基于Retinex 对UAV 单幅侦察图像的去雾算法研究
2021-10-08赵琳宏左宪章
赵琳宏,左宪章*,单 喆
(1.陆军工程大学,河北 石家庄 050000;2.空军第四飞行学院,河北 石家庄 050000)
在现代战争中,使用无人机进行战场侦察具有实时性、准确性以及能够避免人员伤亡的优点。但在实际应用中,由于雾霾的影响常常会导致侦察影像的细节模糊、对比度低、目标边缘不清晰等现象,严重影响后期的特征提取、目标识别和跟踪,因此,有必要对雾霾导致的降质图像进行清晰化处理。
1 单幅侦察图像去雾霾算法分析与改进
无人机所拍摄的战场含雾霾的侦察影像因其拍摄角度、环境背景、目标特征等方面因素导致与平时采集的室外含雾霾的图像有一定区别,具体来说有以下三个方面:一是采用俯视角度拍摄,各目标透射率大致相同;二是可能含有大片不适合采用暗原色先验的目标区域,如玻璃、植被、水面等;三是可能存在影响去雾效果的背景。根据上述特征,需要找到一种适合无人机侦察影像的去雾算法。
1.1 暗原色先验去雾算法
目前,国内外学者在图像去雾领域多采用图像复原和图像增强这两类方法。其中He 等人所提出的暗原色先验算法[1]因其思路巧妙、理论浅显易懂被学者们广泛引用。
He 等人通过对大量无雾图像观察统计发现,在图像非天空区域有一个极小的邻域内有一颜色通道接近于零[1],并称这个通道为暗通道,其表达式为:
其中Ω(x)为像素点x 的一个极小的邻域;c 为三种颜色通道,即首先求出每个RGB 分量的最小值,存入一幅和原始图像大小一样的灰度图中,然后对这副灰度图进行最小值滤波,滤波的半径由窗口大小决定。
然后根据雾天图像退化模型复原图像:
其中I(x)为含雾霾图像;J(x)为待求解的图像;t(x)在有雾介质中光线的透射率;A 为大气光强度;t0为设定的一个阈值。
此算法存在光晕效应,对图像边缘处理不够细致,因此并不适合用无人机侦察影像的处理中。
1.2 单尺度参数Retinex 算法(SSR)
Retinex 又称色彩恒常理论[2],即在图像中呈现的物体颜色与反射光的强度无关,只与物体的反射能力有关,且不受光照的不均匀性影响。其表达式为:
其中I(x,y)为含雾霾的图像;R(x,y)为物体表面反射图像;L(x,y)为入射光亮度图像。
于是通过估算入射光亮度图像,可以求得物体表面反射图像。即:
其中,ri(x,y)为在第i 个颜色通道的输出(i 取值为1、2、3);Ii(x,y)为图像分布,即图像在位置(x,y)处的灰度;F(x,y)为环绕函数,通过环绕函数和含雾霾图像的卷积估计原图像的亮度值。
其中,c 为尺度参数;k 为归一化因子。
在仿真实验中具体操作流程为:
(1)读取含雾霾图像数据I(x,y)。
(2)给尺度因子合理赋值,高斯模糊后得L(x,y)。
(3)将log[R(x,y)]量化处理为0-255 之间的数值并输出。
尺度参数决定着图像的处理效果[3]。c 取值较小时动态压缩能力较强,可以较好地增强图像中阴暗部分的细节,但会导致输出图像颜色失真;c 越大,输出图像的颜色保真度越好。因此,需要在此算法的基础上进行改进。
1.3 多尺度参数Retinex 算法(MSR)
在单尺度参数Retinex 算法的基础上,相关学者提出了多尺度参数的Retinex 算法,即通过选择大、中、小三个尺度再进行加权,其流程如图1:
图1 MSR 流程图
在仿真实验中具体操作流程为:
(1)读取含雾霾图像数据I(x,y)并分解为RGB 三个分量。
