雾霾环境下视频监控图像增强方法研究

冯清枝屈 满杨洪臣

（1 中国刑警学院 辽宁 沈阳 110035；2 北京市公安局西城分局刑侦支队 北京 100055）

雾霾环境下视频监控图像增强方法研究

冯清枝1屈 满2杨洪臣1

（1 中国刑警学院 辽宁 沈阳 110035；2 北京市公安局西城分局刑侦支队 北京 100055）

雾霾图像清晰化处理的目的是消除雾霾天气对视频监控图像的影响，提高雾霾图像的视觉效果和应用价值。在分析基于物理模型和非物理模型两类方法的优劣性能基础上，将多尺度Retinex算法应用于雾霾图像增强处理，并针对多尺度Retinex算法存在的不足，提出相应的改进方案。实验结果表明，与直方图均衡化等方法相比较，改进的多尺度Retinex图像增强算法更能有效地提高雾霾图像的清晰度，增强处理后的图像细节鲜明突出，色彩真实自然。

视频监控系统 雾霾天气 图像增强 Retinex算法

作为安全防范的重要设施，视频监控系统不仅能够有效地预防和遏制犯罪行为，辅助警方开展侦查工作，提供破案线索和诉讼证据，而且能够汇集犯罪活动信息，为社情分析和科学决策提供重要依据。实践表明，视频监控系统在犯罪侦查、治安防控、交通管理、应急指挥以及事故预警、环境保护等方面发挥着显著的作用。然而，近年来，雾霾天气的增多严重影响着人们的生产和生活，由此引发的诸多问题日益受到政府部门和科技人员的广泛关注。在雾霾环境下，大气中的悬浮颗粒对光线具有吸收、反射和散射作用，造成大气能见度降低，加上大气湍流的干扰，致使室外视频监控系统的记录图像退化，制约了视频监控系统效能的发挥。鉴于此，从环保角度出发，政府部门制定政策法规，鼓励开发和应用新技术，实施节能减排战略，倡导绿色生产和生活。从技术角度出发，科技人员探索透雾技术，研制适用于雾霾环境的摄像器件，提高视频监控系统的性能；分析雾霾图像的退化机理，研究雾霾图像清晰化处理方法，提高雾霾图像的视觉效果和应用价值。

雾霾图像清晰化处理方法大体分为两类：基于物理模型方法和非物理模型方法。基于物理模型方法是根据大气散射模型，通过求解图像退化的逆过程以恢复清晰图像，并且使恢复图像尽可能逼近真实图像，属于图像复原范畴。基于物理模型方法实质上是利用大气散射模型或其变体形式，求解真实场景的反射率，由于大气散射模型包含多个未知参数，因此这是一个病态求解问题。病态求解只能在补充场景的先验信息，或者假定约束条件的前提下，利用最优化方法近似计算模型参数。非物理模型方法并不分析天气条件造成图像退化的物理成因，而是借助人眼视觉特性，通过提高图像对比度、校正图像色彩等方式以改善图像质量，属于图像增强范畴。非物理模型方法是针对大气散射导致场景图像对比度低、色彩失真的问题，从主观视觉效果出发，直接对场景图像进行增强处理，可以采用基于色彩恒常性的Retinex算法、自动色彩均衡化算法对退化图像的对比度和色彩进行调整；也可以采用灰度映射、伽马校正、直方图均衡化、同态滤波等方法仅对退化图像的全局和局部对比度进行调整。从目前国内外的研究成果来看，两类方法各有利弊。基于物理模型方法针对性强，需要准确获取场景信息，退化图像恢复效果真实自然，但是病态求解是一个欠稳定过程，前提条件不匹配时会导致方法失效，此外，最优化计算复杂耗时，时间开销大。非物理模型方法普适性强，能够有效地提高图像对比度，突出细节，在色彩校正方面模拟人眼对场景色彩的感知，具有更好的可视性，对薄雾形成的退化图像增强效果明显，但是有时会造成不可预测的失真，而且对场景复杂的退化图像增强效果不佳。

