融合双尺度暗通道的单图像去雾方法

刘祝华 曾诗佳

关键词： 图像去雾; 双尺度; 暗通道; 融合; 最大值滤波; 向导滤波

中图分类号： TN911.73?34; TP391               文献标识码： A                   文章编号： 1004?373X（2019）06?0154?04

Abstract： In allusion to the problem that the image dehazing method using the single?scale filtering window to calculate dark channels makes dehazed images produce halos， a single image dehazing method based on the fusion of double?scale dark channels is proposed. In the method， two dark channels and their maximum value filtering results are calculated respectively by using two filtering windows with different scales. The fusion of the big?scale dark channel with two maximum value filtering results is realized. The transmittance is calculated by using the fused dark channel. The power function adjustment and guided filtering are performed. The image dehazing is realized by using the optimized transmittance. The experimental results show that the method can well eliminate the halos on depth?edge and the color patches in the sky scope， the recovered image has an ideal brightness and contrast， and the algorithm is simple to be implemented.

Keywords： image dehazing; double scales; dark channel; fusion; maximum value filtering; guided filtering

0  引  言

图像去雾能消除雾霾天气对图像质量的影响，在视频监控、计算机视觉等领域都有广泛的应用。Narasimhan等人提出了均质大气条件下雾化图像的物理模型，并使用同一场景在不同条件下的多幅图像来估计大气透射率[1?2]，但计算复杂。He等人提出了暗通道先验DCP（Dark Channel Prior）假设[3]，并结合雾天图像的物理模型估计出了大气透射率，同时采用软抠图法优化透射率，实现了单图像去雾，但软抠图法计算复杂。向导滤波（Guided Image Filtering，GIF）是一种具有良好保边性能的局部滤波器[4]，在图像曝光融合[5]、立体匹配[6]、暗图像增强[7]及图像去雾[8?13]等领域有着广泛的应用。He等人使用GIF优化透射率，有效降低了算法计算复杂度，但去雾图像在景深边缘存在光晕。另外，暗通道假设并不适用于明亮度高的天空区域，因此去雾图像在天空区域会出现彩色斑块。

在He等人基础上，出现了许多改进的暗通道去雾方法。文献[8]以图像RGB三颜色中的最低值作为暗通道，使透射率有清晰的轮廓，但造成去雾图像亮度不足。光晕是由于景深边缘透射率被高估所导致，因此王卫星等人对透射率进行最小值滤波[9]，以修复被高估的区域;而Zhang T等人对暗通道进行最大值滤波[10]，其效果与王卫星等人的相同。王卫星和Zhang T等人都能减小光晕的范围，但当景深边缘的细节尺度较小时，光晕还是明显存在。韩正汀和Zhang X Y等人分别采用双边滤波[11]和L0平滑[12]对向导图进行优化，以减少透射率在相同景深区域内的纹理，但并不能解决景深边缘被高估的问题。加权向导滤波WGIF（Weighted Guided Image Filtering）相比GIF，有更好的保边性能，Li等人使用WGIF对透射率进行优化[13]，但光晕仍然存在。

从图1、图2可以看出，当雾化图像存在明显的景深边界时，文献[9]使用最小值滤波优化透射率，有效减轻了景深边缘的光晕，但细节尺度较小的区域（见图1f）前景树叶周围，图2f）树的间隙间）光晕仍然存在。相比文献[9]，文献[4]光晕范围（见图1g）和图2g））更大，增大[ξ]能减轻光晕程度，但范围会更大（见图1h）），另外文献[4]没有特别处理天空区域，因此天空区域存在严重的色彩失真（见图2g））。文献[13]采用WGIF，原理与GIF相同，因此去雾效果与文献[4]类似（见图1i）和图2h）），同样增大[ξ]会使光晕程度减轻，但范围会增大（见图2i））。本文方法根据不同暗通道间的差值，计算融合系数[α]和[β]（见图1b）、图1c）和图2b）、图2c）），其中白色代表需要修复的区域，可以看出[α]给出了需要修复的粗轮廓，[β]则进一步给出了需要修复的细节，而[α]和[β]在一起很好地覆盖了大尺度暗通道在景深边缘需要被修复的区域。因此，使用修复后的暗通道计算透射率，再经GIF滤波后有非常清晰的轮廓（见图1d）和图2d）），去雾图像也很好地消除了景深边缘的光晕（见图1e）和图2e））。

由于光暈出现在景深边缘，因此当雾化图像除天空区域外不存在显著的景深边界时，四种方法的去雾结果都不会出现明显的光晕（见图3e）～图3h）），但文献[4]在天空区域还是出现了明显的色彩失真。另外，文献[9]对透射率进行最小值滤波，使得透射率变小，去雾后的图像亮度偏低（见表1数据）。文献[13]增大[ξ]，会使去雾效果变弱（见图3i）远景处的建筑雾化更明显）。本文方法通过双尺度暗通道融合，使得透射率在建筑与天空的边界处有清晰的轮廓（见图3d）），同时天空区域不做去雾处理，因此去雾效果与文献[9]、文献[13]近似。

