HUANG Rui, ZANG Tiegang, et al. Single image defogging method based on weighted near-infrared image fusion[J]., 2020, 47(8): 241-244.

[7] 沈瑜, 黨建武, 茍吉祥, 等. 近紅外與可見光雙通道傳感器信息融合的去霧技術[J]. 光譜學與光譜分析, 2019, 39(5): 1420-1427.

SHEN Yu, DANG Jianwu, GOU Jixiang, et al. A dehaze algorithm based on near-infrared and visible dual channel sensor information fusion[J]., 2019, 39(5): 1420-1427.

[8] 韓松臣, 黃暢昕, 李煒, 等. 一種改進的基于近紅外圖像的去霧方法[J]. 工程科學與技術, 2018, 50(2): 99-104.

HAN Songchen, HUANG Changxin, LI Wei, et al An improved dehazing algorithm based on near infrared image[J]., 2018, 50(2): 99-104.

[9] HE K M, SUN J, TANG X O. Single image haze removal using dark channel prior[J]., 2011, 33 (12):2341-2353.

[10] LI Y, ZHANG Y F, GENG A H, et al. Infrared image enhancement based on atmospheric scattering model and histogram equalization[J]., 2016, 83(9): 99-107.

[11] 梁恩輝, 周安然, 裴繼紅, 等. 基于能量圖的海上紅外圖像目標分割方法[J]. 指揮信息系統與技術, 2018, 9(2): 79-84.

LIANG Enhui, ZHOU Enron, PEI Jihong, et al. Maritime infrared image target segmentation method based on energy map[J]., 2018, 9(2): 79-84.

[12] 左健宏, 藺素珍, 祿曉飛, 等. 基于霧線暗原色先驗的紅外圖像去霧算法[J]. 紅外技術, 2020, 42(6): 552-558.

ZUO Jianhong, LIN Suzhen, LU Xiaofei, et al. Use of dark primary color priors for haze-line-based infrared image dehazing[J]., 2020, 42(6): 552-558.

[13] 余佩倫, 施佺, 王晗. 并行生成網絡的紅外—可見光圖像轉換[J]. 中國圖象圖形學報, 2021, 26(10): 2346-2356.

YU P L, SHI Q, WANG H. Infrared-to-visible image translation based on parallel generator network[J]., 2021, 26(10): 2346-2356.

[14] 全雪峰. 基于自適應大氣光校正的圖像去霧方法[J]. 計算機應用與軟件, 2019, 36(3): 104-111.

QUAN Xuefeng. Image dehazing based on adaptive atmospheric light correction[J]., 2019, 36(3): 04-111.

[15] HAUTIERE N, TAREL J P, AUBERT D, et al. Blind contrast enhancement assessment by gradient ratioing at visible edges[J]., 2008, 27(2): 87-95.

[16] WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]., 2004, 13(4): 600-612.

Infrared Image Dehazing Based on Improved Dark Channel Prior

WANG Haoyu1，HE Mingshu2

(1.,,102206,;2.,100876,)

To improve the effectiveness of infrared image dehazing, an improved dark channel was proposed. First, because the penetration ability of near-infrared light in the sky region is different from that in the non-sky region, and the infrared energy in the sky region is smaller than that in the non-sky region, the region was divided into sky and non-sky regions using the energy difference. Second, the atmospheric light value of the sky region was calculated using the average pixel brightness of the sliding window, the near-infrared wave attenuation was considered for the transmittance, and the atmospheric light value and transmittance of the non-sky region were calculated using the improved dark channel algorithm. Finally, the dehazed image was recovered from the atmospheric light value and transmittance of each region. The experimental results show that the dehazing output of the infrared image was clearer, the image detail information was better, and the evaluation index was better than those of other algorithms.

energy difference, sky region,sliding window, infrared image dehazing

TP391.4

A

1001-8891(2022)08-0875-07

2022-04-21；

2022-05-05.

王昊昱（2001-），女，本科，北京市人，主要研究方向：信息處理及系統設計。E-mail: whaoyu3@126.com。

何明樞（1995-），男，博士，甘肅蘭州人，主要研究方向：人工智能與大數據。E-mail: hemingshu@bupt.edu.cn。

國家重點研究計劃課題（2018YFC0831501）。