雾霾天气下交通监控图像的一种去雾算法

曹立 李良荣 顾平 李震 龚静 亓琳

摘 要：为提高雾霾天气下交通监控图像的清晰化程度，采用暗原色先验与MSR算法相结合的方式，在处理过程中用双边滤波代替MSR算法中的高斯滤波来保持边缘细节特性。实验结果表明，该算法处理的雾霾图像有效地消除了Halo效应，亮度均值适中，图像标准差提高，信息熵增大，总体效果较好，可在一定程度上提高雾霾图像的清晰度。

关键词：交通监控;去雾算法;暗原色先验;MSR算法;双边滤波

中图分类号：TP391

文献标识码： A

雾霾天气是一种大气污染状态，由于大气中悬浮的颗粒物以及小水滴对光线的吸收、散射和折射等作用，导致大气浑浊、能见度降低、设备捕获到的图像色调偏移、分辨率下降，给交通监控带来极大的影响，为了能够准确地获得图像的特征信息，于是针对雾霾天气降质图像清晰化处理技术展开研究。

目前国内外主要的去雾算法包括两个方面，基于物理模型的图像复原算法，以及基于非物理模型的图像增强算法[1-4]。其中基于物理模型的暗原色先验理论最早由何恺明提出[5-7]，经过该算法处理后的雾霾图像更自然，但图像亮度偏暗，从而导致图像失真。非物理模型的图像增强算法能提高图像的对比度，增强视觉效果，常用的算法包括直方图均衡算法、自动颜色均衡算法、Retinex算法[8-10]、线性对比度拉伸[11]等，其中单尺度Retinex（Single Scale Retinex，SSR）和多尺度Retinex（Multi-Scale Retinex，MSR）算法中核心函数采用高斯滤波来对图像进行处理，然而高斯滤波在处理图像过程中只针对图像像素间的位置关系进行处理，在图像中心区域处理结果较好，但在图像边缘处的处理效果不甚理想。

本课题组研究，首先对交通监控捕获到的雾霾图像采用暗原色先验进行图像复原，然后用双边滤波算法替换MSR中的高斯滤波。用改进的MSR算法进行图像增强，经过处理后的图像对比度得到改善，信息熵得到提高，边缘处理效果得到增强，使雾霾图像更加清晰。

1 暗通道先验与Retinex理论

1.1 暗通道先验

1.2 Retinex相关理论

Retinex理论是由Edwin Land提出的基于色彩恒常的计算理论，Retinex理论包含两方面内容：第一，物体的颜色跟光照的非均匀性无关，颜色具有一致不变性，因此可以通过改变图像的对比度，在一定程度上还原图像本来的颜色[14];其次，物体显示出来的颜色取决于物体对光波吸收和反射的能力，物体显示出某种颜色是由于物体不吸收这种颜色的光波，因此该理论认为人眼观察到的物体颜色跟入射到人眼的光谱特性关系不大。除此之外，物体颜色的变化跟光线的照度也有关系，颜色随着光照强度的变化而均匀地变化。

根据Retinex理论，人眼看到或设备捕获到的图像：

2 基于暗原色先验和MSR相结合的去雾算法

基于暗原色先验理论，假设透射率λ（x，y）在局部区域内是不变的，然而在实际中，对于远景和近景交界边缘区域内的透射率λ（x，y）却是变化的，尤其是在交汇点的透射率数值上会产生突变，因此经过算法处理后在这些区域内会出现光晕现象，而且图像在整体上的亮度偏暗。基于非物理模型的图像增强算法，主要目的是为了突显图像的局部特征，提高图像的局部对比度和细节可见度，恢复图像色彩，提高视觉效果。

MSR算法在图像细节提取和色彩保真这两方面优势较为明显，但由于算法中采用了高斯滤波来去噪，对图像边缘的处理不是很理想，会丢失一些信息，因此，本文采用双边滤波来代替高斯滤波函数，使得滤波的权重和像素强度值跟各个像素之间的空间距离有关，这样计算出的权重值的大小可以按照边缘梯度的变化自适应改变，从而使图像边缘更平滑，并能在一定程度上还原图像原有的边缘信息。

2.1 改进MSR算法

2.2 MSR改进算法的处理过程

首先采用暗原色先验理论方法，对交通监控设备捕获的雾霾图像S（x，y）进行处理。首先假设大气光成分强度T为常数，对于透射率λ（x，y）在环境的局部区域内保持不变，也假设是一个恒定的数值，在此实验中λ0取值为0.1，由公式（7）可以得到复原图像D（x，y），然后再将这个复原图像作为改进MSR算法的输入图像进行处理，首先将输入图像分解为R、G、B三幅灰度图像，在数值上将各个像素点的数值转换成double型，并进行进一步处理，在此选取的权值θ1=θ2=θ3=13，从而满足求解公式中的归一化条件，再利用公式（13）计算RMSRi（x，y），对输出图像R（x，y）进行拉伸还原，即为清晰化去雾图像。

