基于暗通道先验的图像去雾方法

任佳兴，白 爽，曹 睿，曲 直，蔡希彪，曹玉东

基于暗通道先验的图像去雾方法

任佳兴1，白 爽1，曹 睿2，曲 直1，蔡希彪1，曹玉东1

（1.辽宁工业大学 电子与信息工程学院，辽宁 锦州 121001；2.大连交通大学 自动化与电气工程学院，辽宁 大连 116028）

针对采用暗通道先验还原图像时引起分界区域出现块效应的现象，采用软抠图对透射率进行优化处理，提出一种改进的暗通道先验图像去雾方法。基于大津阈值法分割有雾图像中的非天空与天空区域，然后估算天空区域的大气光值，通过梯度引导滤波法细化非天空区域的初始透射率，进而复原得到清晰的去雾图像。实验表明，该方法有效解决了暗通道去雾模型存在的大气光值估算不准、天空区域颜色失真等问题，能够获取更为清晰的去雾图像。

软抠图；Otsu；暗通道先验；图像去雾

近年来，图像去雾算法逐渐成为计算机视觉领域的研究热点，目前采集图像的设备精度已有巨大提升，然而复杂恶劣的天气对设备成像质量依然造成很大的影响。现实生活中，严重恶劣的雾霾天气频频发生，多是由工厂排出大量的化学污染物引起，因大气离子的散射使得图像质量较差。因此，对取自于极端雾霾天气下的图像，如何去除雾霾影响，获取高质量图片，具有重要的研究意义。

Fattal[1]针对图像有雾区域的反射率使用独立分量分析，采用马尔科夫随机理论对有雾区域的图像预估颜色，实现一定程度的图像去雾效果，由于浓雾和暗光场景的影响，马尔科夫随机理论无法获取充足图像颜色来进行估算，造成其图像去雾性能的下降；Tan[2]通过对有雾图像的部分区域对比度进行最大化处理，实现图像去雾的目的，但会对去雾图像的天空区域产生光晕干扰，使得区域颜色过曝，从而影响去雾性能；Tarel等[3]使用中值滤波对雾化图像的大气散射光值进行估算处理处理，实现图像去雾，而中值滤波无法进行处理有雾图像的边缘，造成图像去雾性能的减弱。汪云飞等[4]通过选择雾化图像的特征位置计算暗通道，有效地增加了暗通道数值，却影响了暗通道先验性能，无法准确估算大气透射率。王睿等[5]对有雾图像进行基于小尺寸超像素的图像分割处理，并与正常尺寸的天空区域相融合，提升图像去雾性能的同时极大增加了算法成本与复杂度。Nishino等[6]利用改进的贝叶斯模型有效提升算法的去雾性能，贝叶斯先验知识增加了模型的复杂度；Meylan等[7]使用自适应滤波方法对天空区域的大气光值进行估算，但逐点计算的方式增加了模型的计算成本。

本文主要针对有雾图像，使用大津阈值算法对外景图像的非天空与天空区域进行分割处理，合理估算天空区域的大气光值，通过梯度引导滤波法对非天空区域进行细化初始透射率的处理，从而提升模型的去雾性能。通过实验证明，算法适用于智慧交通、无人驾驶等室外场景，有效地解决了大气光值估算不准、天空区域颜色失真等问题，对外景有雾图像处理后，可获得较为清晰的去雾图像。

1 暗通道先验去雾算法

1.1 基本理论

21世纪初期，He等[8]首先提出了暗通道先验(Dark-Channel Prior)规律：在清晰无雾图像的非天空区域中，至少存在1个对应的颜色通道灰度值较低，并可以趋近于0：

