基于反转的限制对比度自适应直方图均衡图像去雾改进算法

张久鹏　张伟

摘 要：为了解决HE算法经直方图均衡处理后可能出现的噪声放大，CLAHE算法效率降低而且极其耗时这一问题，提出一种基于反转的限制对比度自适应直方图均衡图像去雾改进算法。雾天图像具有整体偏白色的这一特征，其反转后与低照度图像的特征相类似，对反转后的图像进行改进后的限制对比度自适应直方图均衡亮度增强，再进行反转得到无雾图像。该改进算法不仅解决了噪声放大问题且快速有效。

关键词：噪声放大；反转；限制对比度直方图均衡；图像去雾

中图分类号：TP29 文献标识码：A 文章编号：2095-1302（2015）02-00-03

0 引 言

户外环境图像的清晰度和对比度往往由于雾的存在而降低，影响了其在航空、海运以及监控系统中的应用，因此快速有效的图像去雾算法成为当前研究热点和难点。目前的图像去雾主要是通过图像复原和图像增强两种方式实现的[1]。图像复原的方法基于大气散射模型，利用先验知识求解雾天图像的逆过程从而实现图像去雾[2，3]。这类方法基于大气散射规律建立了图像退化模型，能够利用先验知识，具有内在的优越性。不足的是这类方法一般需要求得场景深度或大气条件信息。而现实条件下，获取的降质图像并没有附加任何景深与大气条件的信息。由于已知信息量不足，因此图像去雾恢复是个不适定的反问题。 图像增强的方法主要是通过提高雾天图像对比度的方法达到去雾的目的，该类方法以直方图均衡化（HE）方法和Retinex算法为代表，通过改善图像对比度以达到改善雾图视觉效果。目前效果比较好的是直方图均衡（HE）方法，但自适应直方图均衡（AHE）和局部直方图均衡（LHE）经直方图均衡处理后可能出现的噪声放大问题，且自适应直方图均衡和传统的限制对比度自适应直方图均衡（CLAHE）的运算过程中，都会对图像中每一个像素进行操作，计算其邻域的直方图和相应的直方图变换函数，这样将会导致此算法效率降低而且及其耗时，阻碍算法的应用。

基于此，提出基于反转的改进后的限制对比度自适应直方图均衡去雾算法，且对于浓雾区域反转后图像过暗，原有CLAHE算法增强效果不佳这一问题，也提出相应的改进算法。

1 基于反转的限制对比度自适应直方图均衡图像去雾改进算法

1.1 改进后的限制对比度自适应直方图均衡算法

限制对比度自适应直方图均衡与普通的自适应直方图均衡的不同之处在于其对直方图的对比度进行限幅[5]。同样这种方式也可以应用于直方图均衡从而构成限制对比度直方图均衡算法，不过该算法在实际中很少应用。在限制对比度自适应直方图均衡算法中，对每一个邻域小区域的对比度都进行限幅操作。该算法有效地解决了经自适应直方图均衡处理后图像噪声被放大的问题。

解决这个问题主要是通过限制自适应直方图均衡算法的对比度增强实现的。指定像素邻域直方图的变换函数的斜度决定着对比度是否放大，因此我们可以知道该斜度与该领域的累积直方图的斜度成比例[6]。为了限制放大幅度，我们在计算CDF前预先定义一个阈值，限制对比度自适应直方图均衡就用这个阈值来裁剪直方图。那么此过程就限制了CDF和变换函数的斜度。直方图的分布和领域大小的取值就决定了直方图被裁剪的值（裁剪限幅值）。

如图1所示，图中蓝色区域表示超出了裁剪限幅值，如果直接忽略掉这部分是不好的。所以我们可以对这些部分进行进一步处理，将他们均匀分布与直方图每个部分。

图1 限制对比度自适应直方图均衡化直方图变换示意图

如图1所示，经过这种再分配的过程可能会导致直方图中另一部分再次超过了裁剪值（如图1中右边直方图中的绿色部分所示）。为解决该问题，我们可以递归地重复再分配过程直到多余的部分可以忽略不计。

上述的自适应直方图均衡和限制对比度自适应直方图均衡的运算过程中，都会对图像中每一个像素进行操作，计算其邻域的直方图和相应的直方图变换函数，这样将会导致此算法效率降低而且极其耗时，阻碍算法的应用[7]。

