基于暗通道原理的图像去雾算法改进研究

徐 威

（中国电波传播研究所，山东青岛266107）

基于暗通道原理的图像去雾算法改进研究

徐 威

（中国电波传播研究所，山东青岛266107）

针对采用暗通道原理的单幅图像去雾算法的处理效率，提出了采用低分辨率暗通道模板进行有雾图像去雾处理的改进方法；该方法利用低分辨率图像估算大气透射率并利用插值还原模板分辨率以估算无雾图像，可以在保持处理效果的同时，有效节省图像去雾的处理时间及与对处理单元资源的需求；通过分析及仿真计算验证了该方法的有效性。该方法还适用于对高分辨率图像去雾处理，具有良好的工程实用性。

图像处理；暗原色先验；图像去雾；图像分辨率

0 引言

在野外动、静态图像信息采集系统中，所获取的图像、视频信息质量不可避免地会受到作业期间各种气象环境因素的影响。在这些因素中，雾、霾的影响犹为突出。采用可行的技术手段，最大限度地提高系统的工作适应能力，就成为系统研制中所必须正视的问题。利用图像处理算法，以相对较小的代价获取满足使用需求的图像、视频数据就成为各种解决方案中的首选。

图像去雾方法的研究工作已开展了多年，相关的方法基本上可以分为两大类［1－3］：一类是基于图像增强技术，直接利用图像处理算法，如局部或全局直方图均衡、同态滤波等，提升图像的对比度、改善图像质量；另一类则是基于物理模型的处理方法，其主要是图像降质过程的逆运算，利用相应的算法消除雾、霾成像的影响。这类方法中仍可分为2种情况：一种是利用一些辅助信息，如偏振图像、空间深度信息或无雾时的静态图像等，进行图像的还原，这类方法相对而言实现较为复杂，特别是一些辅助信息的获取需硬件单元的支持，因而这种方法的适应性有限；另一种是从所获取图像中提取部分相关信息，而后利用模型进行运算处理，这种方法由于实现相对简单、且对硬件单元提出的要求小，近几年来成为图像去雾方法研究工作的热点，这其中利用暗通道原理的单幅图像去雾算法研究工作更是获得了众多研究者的重点关注。

暗通道去雾算法［4］，巧妙地利用暗原色规律解决了从单幅图像中获取场景空间深度的问题，虽然算法仍存在一些不足，但瑕不掩瑜，其处理效果是非常明显的。故而近年来许多学者针对算法存在的暗原色先验失效区域、透射率内插计算量偏大及物理意义的解释等方面开展了大量的研究工作［5－7］。然而这些工作更多的是从去雾效果本身出发进行算法的改进。本文则从工程实际出发，以提高算法的实用性为目地进行简化性改进，以求在满足使用需求的前提下，更好地提高算法在使用中的高效性。

1 暗通道算法简介与分析

1975年McCartney提出的大气散射模型，成为许多基于模型去雾处理算法的基础，该模型中雾化图像的退化过程可以下式进行描述［8，9］：式中，J（x）为雾化后的图像，在实际中其即为采集单元所获取的原始图像，I（x）为场景的反射光，在实现中可以将其视为需解算的无雾图像，A为大气光强，t（x）为透射率。该模型的第一部分表示场景中反射光中未被散射的部分，其随着场景深度的增加而衰减。第二部分表示环境光对成像结果的影响。在均匀大气介质时透射率可以表示为：

式中，β为大气散射系数，d（x ）为场景的深度。

从式（1）可以看出，利用大气散射模型进行图像去雾处理时，须知道大气光强、场景的深度信息及大气散射系数。因而，各种基于此模型的算法均围绕着这些参数的提取及合理运用展开工作。暗通道去雾算法即为其中的一种，它是基于暗原色统计先验知识的单幅图像去雾算法，由He Kaiming等于2009年提出。

暗原色先验知识是基于大量图像的统计分析得出的，即在无雾室外图像的绝大部分局部图像块中，存在一些至少在一个颜色通道内的灰度值非常小的像素，其被称为暗原色。这些暗原色一般来自于景物中的暗目标、阴影以及一些某一通道值较小的有色目标。

