基于改进暗通道算法的红外图像去雾研究

张 健

(黄淮学院智能制造学院,河南 驻马店 463000)

1 引 言

雾是自然界一种常见的现象,米氏散射受雾霾影响较大,削减了红外图像的对比度和可见性[1-2],因此对红外图像进行去雾处理,还原目标细节,对提高红外图像质量具有重要意义。

目前红外图像去雾研究方法主要有:何恺明提出基于物理模型的暗通道先验(Dark Channel Prior,DCP)去雾算法,通过暗通道统计图像规律,去雾后图像自然,效果明显[3],但是计算量较大,无法满足实时去雾,同时忽略了颜色信息的丢失和过饱和情况；正则化恢复方法(Regularized Recovery,RR)去雾[4],需要不同拍摄角度或不同拍摄时间,取得了一定的效果,但这些方法对数据输入要求较高,普通拍摄难以获取合适的图像；自适应直方图均衡化(Adaptive Histgram Equalization,AHE)在一定程度上增强了雾霾图像中物体的对比度[5],但是不具有鲁棒性以及时间复杂度较高,同时会过度放大平坦区域的噪声；Yael Erez通过获取同一场景两幅图像大致估算出大气光强值[6],再人为区分出图像中的天空区域,获得去雾图像；Puneet主要减少去雾耗时问题,通过暗原色求解大气透过率[7],利用正交偏振图像估算大气光信息获得去雾后的图像；边界约束方法(Boundary Constraint Method,BCM)红外图像去雾[8],通过增加物理模型中参数约束条件,最后恢复出无雾图像。

本文提出改进暗通道算法(Improved Dark Channel Prior,IDCP),通过图像自身调节来获得较准确的大气光强,利用原图的暗原色图以及亮原色图线性方法得到更加接近图像的真实值的大气光强；通过透射率伸缩系数和透射率增减系数来调节透射率；为避免去雾图像画质偏暗,通过灰度值大小对图像亮度进行校正。实验仿真显示本文算法的有效性。

2 红外图像去雾模型

红外图像去雾可借鉴可见光图像去雾算法,但是红外图像成像具有特殊性,直接采用可见光算法进行红外图像去雾,处理结果不太好,因此需要改进优化。

2.1 雾图像模型

针对图像的衰减过程[9],大气散射物理模型成像方程为:

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

(1)

式中,I(x)为雾霾图像；J(x)为无雾图像；A为大气光强度值；t(x)为介质透射率,即到达成像设备中未被散射和吸收的部分；J(x)t(x)为物体的光线在传播过程中的衰减项,A(1-t(x))为大气光成分。

红外图像受雾霾天气影响与可见光图像所受雾霾天气影响具有近似性,因此大气散射物理模型成像方程可近似适用于红外有雾图像去雾[10]。

2.2 大气光强和透射率调节方法

2.2.1 基于调节因子的大气光强值求解

为提高红外图像去雾结果的清晰度,需要更加可靠的大气光强的估算值[11-12]。由式(1)知,造成去雾结果过饱和的原因是大气光强的求取会受到天空光强的影响,使获得的大气光强值偏离了场景的实际光强值。本文通过调节因子来获得较准确的大气光强:

(2)

(3)

不同α、β影响大气光强如图1、图2所示。

图1 不同α影响大气光强Fig.1 The influence of differentαon atmospheric light intensity

图2 不同β影响大气光强Fig.2 The influence of differentβon atmospheric light intensity

从图1、图2可以看出,α主要对无天空区域的有雾图像大气光强调节,α越小越有利于图像暗通道值获取,此时对于无天空区域的有雾图像处理较佳；β主要对有天空区域的有雾图像大气光强调节,β越大越有利于图像亮通道值获取,此时对于有天空区域的有雾图像处理较佳。

2.2.2 透射率调节优化

假设同一局部区域块传输率相同[13],则J(x):

(4)

(5)

(6)

(7)

式中,Imed(x)为经过中值滤波后的图像,包含了原图像的丰富的纹理和边缘,在平滑的过程中,对随机噪声进行了去除,同时还保持了一定的图像边缘特征,避免了用暗通道最小值滤波所带来的halo效应。本文选取μ=0.95。

(8)

2.3 红外图像去雾过程

2.3.1 恢复图像

(9)

透射率t0=0.1,保证了去雾恢复出的无雾红外图像不产生颜色失真情况。

2.3.2 图像亮度校正

去雾复原后的红外图像画质偏暗,需要对红外图像亮度重新校正,通过灰度值大小对图像亮度进行校正:

