基于大气消光系数和引导滤波的浓雾图像去雾算法-龙伟.pdf

《基于大气消光系数和引导滤波的浓雾图像去雾算法-龙伟.pdf》由会员分享，可在线阅读，更多相关《基于大气消光系数和引导滤波的浓雾图像去雾算法-龙伟.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第48卷第4期2016年7月四川大学学报(工程科学版)JOURNAL OF SICHUAN UNIVERSITY(ENGINEERING SCIENCE EDITION)V0148 No4July 2016文章编号：10093087(2016)04-0175-06 DOI：1015961jjfiuese201604024基于大气消光系数和引导滤波的浓雾图像去雾算法龙 伟，傅继贤+，李炎炎，夏玉琪，杨国涛(四川大学制造科学与工程学院，四川成都610065)摘要：针对浓雾天气下户外采集的图像退化严重的问题，提出一种浓雾图像的去雾算法。简化了雾天成像物理模型，提出雾浓度因子的概念，并在分析影响雾天能

2、见度因素时借助大气消光系数建立了能见度和雾浓度因子的关系。通过对单幅浓雾图像的能见度值进行估计求得雾浓度因子的值，再结合灰度图像引导滤波估计大气光值，最后借助修复函数完成有雾图像的去雾处理。去雾实验结果显示，本文算法处理后的图像亮度效果好，图像对比度和清晰度较高，图像整体视觉感知效果好。关键词：雾浓度因子；大气消光系数；能见度；引导滤波；图像去雾中图分类号：TN91173 文献标志码：AAlgorithm About Dense Fog Image Dehazing Based onAtmospheric Extinction Coefficient and Guided FilteringL

3、ONG Wei，FU Jixian，LI Yanyan，XIAi，YANG Guotao(School of Manufacturing Sciand Eng，Sichuan Univ，Chengdu 610065，China)Abstract：In order to deal with the problems that dense fog influences the image quality，a dense fog image defogging algorithm was putforwardThe physical model of imaging in fog was simpl

4、ified，and the concept of fog concentration factor was put forwardThe relationship between visibility and fog concentration factor was established by analyzing the factors affecting the concentration of fogBy seekingthe value of the fog concentration factor and Estimating the value of atmospheric lig

5、ht using guided filtering，the dense fog image couldbe recoveredExperimental results showed that after the algorithm the image brightness is higher，the image contrast and resolution ishigher，and the overall visual perception of the image is betterKey words：fog concentration factor；atmospheric extinct

6、ion coefficient；guided filtering；visibility；images defogging雾天条件下，光线受到空气中浑浊介质散射和吸收的影响，使得在此天气下采集的图像质量下降，严重影响了户外图像采集系统的正常工作。如何提高有雾天气条件下采集的图像的质量是目前图像处理的重点研究领域。现阶段国内外的图像处理算法可分为2大类：基于图像增强的去雾算法和基于图像复原的去雾算法怛。j。其中图像增强类的去雾算法以基于Retinex理论的算法为代表H。7，但使用增强算法处理后的图像存在着图像细节和图像颜色之间难以协调平衡的问题。而在图像复原的去雾思想里Narasimhan等1利用

7、不同天气下的同一场景图像信息作对比来复原图像，此法复原后的图像整体效果较好，但是不同天气条件下的同一场景图像采集困难，这使得去雾算法缺乏实用性；Fattal一在单幅图像去雾论文中假设光的局部反照量和物体表面介质的光线传播局部不相关的基础上，利用独立成分分析法有效地恢复图像的很多细节；在上面的基础上，Fattal【10最新提出利用图像的颜色线去雾的方法，能够更为准确地确定图像成像时的传输路径，从而达到更为准确的去雾效果。上述2种Fattal方法对图像本身颜色的鲜明性要求较高，不太适合浓雾情况下颜色信息缺乏的图像处理；收稿日期：2016一0106基金项目：四川省科技支撑计划资助项目(2014KJT

