基于自适应阈值改进暗通道先验图像增强技术

赵　静

(宁夏大学 数学计算机学院，宁夏 银川 750021)



基于自适应阈值改进暗通道先验图像增强技术

赵静

(宁夏大学 数学计算机学院，宁夏 银川 750021)

摘要：基于暗通道先验的图像增强技术在图像的去雾和增强方面具有较好的图像增强效果。针对基于暗通道先验图像增强算法在处理有雾图像存在大面积白色高亮区域时出现的失真，提出了基于自适应阈值的改进暗通道先验算法。该算法在对图像进行直方图统计的基础上，先判断图像是否存在大面积白色高亮区域，并对区域的面积进行标识和统计，得到自适应系数β，再利用该系数对暗通道先验算法进行修正，最终进行对比度增强实现图像的去雾增强效果。实验结果表明，该方法能够有效消除图像去雾过程中出现的失真，提升图像质量，具有较高的实用价值。

关键词：数字图像；暗通道先验；去雾算法

图像去雾算法对有雾条件下降质图像的清晰化增强起着重要的作用，目前已经成为数字图像处理领域内热点研究课题，在航空、遥感、监控等领域有着极高的应用价值。图像去雾的方法有很多种，仅单幅图像去雾就有直方图处理方法[1]、Retinex[2]、同态滤波[3]、空域彩色图像增强方法[4]和暗通道先验[5]等算法。

其中，He等人提出的暗通道先验算法通过对大量户外图像进行统计分析，在无法获得图像深度信息的情况下，利用各像素点基于区域面积内三基色通道中最小亮度点的偏离先验值对图像进行增强，获得了很好的单幅图像去雾效果。在此基础上，吴笑天等人[6]提出采用双边滤波恢复场景的边缘，实现了图像复原，其算法通过对场景边缘快速处理，在不降低画质的情况下提高了图像处理的速度。嵇晓强[7]等人提出采用自适应图像分块处理和区间分段拉伸的方法在加快图像处理速度的同时，增强了图像的细节。

然而，He等人的算法具有一定的局限性：算法在遇到大范围白色高亮区域图像时，由于该区域亮度与大气光相近，图像的透射率偏小，难以获得精准的透射率值，造成RGB三颜色通道比例失调，从而引起图像边缘、灰度和色彩失真，降低了图像的质量，以致算法无法得到很好的应用和推广。

为此，蒋建国[8]等人引入了容差机制，对图像的大气光值和观测亮度进行比较，当该值小于阈值时，将该区域标识为明亮区域，降低透射率系数，实现对高亮图像的失真校正。但这种处理无法保存明亮区域图像细节，且阈值固定，很难适应全部图像，因此实施起来具有一定的局限性。

为了解决这些问题，本文提出了一种基于自适应阈值的改进暗通道先验图像增强算法。算法在已有暗通道先验算法基础上，通过自适应选择修正系数来改善原方法处理白色高亮图像过程中引起的灰度和色彩失真问题，能够有效提高图像的显示质量。

1改进暗通道先验图像增强方法

暗通道先验图像算法主要是在对图像进行大量统计的基础上得到的经验假设，通过假设估值计算出透射图，实现图像的去雾效果。这种统计假设的方法在绝大多数户外有雾图像处理中能够取得较好效果，但对天空等和大气光在本质上相近且区域较大的白色高亮图像处理效果并不理想，需要对算法进行改进。

1.1暗通道先验算法

根据1975年McCartney提出的大气散射模型，图像中物体呈现出来的亮度主要由入射光衰减后的透射光和大气光两部分构成，可描述为式(1)

I(x)=J(x)t(x)+A(1-t(x))

(1)

式中：对于图像中像素点x，I(x)为有雾降质图像；J(x)为待求原始无雾图像；A为大气光强度值；t(x)为有雾图像的透射图。去雾算法的本质就是在已知原始有雾图像I(x)的情况下，通过A和t(x)的求解，获得无雾图像J(x)。