1 Retinex理论及其应用

1.1 大气散射模型

在雾霾环境下，大气中的悬浮颗粒对光线具有较强的散射作用。一方面，来自场景的反射光受到悬浮颗粒的散射而发生前向衰减，光强的衰减导致场景成像的亮度减弱，其结果是造成场景图像模糊、分辨率降低；另一方面，环境光受到悬浮颗粒的散射而进入视频监控系统参与成像，其结果是造成场景图像对比度、饱和度降低及色调偏移。在McCartney提出的反射光衰减模型和环境光模型的基础上，人们推导出如下的雾霾环境下大气散射模型：

式中，I(x)为观测点接收到的光强，A为环境光亮度，β为大气散射系数，x为场景点的空间坐标，ρ (x)为场景点的反射率，d(x)为场景点到观测点的距离。

大气散射模型由两项组成，第1项Aρ(x)e-βd(x)表示反射光衰减模型，描述了反射光由场景点到观测点的衰减过程，其强度随着传播距离的增大而减少；第2项A(1-e-βd(x)）表示环境光模型，描述了自然环境中的各种光经过散射后，对观测点的光强影响。环境光包括直射的阳光、天空漫射的光线和地面反射的光线等，其强度随着传播距离的增大而增加。几乎所有基于物理模型方法均建立在此模型之上，只是形式有所不同。

1.2 Retinex理论

1977年，美国物理学家Edwin Land首次提出了Retinex理论。Retinex本身是一个合成词，由视网膜Retina和大脑皮层Cortex两个名词组合而成，于是Retinex理论又被称为视网膜皮层理论。Retinex理论主要包括两个方面内容：物体色彩是由物体对不同波长光的反射能力决定的，而不是由反射光强度的绝对值决定的；物体色彩不受光照变化的影响，具有恒定性，即人眼在不同亮度情况下仍然能够辨认物体本来的色彩。这样看来，光照条件变化引起的色彩变化是平缓的，而物体表面反射特性引起的色彩变化却是明显的。根据Retinex理论，场景图像I(x，y)是由对应于低频部分的光照信息L(x，y)和对应于高频部分的反射信息R(x，y)组成的，用公式表示为

事实上，光照信息直接决定了场景图像的动态范围，反射信息决定了场景图像的内在性质。Retinex理论的实质是降低光照变化对物体反射信息的影响，从场景图像中准确地提取观测场景的反射信息，以获取观测场景的本来面貌。

1.3 多尺度Retinex图像增强算法

1997年，Daniel Jobson等在前人研究成果基础上，提出了单尺度Retinex图像增强算法，其数学表达式如下：

式中，R(x，y)为输出的增强图像，I(x，y)为输入的场景图像，*代表卷积运算。对于光照信息L(x，y)的估计，通常采用高斯函数F(x，y)对I(x，y)进行低通滤波的卷积运算获得。

式中，高斯函数的标准差σ称为尺度参数，σ的大小直接影响对光照信息的估计结果。当σ取值较小时，滤波特性相对陡峭，输出图像的动态范围压缩较大，细节特征突出，但色彩保真效果较差；当σ取值较大时，滤波特性相对平缓，输出图像的整体效果鲜明，色彩保真效果较好，但细节特征不够突出。

由于单尺度Retinex算法只能选择一种尺度参数进行处理，难以同时满足细节增强和色彩保真两项要求，因此，人们又提出了多尺度Retinex图像增强算法。多尺度Retinex算法既是对单尺度Retinex算法的概括，又是对单尺度Retinex算法的综合，其数学表达式为多个单尺度Retinex增强结果的加权平均：

式中，K为尺度个数；Fk(x，y)为第k尺度下的高斯函数，通过选取不同的标准差σk，用以控制高斯函数的滤波特性；Wk为对应Fk的权重系数。多尺度Retinex算法一般选取小、中、大三个尺度，此时尺度个数为3，将这三个尺度以不同的权重系数相结合实现图像增强，并且权重系数之和为1。

2 改进的多尺度Retinex图像增强算法

尽管多尺度Retinex算法在提高图像对比度、压缩动态范围以及保持色彩恒常性等方面具有显著的优势，但是经过处理的实际图像往往动态范围较小，图像边缘区域容易发生光晕效应，背景区域色彩发生灰化效应，视觉效果差。针对这些不足，需要对多尺度Retinex算法做出如下改进。

