铁路综合视频图像去雾算法研究与探讨

吴歆彦,陈明阳

(1.中国铁路经济规划研究院有限公司,北京 100038； 2.北京邮电大学,北京 100876)

1 概述

随着我国高速铁路的蓬勃发展，铁路视频监控系统在铁路领域得到了广泛的应用和发展，目前已经颁布了《铁路通信设计规范》《铁路综合视频监控系统技术规范》等标准，同时编制了相关系统验收规范，为铁路综合视频监控系统规范化设计、施工、维护、管理提供了理论方法指导，也标志着铁路综合视频监控系统发展到了规范运营阶段。目前铁路视频监控采集点主要包括车站(场)内(包括车站运转室、外勤作业点、车站进出站口、候车室、售票厅、站台、通道、检票口)、四电机房内外(供电电力、通信信号、信息机房、院落)以及区间线路(咽喉区、隧道口、公跨铁立交桥、救援疏散通道、高路堑)等，是铁路部门重要的安防手段，满足了铁路部门救灾抢险现场应急管理的需求。然而在雾霾天气情况下，由于大气中的悬浮颗粒和杂质对光线造成散射和折射，导致采集到的视频信息质量严重下降，视频图像细节信息模糊，严重影响监控人员判断，为我国铁路运营和人民的生命财产安全带来隐患[1-4]。因此，通过技术手段处理大雾天气对铁路综合视频监控系统的影响具有重要的意义[5]。

当前主要有基于物理模型和基于图像增强两种图像去雾算法[6-8]。基于图像增强的算法是针对雾天对比度过低和细节信息模糊等问题，通过增强图像彩色信息和对比度达到除雾的目的，主要有直方图均衡算法[9-10]、Retinex图像增强算法[11]等；基于物理模型的去雾算法有暗通道先验去雾算法[12-13]，对大气散射的作用进行分析，通过雾天图像退化模型，利用退化的先验信息复原原始图像。

2 铁路雾霾视频监控图像特点(图1)

图1 有雾原始图像视觉效果

雾霾情况下，铁路视频监控系统所拍摄的视频效果与无雾情况视频图像相比具有以下几个特点：

有雾图像具有分辨率低、信噪比低和可见度低的特点，且图像细节模糊，特征难以分辨；

有雾图像在频域上多为低频，高频分量较少，导致图像边缘信息模糊，在时域上灰度分布集中且区域较小；

由于色彩出现偏差，且图像色彩和保护度不够，导致图像整体呈现出灰白色。

3 基于图像增强的去雾算法

基于图像增强的去雾算法是针对有雾图像的高低频分量较少，且其直方图较为集中的特性，通过增强图像的全局或者局部的对比度来增强图像的细节信息，通过扩大像素值的动态范围，从而增强有雾图像的细节[14]。主要包括直方图均衡算法和Retinex图像增强算法。

3.1 直方图均衡算法

基于直方图均衡化的去雾方法可以分为全局直方图处理和局部直方图处理两种。针对有雾图像的直方图范围较为集中等特性，将有雾图像的直方图变换为均匀的形式，经加大灰度值的动态范围，从而有效实现去雾目的[15]。

假设一幅数字图像f(x，y)像素数为N，rk为第k个灰度级的灰度，nk为像素个数，用纵坐标表示像素个数即频数，用横坐标表示灰度级，则直方图可定义为p(rk)=nk/N，其中，p(rk)表示灰度rk出现的相对频数即概率。直方图在一定程度上能够反映数字图像的概貌性描述，包括图像的灰度范围、灰度分布、整幅图像的亮度均值和阴暗对比度等，并可以此为基础，分析得出对图像进一步处理的重要依据。

图2 全局直方图处理后图像

由图2可以看出，处理后的图像比处理之前更加清晰，其相应的直方图更加均匀。然而图像也丢失很多细节(火车车灯和交通灯)，导致边缘较为模糊且较容易出现某些色彩失真。

局部直方图处理算法是针对全局直方图均衡化未能有效保持原始图像细节信息和容易出现色彩失真的一种优化算法，首先利用窗口信息选择固定的窗口对图像进行局部直方图处理，之后对RGB图像的R、G、B三层通道分别进行局部直方图均衡化，最终整合到新的图像得到最终结果。

