一种基于暗通道的航拍图像去雾算法

陈 茹 ，张珍明 ，陈 龙

(1.火箭军指挥学院，湖北 武汉 430012；2.大同煤集团电业公司，山西 大同 037000 )

一种基于暗通道的航拍图像去雾算法

陈 茹1，张珍明1，陈 龙2

(1.火箭军指挥学院，湖北 武汉 430012；2.大同煤集团电业公司，山西 大同 037000 )

针对无人机航拍图像在雾霾天气下降质特点，提出一种基于暗通道先验原理的航拍图像去雾改进算法。根据大气物理模型和暗通道原理，对有雾图像进行自适应分块求取暗通道图；通过降采样得到初始透射率图，再应用导引滤波对投射率进行优化，同时利用最小值滤波和均值滤波求解大气光强；应用雾天模型恢复降质图像。通过实验对比验证，该算法简单且能够高效去雾，在客观评价指标上总体性能也优于其他算法。

无人机侦察；图像去雾；大气物理模型；暗通道

0 引言

近年来，光学传感器作为无人机搭载的重要感知器件，当无人机在不良天气条件下进行航拍时，尤其是在雾霾天气下，由于空气中的悬浮颗粒对光线的散射、吸收等作用影响，使得光学系统成像质量下降，造成图像对比度低、颜色失真，目标特征被覆盖，细节缺失，信息的可辨识度大大降低，影响人眼感观。因此，研究高效、快速并具有一定鲁棒性的图像去雾算法具有十分重要的理论价值和现实意义。

目前，国内外的研究学者针对雾霾引起的图像降质问题，提出了很多有效的去雾算法。主要分为以下2类：① 基于图像增强的去雾方法，即通过增强图像对比度改善图像视觉效果，达到去雾的目的，但由于没有考虑雾图的成像机理，适用范围小；② 基于图像复原的去雾方法，即通过研究雾霾天气对图像成像造成的影响，建立雾天图像退化模型，反向推导退化过程，计算无雾图像的最优估计值，从而改善雾天图像质量，适用范围广、针对性强、去雾效果好。如Tan[1]通过最大化局部对比度来去雾，但对饱和度较高的原图像易造成失真的效果。Fattal[2]提出了独立分量分析法实现了单幅图像去雾，但该方法的性能很大程度上取决于输入图像的统计特性且依赖于其颜色信息，因此在浓雾区域及灰度图像的情况下无法处理。其中，何凯明[3]等在大气物理模型的基础上，提出了暗通道先验(Dark Channel Prior，DCP)原理用于图像去雾，该算法去雾后图像颜色自然、清晰度高，但是该算法对部分区域暗原色失效，且采用软抠图优化算法，影响了算法的执行速度，处理时间长；随后其在文献[4]引入了导向滤波代替软抠图，使得算法的运行效率大大提高，但是还不能达到工程实现的要求。鉴于暗通道原理去雾的良好性能，一些研究者对该算法进行一系列的改进处理。禹晶[5]等人在暗通道原理的基础上，利用双边滤波代替软抠图算法，有效恢复了场景的对比度和颜色，但对白色物体以及浓雾图像的恢复效果不理想。文献[6]通过对雾天图像退化物理模型的分析，利用均值滤波来估计透射率和全局大气光，在执行速度上得到了很大提高，而且去雾效果也保持得很好，但是理论支撑不足。文献[7]通过边缘检测来寻找暗原色值进行滤波，使透射率图更准确，并利用尺度因子及阈值使图像颜色更保真。文献[8]通过结合小波变换优化透射率，使图像去雾效果更自然，但算法较为复杂，难以满足实际需求。

本文基于暗通道先验原理提出一种适合航拍图像的去雾新算法。

1 基于图像复原去雾的基本原理

1.1 大气物理模型

目前通用的大气物理模型是由 McCartney[9]提出的米氏散射物理模型，用公式可以表示如下：

(1)

式中，I(x,y)为有雾图像；J(x,y)为要恢复的无雾图像；A为大气光值；β为大气散射系数；d为场景深度；J(x,y)e-βd(x,y)为入射光衰减模型；(1-e-βd(x,y))A为环境光模型。用传输投射率t(x,y)来表示指数衰减项，则式(1)可表示为：

(2)

由式(2)可知，可以根据有雾图像I(x,y)，透射率t(x,y)和大气光值A可以复原无雾图像J(x,y)。

1.2 暗通道先验原理

暗通道先验原理的提出是基于以下对清晰的户外图像观察的事实：对于图像的很多非天空场景区域，在某些像素点上至少存在一个色彩通道的亮度非常低。换句话说，这些区域的最小亮度应该有非常低的值。形式上，对于一幅图片J(x,y)，定义

(3)

式中，Jc为图像J(x,y)中r、g、b三颜色通道中的一个；Ω(x,y)为以点(x,y)为中心的一个局部图像模块。对于一幅没有雾的户外图像，除了天空区域，Jdark的亮度非常小，近似趋于0。因此，称Jdark为图像J(x,y)的暗通道，并且称以上的统计观察知识为暗通道先验原理。