8、070)作者简介：龙伟(1956一)，男，教授，博士，博士生导师Email：scdxlongweiyeahnet通信联系人Email：792824945qqCOrn万方数据176 四川大学学报(工程科学版) 第48卷He等1。在对户外大量图像统计的基础上得到了图像暗通道的规律，提出了暗原色先验的算法，这种方法复原后的图像整体较清晰，图像细节较好，但复原后的图像偏暗，比较适合雾浓度中等和薄雾的情况去雾，在处理浓雾图像依然存在着很多问题；禹晶等引提出的基于物理模型的图像快速去雾算法在处理雾浓度较大的图像时也存在着去雾不完全的问题。针对上述一些算法在处理浓雾图像时去雾不完全的问题，在分析引起雾天图像

9、降质原因的基础上，提出雾浓度因子的概念，借助大气消光系数建立能见度和雾浓度因子的关系，并利用灰度图像引导滤波求得大气光值，提出一种单幅图像环境能见度感知的浓雾图像去雾算法。1 本文算法提出一种基于大气消光系数和引导滤波的单幅浓雾图像去雾算法，其去雾过程可以用下面的流程图表示：图1去雾流程图Fig1 Flowchart of image dehazing对于一幅待去雾的浓雾图像，首先对图像所在环境的能见度进行估计，借助建立的能见度和雾浓度因子的关系求得雾浓度因子的值；同时将有雾图像转换为灰度图，利用灰度图像引导滤波求得大气光值，最后利用修复函数完成图像的去雾。11 雾天成像物理模型及其简化雾天成

10、像的物理模型是是研究雾天图像退化的重要依据，常见的雾天图像退化模型可以表示如图2所示。从图2中可以看出，使得雾天图像变模糊的因素主要有2个：空气中浑浊介质对成像物体反射光的吸收和散射以及空气中的大气粒子及地面的反射天空光和地面反射光；l 浑浊介质导致衰减(直接衰减项)图2雾天图像退化模型Fig2 Fog image degradation model光在散射过程中对成像的图像造成多重散射干扰。用数学模型表示此过程为：，=Igp(x)e-t耐。+g(1一e一倒。) (1)式中，。为环境中的大气光，p(戈)为标准光辐照强度，为采集到的退化图像，d(石)为场景深度，届为雾浓度影响系数。假定E为退化前

11、的清晰图像，根据辐射原理可知，进而对式(1)处理得到：T，=j两(E一，g)+，。 (2)与天空光的远距离传输相比较，成像设备所获取的图像场景深度的变化是微小的，特别在浓雾条件下更是如此。因此用G代替h，并称之为雾浓度因子，这样雾天成像物理模型就可以简化为：E=G口(，一，。)+，。 (3)因此，要想得到清晰的原始图像，在采集到退化图像，的同时，还必须要对雾浓度因子G8以及天空光，。做出估计。12与能见度相关的雾浓度因子的估计能见度作为衡量雾浓度最直接的标准，能见度大表示雾浓度小，反之则表示雾浓度大。在用能见度来表征雾浓度的时候，超低能见度情况下的雾浓度过大，对这类图像去雾处理时会使得去雾后的

12、图像噪声偏大，此时在去雾的同时需要抑制图像的噪声，因此进行不完全去雾是相对较好的选择；而当能见度上升到一个比较大的距离时，雾浓度很低，此时雾对采集的图像的影响可以忽略。因此在能见度L对应的范围内给定雾浓度因子G。的取值范围：f郇=8，L1 000在有雾的天气条件下，空气中存在着大量的气溶胶粒子，这些气溶胶粒子的半径值在能见度L50，1 000时通常是在l10斗m之间。根据雾天退化模型已经知道，图像降质的一个重要原因就是空气中气溶胶粒子对成像物体反射光的散射，而气溶胶粒子的万方数据第4期 龙伟，等：基于大气消光系数和引导滤波的浓雾图像去雾算法 177散射特征由粒子的尺度特征a决定，且a三2-rr

13、rA，其中，r为气溶胶粒子的半径，A为入射光的波长。根据大气光中可见光的波长范围和气溶胶粒子的半径，可以得到气溶胶粒子的尺度特征的范围：Ot8，157，而在这此范围内可以用米散射理论来解释大气光的散射3J。当大气散射属于米散射时，大气能见度L和大气消光系数有如下关系4|：；一虹 (5)矿式中，占为视觉对比阈值，dr为大气消光系数。其中大气能见度是指具有正常视力的人在当时的天气条件下还能够看清楚目标轮廓的最大距离，根据气象部门对浓雾条件下人的视觉对比阈值的规定，此时入的视觉对比阈值的取值为O。05【I 5|，因此令式(5)中的占取值为005得到：L：塑 (6)Or根据米散射理论，设空气中的雾滴浓

