基于图像增强技术的几种破雾算法分析

杨杰，王瑞

（1.91202部队辽宁葫芦岛125004；2.海军航空兵学院，辽宁葫芦岛125001）

基于图像增强技术的几种破雾算法分析

杨杰1，王瑞2

（1.91202部队辽宁葫芦岛125004；2.海军航空兵学院，辽宁葫芦岛125001）

视频图像是侦察和监控系统的一个重要信息来源，其信息量直观且丰富。但在恶劣天气条件下，尤其是雾霾天气，会使视频监控的可视性能急剧下降。采用适当的图像增强算法，可以有效地改善雾霾天气条件下监控视频的可视性，提高监控效能。在分析拉普拉斯算子、直方图均衡化、对比度拉伸时域算法以及高通滤波、同态滤波频域算法的基础上，结合一个实际海上船舶监控系统，对这些算法进行一一试验，综合破雾效果以及算法实用性得出高通滤波器具有最佳的实用价值，并进一步指出，以后图像破雾算法的发展方向为小波技术的应用。

图像增强；破雾处理；时域；频域；海区监控

在海上侦察和监视时，由于经常出现雾霾天气，严重影响视频图像的清晰度。因此寻找有效的图像破雾处理方法是视频侦查中一个重要而紧迫的课题。雾天图像由于大气粒子的散射作用，从目标反射的光通量大部分被微粒吸收或反射而导致接受的入射光被衰减。反映在图像上，有以下3个特点：

1）低灰度值被加强，高灰度值被削弱，对比度减弱；

2）由于像素点灰度值的分布过于集中，信噪比相应降低；

3）场景深度信息难以提取。

目前，对雾霾天气图像的清晰化处理主要分为基于物理模型的天气退化图像复原方法和基于图像增强技术的突出显示方法。而天气退化图像复原方法必须已知图像的景深信息，目前成熟的Oakley、Narasimhan等方法需要借助于其它设备或其它条件来获得深度信息；且这些方法对图像采集的要求过于苛刻，同时对硬件设备的要求较高，在现实中难以广泛应用。图像增强［1］是一个传统且有生命力的图像处理领域，已有多种适用于实际使用的图像增强算法，可以大大降低算法的复杂度，满足实际使用中实时性的需要。本文主要从图像增强的角度对雾霾天气图像实现破雾处理。

图像增强技术用于突出图像中需要的信息，削弱或消除不重要的信息，增大图像中不同物体特征之间的差别，以改善视觉效果。图像增强不会增加图像内在信息，但是能够增大信息的动态范围，便于图像分析与识别。按照处理方式不同可分为时域和频域两类增强方式。

1　时域增强算法

时域增强算法中，常用的有拉普拉斯算子［2］、直方图均衡化［3］、对比度拉伸［4］等算法。

1.1拉普拉斯算子

图1是拉普拉斯算子增强效果：（a）是原始图像，为雾天条件下海上船舶的监控图像；（b）为对图a）的四邻域拉普拉斯算子增强；（c）为对图（a）的八邻域拉普拉斯算子增强。

图1　拉普拉斯算子增强效果图

拉普拉斯算子最大的优点是运算简单，易于实现，且作为局部增强算法，景深信息对增强效果影响不大。但如图1所示，拉普拉斯算子的增强效果主要作用在边缘上，对对比度减弱的雾天图像，对比度拉伸效果并不明显；而且，拉普拉斯算子在增强目标边缘的同时，也放大了噪声，增强效果并不理想。

1.2直方图均衡化

直方图均衡化以累积分布函数为基础，将原始图像的直方图修正为均衡分布。其具体操作为：首先通过变换函数将原始图像直方图修正为均衡直方图，接着根据均衡直方图来调整原始图像，以满足人眼视觉需求。

图像的灰度直方图是个一维离散函数：

式中，sk是图像f（x，y）的第k级灰度值；nk是f（x，y）中具有灰度值sk的像素个数；n是图像中像素的总数。由定义式可知，P（sk）给出了对sk出现概率的一个估计。设r和s分别为原图像的灰度和经过直方图均衡后相对应的图像灰度，0≤r，s≤1，变换函数为累积分布函数：

全局直方图均衡化适用于全局增强方法，通过平整处理全局图像的直方图，最大化信息熵，从而增强整个图像的对比。这对于单景深图像具有较好的复原效果，但是，对于场景深度信息多变且又未知的雾天图像，效果并不理想。而局部增强［5］方法可以有效降低景深的影响，得到比较清晰的图像。

该方法通过在图像的局部区域进行直方图均衡化运算，然后对所有局部区域进行遍历。具体操作为：首先选择一个大小合适的子块，然后用该子块逐一覆盖图像上每一个像素点，每次覆盖时，该像素点为位于子块中心，接着对该子块进行直方图均衡化处理，并用该处理结果代替该像素点的灰度值，然后移动到下一个像素点，进行同样的处理过程。

