APP下载

基于暗通道先验原理的偏振图像去雾增强算法研究

2020-05-12刘鹏祖容晓龙徐韬祜

激光与红外 2020年4期
关键词:偏振度偏振先验

游 江,刘鹏祖,容晓龙,李 斌,徐韬祜

(中国华阴兵器试验中心,陕西 华阴 714200)

1 引 言

在靶场武器系统鉴定试验中,常规光学成像系统(包括可见光、红外光电测试系统)极易受气象环境如雾霾、硝烟、沙尘等影响,导致探测距离、成像效果、测量精度等受到极大限制,从而严重影响武器装备关键参数获取,甚至导致武器系统性能鉴定试验的失败。尤其是在靶场多雾霾、能见度低等情况下,上述问题显得尤为突出。因此,如何增强雾霾条件下光学设备的探测识别能力及成像质量[1],成为了急需解决的关键问题。

目前,去雾增强算法主要分为两类[2]:一类是图像增强技术,主要通过提高对比度进行去雾。该类算法适用范围广,运行速度快,但对去雾效果有限,雾霾较重时处理结果不理想。典型代表算法主要有直方图均衡化[3]、Retinex算法[4]及小波变换等;另一类是图像复原技术,主要是通过建立图像退化模型,利用先验知识,针对性实现去雾增强[5]。典型算法为He等提出的基于暗通道先验原理去雾算法[6]。该算法主要是基于暗通道先验理论对大气光强和传输图进行估计,而后利用软抠图方法对传输率图进行优化估计,最终实现去雾。该算法去雾效果相对较为明显,但运行时间相对较长,色彩失真严重,图像存在明显分块及纹理效应,尤其是对于不存在暗像素的图像[7]。文献[8]、[9]中,葛广一和王森等分别对暗通道先验算法进行改进,取得了一定的效果。图像去雾增强算法研究进展综述具体可见参考文献[10]~[12]。

随着偏振光学理论的研究,偏振系统由于其成像因子采用偏振分量,可以辨别目标材质、架构等信息,识别伪装、虚假及隐身目标,具备复杂条件下“穿烟透雾”优势,使得探测识别能力加强[13-14],因此偏振去雾算法逐渐被重点研究发展。

本文通过利用偏振成像优势,结合暗通道先验原理,提出了基于暗通道先验原理的偏振图像去雾增强算法。该算法首先从图像中提取偏振特征,计算偏振度和偏振角,同时采用基于区域增长算法自动提取天空区域,进而获取大气光偏振度及偏振角,再结合暗通道先验原理,获取无穷远处大气光强,进而计算各像素点的大气光强,最终建立在大气物理退化模型基础上,实现偏振图像去雾增强。

2 大气物理退化模型构建

雾霾条件下,光学成像系统最终接收到的光强主要分为两部分:1)目标反射光,即直接透射光,包含目标的强度信息;2)大气散射光,主要是雾霾颗粒散射导致的杂光[15]。图1为雾霾气象下的大气物理退化模型。

图1 大气物理退化模型Fig.1 Atmospheric physical degradation model

由图1可知,光学成像系统最终接收到的光强为直接透射光与大气散射光的非相干叠加。其中,目标直接透射光强由于受到雾霾粒子的散射和吸收,最终到达光学成像系统的光强将会呈指数衰减,故最终接收到的直接透射光为

ID=IL·e-βz

(1)

而大气散射光主要是由雾霾粒子散射太阳光所致,最终到达光学成像系统的光强随传输距离呈指数增加,故最终接收到的大气散射光为:

IA=IA∞·(1-e-βz)

(2)

最终光学成像系统接收到的光强为:

I=ID+IA

(3)

其中,z表示光学成像系统与目标的距离;β表示光的散射系数;IA∞表示无穷远处大气光强。

由式(1)、式(2)联立消除e-βz,则可获取目标直接透射光IL:

(4)

