基于改进暗通道先验算法的图像去雾

邱清辉

摘要：针对普通暗通道先验算法去雾能力的不足，本文提出了一种改进算法，通过采用高斯平滑将原图像分为基础子图和细节子图，基础子图采用暗通道先验算法，细节子图采用gamma变换方法，再采用图像融合进行融合，结果显示改进的算法，使得去雾后图像颜色效果更好，细节信息更多，能够满足工程上应用要求，具有很好的應用价值。

关键词：暗通道先验; 图像去雾;直方图

中图分类号：TP18        文献标识码：A

文章编号：1009-3044（2019）16-0196-02

开放科学（资源服务）标识码（OSID）：

随着视频、图像采集越来越多，尤其在户外中，受天气中雾、霭以及沙尘等影响，采集拍摄的图像往往具有较多的失真，这无论是对拍摄的美感，还是对工程技术领域中目标的探测和识别都有很大影响。若能在户外不良天气下拍摄的失真图像中，采用相应算法最大限度无失真的恢复出原始的图片具有很大的意义[1][2][3][4]。

图像去雾的方法主要分为三大类别：（1）基于统计的图像增强算法包括直方图增强以及后续改进的限制对比度直方图增强等各种算法，这种算法简单有效，但是有可能造成图像细节的丢失，且对于浓雾天气算法会失效。（2）基于反射理论的图像去雾方法，主要是Retinex理论，这种算法往往会造成颜色的失真。（3）基于大气模型的方法，代表算法是HE的暗通道先验法，但是该方法仍然会造成一些细节的丢失。针对这个问题，本文采用高斯模糊的方法将原图分成高频分量和低频分量，采用暗通道先验证的算法增强低频分量再进行重构，从而保存了图像的细节信息。

1 暗通道先验算法

为了能够从大气传输退化的图像中恢复出原始的图像，He等在文献中给出了暗原色先验的方法，是通过对大量户外无雾图像的统计分析提出来的。He指出暗到通先验规律：在无雾户外采集图像中，其每个局部区域都极有可能存在阴影，每个局部区域至少会有一个颜色通道在某些像素上具有很低的灰度值，并且趋近于0。对于户外图像J，其模型为：

其中分母的[to]设置为0.5，用于防止t（x）的数值过小。对于环境光A的估计是取[Jdark]中前0.1非天空区域亮度最大的像素对应的原图中亮度值的平均值。

2 改进的算法

HE提出的暗道通先验算法原理相对简单，相对雾气较薄时可以产生良好的去雾效果，但是若针对雾霭较浓时，其效果就表现一般，需要提高图像的细节化处理，在此，可以对图像进行高频和低频分离处理，低频信息进一步直方图增强，高频信息进行滤波和校正。

采用的具体方法如图1所示的流程图所示。对于暗通道复原后的图像，通过暗道通先验算法进行色彩增强，再通过引导滤波对图像进行滤波、平滑处理，将图像中低频和高频进行分离，低频信息作为基础子图。同时对高频信息再进一步的高斯平滑，暗通道增强后的图像进行相减，获得了细节子图。此时再一次进行滤波和校正，通过Gamma变换调整细节子图的对比度。最后基础子图通过CLAHE算法进行动态范围增强，并对基础子图和细节子图进行图像融合处理，最终获得增强后的红外图像。

3 实验和分析

根据对暗道通先验改进算法进行实验，在雾霭较为严重的情况下，带有雾霭的图像采用普通直方图均衡的暗通道去雾方法与改进算法进行比较，如图2所示，可以发现的改进算法去雾具有更好的颜色效果，且动态范围更好，显示的细节信息更多。

4 结论

通过暗道通先验的分析，其实现比较容易，但当天气恶劣情况下，去雾能力明显不足，针对普通暗通道先验算法在复杂天气情况下去雾能力的不足问题，首先采用高斯平滑将原图像分为基础子图和细节子图，基础子图采用暗通道先验算法直方图增强，细节子图采用gama变换方法，最后采用图像融合进行融合，得出去雾图像颜色效果更好，细节信息更多，具有很好的应用价值。

参考文献：

[1] He K， Sun J， Tang X. Single image haze removal using dark channelprior[C]//IEEE Conference on Computer Vision and Pattern Recognition，2009：1956-1963.

[2] He K， Sun J， Tang X. Guided image filtering[J].IEEE Transactions onPattern Analysis & Machine Intelligence，2013，35（6）：1397-1409.

[3] 郭璠，蔡自兴，谢斌，等.图像去雾技术研究综述与展望[J].计算机应用，2010，30（9）：2417-2421.

[4] 王浩，张叶，沈宏海，等.图像增强算法综述[J].中国光学，2017，10（4）：438-448.

【通联编辑：唐一东】