表1列出图1～图3各方法去雾结果的灰度均值、标准差以及算法耗时等客观评价指标。其中，灰度均值与灰度标准差分别反映了去雾图像的亮度和对比度情况。从表1可以看出，各方法去雾图像的亮度都不同程度降低了，而对比度都提高了（不包括文献[4]处理含天空区域图像的情况）。不含天空区域时，文献[4]和文献[13]的去雾效果非常接近（见表1中图1客观评价指标），增大GIF或WGIF的[ξ]时，光晕范围会增大，因此去雾图像的亮度都略有增加。文献[9]会使透射率变小，因此去雾图像的亮度低于文献[13]，但对比度更高。本文方法保留了绝大部分大尺度暗通道，仅对景深边缘及有较大暗通道差值的区域，用大、小两种尺度暗通道的最大值滤波结果进行了修复，因此去雾图像亮度要低于文献[13]，但高于文献[9]，而对比度则相反，要高于文献[13]，低于文献[9]。在运算耗时方面，文献[4]最小，文献[9]要对透射率进行最小值滤波，耗时要高于文献[4];文献[13]要计算整幅图像的边缘感知因子，因此耗时更长;而本文方法要计算两种尺度的暗通道及其最大值滤波结果，因此耗时最长，但在处理大小为768×576的图像时，耗时也仅为0.667 s。

4  结  论

文中提出一种融合双尺度暗通道的单图像去雾方法，很好地修复了暗通道被低估的区域，使得透射率有清晰的轮廓，而去雾图像则很好地消除了景深边缘的光晕及天空区域的彩色斑块，且有理想的亮度和对比度。由于需要计算两种尺度的暗通道，因此在Matlab环境下测试时，本文算法耗时要略长于其他方法。若采用FPGA实现，则可并行计算两种尺度的暗通道及其最大值滤波结果，从而有效提高算法效率。因此，基于FPGA实现本文去雾方法将作为下一步的研究内容。

参考文献

[1] NARASIMHAN S G， NAYAR S K. Chromatic framework for vision in bad weather [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Hilton Head Island： IEEE， 2000： 598?605.

[2] NARASIMHAN S G， NAYAR S K. Contrast restoration of weather degraded images [J]. IEEE transactions on pattern analysis and machine intelligence， 2003， 25（6）： 713?724.

[3] HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior [J]. IEEE transactions on pattern analysis & machine intelligence， 2011， 33（12）： 2341?2353.

[4] HE K M， SUN J， TANG X O. Guided image filtering [J]. IEEE transactions on pattern analysis & machine intelligence， 2013， 35（6）： 1397?1409.

[5] KOU F， LI Z G， WEN C Y， et al. Multi?scale exposure fusion via gradient domain guided image filtering [C]// Proceedings of IEEE International Conference on Multimedia and Expo. Hong Kong： IEEE， 2017： 1105?1110.

[6] ZHAN Y L， GU Y Z， HUANG K， et al. Accurate image?guided stereo matching with efficient matching cost and disparity refinement [J]. IEEE transactions on circuits and systems for video technology， 2016， 26（9）： 1632?1645.

[7] FENG Z， HAO S J. Low?light image enhancement by refining illumination map with self?guided filtering [C]// Proceedings of IEEE International Conference on Big Knowledge. Hefei： IEEE， 2017： 183?187.

[8] HSIEH C H， CHEN C Y， DAI Y J. Single image dehazing based on pixel minimum channel [C]// Proceedings of IEEE Symposium Series on Computational Intelligence. Athens： IEEE， 2016： 1?5.

[9] 王卫星，肖翔，陈良琴.结合最小滤波和引导滤波的暗原色去雾[J].光学精密工程，2015，23（7）：2100?2108.

WANG Weixing， XIAO Xiang， CHEN Liangqin. Image dark channel prior haze removal based on minimum filtering and guided filtering [J]. Optics and precision engineering， 2015， 23（7）： 2100?2108.

[10] ZHANG T， YU Y K， SUN Z M， et al. Robust image dehazing using a guided filter [C]// Proceedings of 12th International Conference on Fuzzy Systems and Knowledge Discovery. Zhangjiajie： IEEE， 2015： 1971?1975.

[11] 韩正汀，路文，杨舒羽，等.基于导向滤波优化的自然图像去雾新方法[J].计算机科学与探索，2015，9（10）：1256?1262.

HAN Zhengting， LU Wen， YANG Shuyu， et al. Improved natural image dehazing algorithm based on guided filtering [J]. Journal of frontiers of computer science and technology， 2015， 9（10）： 1256?1262.

[12] ZHANG X Y， SHI M P， TAO W， et al. Refined transmission map using guided filter [C]// Proceedings of IEEE International Conference on Communication Problem?Solving. Guilin： IEEE， 2015： 157?160.

[13] LI Z G， ZHENG J H， ZHU Z J， et al. Weighted guided image filtering [J]. IEEE transactions on image processing， 2015， 24（1）： 120?129.