一般而言，场景中某一邻域的透射率是相同的，因而利用暗原色及大气散射模型能够在有雾单幅图像中估计出目标场景中以x为中心点Ω（x）邻域的透射率。

另一方面，所获图像中高光部分的亮度值与大气光非常接近，以其为大气光的估计值A~，即可恢复无雾图像。

式中，I~（x）即为无雾图像的估算值。

在实际所采集数据中并非所有区域、所有像素点均存在灰度极小的通道，在实际处理中，暗通道算法在实现中是选取某一邻域内灰度值最小的点作为这个区域的暗原色，并利用最小值滤波器使之在邻域内的拓展。此时，若场景内的物体边缘处存在景深突变时，极易产生Halo效应。之前许多改进工作即对此展开，以图在尽可能地保留图像细节的前提下，削弱其影响程度，由此导致处理运算量及处理中资源消耗的大幅增加。这些运算随着图像分辨率的增加成倍增长，也正因如此，当前大多处理算法基本针对较低分辨率的图像进行。

抛开具体物理意义不谈，分析暗通道算法的实现过程时可以发现，其可视为以全局的大气光估计值与局部暗原色的估计值为基准点的一种均衡算法。2个参量估计值的准确性虽然对去雾后图像中各景物色度值和反射率相对关系等产生影响，但只要偏差不大，算法仍应具有一定的效果。

在实际工程中，根据使用场合的不同，对去雾处理的要求亦不同。多数情况，去雾处理只是作为采集或分析子系统的一项功能出现，不可能采用专门平台进行处理，处理中所分配的资源亦相对有限。处理的目的是希望能够更好的发现、识别目标，对处理的时效性有较高的要求，而对于处理所引入的一些失真的容忍程度相对是比较高的。即在工程中多要求尽可能利用较小的资源、在保证处理速度的前得下，达到一定的处理效果。

2 算法的改进及效果分析

尽管暗通道算法原理本身并不复杂，决定处理速度及处理中资源消耗主要在于大气透射率的估算过程，而这部分的主要影响因素又在于原始图像的分辨率。据此，可以预见，若可降低部分计算过程中的图像分辨率，则能够降低整体处理的运算量。

由于最终形成的结果仍需达到与原图相同的分辨率，所以最后无雾图像的恢复过程，即式（3）的计算过程，仍需在原始分辨率下进行。低分辨率处理主要为大气透射率的估算阶段，所获得的低分辨率t~（x），将其称为暗通道模板，其来自于对原始图像进行抽取所形成的低分辨率图像。

改进后的简要算法流程如下：首先通过抽取降低原始图像分辨率；利用式（2）计算目标场景的低分辨率小幅暗原色图像；自低分辨率原图及暗原色图像估算大气透射率分布，形成低分辨率暗通道模板；将暗通道模板还原至原始图像分辨率，并进行无雾图像的估算。

暗通道模板分辨率的还原过程利用插值实现，插值的方法很多，此处不作介绍。由于插值处理是利用相邻像素运算获得目标点的结果，分辨率还原后的暗通道模板在物体边缘处将自然平滑过度，故在无雾图像中所引入的失真并不会非常严重。抽取与插值处理会增加一定的运算量，但处理过程的整体运算量会降低。更主要的是采用这种方法后，处理过程中的内存开销将大大降低，特别有利于使用嵌入式处理器实现的工程应用之中。

为说明算法效果，这里采用He所用的SoftMatting算法及双线性插值进行大气透射率估算及暗通道图像的插值处理，并采用Hautiere等人提出的可见边梯度法对其效果进行评估，由于采用不同抽取系数时对于大气光的估计值亦会有所差别，处理中对去雾后的图像进行了直方图均衡处理［10－12］。图1中的原始图像分辨率为768×512，处理中利用高斯低通对结果进行了滤波，以降低结果中噪点。

图1 抽取前后效果比较

在不同抽取率时处理效果的差别非常有限，但处理时间随着抽取率的提高则大大缩减，如表1所示。

表1 不同抽取率时的性能比较

实际上，由于抽值过程某种程度上起到了最小值滤波器的效果，而插值过程模糊了暗通道图像中物体的边缘，能够在一定程度上弱化了Halo效应的影响。不拘泥于算法物理意义的严谨性，采用上述方法，直接对低分辨率暗原色图进行插值，并估算无雾图像，仍可进一步降低处理时间，亦可取得一定的处理效果。采用此方法进行处理的结果如图2所示，其中图像分辨率为792×529，抽取系数为4时处理时间为0.718 s。

