黄品高，叶　懋，张子方，唐　宁，赵　鹏，周　萍

(1.桂林电子科技大学，广西 桂林 541004；2.天津市联大通讯发展有限公司，天津 300000)



一种暗通道先验去雾后图像参数的调节方法

黄品高1，叶懋1，张子方2，唐宁1，赵鹏1，周萍1

(1.桂林电子科技大学，广西 桂林 541004；2.天津市联大通讯发展有限公司，天津 300000)

针对在暗通道先验去雾方法中图像亮度随着去雾深度加深而降低的情况，分析了导致图像亮度降低的原因，并结合户外自动白平衡的有雾图像，提出了一种采用图像能量回补来调节图像参数的方法，以此来提高图像亮度和对比度。实验结果表明，通过对去雾后图像损失的能量进行回补，对于不同的去雾深度，图像的亮度和对比度都能得到较好的调节。

去雾；暗通道先验；图像能量回补；对比度

在许多户外场所(如港口、公路)，采集的图像和视频经常受到雾霾天气的影响，从而导致图像质量下降，具体表现为：拍摄到的图像对比度低、景物不清晰，无法准确地反映真实场景信息。因此，图像除雾具有重要意义[1]。近年来，随着计算机的发展和图像采集系统的普及，国内外许多学者在图像和视频除雾方面做了大量工作。图像除雾有以下3种处理方法：

1)已知图像的一些相关附加信息，如场景深度信息或地理信息、或者非可见光谱的信息等[2]。

2)多幅图像除雾。该方法必须知道同一场景不同天气情况下的图像，以便估计对比得到场景相关的附加信息，如场景深度[3]。

3)单幅图像除雾，即只有单幅图像[4]，不知道任何附加信息。这种方式除雾是当前的主要研究方向。

本文主要研究的是基于单幅图像的视频除雾方法[5]。对于未知场景深度的图像，主要有基于大气光传播模型和基于对比度优化处理两类方法：一类是基于对比度处理，通过调整图像的对比度，使图像细节得到增强，从而达到除雾的目的；另一类是基于大气光传播模型，估计出图像大气光传播参数和场景深度信息，然后恢复无雾时的图像。HE等人提出了基于暗通道先验的除雾方法[2，6]。该方法是基于大量统计后的一种经验知识：户外无雾彩色图像中，总有一个颜色通道值很低，这个通道被称为暗通道。而有雾图像中，由于雾的存在，这个暗通道的值比较高，由此可以估计雾的浓度和大气传播参数，进而算出场景深度，从而恢复出无雾图像。HE随后对算法进行了改进，减小了计算量并提高了精度，使该方法比较接近实用阶段。而文献[7]和文献[8]又对算法进行了改进。但仍然有两个缺陷：一是除雾深度参数变化范围大，二是除雾后，图像亮度会降低。本文针对这两个问题进行了研究，通过改进透射率的计算方法，减少了除雾深度调整的级数；通过亮度回补，既保证了图像的亮度，也减少了计算量。

1　基于暗通道先验的去雾方法

1.1McCartney大气散射模型

暗通道先验除雾方法是基于大气散射模型的一种方法[9]。1977年，McCartney提出了著名的大气散射模型，大气散射模型主要由入射光衰减模型和大气光成像模型两部分组成。入射光衰减模型描述光从场景点传播到观测点之间的衰减过程，而大气光模型描述周围环境中各种光经过大气粒子散射后，对观测点所观测到的光强影响，大气散射模型可描述为

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

(1)

式中：I(x)为观测到的有雾图像；J(x)为待求的无雾图像；A为全局大气光强度；x为二维图像矩阵；t(x)为场景的透射率。J(x)t(x)为入射光衰减模型，随着景深的增加而随指数形式衰减；A[1-t(x)]为大气光成像模型，雾气浓度随景深的增加而随指数形式增加。

t(x)可用以下公式描述

t(x)=e-λd(x)

(2)

式中：λ为大气散射系数；d(x)为场景深度。

从式(1)中可以看出，要得到无雾图像J(x)，需要求出全局大气光A和透射率t(x)。

1.2暗通道先验除雾

He等人收集了大量的户外无雾图像，通过观察和实验来研究和统计无雾图像的共同特点，提出暗原色先验理论。通过对原有雾图像的处理，可以得到天气晴朗下拍摄的无雾清晰图像，所以去雾后的图像应满足对晴天图像或无雾图像的统计规律。该规律表明：绝大多数晴天图像的局部区域都会有一个颜色通道很低的像素值。根据HE的方法，对于一副图像，将RGB各颜色通道值最低组成一个单独的颜色通道，称为暗通道，其暗原色图像各像素点值表述如下

Jdark(x)=min(min(J(x))

(3)