图2是对图1中的（a）图进行直方图均衡的处理效果：（a）图是全局均衡化图像；（b）图为80×60的局部均衡图像；（c）图为120×80的局部均衡图像。由图2可以看出，全局直方图均衡化有效的拉伸对比度，将雾中的目标明显的突出。但由于直方图的累加运算，会导致灰度值合并，信息丢失；而且在同一雾天场景中，有不同景深的目标，增强效果就会下降。而局部直方图均衡化通过使用像素点周围局部信息对该像素点进行灰度值变换，从而有效的增强了图像对比度，解决了雾中多景深目标的增强问题，但其计算量较大。不管是全局直方图均衡化，还是局部直方图均衡化，都无法解决噪声放大比较严重的问题。

图2　直方图均衡化增强效果

1.3对比度拉伸

针对雾天图像低灰度值被加强，高灰度值被削弱，对比度减弱的问题，对比度拉伸则是在空间域进行增强的简单而效果明显的方法。常用的对比度拉伸可分为3种：线性、分段线性以及非线性拉伸3种。图3是对图1中的图（a）进行对比度拉伸的增强效果：图3中（a）、（b）、（c）分别为线性、分段线性以及非线性3种拉伸变换函数；（d）、（e）、（f）分别为3种拉伸变换函数作用下的增强图像。

但是采用以上哪种对比度拉伸方法，或是具体采用其中一种的那种参数，要建立在以图像的对比度分布为先验知识的基础上。选用适当的拉伸变换函数及参数，达到图像增强的效果。对于监控系统中对比度分布会不断变化的视频，增强效果不理想。需要寻找一种策略，对实时的视频图像分析其对比度特性，自动生成与之相适应的拉伸变换函数。

图3　对比度拉伸增强效果

图4自适应线性对比度拉伸增强效果

图4是对图1中的图（a）进行自适应线性对比度拉伸的增强效果，图（a）为自适应产生的拉伸变换函数；图（b）为拉伸变换函数作用下的增强图像。由图4可以看出，自适应线性拉伸与直方图均衡化处理一样，变换函数可以将对比度最大程度的拉伸；但噪声与对比度同时放大，且在雾天存在不同景深的目标时，增强效果就会下降。此问题可以通过与直方图均衡化一样的方法来解决，即采用局部对比度拉伸的方式。但此方法同样有运算量巨大的问题，难以实时使用。

2　频域增强

频域增强算法中，常用的有高通滤波器［6］、同态滤波［7］等算法。

2.1高通滤波器

图像中的变化较大的细节部分，如边缘或线条等，与图像频谱中的高频分量相对应，因此，采用高通滤波器可以使高频分量顺利通过，使图像的边缘或线条等细节信息变得清楚，实现图像的锐化。滤波器可采用理想高通滤波器、巴特沃思滤波器以及指数高通滤波器等经典高通滤波器。实现方式如图5所示。

图5　高通滤波器实现方式

图6是对图1中的图（a）进行高通滤波器的增强效果：图（a）、（b）、（c）分别为理想高通滤波器、巴特沃思滤波器和指数高通滤波器的变换函数H（u，v），图（d）、（e）、（f）分别采用这3种高通滤波器增强的图像。

图6　高通滤波器增强效果

高通滤波器与拉普拉斯算子在本质上是类似的，拉普拉斯算子在频域上就是一个高通滤波器；上述高通滤波器也可以近似为时域上的算子来实现。所以高通滤波器也适用于未知景深信息的图像增强应用，且快速傅立叶变换使得高通滤波器的运算复杂度大大降低。对于雾天图像的增强，直接采用适当的高通滤波器，与拉普拉斯等算子有同样的缺陷，对比度拉伸不够充分；但噪声抑制较好，这是时域上增强算法无法比拟的。

2.2同态滤波

同态滤波增强方法是一种基于照射和反射模型的频域对比度调节方法。此方法以入射光和反射光为基础建立一种图像模型，把图像f（u，v）表示成入射分量i（u，v）和反射分量r（u，v）的乘积，因为一般i（u，v）在空间是缓慢变化而r（u，v）在不同物体的交界两侧变化很快，所以i（u，v）对应于频域的低频部分，而r（u，v）对应于高频部分。同态滤波的基本想法是把f（u，v）分成i（u，v）和r（u，v）两部分，然后在频域中选择合适的滤波器H（u，v），减少低频和增强高频，达到图像增强的效果。实现方式与高通滤波器类似，如图7所示：

图7　同态滤波实现方式

图8是对图1中的（a）图进行同态滤波的增强效果：（a）图、（b）图分别为基于巴特沃思滤波器以及指数滤波器的同态滤波变换函数，（c）图、（d）图分别采用这两种变换函数增强的图像。