1.3 估计透射率

对大气物理模型进行变换，可得

(4)

对式(4)两边进行2次最小值滤波运算，可得

(5)

根据暗通道原理，由式(3)和式(5)可得：

(6)

另外，在晴天，空气中也存在一些颗粒，对于无人机航拍图像来说，从高空拍摄地面的场景，由于存在大面积偏白区域，如果在去雾的同时保留一定程度的雾，可以保留图像的真实感和深度感，得到的图像颜色更加自然。因此，可以在上式中引入一个因子γ(0≤γ≤1)进行修正，

(7)

1.4 复原无雾图像

(8)

2 基于DCP的去雾改进算法

无人机航拍图像相对于其他拍摄图像有其自身特点：

① 无人机航拍时从高空向地面取景，即物体景深相差不大。场景中各景物受雾霾影响的程度大体相同，雾气浓度分布也相对均匀。

② 航拍图像中包含一些偏白色区域如水面、荒原或路面等，通过实验统计可知，这些区域即使在无雾环境下，像素值也很大，有雾时很难在该区域找到像素接近0的暗原色点，所以采用暗通道原理去雾会出现颜色失真、光晕等现象。

③ 航拍图像中一般不存在天空区域。

本文在暗通道原理基础上，针对无人机航拍图像特点，提出了一种改进的去雾算法，算法的流程如图1所示。

图1 算法流程

2.1 自适应求取暗通道

由以上分析可知，求取暗通道图的关键是对有雾图像分块，分块较大时，局部错误少，但透过率分布单一，估计图的细节和层次感不够明显；分块较小时，图像细节较多，层次感较好，但平滑较少，局部错误较多，不利于大气光值的估计。文献[3]选取的分块大小为固定值15×15，对于尺寸不同的图像，使得去雾效果不一。针对这种情况，本文在对图像分块时，选取图像的行和列5%的整数值作为块的大小，这样可以根据图像实际大小进行自适应分块求取暗通道图，在保证图像平滑的同时保留其更多的细节特征。

2.2 大气光值估计

对于大气光值A的取值，许多文献给出了不同的处理方法。其中文献[9]是通过对有雾图像的天空区域分块求取均值来估计大气光值，此方法效果较好，但仅适用于存在天空区域的图像，不适合航拍图像去雾。文献[1]是将图像中具有最大亮度值的像素作为大气光值，方法简单，但在实际应用中，该值可能位于白色位置。文献[3]在暗通道去雾中首先选取最亮的 0.1%比例的像素位置，则这些位置所对应原有雾图像的最大灰度值作为全局大气光值A，该法具有很好的鲁棒性，但获取过程较为耗时。

由于航拍图像一般不含天空区域，雾气分布均匀，最小值滤波不符合雾气在大部分区域连续均匀分布的特征，而均值滤波恰好能够满足本文情况，所以本文采用最小值滤波与均值滤波结合来估计大气光值A。先求出原有雾图像r、g、b通道的最小值Wmin(x,y)，然后对其进行均值滤波后得到Wave(min)(x,y)，即把其中最大值作为大气光强A，

(9)

通过实验表明，该方法得到的大气光强A准确度高、速度快。

2.3 透射率的优化

根据暗通道原理求取暗通道图时采取的是最小值滤波，利用相应的暗通道值估计透射率值不同，会产生“halo”效应，传统方法用软抠图来优化透射率，但构建拉普拉斯矩,算法复杂，计算量大。为了提高优化速度，He[4]采用导引滤波法优化透射率。导向滤波实质上是一种双边带滤波，在滤波过程中采用积分图像，相当于基于窗口的累加运算，其去雾效果与软抠图类似，但复杂度降低、效率提高。

导向滤波模型如下：

(10)

Ji=akOi+bk,∀i∈wk。

(12)

式中，φ为一个正则化参数，防止ak过大。可求得

本文通过降采样提高了求得雾图初始透射率的速度，再通过导引滤波进行优化，该透射率能够较为准确地反应图像光强度，而且能够针对暗通道去雾图亮度不够，自适应提高图像的亮度，使图像颜色看起来更为自然，具有较强的鲁棒性。

3 航拍图像去雾实验与分析

为了验证本文算法的可行性和有效性，本文在处理器为Intel(R)Core(TM)i5-2415M、2.3GHz，操作系统为Win7的PC上利用MatlabR2014a软件进行仿真实验。

通过对2幅在雾霾天气下无人机航拍图像采用不同去雾算法进行处理，结果如图2和图3所示。

图2 航拍fig.1各种算法去雾效果对比

通过对图2和图3对比可以看出，直方图去雾后仍留有部分雾气存在，难以反映图像中局部景深的变化；“Retinex”算法去雾后能见度和亮度有提高，但图像存在严重颜色失真；“He”算法去雾效果好，但去雾后颜色偏暗；文献[7]采用的算法在去雾效果可视性方面和本文算法区别不是很大，本文算法在细节处理方面显得更加细腻和平滑。从整体上看，5种算法都能较好地达到去雾的效果，但在色彩亮度方面，本文算法视觉效果要好于“He”算法和文献[7]算法。

