张 健

(黄淮学院智能制造学院,河南 驻马店 463000)

1 引 言

雾是自然界一种常见的现象,米氏散射受雾霾影响较大,削减了红外图像的对比度和可见性[1-2],因此对红外图像进行去雾处理,还原目标细节,对提高红外图像质量具有重要意义。

目前红外图像去雾研究方法主要有:何恺明提出基于物理模型的暗通道先验(Dark Channel Prior,DCP)去雾算法,通过暗通道统计图像规律,去雾后图像自然,效果明显[3],但是计算量较大,无法满足实时去雾,同时忽略了颜色信息的丢失和过饱和情况；正则化恢复方法(Regularized Recovery,RR)去雾[4],需要不同拍摄角度或不同拍摄时间,取得了一定的效果,但这些方法对数据输入要求较高,普通拍摄难以获取合适的图像；自适应直方图均衡化(Adaptive Histgram Equalization,AHE)在一定程度上增强了雾霾图像中物体的对比度[5],但是不具有鲁棒性以及时间复杂度较高,同时会过度放大平坦区域的噪声；Yael Erez通过获取同一场景两幅图像大致估算出大气光强值[6],再人为区分出图像中的天空区域,获得去雾图像；Puneet主要减少去雾耗时问题,通过暗原色求解大气透过率[7],利用正交偏振图像估算大气光信息获得去雾后的图像；边界约束方法(Boundary Constraint Method,BCM)红外图像去雾[8],通过增加物理模型中参数约束条件,最后恢复出无雾图像。

本文提出改进暗通道算法(Improved Dark Channel Prior,IDCP),通过图像自身调节来获得较准确的大气光强,利用原图的暗原色图以及亮原色图线性方法得到更加接近图像的真实值的大气光强；通过透射率伸缩系数和透射率增减系数来调节透射率；……