14、度为n，且雾滴平均的半径大小为r，在不考虑雾滴对光线吸收的情况下，大气消光系数盯和消光效率因子Q。、雾滴浓度n、雾滴半径r之间存在如下关系：盯=qTnT2Q。， (7)式中，消光效率因子Q。随雾的变化而在Q。；=2附近波动，因此在后面的计算中取Q。，=0根据式(7)可知，雾滴浓度n以及雾滴半径r均为影响大气消光系数or的因素，同样也就是影响能见度L的因素，且当站或r中任意的量变大或减少，而另外的一个量不发生改变时，直观地可以知到雾浓度也随之增大或减少。因此定义能见度L下的雾浓度因子G。为：GL=G。n。 (8)式中，G。为常数系数，结合式(6)、(7)可以得到： GL：2百99Ga(9)L=_

15、 (9)Z1TL从式(9)中可以看出，能见度作为衡量雾浓度的最直接参数，能见度越大，雾浓度因子越小，雾浓度越低，因此以能见度在1 000 m以内作为有雾天气，当能见度L“50，l 000m时，雾浓度因子G。和能见度1L之间成正比例关系，此时取1 000 m作为标准有式(10)成立：G，：1 O00-G1000 (10)“L也就是说，当以1 000 m的距离作为有雾的标准距离时，雾浓度因子G。与1 000L之间存在着正比例关系，由于G。同样是描述雾浓度因子的参数，因此在以1 000 m为标准的基础上引入一个修正量B，可以得到雾浓度因子G8和能见度L的函数关系：G8：A1 0广00+B(11)式中

16、，A、日为常数系数，根据式(4)定义的能见度范围下的雾浓度因子的取值并结合式(11)，可以得到雾浓度因子G。关于能见度L的应用式：，8，。(12)13基于引导滤波的大气光估计在利用修复函数复原图像时，除了需要获取雾浓度因子G。的值，还需要对天空光的值做出估计。现阶段常用于天空光估计的方法是利用具有边缘保持特性的双边滤波来实现，但由于双边滤波的时间复杂度较高，滤波后的噪声较大且处理后的图像存在“伪影”现象，因此采用同样具有边缘保持特性的引导滤波的方法来实现大气光的估计。该种滤波方法采用最小二乘法的思想，通过包滤波器(box filter)和图像积分技术进行运算，与常用的双边滤波相比较，引导滤波在

17、执行滤波操作时其执行速度与滤波窗口尺寸无关。引导滤波估计天空光的基本思想如下6i：记输入图像为P，引导图像为，滤波输出图像为q，则在以k为中心的窗口职中存在如下线性关系：q。=口+b，Vi职 (13)式中，矾是假设的半径为r的方形窗口，a。与b。为窗13中的线性系数，在窗口中为固定值。为了让引导滤波的效果达到最好，必须使得输出的图像g与输入的图像P之间的差异最小，此时需要代价函数E(o。，bI)满足：g(a。，bk)=min(g。一Pi)2一占口：)(14)也就是要使得E(o。，b；)取得最小值，利用最小二乘法的思想可以得到局部线性系数a。与b。的求解公式： 旷涨(15)口t 2忑丽F万 L

18、D Jb女=Pka。 (16)式中，F为正则化平滑因子，COV；(1,p)为引导图像，和输人图像p的协方差，var。(，)为，的方差，P。为P在单元窗口Wk内的均值，；为，在单元窗口Wk内的万方数据178 四川大学学报(工程科学版) 第48卷均值。在利用最小二乘法求得满足代价函数最小值的n。与b。的值后，大气光，。可以表示为：t堋(亩磊口加i+亩磊6t(17)式中，P；为输入图像中的像素点，i为像素索引号，形表示以像素Pi为中心的单元窗1：3，l叫I为单元窗El像素个数，R表示对每个像素点做滤波处理。2实验结果与分析21算法的复杂度分析对于一幅大小为zY的图像而言，本文算法在计算雾浓度因子的值