图8　同态滤波增强效果

同态滤波增强方法在低照度的可见光图像增强处理中得到广泛应用，并取得了较好的效果。雾天的图像与低照度可见光图像的灰度分布比较相似，灰度信息比较集中，对比度低。采用同态滤波可以取得较好的效果。如图8可见，与高通滤波器类似，同态滤波图像在增强边缘信息的同时，有效的抑制了噪声；景深信息影响较小；但是对比度拉伸不够充分，而且对于监控系统中对比度分布会不断变化的视频，用单一的滤波器H（u，v）无法取得理想的效果，而设计合适的自适应滤波器却远比自动对比度拉伸复杂的多，而不易于在实际监控系统中实现。

3　破雾效果比较

对于对比度低，信噪比差，景深未知的雾天图像，基于图像增强的图像破雾处理方法相较于基于物理模型的方法，大大减少对监控系统的要求，以及算法复杂度。其中各种时域和频域的方法都各有其利弊，具体比较结论如表1所示。

表1　多种图像增强算法破雾处理应用比较

4　结论

综合以上试验效果以及表1中的比较结果，我们可以得出，频域算法效果相对好于时域算法效果，并且，从破雾效果以及算法复杂程度考虑，高通滤波器具有最好的实用性。图像破雾处理要求在拉伸对比度的同时不能丢失图像信息，同时还要减少噪声的放大以及景深信息的影响。直方图均衡化和对比度拉伸等时域算法能有效拉伸对比度，但对噪声抑制和景深信息影响处理效果较差。高通滤波和同态滤波等频域算法能较好的抑制噪声且对景深信息不敏感，但缺乏充分拉伸对比度。如何在抑制噪声、减小景深信息影响和拉伸对比度上权衡，设计性能更优的图像破雾处理方法，目前较多采用小波分析［8］。图像通过小波分解为多个子频带后，图像能量、细节和噪声分别分布在不同频带上。对图像的对比度、能量、细节和噪声采取不同的滤波策略，增强图像在不同分辨率尺度下不同频带的系数，从而得到了一幅图像增强后的小波系数，再利用逆变换便能得到对比度增强后的图像。但是，在实时侦察监视系统中选择图像破雾处理策略时，小波变换较高的运算复杂度是必须考虑的因素之一。而不同频带上的图像增强滤波策略是实现图像破雾处理的关键，针对于监控系统中图像不断变化的视频，如何自适应的对不同的频带，选择合适的滤波策略，来达到最佳可视效果，则需要我们进一步去研究。

［1］王蓉.图像增强算法实现［D］.武汉：长江大学，2014.

［2］Gonzalez R C，Woods R E.Digital image processing［M］.北京：电子工业出版社，2002:128-134.

［3］Tan K K，Oakley P.Enhancement of Color Images in Poor Visibility Conditions Image Processing，2000 Proceedings［C］. 2000 International Conference on，2000:788-791.

［4］Fahnesstock J D，Schowengerd R A.Spatially Variant Contrast Enhancement Using Local Range Modification［J］. Optical Eng，1983，22（3）:378-381.

［5］Marr D，Hildreth E.Theory of edge detection［J］.Proceedings of the Royal Society of London（Series B），Biological Sciences，1980，207（1167）:187-217.

［6］Stark J A.Adaptive Image Contrast Enhancement Using Generalizations of Histogram Equalization［C］.IEEE Transactions on Image Processing，2000，9（5）:889-896.

［7］胡窦明，赵海生，李云川，等.一种基于同态滤波的红外图像增强新方法［J］.红外技术.2012，4（34）:224-228.

［8］曾鹏鑫，么健石，陈鹏，等.基于小波变换的图像增强算法［J］.东北大学学报:自然科学版，2005，26（6）:527-530.

Analysis of fog image clearness algorithms based on image enhancement

YANG Jie1，WANG Rui2
（1.Navy 91202，Huludao 125004，China；2.Naval Air Academy，HuLuDao 125001，China）

Video images is an important information source in reconnaissance system and monitoring system，and its information is intuitive and rich.But in bad weather conditions，especially the fog haze weather，the video monitoring visibility falls sharply.For this problem，several appropriate image enhancement algorithms are proposed to improve video monitoring visibility.A variety of image enhancement algorithms both in time-domin and frequency-domin including laplacian operator，histogram equalization，contrast stretching，high pass filter and homomorphic filter are analyzed and used in a marine monitoring system to improve monitoring ability.The fog image clearness result shows that the high pass filter algorithm is the best in practical video monitoring system.At last，points out that the future development direction of fog image clearness is the application of wavelet technology.

image enhancement；fog clearness；time-domin；frequency-domin；marine monitoring

TN919.82

A

1674－6236（2016）12-0172-04

2015-08-27稿件编号：201508152

杨杰（1984—），男，四川广元人，博士，工程师。研究方向：目标识别与跟踪、图像处理。