为了进一步客观评价比较不同算法去雾后的图像效果，采用图像熵、标准差、边缘强度以及处理时间4个指标对以上2幅航拍图像进行定量分析。其中，图像熵是表示图像信息丰富程度的重要指标；标准差是反映图像各像素灰度值分布程度；边缘强度体现了图像的细节信息特征。具体结果如表1和表2所示。

图3 航拍fig.2各种算法去雾效果对比

去雾算法图像熵标准差边缘强度时间/ms原始图像7.125135.144369.0071直方图均衡法7.363560.0290128.25439.2237“Retinex”算法7.892758.8453146.061342.2015“He”算法7.795260.3956139.951362.3618文献[7]算法7.663568.1998141.542134.6737本文算法7.877166.9112145.450510.7832

表2 航拍fig.2去雾效果客观评价结果

从表1和表2中可以看出，本文算法在去雾效果上优于“He”算法，但“He”算法时间复杂度较高。“Retinex”算法边缘强度好于本文算法，但处理时间长。本文算法在时间上虽与直方图法近似，但其他各项指标却明显优于直方图法。文献[7]算法也是基于暗通道原理，去雾效果较好，但去雾处理时间不如本文算法，本文算法各项评价指标综合来看优于其他算法，尤其是处理时间得到了很大提升。

4 结束语

本文改进算法是在暗通道先验原理基础上结合无人机航拍图像特点下提出的。与传统算法相比，本文算法在保证去雾效果的前提下，降低了算法的复杂度，执行时间上有了极大的提高，基本上可以达到工程应用的实时性要求，提高了无人机航拍图像数据信息的有效性和可用性，促进了无人机作业在军事和民用领域中的广泛应用。

[1] TAN R.Visibility in Bad Weather from a Single Image[C]∥Proceeding of IEEE Conference on Computer Vision and Pattern Recognition,Alaska,USA，2008:1-8.

[2] FATTAL R.Single Image Dehazing[J].ACM Transactions on Graphics(TOG),ACM,2008,27(3):72.

[3] HE Kai-ming,SUN Jian,TANG Xiao-ou.Sing Image Haze Removal Using Dark Channel Prior[C]∥Computer Vision and Pattern Recognition,2009:1 956-1 963.

[4] HE Kai-ming,SUN Jian,TANG Xiao-ou.Guided Image Filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(6):1 397-1 409.

[5] 禹 晶,李大鹏,廖庆敏.基于物理模型的快速单幅图像去雾方法[J].自动化学报,2011,37(2):143-149.

[6] 刘 倩,陈茂银,周东华.基于单幅图像的快速去雾算法[C]∥25th Chinese Control and Decision Conference,2013:3 780-3 785.

[7] 陈 露，和红杰，陈 帆.基于边界邻域最大值滤波的快速图像去雾算法[J].光子学报,2014,43(11):1110003.

[8] 苑尚博,高轶琛,宋笑影,等.暗通道结合小波变换的雾天图像复原[J].计算机应用与软件,2015,32(10)：192-195.

[9] MCCARTNEY E J.Optics of Atmosphere:Scattering by Molecules and Particles[M].New York:John Wiley and Sons,1976.

陈 茹 女，(1989—)，硕士研究生。主要研究方向：信息融合、图像处理。

张珍明 男，(1971—)，博士，副教授，硕士研究生导师。主要研究方向：数字图像处理、模式识别。

An Aerial Image Dehazing Algorithm Based on Dark Channel

CHEN Ru1,ZHANG Zhen-ming1,CHEN Long2

(1.PLARocketForceCommandCollege,HubeiWuhan430012,China;2.ElectricalCompany,DatongCoalMineGroup,DatongShanxi037000,China)

UAV aerial images are seriously degraded in haze weather.To solve this problem,the paper proposes an aerial image dehazing algorithm based on dark channel prior principle.According to the physical model of atmosphere and dark channel principle,the hazed image is adaptively segmented to obtain the dark channel graph;the initial transmissivity diagram is obtained through down sampling;and the projection ratio is optimized by using guided filter.At the same time,the gas intensity is solved by using minimum filter and mean filter;finally,the dehazed image is recovered from the degraded image through the haze model.The experimental comparison and verification show that the image dehazing algorithm is simple and can be highly efficient,and the overall performance of the objective evaluation index is better than other algorithms.

UAV reconnaissance;image dehazing;physical model of atmosphere;dark channel

10.3969/j.issn.1003-3106.2016.11.10

陈 茹，张珍明，陈 龙.一种基于暗通道的航拍图像去雾算法[J].无线电工程,2016,46(11):38-41,78.

2016-08-22

TP391.4

A

1003-3106(2016)11-0038-04