图2 暗原色图直接插值处理效果

另一方面，由于整个处理过程的计算主要在低分辨率图像上进行，时间及内存开销大大降低，有利于进行一些分辨率较高的图像处理。5 184×3 456分辨率图像的处理结果如图3所示，处理中抽取系数为24，处理时间7.27 s。

图3 高分辨率图像处理效果

从处理效果看，改进后的算法在大大缩短处理时间的基础上，依旧保持了原算法的去雾处理效果。同时，该方法与现有其他手段并不冲突，为获取更好的结果，依然可以在处理中采用其它的算法研究成果，以获取去雾性能的进一步提升。

3 结束语

图像去雾技术是利用图像处理技术及计算机技术提高特殊天气情况下图像采集质量的一种有效手段，利用低分辨率暗通道数据进行有雾图像的去雾处理，可以在保持处理效果的同时有效节省算法的处理时间及对硬件资源的需求，能够有效解决目前实际工程应用中、特别是在嵌入式单元中进行去雾处理中的实际需求，具有良好的工程实用性。

［1］郭璠，蔡自兴，谢斌，等.图像去雾技术研究综述与展望［J］.计算机应用，2010，30（9）：2417－2421.

［2］祝培，朱虹，钱学明，等.一种有雾天气图像景物影像的清晰化方法［J］.中国图象图形学报，2004，9（1）：124－128.

［3］王一帆，尹传历，黄义明，等.基于双边滤波的图像去雾［J］.中国图象图形学报，2014，19（3）：386－392.

［4］He Kai－ming，Sun Jian，Tang Xiao－ou.Single Image Haze Removal Using Dark Channel Prior［C］∥Proceedings of Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2009：1956－1963.

［5］刘楠，程咏梅，赵永强.基于加权暗通道的图像去雾方法［J］.光子学报，2012，41（3）：320－325.

［6］桓宗圣，陶青川，田旺.野外视频监控图像去雾算法研究［J］.计算机工程，2014，40（2）：240－245.

［7］孙红光，房超，张慧杰，等.一种自适应基于暗通道先验的去雾方法［J］.吉林大学学报（理学版），2012，50（5）：987－992.

［8］李大鹏，禹晶，肖创柏.国像去雾的无参考客观质量评测方法［J］.中国图象图形学报，2011，16（9）：1753－1757.

［9］孙伟，李大健，刘宏娟，等.基于大气散射模型的单幅图像快速去雾［J］.光学精密工程，2013，21（4）：1040－1046.

［10］冈萨雷斯（Gonzalez R C.）著.数字图像处理（第3版）［M］.阮秋琪，译.北京：电子工业出版社，2011.

［11］Hautiere N，Tarel JP，Aubert D，et al.Blind Contrast Enhancement Assessment by Gradient Ratioing at Visible Edges［J］.Image Analysis and Stereology Journal，2008，27（2）：87－95.

［12］江巨浪，张佑生，薛峰，等.保持图像亮度的局部直方图均衡算法［J］.电子学报，2006，34（5）：861－866.

Research on Image Dehazing Algorithm Improvement Based on Dark Channel Prior

XUWei
（China Research Institute of Radiowave Propagation，Qingdao Shandong 66107，China）

In order to improve the processing efficiency of dehazing algorithm using dark channel prior principle，a new method is presented in this paper.Themethod uses a low－resolution dark channel template to estimate the atmospheric transmissivity and restores the template resolution using interpolation.Through analysis and simulation，it is validated that themethod can effectively save computing time and reducethe requirements for the processing unitwithoutaffecting the processing performance.It can alsobe used for high－resolution image dehazing processing.

image processing；dark channel prior；image dehazing；image resolution

TP751.1

A

1003－3114（2015）04－84－3

10.3969/j.issn.1003－3114.2015.04.22

徐 威.于暗通道原理的图像去雾算法改进研究［J］.无线电通信技术，2015，41（4）：84－86，103.

2015－04－10

徐威（1969—），男，高级工程师，主要研究方向：电子与信息技术、嵌入式系统、信号处理技术。