从处理结果可以看出局部直方图处理后图像并未出现明显色彩失真，但存在部分信息模糊，见图3。

图3 局部直方图处理后图像及其直方图

3.2 Retinex图像增强算法

Retinex理论从人类对外界刺激的反映和物体颜色对光线反射特性的角度出发，其主要思想是将人眼对事物亮度的感知分为环境的照射量和物体表面反射两部分[16-17]。

其数学表达式为

S(x，y)=L(x，y)·R(x，y)

(1)

式中，S(x，y)为图像信息；L(x，y)为标识环境光的照射分量；R(x，y)为物体本质属性所决定的反射分量。

通过对公式取对数，原始域图像减去照射分量得到图像的反射分量

lg[R(x，y)]=lg[S(x，y)]-lgL(x，y)

(2)

由式(2)可以看出，图像可以分为反射和照射分量的叠加，Retinex图像增强算法明确是从原始图像S(x，y)中估计出光照L(x，y)，从而分解出R(x，y)，以改善图像的视觉效果。

图4 Retinex图像增强算法处理后图像及其直方图

通过图4可以看出，Retinex图像增强算法在一定程度上保持了原始图像局部特征，同时保持了较好的细节信息，具有较好的去雾效果。

4 基于物理模型的去雾算法

基于物理模型的去雾算法是通过分析图像雾化的原理，利用现实中真实情境与雾的关系去除有雾图像。该类算法首先建立大气散射模型，了解图像的退化物理机制，最后获得去雾图像。目前，基于暗原色原理的去雾算法取得了较好的效果，且很多学者在此基础上进行优化改进算法[18-19]。

暗通道先验[20]是He等研究人员提出的一种理论。这个理论是基于以下的关于无雾户外图像的观察统计：在图像的大多数非天空部分中，RGB三通道中至少有一个颜色通道在某些像素上具有非常低的强度。对于图像J，在形式上定义

3)

式中，Jc为J的一个色彩通道；Ω(x)为集中于x的局部块。

观察表明，如果J是无雾户外图像，除了天空区域外，Jdark的强度低并趋向于0，Jdark即为J的暗通道。

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

(4)

式中，I(x)为有雾图像；J(x)为待还原无雾图像，t(x)为透射率。

这就是有雾图像的成像退化模型，描述到达相机的这部分光透射雾的能力，这种能力越大，t值越大，A是大气光，通常是全局上的常量。去雾就是从I中恢复J。其本质是利用含雾图像I(x)恢复景物本身的亮度J(x)。暗通道先验去雾算法处理后的图像如图5所示。

图5 暗通道先验去雾算法处理后图像

5 仿真结果与分析

本文依次使用直方图均衡算法、Retinex图像增强算法和暗通道先验去雾算法对铁路室外图像进行分析处理，去雾效果如图6所示。图6(a)为原始有雾图像，图6(b)为全局直方图算法处理，图6(c)为局部直方图算法处理，图6(d)为Retinex图像增强算法处理，图6(e)暗通道先验去雾算法处理。

图6 不同去雾算法处理后图像

由图6可看出，4种方法都实现了对图像的去雾功能，图像细节均一定程度的增强。从去雾效果可以看出，Retinex图像增加算法具有最好的清晰度，但是其处理结果存在失真，从人类视觉的角度，暗通道先验去雾算法处理结果更加自然，效果更好。

6 结语

针对铁路综合视频的特点，从图像增强和基于物理模型两种类型的算法进行分析，分别对直方图均衡算法、Retinex图像增加算法和暗通道先验去雾算法3种算法原理进行阐述，之后利用3种方法对铁路视频图像进行验证。

仿真结果表明，本文3种算法均可以实现去雾。局部直方图算法存在颜色失真和光晕现象；Retinex图像增加算法处理后的图像存在部分失真；暗通道先验去雾算法处理图像较为自然，但图像处理场景不同，可能效果差异较大，且运算复杂度较高，不具备实时性，需进一步研究改进。