引入插值操作，这样会使得上述算法在增强图像质量的前提下使其效率得到极大的提升。首先我们需要先将原图像均匀分成同等大小的矩形块，如图2的右侧部分所示（图像分为8行8列，总共64个块）。然后分别计算各个块的直方图分布、累计概率分布函数和相应的变换函数。此变换函数对于每个块的中心像素（图2左侧部分中的黑色小方块）是完全符合上文的原始定义。其它像素则可以通过与其邻近的四个块的变换函数插值获取，而不用对每一像素都进行邻域直方图均衡化操作。我们通过双线性插值的方法求解图2中蓝色区域的像素，而通过线性插值的方法计算绿色区域的像素，位于红色阴影部分的像素则需要直接使用所在邻域的变换函数求得。这样只是增加了一些双线性插值的计算量从而极大减少了计算变换函数的次数，提升了算法的效率。

图2 插值运算示意图

限制对比度自适应直方图均衡算法针对亮度不均图像增强效果良好，但是当图像整体亮度偏低时，该算法处理效果不佳，针对不足之处，本文做出相应改进。

传统的限制对比度自适应直方图均衡化应用于彩色图像增强时通常会先将原彩色图像转换到另一颜色空间[8]，例如由RGB空间转换到HSV或HSL等颜色空间，然后对其亮度值进行均衡化，最后再转换至RGB颜色空间。本文将限制对比度自适应直方图均衡化处理直接应用于3-D彩色空间[3]，即将RGB三通道的像素统计于一个直方图中，再对该直方图进行均衡化处理。该方法相对于上述只对亮度通道或分别对RGB三通道进行均衡化处理的算法效果更好。如图3所示。

但如果我们采用该算法对某些整体亮度特别低的图像进行处理，图像亮度增强的效果会不佳。针对这一情况，本文做出了相应的改进措施。

改进算法具体步骤如下：

先对低亮度彩色图像进行限制对比度自适应直方图均衡化处理。

经过CLAHE处理之后的彩色图像由RGB空间转换到HSI空间。

对亮度直方图进行变换：首先确定两个参数（LowCut和HighCut，可以取值0.4%）。

从该直方图的0向上开始累加，当累加值大于LowCut*像素总数时，记此亮度值为MinLight。然后从直方图的255向下开始累加，当累加值大于HighCut*像素总数时，记此亮度值为HighLight。之后开始隐射，当亮度值小于MinLight时隐射为0，大于HighLight时，则隐射为255，对于介于MinLight和HighLight之间的值，则进行线性隐射。最后转化至RGB空间。

（a）原图 （b）三通道分别处理 （c）三通道合并处理

图3 亮度增强对比图

1.2 图像反转理论

雾天图像一般都具有整体偏白色的特征，如图4（a）所示。将雾天图像反转后的结果图中背景区域的亮度值较低，符合低照度图像的特点。本文通过先对雾天图像反转在进行限制对比度自适应直方图均衡算法的亮度增强，然后将其再次反转的方法得到无雾图像。

雾天图像按式（1）进行反转。

Rc（x）=255-Ic（x） （1）

其中，c为图像RGB颜色通道之一，Ic（x）为雾天图像某一像素点x在c颜色通道的像素值，Rc（x）为反转后图像某一像素点x在c颜色通道的像素值。反转后的图像如图1（b）所示，反转图像与低照度图像特征相类似，且亮度均较低，如图4（b）与（c）所示。

（a） 雾天图像

（b） 雾天图像反转结果图

（c） 低照度图像

图4 雾天图像反转与低照度图像对比图

本文采用改进限制对比度自适应直方图均衡化算法对反转图像R进行亮度增强处理，得到图R'。然后对R'进行反转操作得到我们所要求的无雾图像Jc（x），如图5所示。

Jc（x）=255-R'c（x） （2）

（a）原图 （b）雾天图像反转结果图R

（c）反转图像亮度增强结果图R' （d）去雾增强效果图J

图5 基于图像反转的去雾增强过程图

2 实验结果及分析

为了验证本算法的快速有效性，将在本节展示本算法的去雾效果及其耗时。本算法在Window 8系统、处理器主频为2.55 GHz、系统内存为4 GB的PC机上以VS2010为平台实现。

