去雾算法在视频图像处理中的研究与应用

2013-08-13贾敏智

电视技术 2013年13期

孙静，贾敏智

(太原理工大学信息工程学院，山西太原 030024)

责任编辑:任健男

计算机视觉系统大多数应用于户外工作，如城市交通、视频监控、遥感成像等，都要求被提取的图像准确清晰。但是在雾天的天气条件下，由于场景的能见度下降，导致了图像中目标的颜色以及对比度等特征被衰减，系统的正常工作受到影响，因此在视频图像的处理中增加去雾技术显得非常重要［1－3］。

目前，对雾天获得的图像进行清晰化处理的方法基本［4－5］上有两类:基于模型和非模型的算法。其中，基于物理模型的算法是应用逆运算来改善图像的对比度，是了解图像退化的内在原因。然而，非物理模型的算法并不需要知道图像退化原因的信息，用非物理模型的方法处理图像称之为图像增强。用基于物理模型的方法处理图像称之为图像恢复，这类算法更加有效可靠，原因是它们利用了图像退化的物理机理，目的是为了提高退化图像的保真度。

本文基于物理模型提出了一种空气光快速去雾算法。该算法采用最大像素值估计天空亮度，利用高斯低通滤波器分离出背景空气光，从而进行图像亮度恢复以及图像的饱和校正。本文算法比较简单，运算速度快，且适用于彩色图像和灰度图像。

1 大气散射物理模型

在雾、霾天气条件下，大气粒子的散射作用导致成像受到影响。这种影响主要是由两个散射过程造成的:一方面，由于大气粒子的散射，物体表面的反射光随着距离的增大发生衰减，同时与前向散射、光强的衰减一起导致了物体成像的亮度减弱;另一方面，自然光因大气粒子的散射进入成像设备参与了成像，而自然光的强度随着传播距离的增加而逐渐增强。因此，正是大气粒子的前向散射与后向散射的共同作用导致图像模糊、分辨力下降，图像饱和度、对比度降低，色调偏移。这样，不仅影响图像本身的视觉效果，而且还影响对图片的分析性能。大气散射模型示意图如图1所示。

图1 大气散射模型示意图

在有雾的情况下，图像退化的主要原因是大气的散射。大气的散射是一个非常复杂的过程，大气中存在的悬浮颗粒的大小、类型、密度以及光的波长和极化状态都会对它产生一定的影响。McCartney提出了大气散射模型［3］，即衰减模型和环境光模型，公式为

式中:I(x)是未去雾的输入图像辐射信息;G(x)t(x)表示衰减模型，A(1－t(x))则表示衰减模型;G(x)为空间坐标x处的场景反照率;d为空间坐标x处的场景深度;β是大气的散射系数;A为天空的亮度，一般假设为全局的常量。

随着场景深度的增加，环境光到达人眼的光线也就增多。这就导致了图像的颜色发生漂移，使得有雾的图像整体看起来不是很清晰，呈现偏灰色。设空气光为V(x)，即

则式(1)改为

假设估算出空气光V(x)和天空亮度A，则图像复原后的模型为

2 图像复原方法

2.1 大气光的估计

天空亮度A采用最亮像素值估计时容易受到高亮噪声或者白色物体的干扰。需要进行灰度腐蚀操作的为各颜色分量，然后取颜色分量之间的最小值，进而选取0.1%最亮的像素。估计天空亮度A则用对应原图像中的最大像素值。为了保证天空亮度不受影响，必须滤除图像中白色物体，图像中白色物体的尺寸不能小于结构元素的尺寸。但是，如果结构元素的尺寸大于图像中的天空区域，则会错误地把天空区域滤除。

首先，灰度腐蚀操作的含义为以彩色图像的最小颜色分量为对象，进行最小值滤波，即

式中:c∈{R，G，B}表示颜色通道R，G，B;Ω (x)表示以像素x为中心的邻域，它与图像的宽和高之中的最小值成比例，Ω (x)取0.025。

然后，以彩色图像的灰度分量为对象，采用Canny［1］算子进行边缘检测，分块统计各边缘图像，最后在每个图像块中计算边缘像素数所占的比例，记为Nedge(x)。那么候选天空区域就是必须满足Imin(x)＞Tv且Nedge(x)＜Tp的像素集合。其中Tv为亮度值，取Tv=95% ×Imin(x);Tp为平坦值，取 Tp=0.001。

2.2 利用高斯低通滤波器分离出大气光

根据频率分布特征，低频部分为雾和背景光，高频部分为景物。利用高斯低通滤波器获取空气光V(x)，即

2.3 图像亮度的恢复

将计算出的A与V(x)带入式(5)中，可以推导出复原后的亮度分量GV(x)

雾天图像分布不均匀，需将直方图进行扩展。根据高斯分布“3σ”规则，就正态随机变量而言，其值落在区间［μ－3σ，μ+3σ］内是允许的，取复原后的亮度GV的最小值=μ－3σ;复原后的亮度GV的最大值= μ+3σ。

μ为GV的均值，σ为GV的标准差。最后得到拉伸后图像的每一个谱分量值为

式中:drmax表示输出设备的动态范围;表示输入;表示输出。

2.4 校正图像的饱和度

在有雾的恶劣天气情况下，捕获的图像饱和度之所以降低是因为雾的漂白作用。校正饱和度S，即U(x)=，其中，aI，dI，aG，dG分别表示的是输入与

IIGG输出图像的亮度分量对数的平均值与标准偏差。

3 实验结果比较与分析

对于单幅图片来说，Tarel算法是要估算大气耗散函数，即采用中值滤波的变形形式，但并不是好的边缘保持滤波方法，且在处理白色的区域时效果不是很理想。同时，如果参数选择不恰当的话，很容易引起Halo效应，该算法中存在的参数比较多，调整的时候较复杂。而采用本算法能很好地恢复图像的对比度，图像的色彩也比较自然，图像显得更真实、柔和。实验结果比较如图2所示。

图2 实验结果比较

本方法也适用于动态的场景，为了减少图像中的背景对去雾效果的影响，本文采用区别天空区域的方法，对一段雾天视频图像的场景深度进行估算。采用大气光的估计进行灰度腐蚀操作，把天空亮度估算出来。在处理过程中，保留运动物体的同时，也提高了场景的能见度。可见，利用此算法对动态场景的去雾效果很好。效果图如图3所示。