(2)double 类型图像转换至对数域,选择大中小三个尺度因子赋值,确定高斯函数再与原图像卷积可得三个尺度的亮度图像L(x,y)。
(3)对三个亮度图像加权求和再转换到实数域输出。
虽然多尺度参数Retinex 算法可以兼顾到低尺度SSR 算法的细节信息以及色彩保真,但多尺度Retinex 算法破坏了原始图像RGB 三个颜色通道的比例关系[4],容易出现颜色失真,所以还需要再进一步改进。
1.4 改进的多尺度参数Retinex 算法
在多尺度Retinex 算法基础上可以再做改变,将R,G,B 三个颜色通道转换到HIS 色彩空间进行处理。HIS模型中常常使用H、I、S 三个参数描述物体的颜色,其中H 为颜色的波长,即色调;I 为亮度;S 为颜色的深浅程度,即饱和度。色调是强调描述纯色的属性[5];饱和度给出一种纯色被白光稀释程度的度量,亮度是主观的描述,实际中不可测,体现了无色的强度概念,并且是描述彩色感觉的关键参数。RGB 模型与HIS 模型的转换关系如下:
其中,I 为亮度;S 为饱和度;H 为色调(0°≤H≤360°)。
对其中的I 分量使用多尺度Retinex 算法:
其中ri(x,y)为第i 个通道的输出;Ii(x,y)为含雾霾图像第i 个通道的值;Fi(x,y)为高斯环绕函数;k 是高斯环绕函数的个数;Wk是赋予相对应的权值。且满足Wk=1。
最后,再完成从HIS 到RGB 的彩色转换。具体公式如下:
其中只对I 分量进行了增强处理,H 和S 未做任何处理。
2 仿真结果与分析
选取多幅无人机航拍的含雾霾图像进行仿真,对同一幅无人机侦察图像分别采用暗原色先验、单尺度参数Retinex 算法、多尺度参数Retinex 算法、直方图均衡化和本文改进后的多尺度参数Retinex 算法做对比处理。最后从主观评价指标和客观评价指标两方面进行比较。仿真实验结果如下。
表1 5 种算法客观评价指标比较1
从处理效果上看,改进后的算法能有效复原图像的细节,对薄雾和不均匀雾气场景的图像均有较好的去雾效果,在与多种算法的比较中,无论在图像清晰度、边缘细节、色彩恢复方面都有一定程度的先进性,综合多种算法来看对细节信息恢复最好的是暗原色算法和本文算法,而将这两种算法进行比较,本文算法只对亮度分量I进行增强,而原先的算法同时需要对RGB 三个通道进行处理,大大减少高斯卷积的计算量,从而降低了图像处理的运行时间,在运行速度方面远远优于暗原色算法。
表2 5 种算法客观评价指标比较2
图2 5 种算法去雾效果比较1
图3 5 种算法去雾效果比较2
从客观评价指标来分析,直方图均衡化算法和本文算法在对于不同场景下图像去雾指标较为优异,但直方图均衡化算法得到的处理图像对于雾气较浓部分的恢复较本文算法还有一定差距,综合以上,本文算法在处理无人机侦察影像方面具有较好的先进性和鲁棒性,具有很强的应用价值。
3 结束语
本文对雾霾环境中的无人机单幅侦察图像如何进行图像清晰化操作进行了简要论述和分析。首先介绍了暗原色先验图像去雾算法,随后介绍Retinex 理论和单尺度参数、多尺度参数的Retinex 算法,最后给出改进后的Retinex 算法。本文中的算法通过把雾天图像RGB 颜色空间和HIS 颜色空间之间的转换,分离出亮度I 单独处理,从而提高了运算速度,改善其亮度不足的缺陷并使图像色彩更加丰富,同时也使图像的细节信息更加清晰。但通过仿真实验,带入不同场景中的侦察图像,从图像复原的处理结果来看采用本文的算法可以有效提高图像的对比度,使重要目标细节更加清晰化,为下一步的目标识别跟踪提供更便于机器识别的数据信息。