（a）原图

（b）基于反转去雾效果图

（c）基于暗原色先验去雾效果图

图6 去雾效果图

由图6可以看出本算法与HE[9-11]算法都取得了很好的去雾效果。但由于HE算法中的暗原色先验理论不适用于天空等明亮区域，该算法对明亮区域去雾的会出现失真现象。表1、表2、表3给出了本算法与HE算法几种图像客观评价参数值。

表1 图像-港口去雾增强结果图客观质量评价

亮度 对比度 清晰度 信息熵

原图 110.76 2.514 7.170 6.945

HE算法去雾效果 53.75 5.50 13.61 7.05

本算法去雾效果图 117.25 8.02 20.40 7.56

由表1、表2、表3可以看出经本算法去雾后的图像在亮度、对比度、清晰度、信息熵较原图像等客观质量评价均有较大提升，且本算法绝大部分客观质量评价优于He算法客观质量评价（部分雾天图片由于受雾的干扰亮度值可能大于去雾后图像的亮度）。

表2 图像-纪念碑去雾增强结果图客观质量评价

亮度 对比度 清晰度 信息熵

原图 101.15 0.99 3.65 7.01

HE算法去雾效果 62.52 1.55 5.14 7.15

本算法去雾效果图 132.19 2.54 8.92 7.71

表3 图像-树林去雾增强结果图客观质量评价

亮度 对比度 清晰度 信息熵

原图 191.23 3.38 7.76 6.16

HE算法去雾效果 115.12 13.04 26.85 7.54

本算法去雾效果图 125.85 14.32 29.26 7.48

由表4可知本算法在效率上也非常出众，可以将本算法应用于智能监控、卫星遥感监测等对实时性要求较高的视觉系统上。

表4 算法耗时

图像 400×600 600×600 1024×768

耗时（ms） 15 31 63

3 结 语

针对直方图均衡（HE）算法经直方图均衡处理后可能出现的噪声放大，自适应直方图均衡和传统的限制对比度自适应直方图均衡（CLAHE）算法效率降低而且极其耗时，提出了一种基于反转的限制对比度自适应直方图均衡图像去雾改进算法，本算法先将图像进行反转，将转后的图像用改进后的限制对比度自适应直方图均衡算法进行亮度增强，再进行反转得到无雾图像。经试验可知本算法快速有效，针对天空、岩石等明亮区域时不会出现失真，去雾后的图像相较于其他算法去雾效果更加自然、真实。该算法可以应用于智能监控、卫星遥感监测等对实时性要求较高的视觉系统上。

参考文献

[1] 张新龙，汪荣贵，张璇，等.基于视觉区域划分的雾天图像清晰化方法[ J ].电子测量与仪器学报，2010，24（8）：754-762 .

[2] 刘轩，刘佳宾.基于对比度受限自适应直方图均衡的乳腺图像增强[J].计算机工程与应用， 2008（10）：173-175.

[3] Trahanias P E， Venetsanopoulos A N. Color image enhancement through 3-D histogram equalization[C]Pattern Recognition， 1992. Vol. III. Conference C： Image， Speech and Signal Analysis， Proceedings.，11th IAPR International Conference on. IEEE，1992：545-548.

[4] He K， Sun J， Tang X. Single image haze removal using dark channel prior[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on，2011，33（12）： 2341-2353.

[5] 刘治群，杨万挺，朱强.几种图像增强算法的研究比较[J].合肥师范学院学报，2010，28（6）：60-63.

[6] 褚宏莉，李元祥，周则明，等.基于黑色通道的图像快速去雾优化算法[J]. 电子学报，2013，41（4）：372-375.

[7] Pizer S. Adaptive histogram equalization and its variations[J].Computer Vision， Graphics， and Image Processing，1987，39（3）：355-368.

[8] Zuiderveld K.Contrast. limited adaptive histogram equalization[C]Graphics gems IV. ，1994： 474-485.

[9] Trahanias P E， Venetsanopoulos A N. Color image enhancement through 3-D histogram equalization[C].Image， Speech and Signal Analysis， Proceedings.， 11th IAPR International Conference on. IEEE， 1992： 545-548.

[10] Han J H， Yang S， Lee B U. A novel 3-D color histogram equalization method with uniform 1-D gray scale histogram[J]. IEEE Transactions on， 2011，20（2）：506-512.

[11] Meng G， Wang Y， Duan J， et al. Efficient Image Dehazing with Boundary Constraintand Contextual Regularization[C]Computer Vision， International Conference on. IEEE，2013： 617-624.