基于改进去雾技术的低照度图像增强算法

彭琼瑶，赵广源，周炳，臧苏东

（中国矿业大学，徐州江苏，221000）

引言

在灾害救援中，灾变区域救灾机器人的无人化探测和受灾人员搜救是急需解决的问题。而救灾机器人传回的图像是救灾人员做出决策的重要依据。目前，大多数相机都不是专门为低照度设计的，因捕获图像的质量差而限制了救灾机器人的发展。红外相机虽然可以红外相机可以提高低光可见度，但其固有缺点是物体温度必须高于环境温度，这又限制了救灾机器人的避障功能。因此，对低照度图像的有效增强是解决这一问题的关键。

低照度图像增强有多种方法，为了保证良好的视觉效果，尽可能的保持图像原有的彩色信息不变。因此，对彩色图像，通常将RGB空间转换到其他颜色空间，如HSV、CIELab颜色空间等，然后对反应亮度信息的分量和饱和度分量分别做增强处理。Retinex算法以美国国家航空航天局的Jobson等人在Land的Retinex理论的基础上提出算法为主要代表。Jobson及其合作者在前人探索的基础上先后提出了单尺度Retinex算法及多尺度Retinex算法，Stefano Marsi、汪荣贵、Wang-Jun Kyung等人都提出了相应的改进算法，或扩展了算法的适用范围，或增加了算法的自适应性，或提高了算法的执行效率。虽然这些算法可以较好的保持色彩信息，但算法复杂度过大，不适合于视频序列的实时处理。蔡利梅等人根据RGB空间三分量相关性的特点，提出采用抛物线函数进行亮度增强，之后对RGB进行同比增强的方法，简化了算法复杂度，运算速度快且增强效果良好。

近年来，图像去雾技术快速发展，部分算法取得了较好的去雾效果，2011年，Dong Xuan等人提出了一种新颖的想法：采用去雾技术来实现对低照度图像的增强，通过对低照度图像应用反色操作，然后在反色的图像上执行雾度去除，再次执行反色操作以获得输出图像。基于暗通道先验的图像去雾技术可以使图像细节信息得到改善，但是对图像整体亮度信息改善不足。

因此，本文基于以上增强方法，提出一种改进版的去雾算法，使得增强低照度图像细节信息的同时增强整体图像的亮度信息。实验证明，该算法对低照度图像，运算速度较快，并且增强后的细节信息恢复效果较好。

1 基于去雾技术的低照度图像增强算法

1.1 基本思路

光照不充分是低照度图像的最大特点，因此，处理低照度图像的首要步骤就是增强像素的亮度。为了更好的获得图像的细节信息并根据灾变区图像和带雾图像的相似点，我们拟先采用基于暗通道先验的图像去雾技术优化基于色彩保持的低照度图像增强技术，以达到更好的增强效果。首先对低照度图像执行反色操作，然后在反色图像基础上执行去雾操作，再执行反色操作得到去雾后的原始图像。之后，对去雾图像执行色彩空间转换，我们使用的是YCbCr色彩空间，继而根据抛物线获取亮度增量，最后更改像素RGB的值，得到增强后的图像。

1.2 图像去雾技术

（1）获取反色图

其中IC（x）表示像素x一个颜色通道的强度，RC（x）是反色图像R的相同强度。

（2）在分别求出全局大气光和透射率的初步估算值后，根据有雾成像模型，可以得到反转后低照度图像的复原图像。如下

其中A是常数，实验结果表明，取值为1.06到1.08时可以取得相对较好的效果，为防止分母为零，我们引入透射率的下限值，我们这里取值为0.01，将所有小于该下限值的透射率记为t0，于是，上式可以修正为