由此可知,为了实现偏振图像去雾增强,关键是获取各像素点大气光强IA以及无穷远处大气光强IA∞。

3 基于暗通道先验原理的偏振图像去雾算法

本算法的主要流程如图2所示。首先利用采集的偏振图像,计算偏振度及偏振角图像,同时采用基于区域增长算法自动提取出天空区域,进而选取天空区域偏振角分布概率最大的偏振角值作为大气光偏振角,并选取对应位置的偏振度作为大气光偏振度,而后计算大气光强中偏振部分的光强,进而计算各像素点的大气光强,同时利用暗通道先验原理,从偏振图像的天空区域中提取无穷远处大气光强,最终结合大气物理退化模型,进行图像去雾增强处理。

图2 算法流程图Fig.2 Algorithm flow chart

3.1 偏振特征提取

首先将偏振相机采集到的0°、45°、90°和135°的4幅图像,分别记作I(0)、I(45)、I(90)和I(135),则斯托克斯参量可表示为:

(5)

式中,S0为场景总光强;S1为水平方向和垂直方向的强度差;S2为45°和135°方向的强度差。

目前衡量偏振信息的主要是偏振度及偏振角。根据式(4),可以得到偏振度DoP和偏振角ψ表达式:

(6)

利用偏振相机采集雾霾条件下的场景图像,图像大小为1024×1360×3。图3分别为偏振相机采集的0°、45°、90°及145°方向的偏振图像。图4为偏振图像的偏振信息(偏振度、偏振角)。

3.2 天空区域自动提取

由于天空区域不符合暗通道先验原理,直接采用暗通道原理处理,会使估计的大气光参数存在偏差,导致最终处理结果存在大面积纹理及分块。因此,首先对天空区域进行自动提取,进而对天空区域进行大气光参数估计,最终再采用偏振去雾算法进行去雾增强处理。

图3 原始偏振图像Fig.3 Original polarization image

图4 偏振度及偏振角图像Fig.4 Polarization degree and polarization angle image

天空区域自动提取流程如下所示:

①对原始图像进行平滑处理,并计算平滑后图像的梯度值(天空区域相对较为平滑,相邻像素灰度值相差较小,与目标区域梯度值存在明显差别);

②设定天空区域梯度值阈值、强度阈值,随机挑选梯度值及强度值满足条件的像素点作为种子生长起点;

③选择初始种子周围8邻域像素点,判断其是否满足条件,若满足则合并到种子像素所在区域;

④将新加入像素作为新种子重复步骤2,直到没有满足条件的像素可以被包括进来,则一个区域增长结束,并判断该区域像素总数是否满足区域面积阈值,满足则加入天空区域;

⑤将筛选出的区域从原始图像中剔除,重复步骤2、3、4,筛选新的天空区域;

⑥直到没有新的天空区域加入,或遍历所有像素点,则天空区域自动提取结束,图5为原始图像及天空区域提取结果图像。

图5 原始图像及天空区域提取结果Fig.5 Original image and sky region extraction result

3.3 无穷远大气光强估计

无穷远处大气光强的估计为去雾增强算法中关键环节,直接影响图像传输率的求解及优化,最终影响图像复原质量。本文利用暗通道先验原理,进行无穷远处大气光强的估计。

暗通道先验去雾算法最早是由何凯明博士提出,算法指出在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值。换言之,该区域光强度的最小值是个很小的数。

对于任意的输入图像J,其暗通道可以用下式表达:

(7)

式中,Jc表示彩色图像的每个通道;Ω(x)是以x为中心的一个窗口。

暗通道先验原理指出,正常情况下Jdark→0,但由于图像受雾干扰,导致暗通道不趋于零。因此,可以借助于暗通道图来从有雾图像中获取无穷远处大气光值,图6示意了场景一中的暗通道图像。

具体步骤如下所示:

①将提取出的天空区域图像作为输入,计算暗通道图J;