根据He的研究，对于户外无雾图像，其RGB三颜色通道中至少有一个通道的值很低，即

Jdark(x)=min(min(J(x)))→0

(4)

对式(1)两边求取暗通道值，得到

Idark(x)=Jdark(x)t(x)+A[1-t(x)]

(5)

由于Jdark(x)→0，因此

(6)

全局大气光A是通过选取图像中亮度最高的像素的0.1%求均值得到的。这样就得到了图像的透射率。

为了保持图像的立体感，并不需要去除所有的雾，使用一个去雾深度参数w可以实现，如下式

(7)

如果彻底地移除雾的存在，图像效果不真实，并且图像上的远景和近景之间视觉上的距离感会消失。所以引入去雾深度参数w(0

1.3图像亮度降低原因

将式(7)带入式(1)，得

(8)

等号右边第二项就是雾。由于A的取值为像素中亮度最高部分的0.1%的均值[6]，对于J(x)的绝大部分像素值(99.9%以上)，可近似认为J(x)≤A，因此

(9)

对式(8)两边取数学期望，得

(10)

可见，去雾后的图像平均亮度要低于原图像。

2　基于能量回补改进的暗通道先验图像去雾方法

2.1能量回补原理

对于一幅二维图像F(x)，其平均能量可定义为

(11)

式中：经过暗通道除雾后，由于去掉了雾，损失了图像能量，因此整体画面亮度会偏低。通常的解决方法是采用亮度自动调整。亮度自动调整运算量比较大，不利于除雾系统的实时性。对于目前设备所获取的图像，一般均经过了白平衡等一系列处理，使得图像亮度基本达到了最佳。如果将原始图像损失的能量补充回来，经过处理后的除雾图像画面就不至于太暗。设有雾图像I(x)，去除雾后的图像为J(x)，去除的雾为F(x)。F(x)可以用有雾图像减去去雾后的图像得到，即

F(x)=I(x)-J(x)

(12)

为了适应对图像的操作，将图像能量可以从直流分量和交流分量两部分进行考虑[10]。对于有雾图像I(x)，其直流分量可以用图像的平均值来衡量，如式(13)：

(13)

交流分量可以用方差来进行衡量，如式(14)

(14)

同理，可以求出无雾图像J(x)、雾F(x)各自的直流分量和交流分量DJ，CJ，DF，CF。最终经过能量回补的图像J′(x)可以由下式得到

(15)

对应到图像参数中直流分量和交流分量实际表现为图像的亮度和对比度。

从式(15)可以看出，式(15)并不是能量回补的精确表达式，它只能在一定程度反映能量补偿情况，只能基本保证在同一场景不同去雾深度下图像亮度近似不变。

因此，为了使图像不至于过度补偿，最终将式(15)

调整为

(16)

式中：a为亮度调整系数；b为对比度调整系数。

2.2能量回补实现步骤

1)根据有雾图像I(x)，求出其暗通道值Idark(x)；

2)对暗通道值进行滤波；

3)根据图像求出全局大气光A；

4)根据式(7)求出透射系数t(x)；

5)根据式(1)求出无雾图像J(x)；

6)由有雾图像减去去雾后图像得到雾的图像F(x)；

7)分别求出去雾图像和雾的图像的均值和均方差值；

8)按照式(16)对去雾后的图像进行能量回补。

2.3讨论

1)对暗通道进行滤波时，可以采用多种方法实现。若用于快速处理场合，使用小模板和中值滤波可以避免图像中白边和黑边问题。

2)对于能量回补公式，若用于快速处理场合，可以将求均方差改为求绝对值。

3　实验结果

采用上述方法对几种场景图像进行处理，结果如图1～2所示。图中是两种场景下采用暗通道和本文改进的算法后的结果。

图1　文献[2]所用图像处理结果的对比图

图2　道路场景图像处理结果的对比图

图1和图2均采用了a=0.8，b=1.2的参数。表1是图1、图2能量计算结果。从图中可以看出，经过能量回补后图像的亮度，可以近似稳定并与原图差别不大，受去雾深度影响较小。

表1图1、图2中各幅图像的平均能量

方法原图w=0.80w=0.89w=0.98图1暗通道1.6020×1046.1663×1034.8950×1033.7423×103本文方法1.6020×1041.4304×1041.4135×1041.4452×104图2暗通道1.2644×1042.8700×1031.7773×103990.7261本文方法1.2644×1041.1631×1041.1343×1041.0377×104

前文已经提出，本文所述方法适合于对图像作二次处理。这主要是基于有雾图像的基本参数即亮度、对比度前期已经处理过，达到了一种优化状态。如果此条件不满足，则达不到满意效果。图3是图像参数未经自动优化的处理结果，图4是图3中原图经过对比度和亮度调整后的处理结果。表2是两幅图的平均能量计算结果。从图和表中可以看出：