Ggray=0.25×IR+0.55×IG+0.2×IB

(10)

式中,IR、IG、IB为像素点三通道像素值;Ggray为当前像素点灰度值。

(11)

式中,ξ为有效限制透射率区域很小的值；ζ为校正因子,越大则调整后图像画质越亮,ζ为50为可取得较好的校正效果。这样复原出的图像能有效避免天空区域的颜色失真和噪声。

3 算法流程

本文所提出算法流程为:①输入雾天红外图像；②计算大气光强值；③介质透射率通过公式(8)调节优化；④通过公式(9)去雾；⑤红外图像亮度校正；⑥输出去雾红外图像。

4 实验仿真

实验对天空区域和非天空区域采用不同的透射率进行处理,限定局部块状区域的大小均为15×15,使用的 MATLAB版本7.0,IDCP算法涉及的主要参数α=0.05,β=0.95,Q=50,k=0.45,p=5,用于比较的其他算法参数值均为最优条件。

4.1 视觉效果分析

涉及的算法有DCP、RR、AHE、BCM、IDCP算法,如图3(a)、图4(a)为红外有雾图像,图3(b)、图4(b)为DCP去雾结果,图3(c)、图4(c)为RR去雾结果,图3(d)、图4(d)为AHE去雾结果,图3(e)、图4(e)为BCM去雾结果,图3(f)、图4(f)为IDCP去雾结果。

图3 各种算法对有雾图像1去雾结果Fig.3 Image hazing NO.1 dehazing results for various algorithms

图4 各种算法对有雾图像2去雾结果Fig.4 Image hazing NO.2 dehazing results for various algorithms

从图3、图4各种算法去雾结果可以看出,DCP算法去雾红外图像清晰度较好；RR算法存在昏暗等问题；AHE算法在天空中有严重的失真现象,过度放大了平坦区域图像；BCM算法存在偏色现象；IDCP算法在非天空区域与天空区域交界处没有失真现象,边缘细节处理更清晰明亮,如在图3(f)可以看清楚远处山的轮廓以及山脉景象,在图4(f)可以看清楚湖面上鸭子的轮廓以及柳树的细条纹。

4.2 客观评价分析

4.2.1 平均梯度、信息熵以及峰值信噪比指标分析

平均梯度(Average Gradient,AG)值越大,图像的层次感越强,图像也会越清晰；信息熵(Information Entropy,IE)值越大,则图像的信息量越大,图像的质感好；峰值信噪比(Peak Signal To Noise Ratio,PSNR)值越高说明两幅图像结构越相似,劣化的程度低且引入的噪声较少。各种算法对图3(a)、图4(a)去雾进行30次实验仿真,记录每次实验的平均梯度、信息熵以及峰值信噪比指标,结果如图5、图6、图7所示。

图5 平均梯度指标分析Fig.5 Average gradient index analysis

从图5、图6、图7指标分析可以看出,在30次实验中,IDCP算法对去雾图像1的平均梯度值的平均值为6.05,信息熵的平均值为为7.51,峰值信噪的平均值为为17.66 dB,IDCP算法对去雾图像2的平均梯度值的平均值为6.08,信息熵的平均值为为7.65,峰值信噪的平均值为为17.62 dB,各种指标高于其他算法,平均梯度较高,信息熵略高于DCP算法,峰值信噪比较高,最大化的减少了结构的破坏,减少噪声的引入,能够有效提升去雾图像的对比度、清晰度。

图6 信息熵指标分析Fig.6 Information entropy index analysis

图7 峰值信噪比指标分析Fig.7 Peak signal to noise ratio index analysis

4.2.2 鲁棒性指标分析

基于部分参考型图像质量评价的结构相似度思想[17-19],鲁棒性评价函数为:

(12)

图8 鲁棒性指标分析Fig.8 Robustness index analysis

从图8可以看出,IDCP算法获得的P值数据波动较小,P值相比其他算法较大,算法鲁棒性较好；其他算法数据波动较大,说明鲁棒性较差。

5 总 结

本文调节了大气光强和透射率,同时为避免去雾图像画质偏暗,通过灰度值大小对图像亮度进行校正。实验仿真显示本文算法没有色彩失真现象,边缘细节处理更清晰明亮,平均梯度值最少为6.0,信息熵最少为7.5,峰值信噪比最少为17.6 dB,算法数据波动较小,鲁棒性较强,因此本文算法在处理效果上有一定的优势,对雾天红外图像的去雾有一定的借鉴意义。