基于暗通道先验的靶场视频图像去雾算法*

柳华林，张立民，王海鹏，刘 颢，李雪腾

（1.海军航空大学，山东 烟台 264000；2.武汉数字工程研究所，武汉 430000）

0 引言

打靶作为部队基础训练项目，是提高战斗力的重要手段。一直以来，关于自动报靶的研究成果层出不穷［1］，但极少考虑实际应用过程中的自然环境干扰。在雾等稳态不良天气条件下，获取实时图像的质量存在不同程度的退化，视觉效果呈现对比度降低、目标模糊不清等特征，既降低了研究价值，也严重影响基于计算机视觉的自动报靶系统的功能实现。因此，有效去除雾等稳态不良干扰并获得清晰的靶场视频图像具有重要现实意义［2］。

近年来，关于图像和视频去雾的研究成果丰硕，并在单幅图像去雾领域有较大突破，主要有图像增强和图像复原［3］两种方式。图像增强通过提高色彩和对比度优化雾天图像的视觉效果，但容易造成图像信息丢失，去雾效果不理想。常用算法有直方图均衡化［4］、同态滤波［5］、Retinex 算法［6］等。图像复原通过建立散射模型，推断图像退化物理过程，反演出受雾干扰前的图像［7］。这类算法利用先验知识，能还原出更多图像细节，从根本上去雾。如Jiang等人［8］基于分层的透射图估计方法，Zhu 等人［9］基于颜色衰减先验，He 等人［10］基于暗通道先验等在特定条件下都能对受雾干扰的图像进行有效复原。

本文着眼于自动报靶系统实际应用，在靶场视频图像特点研究的基础上，提出一种基于暗通道先验的靶场视频图像去雾算法。该算法改进暗通道图求取方式，有效降低求取时间；采用Fast Guided Filter 对暗通道图进行优化，不影响透射率优化的同时获得更佳的大气光值；改进大气光值估计方法，通过Otsu 方法快速分割靶场视频图像的候选场景进行大气光值估算，有效提高大气光值求取的准确性和时效性；提出基于亮度和边缘融合的精细化分割算法，分割白色靶面，优化其透射率，有效解决白色靶面去雾后色彩失真问题。通过一系列优化和改进，实现了对靶场视频图像的快速去雾，并取得很好的视觉效果。

1 暗通道先验去雾算法

1.1 大气散射物理模型

大气散射模型［11］作为雾、霾图像的物理模型被广泛应用于图像去雾中:

式中，I（x）是有雾图像，J（x）是无雾图像，A 是全球大气光，t（x）是透射率。

1.2 暗通道先验理论

未受雾气干扰的室外图像，其绝大部分除天空的局部区域中，存在像素至少在一个颜色通道是很低的值［10］。因此，可定义输入图像J 的暗通道表达式:

式中，Jc为彩色图像各通道，Ω（x）为以像素x 为中心的窗口。

暗通道先验理论指出:

1.3 暗通道先验去雾

全球大气光A 值可利用暗通道图，通过受雾干扰的降质图像进行求取，即获取其亮度值在前0.1%的像素的坐标位置，然后找到这些位置在受雾干扰图像中的最大亮度值作为A 值。

出于去雾后图像视觉效果的考量，透射率t（x）的值通常设置有最低阈值t0（通常为0.1）。最终，有雾图像复原公式为:

1.4 不足之处

经暗通道先验去雾算法的相关实验分析，发现其存有几点不足之处。首先，传统的暗通道图求取方式过于耗时；其次，图中存在白色等具有高亮度值的目标物体时，容易造成大气光值的错误估计；再次，天空或白色区域几乎不包含暗元素，不符合该先验条件，导致该区域求取的透射率与实际相比误差较大，图像去雾后产生严重色彩失真；最后，算法整体的时效性还有待进一步提高。

2 改进的暗通道先验去雾算法

本节研究内容立足于靶场视频图像特点，优化和完善暗通道先验去雾算法的各部分内容，最终提出基于暗通道先验的靶场视频图像去雾算法。基本流程如图1 所示。

图1 算法流程图

2.1 快速暗通道图求取

暗通道图求取是视频图像去雾的决定性基础，其求取方式和速度鲜有研究。传统的暗通道图求取方式大体有两种:方式1 首先求取受雾气干扰图像各个像素三通道的最小值并生成最小值图像，然后通过最小值滤波生成暗通道图；方式2 是获取受雾气干扰图像的3 个通道图，并分别采用最小值滤波处理，通过各个像素位置对应的3 个最小值图像中的最小值获得暗通道图。