在实际求解过程中，考虑到该方程属于病态方程，必须对已有条件进行优化。He在对大量室外图像的统计规律研究基础上，提出室外图像中86%以上无雾图像中像素点有一个或多个基色通道数据值很低。通过无雾图像暗原色像素点基色分量和有雾图像相应像素点基色分量的差值，可以近似估算雾的厚度，推算出景深信息。暗原色统计值的计算可以通过式(2)获得

(2)

式中：Jdark为暗通道的数值；Jc为R、G、B三基色通道中的一个通道数值；Ω为像素x为中心的一个区域；c为该区域的一个颜色通道。根据暗通道先验统计规律，大部分图像中各个局域的像素暗通道值Jdark一般小于16。为了便于后续计算，可以将这些区域的Jdark近似看为0。这样，就可以得到在区域Ω范围内透射率的近似值，见式(3)

(3)

式中：t%为区域内部的透射率值；Ac为区域内该暗通道的大气光值，取值为暗通道图中按亮度大小排序前0.1%像素对应的最高亮度值；ω∈[0,1]为景深系数，使用ω系数主要解决了图像处理中景深信息不足的问题。由于暗通道本身的亮度主要由大气光来提供，因此图像的透射率可以近似看作是常数0。

实际计算过程中，先根据需要将整幅图像划分成N×N个像素构成的区域Ω，并在每个区域内求得初始透射值t%和Ac。在此基础上可以求得近似无雾图像J(x)，见式(4)

(4)

式中：引入t0∈[0.1,0.01]作为限制因子，以保证式(4)的分母不为0，避免了去雾计算产生噪声。

He提出的上述算法具有较好的去雾效果，但公式是基于统计规律模型，在一些特殊场景下有一定局限性。例如，场景为大面积白色高亮区域时，该算法在计算时会出现一定的偏差，导致图像失真，见图1。图1a和图1b为原始有雾的图像，图1c和图1d为去雾后的图像，图1e和图1f为原图像去雾时使用的透视图。从图中可以看到图1a没有大面积高亮显示区域，因此其图像在处理后能够基本保持原有图像的颜色信息，没有发生较大面积失真现象。图1b中存在大面积白色高亮的天空图像，完成去雾处理后，天空部分出现明显的颜色失真，原本白色的天空变成了彩色，而且原来过渡平滑的区域显示出了斑块现象。究其原因，主要是在透视图计算时，白色高亮部分和大气光像素的亮度值较为接近，因此该区域透射率过小，计算去雾图像的像素的三基色通道强度值和真实值之间存在较大偏差，见图1f中黑色的部分，这种偏差就会导致图像出现失真。而对于图1a的透射图1e，其图像的各个区域亮度和大气光值有一定差距，没有大面积黑色区域，因此不会出现失真现象。

因此，现有暗通道先验算法具有较好的去雾效果，能够将大部分有雾图像中的云雾去除比较干净，还原图像本来的色彩和灰度，然而针对天空等大面积白色高亮区域的去雾过程中，该算法的运算结果会导致图像出现失真现象。为了解决这一问题，需要对现有的暗通道先验算法进行改进。

1.2基于自适应阈值的暗通道先验算法

暗通道先验算法假定有雾降质图像的像素具有暗通道特征，而大面积白色高亮区域像素不符合该假设，没有数值几乎为0的暗通道像素。这导致在解式(1)病态方程时，优化假设的t%和Ac与实际值之间存在较大误差。这种误差就导致场景处理后的图像出现了失真现象。

为了避免这种雾化图像中大面积白色高亮区域去雾时出现失真，本文引入了基于自适应阈值的改进暗通道先验图像增强算法。

算法首先将图像从RGB彩色图像转为灰度图像，统计出有雾图像的灰度直方图和灰度均值L。再利用灰度直方图的直观性，从灰度最大值向灰度最小值方向寻找直方图数值变化的谷点。谷点选出后，和平均灰度值L进行比较，将大于平均灰度值L的第一谷点为直方图的阈值点A。在此计算过程中，为了减少虚假阈值点对自适应阈值点选择的影响，还需要对直方图进行平滑处理，提高算法的准确性和鲁棒性。