至此已经将低照度反色图像中的雾霾去除，并且比较完整的保留了细节。

（3）接下来要对图像再次执行反色操作，得到我们经过去雾预处理之后的低照度图像。

1.3 使用抛物线的亮度增强

处理低照度彩色图像，最主要的就是对其亮度信息的增强，同时应当尽可能保证其色彩不变。在Matlab中，工具箱直接将一幅RGB图像表示为RGB值，或者间接将一幅索引图象中的彩色信息表示为RGB的值，其中三维矢量［R G B］包含了颜色和亮度信息，直接增强会改变其色彩信息。但根据RGB空间的相关性，即如果两点（R1，G1，B1），（R2，G2，B2）满足那这两点就有相同的颜色，λ表示亮度增益，将亮度信息单独提取出来，计算出亮度增益，之后再对每个像素的RGB进行线性增强，即可实现提高亮度，不改变颜色信息的效果。

除RGB空间外，现有的色彩空间有NTSC、YCbCr、HSV、CMY、CMYK和HSI空间，其中YCbCr彩色空间广泛应用于数字视频中，在这种格式中，亮度信息用单个分量Y来表示，彩色信息存储为Cb和Cr两个色差分量，输入的RGB图像可以是uint8类，uint16类或者double类，具有较好的适用性。

增强算法步骤

（1）色彩空间转换

本文采用YCbCr空间来实现亮度与颜色的分离，其中Y为亮度信息，分量Cb是蓝色分量和参考值的差，分量Cr是红色分量的参考值的差，

原彩色图可以灰度化为

（2）计算亮度增量

（3）更改像素值

根据得到的亮度增量λ，对RGB的值进行线性增强。得到最终修改后的图像。

1.4 算法分析

（1）去雾算法中，计算透射率时，

为防止分母为零，我们引入透射率的下限值，我们这里取值为0.01，将所有小于该下限值的透射率记为t0，于是，上式可以修正为

这样不管取何值，分母都不会为0。

（2）对于低照度图像的增强，采用抛物线函数。抛物线函数的特点是：斜率随着灰度值变大而减小。所以，对极低灰度区的增强效果十分明显，对中高灰度区的变换幅度不大，对高灰度区基本不变化，这样可以保持图像的。

常规办法对亮度进行最终拉伸的时候，会出现较高的RGB的值会被拉伸到一个大于255的数值，该现象被称为Gamu问题。本文中采用抛物线＝2PY1进行增强，如果P取值为128，那么即使Y1取值为255，根据，Y2的取值也只是255，不会出现超过灰度值的现象。

2 实验结果

对本文的算法进行大量实验，结果表明有较好的效果，现以对低照度图像直接进行去雾操作，对低照度图像直接进行抛物线增强，对低照度图像执行本文算法之后的效果图进行比较。图中（a）是原图，（b）是直接进行抛物线增强的图，低亮度得到了增强，高亮区基本不变，但有雾地区的增强效果不明显，掩盖了雾背后的信息。（c）是直接去雾之后的图，在有雾地区取得较好的去雾效果，但是整幅图像亮度低，可分辨性差。（d）是本文算法处理之后的图，既使得亮度得到了增强，又对有雾地区进行了细节处理，运行速度较快，而且有较好的视觉效果。

3 图像质量评价

尽管低照度图像亮度改变比较直观，为了客观评价图像的色彩保持、亮度改变、图像分辨率，可以用SSIM指数进行估计。SSIM是一种基于结构相似性的图像质量评价，自然图像具有极高的结构性，表现在图像的像素之间存在很强的相关性。SSIM的测量系统可以得到相似度的测量可以由三种对比模块组成，分别为：亮度、对比度、结构。

为了得到简化形式，本文令α＝β＝γ＝1，C3＝。得到如下公式：

表1 各处理图像与原图的SSIM系数

由于低照度图像增强首要的是对亮度的增强，我们可以看出本文算法SSIM指数最低，亮度，对比度信息改变最大，实现了较好的增强效果。

4 结束语

对比结果图中各个图像，从主观视觉效果和客观数据都可以看出本文的算法相比于直接使用现有的去雾算法以及抛物线增强算法得到的图像更清晰，细节信息得到了更好的体现，亮度和对比度都有很大的提升；另外，由于抛物线函数是简单的基本函数，运算简单；去雾技术和抛物线增强二者结合，算法复杂度低，运算速度较快，适合于视频序列的实时处理。本文的算法在类似于煤矿井下的急需改善照度的场景中都有很好的应用价值。