由于靶场视频图像去雾对环线和孔洞等的保留度要求高，为降低块状效应和暗通道图的求取时间，本文选大小为3×3 的窗口通过3×3 步长求取暗通道图。同时，改进像素三通道最小值和窗口区域最小值的求取，采用在当前时刻窗口位置进行R、G、B 各通道以及窗口区域最小值的求取，并将该值作为当前时刻窗口区域的暗通道值，以此获得最终的暗通道图。

2.2 Fast Guided Filter 优化暗通道图

导向滤波［12］作为应用广泛的边缘保持滤波算法，具有导向性，通过引导图像确认边缘位置，从而有效对其进行保护。通常采用式（6）针对二维图像中像素点i 处开展滤波工作:

在上述导向滤波的基础上，Fast Guided Filter［13］通过下采样减少像素点，计算mean_a 和mean_b 后进行上采样恢复到原有大小。相较于导向滤波，该快速方法在不影响滤波质量的前提下能够有效提高运行的效率。

暗通道图的质量在开展大气光值的估计工作和完成透射率的求取任务中发挥至关重要的作用。精细化的暗通道图在确保大气光值估计的准确性方面具有显著优势，有助于得到优化的大气光值。同时，视觉上看，暗通道图的强度值是雾浓度的粗略近似，对于暗通道图进行精细化处理实则有效改善了有雾图像各像素的透射率，避免了透射率的精细化求取［14］。因此，相较于传统的优化透射率操作，本文采用Fast Guided Filter 对暗通道图进行快速优化，获得了更为精确的大气光估计值和优化的透射率，雾气干扰去除后得到了更好的视觉效果。

2.3 改进的大气光值估计

大气光值是暗通道先验去雾算法的重要参数，决定着透射率求取的精度和雾气去除后整体的视觉效果。大气光值通常存在于天空区域或者视频图像雾气最浓即理论上透射率为零的区域，He 的大气光值估计方法主要干扰来自视频图像中高亮噪声，同时在实际求取过程中耗时严重。大气光值求取的常规改进方法，为通过天空区域识别分割获得大气光值估计的候选场景，选取符合条件的区域或像素集，分别定义其R、G、B 通道值的均值作为大气光的估计值［15-16］。本文从大气光值优化和降低求取时间的角度出发，从大气光的视觉特性着手改进大气光值求取方法，通过Otsu 方法快速分割靶场视频图像候选区域，将包括小面积天空区域的类似亮区域分割出来，其次，求靶场视频图像亮区域暗通道图中所有像素值的中值所在位置，并分别求取这些位置对应的受雾气干扰图像3 个通道值的最大值作为大气光值估计量。

2.4 分区域透射率求取

靶场视频图像的暗部满足暗通道先验原理，可以直接采用原方法进行雾气的去除。亮部情况较为复杂，通常存在两种情况:一是由于雾的干扰引起灰度值升高；二是靶场视频图像中本身存在亮度值较高的白色物体。该部分由于其在无雾气干扰状态下暗通道值不趋向于零，不符合暗通道先验原理，故使得该区域求得的透射率比实际低，进而导致去雾过度，无法真实还原本来的色彩属性。因此，本文通过对靶场视频图像亮部进行特征分析，提出基于亮度和边缘融合的分割算法，准确对其亮部的白色靶面进行分割。在此基础上分区域求取透射率，对不符合暗通道先验原理的白色靶面部分进行透射率的补偿，得到了很好的去雾效果。

2.4.1 白色靶面分割

如下页图2 所示，由于雾气干扰，靶场视频图像背景的灰度值升高，白色靶面的灰度值降低，导致前景和背景的对比度减弱，亮度值高度近似。由图3～图5 所示的实验结果可以看到，Otsu 算法、区域生长法以及四叉树等单一元素的分割算法都无法有效分割白色靶面。

图2 受雾干扰的靶场视频图像

图3 Otsu 算法

图4 区域生长法

图5 四叉树法

本文基于靶场视频图像中胸环靶为固定靶的特点，在感兴趣区域（Regions of Interest，ROI）粗分割的基础上，提出基于亮度和边缘融合的精细化分割算法，该算法在Otsu 快速分割的基础上融合靶场视频图像边缘信息，突出白色靶纸边缘，最后通过形态学处理，从靶场视频图像亮部准确分割白色靶面。