1.2 暗通道先验算法

雾天图像成像大气散射物理模型为：

(a)原图像

(b)暗通道图像

(1)透射率估计

假设值为已知量，通过对式(2)的等式两边进行暗通道先验处理，可获得其归一化结果：

根据暗通道先验理论可知：

(2)透射率优化

针对采用暗通道先验还原图像时景深变化引起分界区域出现部分块效应现象[9]，He等提出了对大气透射率进行高效优化的软抠图算法。软抠图算法表达式为：

(3)大气光值估算及图像复原

图3 去雾效果示意图

2 改进的图像去雾算法

提出的改进图像去雾算法利用大津阈值算法(Otsu)对外景有雾图像中的天空与非天空区域进行分割处理，令天空区域中所有像素点的均值作为其区域预估的大气光值，并使用梯度引导滤波法对非天空区域细化其初始透射率，进而复原得到清晰的去雾图像。图像去雾算法流程如图4所示。

图4 算法流程

2.1 天空区域分割

采用Otsu算法[11]对有雾图像进行天空与非天空区域分割处理，算法处理流程描述如下：

(3)利用上式分别计算有雾图像中非天空区域方差()与天空区域方差()，并计算有雾图像整体的平均灰度值：

图5 天空区域分割结果

2.2 大气光值A的估计

2.3 透射率的求取

通过对有雾图像进行分割处理，对图像天空区域估算大气光值，并使用梯度引导滤波法细化非天空区域的透射率。使用暗通道先验法估算有雾图像的初始透射率，而后将分割图像的梯度信息与引导滤波进行融合，进一步细化图像的透射率[12]。算法结合了图像不同的梯度信息，相较于单纯的引导滤波法，可精准获取图像的边缘区域，更具保边平滑特性，提取更加细节的透射率信息。

算法使用1幅引导图像作为输入，进行提取边缘的滤波处理。该算法的线性模型为：

如图6所示，从左到右依次为有雾图像、粗透射率、引导滤波透射率以及本文细化后的梯度透射率。观察发现，使用本文细化后的梯度透射率处理过的有雾图像，图像细节更加丰富，边缘轮廓更加清晰。

3 实验

为验证本文所提出方法的去雾效果，共选取3组雾霾图像进行实验，并将本文的实验效果与文献[4]算法进行比较，仿真平台为Windows10 64位操作系统，主频为3.2 GHz CPU，内存16 G，显卡为NVIDIA RTX3070，软件使用Matlab R2016a。

在图7中，(a)为有雾图像，(b)为文献[4]算法去雾效果图，(c)组为本文的去雾效果图像。图7(b)组图像中天空与建筑物之间均存在严重的失真现象，地面区域在去雾处理后颜色过于亮白且过度锐化，多处天空区域存在严重色彩失真。本文算法的去雾效果与文献[4]相比，天空区域经去雾处理后颜色失真现象得到明显改善，较为真实的还原天空景象；非天空区域色彩表现更加柔和，还原出更多的区域细节信息。综上，有雾图像经本文的去雾算法处理后，可获得更加清晰地高质量去雾图像。

本文选用图像的信息熵和均值作为算法去雾性能的评价指标。图像信息熵指标反映了去雾图像的色彩丰富程度，通常情况下，去雾图像信息熵越高，算法去雾性能越强，即图像信息熵与算法去雾性能呈正相关[13]。图像均值为图像中所有像素点的平均值，通常情况下，有雾图像的均值高于去雾后的图像均值。去雾算法性能越强，获得的去雾图片所有像素点的均值越低(雾霾点像素值更接近255)，去雾图像越清晰，即图像均值与图像去雾性能呈负相关。

图7 文献[4]结果与本文实验结果对比

表1 仿真实验客观评价指标对比

由表1可知，文献[4]提出的算法与本文算法的信息熵均高于原图像，第2和第3组图像实验结果中，本文信息熵值高于文献[4]提出的算法。由均值指标观察发现，本文去雾算法图像像素均值全部低于文献[4]中算法的图像均值，说明经本文优化的去雾图像的还原度更好。根据评价指标综合分析，本文的去雾算法有效地解决了传统去雾算法大气光值估算不准确且天空区域色彩失真严重的问题，去雾性能提升较大。

4 结束语

本文提出了一种改进的图像去雾方法，采用Otsu对外景图像的天空与非天空区域进行分割处理，合理估算天空区域大气光值，对非天空区域采用梯度引导滤波法细化其初始透射率，提升了模型的去雾性能。提出的方法能够解决天空区域的颜色失真和大气光值估计等问题。

[1] Fattal R. Single image dehazing[J]. ACM transactions on graphics (TOG), 2008, 27(3): 1-9.