2.1 伽马校正

由于雾霾图像整体上对比度低，色彩偏灰或偏白，像素集中在直方图上动态范围狭小的区间。为了降低对多尺度Retinex算法的处理效果带来影响，需要事先对原始图像进行伽马校正。伽马校正不仅能够压缩图像动态范围，而且能够对图像中亮部或暗部区域进行有效扩展，突出感兴趣区域的细节特征。经典的伽马校正由幂次函数定义如下：

式中，I′(x，y)为原始图像，I′(x，y)为校正图像，γ为校正系数。当γ＞1时，伽马校正能够扩展原始图像中暗部区域，压缩亮部区域，增强雾霾图像中难以辨别的远景信息。

2.2 权重系数调节

研究发现，光晕效应和灰化效应归因于Retinex理论的前提假设。为此，需要引入权重系数对多尺度Retinex算法进行修正。权重系数的数学表达式为：

式中，I(x，y)为原始图像对应的像素点。

权重系数是Sigmoid函数的改进形式，既可以抑制图像边缘区域的光晕伪影，也可以补偿背景区域色彩的饱和度失真。引入权重系数修正的多尺度Retinex图像增强算法：

3 实验结果及分析

为了验证改进的多尺度Retinex图像增强算法在提高雾霾图像视觉质量方面的实效性，选取雾霾环境下交通管理监控系统记录的画面为实验检材，如图1所示，利用MATLAB7.0软件编写增强处理程序，并与直方图均衡化、多尺度Retinex算法进行对比实验。图2、图3和图4分别为直方图均衡化、多尺度Retinex算法以及改进的多尺度Retinex算法的处理结果。

图1 原始图像

图2 直方图均衡化的处理结果

图3 MSR算法的处理结果

图4 应用本文算法的处理结果

通过比较四幅图像的主观视觉效果，可以看出：原始图像画面模糊，色调灰暗，附有噪声；经过直方图均衡化处理的图像细节损失较多，色彩出现过饱和；经过多尺度Retinex算法处理的图像画面清晰，色调整体偏亮，边缘区域存在光晕伪影，这是由于原始图像光照不均匀引起的；改进的多尺度Retinex算法处理的图像画面清晰、色调准确、细节突出，同时也减弱了光晕和噪声的影响。

客观评价是通过引入标准差、信息熵、清晰度（或平均梯度）等统计特性对图像进行数值分析，以量化方式来衡量图像的增强效果。评价准则是：标准差可以反映像素相对图像均值的离散情况，标准差越大，视觉效果越佳；信息熵可以反映图像信息源的总体特性，熵值越大，图像包含的信息越多，细节越丰富；清晰度可以反映图像边缘的差异，清晰度越大，边缘越突出。使用不同方法增强雾霾图像的评价数据如下表所示，从客观上证明了改进的多尺度Retinex算法的增强效果。

表 不同方法处理结果的客观评价数据

4 结束语

利用数字图像处理技术对雾霾天气造成的监控图像退化现象进行清晰化处理，能够弥补现有视频监控系统的不足，准确地恢复监控图像记录的场景信息，充分发挥视频监控系统的安全防范作用。基于人眼视觉特性的多尺度Retinex算法在雾霾图像增强方面具有独特的优势，特别是通过引入权重系数的方式，动态调节多尺度高斯函数的滤波作用，并与伽马校正相结合，弥补多尺度Retinex方法的不足，使得增强处理后的雾霾图像细节鲜明突出，色彩真实自然，具有较高的应用价值。为了准确地再现雾霾图像反映的真实场景，将基于物理模型方法和非物理模型方法相互结合，充分挖掘雾霾图像的退化信息，开发适应多种复杂气象条件、场景条件的图像增强方法将是未来的研究方向。

[1]Land E H.The Retinex theory of color vision[J].Scientific American，1977，（237）.

[2]禹晶，徐东彬，廖庆敏.图像去雾技术研究进展[J].中国图象图形学报，2011，16（9）.

（责任编辑：孟凡骞）

TP391.4

A

2014-09-12

公安部部级科研项目（编号：0112005）。

冯清枝（1969-），男，辽宁沈阳人，中国刑警学院声像资料检验技术系副教授，硕士，主要从事刑事影像技术、数字信号处理等方面的研究。