为了进一步确定高亮图像的颜色，当阈值点确定后，还要对原有雾彩色图像阈值点右侧区域内图像高亮度区域进行R/G/B三基色通道的强度值进行判断，当三基色相互之间强度值差小于ΔL时，认为三基色反映出来的是高亮度白色信号。本文中使用的ΔL为大量图像的统计经验值。后续实验中，ΔL取值为24。

在判断出白色高亮的情况下，针对灰度值高于阈值点A的像素进行所在区域判别。判断时，将整幅图像按15×15像素进行区域分割，统计每个区域内像素灰度均值，当灰度均值均高于阈值点A时认为该区域为白色明亮区域，并进行标识。

最后，计算已经标识区域的像素数S1和整幅图像的像素数S，根据S1和S的比值计算修正系数β。在对整幅图像计算透射率过程中，对标识的图像通过β系数进行修正，并对最终结果进行对比度增强处理。经过上述处理后，用于计算透射图就可以避免出现较大的误差。

图2为图1a和图1b彩色有雾图像的灰度进行直方图统计的结果。从图2可以看到，有雾图像图1a的直方图没有一个明显大于图像平均灰度值的变化谷点，而图1b则存在一个明显大于图像平均灰度值的谷点。

通过有雾图像的灰度图3a分析可以看出，当图像中不存在大面积白色高亮图像时，算法无法自动选择到合适的阈值。此时，认为这部分区域和其他景物不能完全区分开来，β系数近似为1。从图中可以看到这种分割准确度较高，不会在没有大面积白色高亮区域时误提取提到白色高亮图像的区域。

当图像中存在大面积白色高亮图像时，该算法则可以直接根据图像的直方图自动选择阈值，并准确区分出白色高亮区域和其他景物，如图3b所示。在该图中，两旁树木中间的白色高亮天空部分被准确的识别出来。

根据图3b的标识结果，该图像的阈值点A为灰度级193，其右侧像素和总像素的比为19.67%，而经过标识为白色高亮区域的像素点和总像素的比为23.38%，在此基础上，算得该图的修正系数β值为4.28。

将修正系数β引入到暗通道先验算法中，对图1d进行修正，所得结果为图4c。对比暗通道先验算法结果见图4a，本文所述改进算法结果见图4c，可以看出：暗通道先验算法和改进算法，在整幅图像的显示效果较为一致，树木和街道的细节部分也较原始图像有了明显改善。

但两种算法得到的图像结果的天空部分具有较为明显的差别。从处理后天空局部放大图可以看到，原算法图像天空部分颜色边缘出现了黄色和紫色的斑块，这种斑块已经完全偏离了图像应该呈现的颜色，见图4b。

在经过改进算法处理的天空局部放大图中，这种颜色变化就得到了明显改善，仅在近景边缘部分还有一些不明显的颜色失真，而整个天空显示的颜色较为正常，见图4d。

2 实验结果及讨论

为了进一步验证算法效果，特选择一幅常用的有雾图像进行对比实验。图5a为原始有雾降质图像。针对此图像，采用自适应阈值算法可以很好的将图像上半部的白色高亮天空图像和下半部的山景区分出来，见图5b。对比原有算法去雾结果(图5c)和改进算法的去雾结果(图5d)，可以看出，本文提出的算法可以较好地辨识出大面积白色高亮图像，并能够较好地矫正大面积白色高亮图像的颜色失真，实现画质提升。

改进暗通道先验图像增强技术能够较好改善图像质量，增加图像细节和层次性，保证了图像色彩的真实性。针对本文中使用的3幅图像进行去雾前后图像的信息熵、MSE和PSNR等图像画质客观评价参数进行计算，结果如表1所示。

表1两种算法信息熵、PSNR和MSE结果

实验结果表明：改进图像增强算法的信息熵高于原算法，表明改进算法的在对图像增强的同时，信息量和图像细节要高于原算法。此外，改进算法的PSNR高于原算法，MSE低于原算法，表明改进算法的失真明显小于原算法，改进算法在客观上确实可以使图像的细节增加，层次增强，明显改善显示效果。因此，本文的算法优于原算法。

