图像去雾算法在烟气环境中的适用性分析

王淑彦 李森 梁晓歌 宋寅卯

摘要：火场环境中由于大量烟雾的存在导致视频监控系统的监控画面变的模糊不清，图像对比度及清晰度下降，无法为人员疏散和人员搜救提供有效的支持。鉴于雾天环境与烟气环境的相似性，该文在介绍当前常用的基于物理模型和非物理模型雾天环境图像清晰化算法的基础上，重点对每个算法在烟气环境中的适用性进行了分析，并基于Retinex算法对烟气环境中的图像进行了的处理，获取了清晰化的图像。

关键词：视频监控；烟气；图像清晰化方法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）04-0242-03

火灾是当前各种灾害中最经常最普遍发生的严重威胁着自然环境和人民生命财产的主要灾害之一，随着我国经济发展及城市化进程的加快，建筑结构发生了巨大的变化，建筑高度与建筑面积不断增加，建筑内火灾发生的频次及单次火灾造成的损失都在呈上升趋势。为了加强火灾的预防和探测，建筑内通常利用视频监控系统来观察火灾或者在火灾发生时为救援人员的救援行动提供支持。由于视频监控实时性及图像内容的丰富性，在火灾领域得到迅速发展，如在人员疏散方面[1]，救援人员通过视频监控系统能够轻松地掌握建筑内火灾蔓延趋势及人员荷载分布情况，为人员疏散提供指导，并且随着网络的普及及网络带宽的不断提高，建筑内的视频监控系统能够通过网络连接到消防指挥调度中心[2-3]，消防指挥调度中心能够获知火场情况，快速合理的调度出警警力，为火灾扑救提供保障。

由以上分析可知视频监控系统在火灾发生时有着重要的作用，但当建筑内发生火灾时，视频监控系统受到烟气的影响，采集到的图像出现模糊不清，须对烟气图像进行清晰化处理。现阶段对火场环境图像的去烟算法很少有人研究，而对图像去雾算法的研究却越来越成熟，一些学者在研究雾霾环境中图像清晰化算法的同时，指明该算法适用于烟气环境，但很少有学者对算法在烟气环境中的适用性进行验证。火场环境采集到的图像烟气通常分布不均匀，若有强光和明火采集到图像会出现高光，处理起来比较困难，并且火场中由于大量烟颗粒的散射、吸收等影响，采集到的图像偏暗；但雾天环境采集到的图像雾霾分布均匀，比较容易处理，并且雾天图像亮度高于正常图像。以下文章首先简要介绍了图像去雾的算法，其后对算法在火场环境的适用性进行了分析。

1 典型图像去雾算法

當前国内外的研究中，烟气环境中的图像清晰化算法通常和雾霾环境中图像清晰化算法联系在一起，通过雾霾图像处理方法为烟气图像的处理提供一些参考。雾天图像清晰化技术的研究起步比较晚，最早的研究开始于20世纪90年代，在近二十年的发展过程中，经过国内外研究人员的不断努力，该项技术取得了较大的进展。目前，图像去雾处理方法按照禹晶等人[4-6]的分类分为物理模型和非物理模型的方法。

1.1 基于物理模型的图像去雾算法

基于物理模型的去雾算法实质上是基于大气散射模型或其变形形式，大气散射模型的公式[7]为：

式子中为A天空亮度，β为大气粒子散射系数，p（x）和d（x）为场景反照率和景深，右式第一项为衰减模型，物体表面的反射光由于大气粒子的散射受到一些损失，采集到的图像亮度比较低，第二项为环境光模型，由于大气粒子的散射使大气表现出光源的特性，使得图像的亮度增加。

物理模型的方法就是求解I（x），模型中有三个参数，根据求解方法的不同，基于物理模型的方法又可以分为4类1）基于不同天气条件下多幅图像的去雾2）基于不同偏振条件下多幅图像的去雾3）基于用户交互的单幅图像去雾4）基于数据假设的单幅图像去雾。