②从暗通道图J中,选取前0.1 %亮度较高的像素。

③提取上述像素在原始图像I中对应位置的像素亮度值,选取最亮像素的3×3邻域像素点的平均强度值作为无穷远处大气光强IA∞。(最终估计的无穷远处大气光强为194.7)

图6 场景一暗通道图像Fig.6 Dark channel image of scene one

3.4 各像点大气光强计算

(1)大气光偏振度、偏振角计算

对比偏振度及偏振角计算公式可以发现,偏振度与总光强S0有关,而偏振角与S0无关。由于雾霾条件下,直接透射光的偏振信息较为微弱,故直接透射光主要存在于总光强S0中。因此,为了最大程度抑制直接透射光对大气光偏振角、偏振度估计的影响,选择偏振角进行估计。

具体步骤如下所示:

①对偏振角图像进行邻域平均滤波,降低噪声干扰;

②对降噪后偏振角图像,结合提取的天空区域图像,筛选天空区域的偏振角值,进而进行分布统计,选取出现概率最大值,作为大气光偏振角ψA;

③筛选满足大气光偏振角的像素对应的偏振度,选择最大值作为大气光偏振度DA。

对上述场景2中的偏振角分布进行统计,结果如图7所示。

图7 偏振角分布曲线Fig.7 Polarization angle distribution curve

由图7可以看出,在偏振角为0.2415处,明显存在峰值。因此,可以选取0.2415作为大气光偏振角ψA,同时结合偏振度图像,按照步骤③,确定大气光偏振度DA。场景2最终估计的大气光偏振角为13.8439°;偏振度为0.2137。

(2)大气光偏振部分光强计算

(8)

故由马吕斯定理可知,大气光偏振部分IAp为:

(9)

(3)各像素点大气光强计算

由偏振度的定义(偏振部分光强在总光强中的占比)可知,各像素点大气光强IA可表示为:

(10)

场景一最终估计的各像素点大气光强如图8所示。

图8 各像素点大气光强Fig.8 Atmospheric light intensity of all pixel points

3.5 图像去雾增强

由上文获取的各像素点大气光强IA、无穷远处大气光强IA∞以及总光强图像S0,结合式(4)可知,最终获取的目标直接透射光强IL为:

(11)

4 图像去雾增强效果对比分析

对处理后的偏振增强图像质量评价主要采用主观评测和客观评测。主观评测主要是采用主观视觉,对比去雾前后图像的细节、色彩等,判断增强效果。客观评测主要采用图像熵、灰度方差以及对比度作为指标进行评价指标对比。此外,依据对比度值评价增强算法探测距离提升效果。

4.1 图像评价质量指标构建

(1)信息熵函数

(12)

其中,k是图像像素点的灰度级;pk—是灰度级k的出现概率。信息熵是表征图像所携带的特征信息,计算结果越大,代表图像质量越好。

(2)灰度方差

(13)

灰度差:图像灰度值分布离散程度评价指标,标准差越大,灰度值分布越分散,表明图像对比度越大,视觉效果越好。

(3)对比度去雾函数

(14)

4.2 图像质量主观评价

为验证本文算法的去雾增强效果,对以下拍摄的两个场景,分别采用自适应直方图均衡化算法、多尺度Retinex算法、暗通道先验算法、以及本文去雾增强算法,分别对采集的场景一及场景二图像进行去雾增强处理。其中,场景一为雾霾天拍摄的远景偏振图像;场景二为PM2.5浓度为337,能见度约为40 m拍摄的可见光图像。

(1)原始图像,如图9所示。

图9 原始图像Fig.9 Original image

(2)场景一处理结果对比,如图10所示。

图10 去雾增强效果对比Fig.10 Contrast of defogging enhancement effect

由图9、图10对比可看出,本文算法相比原始图像,去雾效果明显增强,可识别距离明显提高;相比其他算法,基本保持了原始图像中目标的色彩信息,且对天空区域的处理更加自然,没有明显的色差、分块、及纹理效应,场景中的目标特征等较为明显清晰。场景中的图中框内为正在行驶的列车,对比各算法处理结果可以看出,本文算法处理后可明显看出列车的外观、颜色等信息,但在原图中基本无法发现。