1)经过参数优化的图像处理后能量要稳定一些；

2)本文算法在天空、云附近区域仍有过增强的问题，比原算法更严重。

图3　图像参数未经自动优化的处理结果

图4　图像参数经自动优化后的处理结果

对比项原图w=0.80w=0.89w=0.98图3未调整1.6020×1041.3967×1041.2258×1049.5989×103图4调整后1.8771×1041.5967×1041.5539×1041.6739×104

4　小结

为了对雾天退化图像进行去雾处理，本文提出了一种采用图像能量回补来调节图像参数的方法。在理论分析暗通道先验去雾算法的基础之上，对其进行改进，从而有效恢复图像信息。基于能量回补的改进暗通道先验图像去雾方法，计算去雾图像和雾的图像的均值和均方差值，来调整图像的亮度和对比度。实验分析表明，改进算法可以有效提高并稳定去雾后图像的亮度和对比度，基本不受去雾深度的影响。但该算法有其应用局限，适合于做图像的二次处理，对未经优化的图像调整效果不明显，并且在天空、云等区域附近过增强明显，这也是下一步需要研究的问题。目前，该改进算法可以应用于视频监控、智能交通等户外系统，具有广泛的实际应用效果。

[1]ZHU Y B，LIU J M，HAO Y G. An single image dehazing algorithm using sky detection and segmentation[C]//Proc. 2014 7th International Congress on Image and Signal Processing. Dalian： IEEE Computer Society，2014：248-252.

[2]HE K， SUN J， TANG X. Single image haze removal using dark channel prior[J]. IEEE transactions on pattern analysis and machine intelligence，2011，33(12)：2341-2353.

[3]LV X，CHEN W，SHEN I. Real-time dehazing for image and video[C]//Proc. Conference on Computer Graphics & Applications. Hangzhou：IEEE Computer Society，2010：62-69.

[4]HU C M， TANG P. Rapid dehazing algorithm based on large-scale median filtering for high-resolution visible near-infrared remote sensing images[J]. International journal of wavelets multiresolution & information processing，2014，12(5)：494-496.

[5]FANG S， YANG J， ZHAN J， et al. Image quality assessment on image haze removal[C]//Proc.Control and Decision Conference (CCDC). Mianyang： IEEE Computer Society，2011：610-614.

[6]HE K， SUN J， TANG X. Guided image filtering[J]. IEEE transactions on pattern analysis & machine intelligence，2013，35(6)：1397-1409.

[7]孙小明，孙俊喜，赵立荣，等. 暗原色先验单幅图像去雾改进算法[J]. 中国图象图形学报，2014，19(3)： 381-385.

[8]石磊， 盖志刚.基于暗原色先验与反图像的图像去雾算法[J]. 电视技术，2015，39(23)：19-21.

[9]杜宏博，王丽会.基于改进暗原色先验模型的快速图像去雾方法[J].计算机工程与应用，2016(1)：178-184.

[10]吴桂平，肖鹏峰，冯学智，等.一种基于频谱段能量的高分辨率遥感图像边缘特征检测方法[J]. 测绘学报， 2011(5)：587-591.

黄品高(1978— )，硕士生，主要研究方向为信号与信息处理；

叶懋(1979— )，硕士生，主要研究方向为电路与系统；

赵鹏(1991— )，硕士生，主要研究方向为信号与信息处理。

责任编辑：闫雯雯

Method for adjusting the parameters of image dehazed by method of dark channel prior

HUANG Pingao1， YE Mao1，ZHANG Zifang2，TANG Ning1，ZHAO Peng1，ZHOU Ping1

(1.GuilinUniversityofElectronicTechnology，GuangxiGuiLin541004，China;2.TianjinGeneralAssemblyCommunicationDevelopmentCo.，Ltd.，Tianjin300000，China)

When a hazed image is dehazed by method of dark channel prior，its brightness will decrease with the depth of fog removed. In view of that， the reason of the problem is analyzed in this paper，and a method is proposed to adjust the parameters of the image by compensating the lost energy of the image. The results of experiment show that the energy loss of the image can be complemented and the brightness and contrast of the image can be adjusted well for different depth of fog removed.

dehazing；dark channel prior；image energy complement；contrast

TP391.41

ADOI：10.16280/j.videoe.2016.07.026

国家自然科学基金项目(61363005)

2016-03-23

文献引用格式：黄品高，叶懋，张子方，等. 一种暗通道先验去雾后图像参数的调节方法[J].电视技术，2016，40(7)：118-122.

HUANG P G,YE M, ZHANG Z F，et al. Method for adjusting the parameters of image dehazed by method of dark channel prior[J]. Video engineering，2016，40(7)：118-122.