1） 基于不同天气条件下多幅图像的去雾：

这类方法是利用大气粒子浓度在同一场景不同时刻是不同的特性，利用两幅或多图像雾天图像来估计场景深度等参数，再通过求解方程来恢复场景。

2） 基于不同偏振条件下多幅图像的去雾：

这类方法是利用光的偏振特性，采用偏振片获取同一场景不同偏振度的两幅图像来估计环境光，进而恢复清晰图像。

3） 基于用户交互的单幅图像去雾：

研究者借助航拍等工具取得场景深度等信息，或者用户输入未知参数等方法获取大气散射模型中的散射系数、天空亮度和场景深度等部分或全部参数，从而得到清晰化的图像。

4） 基于数据假设的单幅图像去雾：

该方法采用单幅雾天图像，利用图像数据本身构造约束场景反照率或景深的假设条件，估计大气散射模型的参数，进而求取清晰化图像。

1.2 基于非物理模型的图像去雾算法

基于非物理模型的去雾算法法普遍以图像增强技术作为基本的处理手段，该类方法不考虑图像退化的原因，仅考虑图像呈现的低对比度等特征，适用性广，通过对图像局部或全局进行增强改善图像质量。比较有代表性的有：1）直方图均衡化2）同态滤波3）Retinex算法4）小波变换。

直方图均衡化[8]算法一般又可分为全局直方图均衡化和局部直方图均衡化。全局直方图均衡化主要对图像中像素比较多的灰度级进行扩展，减少一些像素少的灰度级，从而提高图像的对比度和灰度，达到清晰化的目的。局部直方图均衡化的基本思想是先定义图像的一个子块，然后确定子块的直方图，最后对这个子块进行直方图均衡化，子块中心的灰度变更为此次直方图均衡化之后的灰度，然后子块中心平移到相邻点上，重复上述操作直到遍历完整幅图像为止。

同态滤波[10]是把频率过滤和灰度变换结合起来的一种图像处理方法，这类方法依靠图像的照度/反射模型作为频域处理的基础，该模型为f（x，y）=i（x，y）r（x，y）先将照射分量i（x，y）和反射分量r（x，y）由乘性通过取对数变换成加性，再进行傅里叶变换转换为频域，最后通过滤波器进行滤波处理。

Retinex算法[12]是在色彩恒常理论的基础上提出的，色彩恒常理论是指物体的颜色会受到物体反射特性和周围环境光照的影响，但人们感知到的物体的颜色并不会发生改变。Retinex就是在这个思想理论上提出的一种描述颜色不变性的模型，该模型也是基于照度反射模型，核心问题在于如何求取图像中的光照分量，根据求取方法不同Retinex又分为单尺度Retinex算法、多尺度Retinex算法及带有色彩还原的多尺度Retinex算法。

小波变换[14]是基于一些小型波，具有变化的频率和有限的持续时间的特点。小波变换就是在时间和频率上的变换，对原有雾图像进行小波变换即将图像分解为大小、位置、和方向均不相同的分量，然后根据需要对降质的图像区域进行分量放大，不需要的地方进行分量缩小，最后进行反变换得到增强的图像。

2 图像去雾算法在烟气环境中的适用性分析

下文将分别介绍物理模型和非物理模型的图像去雾算法在烟气环境中的适用性。

物理模型的实质是大气散射模型，其模型中的参数估计为大气光，不适用于室内火场环境，并且室内火场中烟气一般为黑色烟气，对光的吸收作用要强于散射作用，通常图像的亮度比较低，而大气散射模型中的散射项是亮度增加项，如果用于火场环境中进行处理，那么含烟图像的亮度会变得更低，甚至无法观看。

全局直方图均衡化是对整幅图像进行处理，应用到火场中的烟气图像的处理时，不能提高边缘细节及局部信息，并且在增强整幅图像的亮度或对比度时，加大了图像中的噪声或引入新的噪声。应用局部直方图均衡化时虽然效果优于全局直方图，但如果局部对比度过大容易导致图像的失真，用于烟气图像时要对其进行限制。如文献[9]提出了一种受限对比度的自适应直方图均衡化的改进算法，使图像的细节更加突出，保持了监控图像的目标信息，提高了监控的有效性。

同态滤波要进行傅里叶变换和逆变换，计算过程比较复杂，用于火场环境中，不满足实时性的要求；采集的火场烟气图像由于烟颗粒对光线的吸收散射等影响易出现光照不均，而同态滤波方法又能够很好的解决光照不均的问题，因为该方法主要是通过增强对比度和压缩亮度来实现图像的增强，并且可以只对我们感兴趣的部分进行有效的增强，所以该方法若用于火场环境除了要选择合适的滤波器之外，主要在于提高算法的效率。该方法常用于红外图像的处理，例如文献[11]提出了一种基于同态滤波的红外图像的增强，然后利用同态滤波的原理对图像细节进行增强，该方法对图像的分辨率低，对比度低噪声大的图像有很好的处理效果。