19、时复杂度低，算法的时间复杂度主要由引导滤波估计大气光时产生，在用引导滤波对图像的大气光估计时，算法的时间复杂度为O(M)，M表示所处理的图像的像素点。22 去雾效果评价与分析为了衡量算法去雾的有效性，通过定量分析和定性分析2个方面对去雾后的图像进行评估分析。定性分析以对图像的主观视觉感知分析为主，包括对图像的颜色感、亮度、清晰度和主观细节体现等几个方面人手，定量分析则以能够表示图像信息量大小的信息熵C来衡量去雾后图像的质量。图像的信息熵C是一种特征的统计形式，作为反映图像质量的一个重要指标，信息熵反映了图像中平均信息量的多少，信息熵越大则表示图像中所含的信息越丰富，也就说明算法的恢复效果越好。

20、其定义方式可以表示如下：Lc=一P(bi)lb P(bi) (18)式中，c为信息熵，为灰度级，集合b。为所有灰度级像素点的集合，P(bi)为灰度级i的像素点所占比例。为了验证本文算法的有效性，选取5幅大雾和浓雾条件下的图像进行复原实验，并用目前去雾效果较好且有代表性的Fattal算法91和He算法1作为对比对象，实验图如下(图37)。k鞫Cb)Fattal算法结果 (c)Fie算法结采图3 房屋和街道的去雾效果图Fig3 Fog removal results of the house and street一 一图4街道的去雾效果图Fig4 Fog removal results of th

21、e street图5 交叉路口的去雾效果图Fig5 Fog removal results of the intersectionF_墨万方数据第4期 龙伟等：基于大气消光系数和引导滤波的浓霉图像去雾算法 179(b)Fattal算法结果 (c)He箅=法结果图6房子和公园的去雾效果图Fig6 Fog removal results of the house and parkb蠢剜-k-，山I(a)原图l1：一(c)本文算法结果图7火车的去雾效果图Fig7 Fog removal results of the train首先，选取图36的4幅雾浓度较大的图像进 之后在对图7所示的火车图像进行处

22、理时，相比较行复原实验，并将本文的去雾效果图与Fattal算 He算法u的处理效果，本文算法能获得亮度、清晰法一。的去雾效果图及He算法1的去雾效果图进 度、对比度和图像颜色均较好的图像，处理后的图像行对比。从去雾后的图像和对比的效果来看，对于 整体感观更好且不易出现Holo效应。图3的房子和街道、图4的街道和图5的交叉路口3 最后对图36的4幅图像去雾前后的效果图幅图像，3种算法都有一定的效果。但Fattal算法一 分别统计信息熵，来客观评价算法的去雾效果，如表处理后的图像颜色失真比较严重，去雾后的图像出 1所示。现大面积的明暗区域，图像的亮度分布极度不均匀， 表1 4幅图像采用不同算法去雾

23、后信息熵的值图像的细节部分有很多丢失，图像整体视觉效果不佳；He算法1处理后的图像对比度较好，但清晰度略有不足，图像整体偏暗；相比之下，本文算法复原后的图像颜色更真实、层次感更强、图像亮度和整体清晰度都更高。对图6的房子和公园这一图像的处理结果来看，Fattal算测钊处理后的图像整体效果不佳，特别是在图像中颜色较暗的区域，Fattal算法一1复原的效果较差；而He算法【l从处理的效果来看图像整体的层次感和细节较差，复原效果不佳；与上述2种算法相比较，本文算法则能比较准确地还原图像整体，获得亮度和色彩比较好的复原图像。Tab1 Value of Information entropy by de

24、hazing withdifferent algorithms about 4 images从表1看出，除房子和公园的图像外，其他几幅浓雾图像经Fattal算法9 3处理后的图像细节信息反而减少了，对于颜色信息相对较丰富的房子和公园的图像，Fattal算法能取得一定的去雾效果，增强万方数据180 四川大学学报(工程科学版) 第48卷图像的细节信息；He算法111对几幅浓雾图像信息量的提高均有一定的效果，但从信息的恢复程度来说都不如本文算法。与上述2种算法比较而言，本文算法对图像信息的恢复有着更为突出的效果。3 总结针对浓雾图像去雾困难的问题，提出雾浓度因子的概念，借助大气消光系数建立了能见度和