(3)场景二处理结果对比,如图11所示。

图11 去雾增强效果对比Fig.11 Contrast of defogging enhancement effect

对比图11中各算法处理结果,可以发现本文算法去雾效果明显,明显提成了探测距离。基本保持了原始图像中目标的色彩信息,场景中目标特征等较为明显清晰。屋顶彩钢瓦纹理基本能够观测到,相比多尺度Retinex算法,去雾更为彻底。

4.3 图像质量客观评价

为了更好评价各算法图像去雾效果,下将采用信息熵、灰度方差以及对比度等三个指标,对上述各算法处理结果进行客观评价对比。场景一最终各算法处理结果如表1所示。场景二最终各算法处理结果如表2所示。

表1 场景一不同算法处理去雾结果对比Tab.1 Dehazing result comparision of each algorithm of scene one

综合对比表1和表2中,各算法对场景一和场景二处理结果的图像质量各指标值可发现,本文算法相比原始图像以及其他算法,灰度方差及对比度指标值明显有较大提升,信息熵相比其他算法明显也有提高。结果表明本文算法处理后,图像中目标的特征信息保存相对较好,图像清晰度有较大提升,视觉效果相对较好,图像的细节特征及色彩保留较好,且算法具有较好的适用性。

4.4 探测距离提升效果分析

为进一步分析处理效果,对原始图像以及处理后图像进行客观分析。主要利用对比度指标对场景中不同目标区域对比度进行分析,并将其转化为探测距离对比分析。对比度计算公式如下所示:

Cm=(Imax-Imin)/(Imax+Imin)·100 %

(15)

分别选取场景中不同区域,分别计算场景二原始图像对比度以及增强后对应区域对比度(图中方框内上侧数据为原始图像该区域对比度,下侧数据为处理后该区域的对比度),结果如图12所示。

图12 对比度分析Fig.12 Contrast analysis

对比图12可以发现,偏振可视化增强算法能够有效提升目标的对比度,最大可提升8倍左右,具有较好的增强去雾能力。

为了更好的衡量偏振可视化增强算法探测距离提升效果,现对原始图像以及处理后图像,进行探测距离对比分析。

图13 各区域对比度提升结果Fig.13 Contrast enhancement results of each region

由图13可知,采用本文偏振可视化增强算法进行图像处理后,对不同的目标,同等条件下观测到的作用距离最大可提升3.7倍。实际拍摄能见度为40 m,处理后可观察到120 m处屋顶纹理,探测距离提升近3倍,有效提升了可见光观测距离。

5 总结及展望

本文利用偏振成像的优势,结合暗通道先验原理,基于大气物理退化模型,实现了偏振图像的去雾增强,实验结果表明了该算法具有较强的去雾增强能力,能够明显改善光学成像系统成像质量,对提升成像系统的测量能力、拓展系统作用距离、提高系统成像质量具有重要的意义,为雾霾等复杂环境下的“穿烟透雾”成像探测提供了新的技术途径。

猜你喜欢

偏振度偏振先验
基于偏振度的目标微观表面偏振特性分析
基于无噪图像块先验的MRI低秩分解去噪算法研究
偏振纠缠双光子态的纠缠特性分析
基于LabVIEW的偏振调制激光测距测量控制系统
基于自适应块组割先验的噪声图像超分辨率重建
偏振旋转效应在全光缓存器中的应用与实现
基于可调偏振度源验证偏振光谱强度调制系统
基于平滑先验法的被动声信号趋势项消除
先验的废话与功能的进路
自然光在两种介质分界面上反射和折射时的偏振特性讨论