靶场视频图像中ROI 为胸环靶，指定胸环靶区域并生成和原图相同尺寸的掩模图像如图6 所示，用以实现对图像特定区域的选择性处理。区域二值化结果如图7 所示，胸环靶的右侧边缘完全和背景融合，无法实现白色靶面的精确分割。本文通过Canny 算子对靶场视频图像中胸环靶和部分背景物体的边缘进行有效检测，其结果如图8 所示。将基于Otsu 的全局阈值分割结果与基于Canny 的边缘检测结果进行融合，生成图像如图9 所示，很好地体现了胸环靶的边缘。最后，经形态学方法处理，有效获取图10 所示的白色靶面掩模图像。

图6 胸环靶掩模图像

图7 区域二值图

图8 区域边缘检测结果

图9 融合图像

2.4.2 分区域求取透射率

白色靶面部分，由于不符合暗通道先验原理，通过式（11）求得的透射率偏低，需要适当补偿，已知透射率与景深的关系式［10］:

图10 白色靶面掩模图

靶场视频图像其他区域，由于不含有白色物体和天空区域，符合暗通道先验原理，通过式（4）即可以准确得到其透射率。

3 实验结果分析

本节基于图2 所示受雾干扰的靶场视频图像，开展本文改进算法与传统暗通道先验去雾算法的对照试验，以验证本文算法在靶场视频图像去雾方面的优越性。

3.1 快速暗通道图求取

该对照试验中，分别采用传统暗通道图求取方式1、方式2 和本文改进的快速暗通道图求取方式进行实验结果的对比。

图11 传统方式1

图12 传统方式2

图13 改进的快速暗通道图求取方式

从实验结果可以看出，本文方法获取的暗通道图保留了传统方法的优势，未出现块状效应，并在保证暗通道图求取质量的同时有效降低暗通道图的求取时间，相较于两类传统暗通道图求取方式，时间分别降低0.6 s 和1.9 s 以上。

3.2 Fast Guided Filter 优化暗通道图

图14 优化透射率去雾图

图15 优化暗通道去雾图

图14 和图15 分别为传统优化透射率方法和本文优化暗通道图方法下雾气去除后的实验结果图。可以看出，本文算法在还原靶场视频图像的色彩、亮度等方面表现更为突出，去雾效果细腻、真实、自然。

3.3 改进的大气光值估计

该部分实验分别采用He 的大气光值估计方法和常规改进方法进行受干扰图像的雾气去除，并进一步与本文改进大气光值估计方法所得结果进行对照。

图16 He 大气光值估计方法

图17 常规改进方法

图18 本文改进估计方法

如图2 所示，靶场视频图像天空区域的面积很小且和白色靶面的亮度高度近似，不存在亮度明显高于天空区域的高亮噪声，因此，He 的大气光值估计方法能够实现其粗略估计，去雾效果如图16 所示，基本可以达到图像复原的标准，但雾气去除后整体的亮度和对比度较差，求取的过程也过于耗时。图17 所示为常规改进方法下即大气光估计值取靶场视频图像亮区域R、G、B 三通道平均值时对应的雾气去除结果，其亮部严重曝光过度，视觉效果欠佳。图18 所示为本文改进大气光值求取方式下的雾气去除结果，通过对比可以看出，本文方法在复原图像的亮度以及对比度方面取得的效果最优，更符合人类视觉特征，同时相较于He 的相应估计算法，运行时间降低近5 倍。

3.4 分区域透射率求取

该部分实验分别在整体透射率求取和本文分区域透射率求取的条件下进行对照试验分析。

图19 整体透射率求取

图20 分区域透射率求取

不同条件下的图像去雾结果如图19、图20 所示，通过对照可以看出，虽然雾的干扰都被完全去除，但整体透射率求取条件下的图像复原结果在白色靶面处存在严重的色彩失真，而本文分区域透射率求取方式下的图像复原结果中对比度得到有效提高，色彩自然并呈现很好的视觉效果。

4 结论

本文着眼于自动报靶系统应用实际，基于靶场视频图像特点，优化和改进暗通道先验去雾算法的各个部分。获得优化的大气光值和准确的透射率，同时有效提高算法的时效性。本算法基于视频图像场景中含有前景目标和复杂背景且前景目标存在不符合暗通道先验的特征展开设计，结合靶场视频图像前景目标，为静态目标的特点和边缘信息加以约束，准确实现前景目标的分割及白色靶面的提取，为同类视频图像的去雾处理提供了解决思路。同时，算法也有可改进之处，如传统图像处理无法准确实现有雾图像前景目标分割的情况下，可以考虑应用深度学习技术，通过模型的训练有效实现前景目标的分割。