[2] Tan R T. Visibility in bad weather from a single image[J]. IEEE Transcations on Computer Science, 2018(9): 353-366.

[3] Tarel J P, Hautiere N. Fast visibility restoration from a single color or gray level image[C]//2009 IEEE 12th International Conference on Computer Vision. IEEE, 2009: 2201-2208.

[4] 汪云飞, 刘华伟, 赵搏欣. 融合超像素的黄金暗通道单幅图像去雾方法[J]. 西安电子科技大学学报, 2017, 44(5): 147-152.

[5] 王睿, 李蕊, 廉小亲. 基于大气多散射模型和超像素分割的图像去雾[J]. 光子学报, 2016, 45(4): 130-136.

[6] Nishino K, Kratz L, Lombardi S. Bayesian defogging[J]. International journal of computer vision, 2012, 98(3): 263-278.

[7] Meylan L, Susstrunk S. High dynamic range image rendering with a retinex-based adaptive filter[J]. IEEE Transactions on image processing, 2006, 15(9): 2820-2830.

[8] He K, Sun J, Tang X. Single Image Haze Removal Using Dark Channel Prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353.

[9] 毛祥宇, 李为相, 丁雪梅. 基于天空分割的单幅图像去雾算法[J]. 计算机应用, 2017, 37(10): 2916-2920.

[10] 李加元, 胡庆武, 艾明耀, 等. 结合天空识别和暗通道原理的图像去雾[J]. 中国图象图形学报, 2015, 20(4): 514-519.

[11] Otsu N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[12] 谢伟, 周玉钦, 游敏. 融合梯度信息的改进引导滤波[J]. 中国图象图形学报, 2016, 21(9): 1119-1126.

[13] 曲直. 基于双目相机的视觉处理技术[D]. 锦州: 辽宁工业大学, 2020.

Image Defogging Method Based on Dark Channel Prior

REN Jia-xing1, BAI Shuang1, CAO Rui2, QU Zhi1,CAI Xi-biao1, CAO Yu-dong1

（1.School of Electronics & Information Engineering, Liaoning University of Technology, Jinzhou 121001, China;2.School of Automation and Electrical Engineering, Dalian Jiaotong University, Dalian 116028, China）

Aiming at the obvious blocking phenomenon in the edge region where the scene depth changes in the dark channel prior restoration image, soft matting algorithm is adopted to optimize the transmittance, and an image defogging method based on dark channel prior improvement is proposed. The Otsu algorithm is used to divide the sky and non-sky areas in the outdoor image, the atmospheric light value is reasonably estimated by using the accurately divided sky area, and the initial transmission rate is refined by gradient guide filtering in the non-sky area, and the clear demisting image is obtained by the atmospheric scattering model. Experiments show that the method, on the basis of retaining the original dark channel defogging method, effectively solves the problems of inaccurate estimate of atmospheric light value, color distortion in the sky area, and obtains a clearer defogging image.

soft matting; Otsu; dark channel prior; image defogging

10.15916/j.issn1674-3261.2021.05.009

TP391

A

1674-3261(2021)05-0317-05

2020-05-31

国家自然科学基金项目(61772171)

任佳兴(1996-)，男，宁夏吴忠人，硕士生。

曹玉东(1971-)，男，辽宁铁岭人，副教授，博士。

责任编辑：孙 林