Retinex算法用于烟气图像的处理时，可以取得很好的效果，对于火场中低照度的彩色图像也能够很好地增强细节，保真图像的色彩，满足人类视觉的需求，但如果在应用中模型的参数选择不当，会出现光晕现象和颜色的过饱和，虽然Retinex算法的比其他算法的处理效果要好，但其复杂度更大，处理时间也最长。文献[13]提出的一种采用带有色彩还原的多尺度Retinex算法，结合高斯金字塔和对数查表法处理图像，在处理效果和处理速度方面有了很大的提高。

将小波变换应用于烟气图像中，可以分解得到图像的低频和高频信息，图像的低频信息表示图像的内容，高频信息表示图像细节，基于小波变换理论的处理方法可以增强图像细节，并且增强我们感兴趣的如烟气图像中人员所在的部分，还可以很好地保持圖像的边缘，使图像有良好的视觉效果。文献[15]提出了一种基于小波变换的图像增强算法，该算法在低频子带上对照射分量进行估计与去除，在高频子带上进行模糊增强与去噪，对低照度图像的处理有很好的效果。

本文所谈火场环境的图像主要是指视频监控系统采集到的发生室内火灾时的烟气腐蚀图像，由以上对各个算法的适用性分析可知，Retinex算法在处理烟气腐蚀图像时，其处理效果比其他几种算法的处理效果要好，虽然处理时间比较长，通过软件部分优化后，时间方面大大缩减，以下用该算法对图像进行处理，效果如下：

图1为原图像，是在浓度为4.0db/m时采集的黑烟图像，图2是用Retinex算法处理后的图像，采用此方法处理之后的图像比原图像在亮度与对比度方面有所增强，细节方面也比较突出，满足人们视觉的需求。

3 结论

本文介绍了物理模型和非物理模型的图像去雾算法，并对其方法用于火场环境中的适应性进行了分析，由以上分析可知，基于物理模型方法的参数估计不适用于室内火场环境，处理后的图像会亮度更低，无法观看；基于非物理模型中直方图均衡化方法对场景比较简单，烟气浓度较低的图像有较好的处理效果；同态滤波方法主要用于红外图像，在分析夜晚无光照的红外烟气图像有较好的处理效果；Retinex算法的处理效果最好，最符合人类视觉的需求，但其处理时间最长，可以通软件优化提高算法的处理时间；小波变换对于低照度的图像有很好的处理效果，能够增强我们感兴趣的人员区域。

参考文献：

[1] 吴秀敏. 基于火灾监控视频的人员疏散行为统计分析[A].中国消防协会、安徽省消防总队.2013中国消防协会科学技术年会论文集[C].中国消防协会、安徽省消防总队，2013：8.

[2] 杨增社.视频监控在城市消防远程监控系统中的应用[J].武警学院学报，2012（6）：13-14.

[3] 郭剑.视频监控系统在消防指挥调度中的作用[J].信息安全与技术，2012（7）：89-91.

[4] 禹晶，徐东彬，廖庆敏.图像去雾技术研究进展[J].中国图象图形学报，2011（9）：1561-1576.

[5] He K， Sun J， Tang X. 2009. Single image haze removal using dark channel prior [C]. IEEE Conference on Computer Vision and Pattern Recognition. Miami， FL， USA： 1956-1963.

[6] Samiheritina Ng Lionel. Research for Image Recovery under the Fog[D]. 长春理工大学， 2011.

[7] Narasimhan S G， Nayar S K. Removing Weather Effects from Monochrome Images[C]// Computer Vision and Pattern Recognition， 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. IEEE， 2001：II-186-II-193.

[8] 许骏.面向火灾场景的图像去烟雾系统研究[D].东华大学，2016.

[9] 李智君，王勇. 低照度环境监控的图像增强算法研究[J/OL].电子测试，2016，（19）：31-35.

[10] 张金泉， 杨进华， 卢珊. 2009. 基于同态滤波的图像去烟雾方法研究[J]. 科技信息， 2015（7）：71， 41.

[11] 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，2012，34（04）：224-228.

[12] 李垚峰，何小海，吴小强. 改进的带色彩恢复的多尺度Retinex雾天图像增强算法[J]. 计算机应用，2014（10）：2996-2999+3023.

[13] 李森.火灾初期建筑内图像清晰化及人员检测技术研究[D].中国科学技术大学， 2014.

[14] 张恒，谷丰，张欣. 一种基于小波融合的雾天视频监控图像增强算法[J]. 现代计算机：专业版，2014，10：37-40.

[15] 李庆忠，刘清. 基于小波变换的低照度图像自适应增强算法[J]. 中国激光，2015，42（02）：280-286.