在此基础上，将本文所述改进算法与暗通道先验、多尺度Retinex、自适应对比度增强、自适应直方图均衡化等算法的结果进行比较，见图6。可以看出，其他方法在实现过程中会出现植物的绿色和天空的白色等局部图像颜色失真，图像的细节有所缺失，图像噪声也得到了放大，使得处理后的图像与真实图像之间存在较大的差异。本文方法的图像在大面积白色高亮区域没有色彩和灰度失真，在细节处理上不会因为过度增强引起画质降低，图像细节完整，天空色彩更接近真实的原始图像。

3结论

针对已有暗通道先验算法在对大面积白色高亮度图像处理过程中引起的图像失真的现象，采用了基于自适应阈值改进的暗通道先验算法对图像去雾方法进行了优化。该方法在暗通道先验算法的基础上，通过对图像直方图的统计和自适应的阈值计算，能够根据图像具体情况在原始图像中标识出大面积白色高亮区域形貌，并设置修正系数消除了大面积白色高亮区域处理过程中的图像失真问题，计算出精准的增强图像。

实验结果表明，新算法具有更高的图像细节和层次感，同时减少了图像的失真，具有较高的理论和实用价值。

参考文献：

[1]李利荣，汪蒙. 一种高效的图像增强去雾算法[J]. 湖北工业大学学报，2013，28(5)：72-75.

[2]林笑君，梁凤梅. 基于Retinex的一种图像去雾算法[J]. 电视技术，2013，37(17)：155-158.

[3]康艳梅，陈名松，何志毅. 基于LED辅助照明的水下图像增强算法研究[J]. 电视技术， 2013,37(15)：211-214.

[4]王小鹏， 陈璐， 魏冲冲，等. 一种改进的Retinex彩色图像增强方法[J]. 兰州交通大学学报， 2015， 34(1)： 259-270.

[5]HEK，SUNJ，TANGXO.Singleimagehazeremovalusingdarkchannelprior[C]//Proc.IEEECVPR09.Washington：IEEEComputerSociety， 2009： 1956-1963.

[6]吴笑天， 丁兴号， 吴奎. 基于暗通道理论的雾天图像复原的快速算法[J]. 长春理工大学学报(自然科学版)，2012，35(1)：100-104.

[7]嵇晓强， 戴明， 孙丽娜，等. 暗原色先验图像去雾算法研究[J]. 光电子·激光，2011，22(6)：926-930.

[8]蒋建国， 侯天峰， 齐美彬. 改进的基于暗原色先验的图像去雾算法[J]. 电路与系统学报， 2011，16(2)：7-12.

Improvedmethodofimagedehazingusingdarkchannelpriorbasedonadaptivethreshold

ZHAOJing

(School of Mathematics and Computer Science， Ningxia University， Yinchuan 750021，China)

Keyword：digitalimage；darkchannelprior；imagedehazing

Abstract：Inordertoresolvethedistortionoflargegrayareaenhancementthroughdarkchannelprioralgorithms，animprovedmethodbasedonadaptivehistogramthresholdpriorialgorithmisproposed.Atfirst，thelargegrayareabyimagehistogramisdetectedandmarked.Secondly，themarkedareaiscalculatedtoobtainadaptivecoefficientsβ.Finally，thepictureisfixesbythedarkchannelprioralgorithmwithβ.Theresultsshowthatthedehazingimageswiththeproposedmethodinthispaperhavebettersharpness，colorrestoredegrees.theimagedetailisenhancedandthequalityisimproved.

中图分类号：TP911.73

文献标志码：A

DOI：10.16280/j.videoe.2016.01.008

基金项目：宁夏高等学校科学技术研究项目(NGY2014052)

作者简介：

赵静(1977— )，女，硕士，副教授，主研数字图像处理及图像识别技术。

责任编辑：时雯

收稿日期：2015-07-10

文献引用格式：赵静. 基于自适应阈值改进暗通道先验图像增强技术[J].电视技术，2016，40(1)：42-46.

ZHAOJ.Improvedmethodofimagedehazingusingdarkchannelpriorbasedonadaptivethreshold[J].Videoengineering，2016，40(1)：42-46.