25、雾浓度因子的关系，并利用灰度图像引导滤波估计大气光，提出一种浓雾条件下的图像去雾算法。本文算法采用估计能见度的方式获得雾浓度因子的估计值，去雾思想简单，算法复杂度低，去雾后的图像对比度好，图像明亮清晰，细节复原较好。但是本文算法也存在不足：在建立能见度和雾浓度因子的关系时是在假设场景深度变化不大的条件下获得的，这导致处理图像场景深度变化较大的图像时去雾后图像远景会出现模糊，怎样改善场景深度变化较大的图像的去雾效果是文章需要解决的一个问题。同时，利用对能见度的感知这一特点，如何与其他薄雾情况下的去雾相结合，形成对应的自适应算法也是今后研究的重要方向。参考文献i1Zhu Miaoliang，Qia

26、n HuiExploring atmospheric degradation model of landscapeJJournal of Computer AidedDesignComputerGraphics，2001，13(9)：793799朱淼良，钱徽自然景物中大气退化模型的研究J计算机辅助设计与图形学学报，2001，13(9)：7937992Oakley J P，Bu HCorrection of simple contrast loss incolor imagesJIEEE Transactions on Image Processing，2007，16(2)：5115223Wu

27、Di，Zhu QingsongThe latest research progress of image dehazingJ。Acta Automatica Sinica，2015，41(2)：221239吴迪，朱青松图像去雾的最新研究进展J自动化学报，2015，41(2)：2212394Yang Wanting，Wang Ronggui，Fang Shuai，et a1Variablefilter Retinex algorithm for foggy image enhancementJJoumal of ComputerAided Design&Computer Graphics2010

28、，22(6)：965971杨万挺，汪荣贵，方帅，等滤波器可变的Retinex雾天图像增强算法J计算机辅助设计与图形学学报，2010，22(6)：9659715Liu Haibo，Yang Jie，Wu Zhengping，et a1A fast singleimage dehazing method based on dark channel prior andRetinex theoryJActa Automatica Sinic，2015，41(7)：12641273刘海波，杨杰，吴正平，等基于暗通道先验和Retinex理论的快速单幅图像去雾方法J自动化学报，2015，41(7)：1264

29、12736Zhang Sainan，Wu Yadong，Zhang Hongying，et a1Hazeimage enhancement method based on improved singlescale RetinexJLaser and Infrared，2013，43(6)：699702张赛楠，吴亚东，张红英等，王松改进的单尺度Retinex雾天图像增强算法J激光与红外，2013，43(6)：6997027Zhou ji叫an，Zhou FugenSingle image dehazing motivated by Retinex theoryCProceedings of 20

30、13 2nd International Symposium on Instrumentation and Measurement，Sensor Network and Automation，IMSNA 2013To-ronto：Toronto Section，2014：2432478Narasimhan S G，Nayar S KContrast restoration of weather degraded imagesJIEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(6)：7137249Fatt

31、al RSingle image dehazingJACM Transactions onGraphics，2008，27(3)：7217291 0Fattal RDehazing using ColorlinesJACM Transactions on Graphics，2014，13：113：141 1Kaiming He，Jian Sun，Xiaoou TangSingle image hazeremoval using dark channel priorJIEEE Transactionson Pattern Analysis and Machine Intelligence(TPA

32、MI)，201 1，33(12)：2341235312Yu Jing，Li Dapeng，Liao QingminPhysics-based fastsingle image fog removalJActa Automatica Sinica，201l，37(2)：143149禹晶，李大鹏，廖庆敏基于物理模型的快速单幅图像去雾方法J自动化学报，2011，37(2)：14314913Li Sujuan，Jing WeianEstimation of fogS impact OffvisibilityJJournal of Civil Aviation University of Chi-na，2010，28(26)：l一3李素娟，蒋维安雾对能见度的影响估算J中国民航大学学报，2010，28(26)：l一314WMOGuide to meteorological instruments and methodsof observation(Sixth edition)sGeneva：WMO，1996(编辑杨蓓)万方数据