3 实验与结果分析

3.1 实验

实验过程是在Windows7操作系统下，使用VS2010+opencv2.2作为开发环境，分别采用常用的直方图均衡去雾算法、MSR算法和本文所述MSR改进算法分別对雾霾天退化图像进行处理。实验样本如图1、图2所示，样本经处理后的图片如图3、图4所示。

通过图3、图4中（a）、（b）、（c）图片效果的比较，经过直方图均衡算法处理后的图像相比原图像有增强效果，但图像对比度偏暗，经过常规MSR算法处理后的图像对比度有所提高，但边缘处的图像信息熵并没有提高，而用MSR改进算法获取的图像要清晰得多，尤其是在图像边缘处的信息量有所提高。

3.2 实验结果分析评价

衡算法处理后的图像偏暗，图像亮度和对比度数值在直观上较低，采用MSR算法处理的图像亮度和对比度有所增大，但在一些边缘处会丢失一些图像原有的信息，而采用MSR改进算法处理的雾霾图像清晰度较高，图像整体层次明显，亮度动态范围得到一定的提升。在信息熵方面，MSR算法与MSR改进算法处理的图像的信息熵数值均得到了提高。通过数据及图像效果对比可以看出，采用MSR改进算法获取的图片清晰度较高，较好地复原了图像真实场景的颜色，视觉效果最好。

4 结语

本文针对雾霾图像提出了一种图像去雾算法，该算法基于暗通道先验和MSR算法，并进一步对MSR算法进行改进，消除了常规去雾算法中Halo效应，结合双边滤波对图像的边缘信息进行了平滑处理和保持。从主观上评价，MSR改进算法获取的图片，在视觉主观感触上更接近原始图像;从客观方面评价，实验数据表明，MSR改进算法获取的图片的图像亮度均值、对比度、信息熵均得到了提高。

雾霾图像的清晰化还原，在交通监控中有着比较重要的意义，MSR改进算法获取的图片，在还原图像真实场景、保持图像色彩方面有所增强，更符合人的视觉感触。经MSR改进算法处理过的雾霾图像能够更好地分辨出车辆的车型、车牌等信息，提高了交通监控的识别率。

本文所述MSR改进算法，在算法处理的效率上还有待提高，算法处理的实时性将是本团队下一步研究的重点。

参考文献：

[1]Yu Jing，Xu Dongbin，Liao Qingmin.Image defogging：a survey[J].Journal of Image and Graphics，2011，16（9）：1561-1576.

[2]禹晶，李大鹏，廖庆敏.基于物理模型的快速单幅图像去雾方法[J].自动化学报，2011，37（2）：143-149.

[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]吴迪，朱青松.图像去雾的最新研究进展[J].自动化学报，2015，41（2）：221-239.

[5]HE K，SUN J，TANG X.Single Image Haze Removal Using Dark Channel Prior [J].Pattern Analysis and Machine Intelligence，2011，33（12）：2341-2353.

[6]HE Kaiming，SUN Jian，TANG xiaoou.Sing Image Haze Removal Using Dark Channel Prior[C]//CVPR 2009.Miami，Florida：IEEE，2009：1956-1963.

[7]汪荣贵，傅剑峰，杨志学，等.基于暗原色先验模型的Retinex算法[J].电子学报，2013，41（6）：1188-1192.

[8]Land E H.The retinex[J].American Scientist，1964，52（2）：247-264.

[9]Jobson D J，Rahman Z，Woodel G A.Properties and performance of a center /surround retinex[J].IEEE Transactions on Image Process-ing，1997，6（3）： 451-462.

[10]Jobson D J，Rahman Z U，Woodell G A.Multiscale retinex for bridging the gap between color images and the human observation of scenes[J].IEEE Transactions on Image Processing，1997，6：965-976.

[11]史延新.一种基于Retinex 理论的图像增强算法[J].电子科技，2007，17（12）： 32-35.

[12]McCartney E J.Optics of the atmosphere： scattering by molecules and particles[J]. New York，John Wiley and Sons， Inc，1976：23-32.

[13]甘佳佳，肖春霞.結合精确大气散射图计算的图像快速去雾[J].中国图象图形学报，2013，18（5）：583-590.

[14]李福文，金伟其，陈伟力，等.基于Retinex 模型的彩色图像全局增强算法[J].北京理工大学学报，2010，30（8）：947-951.

[15]Guo Fan， Cai Zi-Xing. Objective assessment method for the clearness effect of imag defogging algorithm. Acta Auto-matica Sinica， 2012， 38（9）： 1410-1419.

（责任编辑：曾 晶）