基于划区域暗通道算法的农田图像去雾研究

摘要：为了提高农田图像去雾的效果，提出划区域暗通道算法。通过双阈值把有雾图像划分为远景区域、近景区域、中间区域;不同区域采用不同的透射率计算方法，远景区域的透射率计算基于非线性容差机制，近景区域的透射率计算基于修正因子，中间区域的透射率计算基于引导滤波;再利用全局大气光照度和各区域的透射率得到去雾图像，并给出算法流程。试验仿真结果表明，与其他去雾算法相比，该算法提高了去雾图像的可见性，平均梯度评价指标值为0.106，均方误差评价指标值为20，结构相似度评价指值为0.97，评价指标较优。

关键词：农田图像去雾;远景区域;近景区域;中间区域;透射率

中图分类号： TP391.41  文献标志码： A

文章编号：1002-1302（2021）20-0201-04

收稿日期：2021-04-05

基金项目：河南省重点研发与推广专项科技攻关项目（编号：212102210385）;河南省高等職业学校青年骨干教师培养计划（编号：2019GZGG026）;鹤壁职业技术学院校本科技类重点课题（编号：2020-KJZD-002）。

作者简介：邵明省（1980—），男，河南滑县人，硕士，副教授，主要从事图像、信息处理以及应用研究。E-mail：wapinetcn@126.com。

雾是由微小液滴组成的气溶胶，属于自然界常见的天气现象，特别在农田原野间常常有雾出现，这种天气对农业生产中图像信息采集产生极大的影响，采集到的图像会出现对比度降低等情况，导致场景目标细节信息丢失[1]。因此，对农田图像进行去雾处理，对提高农田图像质量具有重要意义。目前研究农田图像去雾的算法有以下几种：第一，暗通道先验算法（dark channel prior，DCP）[2]，其假设无雾图像中的暗通道值接近于0，但这种假设适合场景存在局限性，且算法复杂度较高，不利于实时去雾。第二，暗通道先验和亮度增强（dcp and brightness enhancement，DCPBE）算法[3]，其图像的熵和平均梯度都有所提高，但只有暗通道窗口尺寸、大气光照度值、透射率达到最佳组合才能取得满意效果。第三，自适应双通道先验算法（adaptive bi-channel priors，ABCP），该算法结合暗通道和亮通道先验，能够更有效地估计局部透射率和大气光照度[4]，修正白像素和黑像素的传输和大气光照度的任何不正确估计，农田图像去雾对像素具有良好的保真度。第四，环型滤波器和暗通道先验算法（surround filter and dark channel prior，SFDCP）[5]，环型滤波器用来提高农田图像去雾中对速度和存储的要求，其缺点是中心环的值不能随意选择，不同场景的有雾图像需要不同中心环的值。第五，物理模型与暗通道先验（physical model and dark channel prior，PMDCP）[6]，其基于变差函数对大气光照度进行选择，把不符合暗通道的区域削弱，但是没有将大气散射物理模式的不同大气光照度应用到有雾图像的不同区域。上述算法没有考虑到图像远景、近景、中间区域，算法的应用场景存在局限性。本研究在暗通道算法的基础上，提出划区域暗通道算法（divided region dark channel prior，DRDCP）把图像划分为不同的区域，即远景区域、近景区域、中间区域，区分暗通道分量不趋近于0的情况，远景、近景、中间区域的透射率通过不同方法计算，这样农田图像去雾的效果更接近真实色彩，且评价指标较优。

1 划区域暗通道算法

1.1 农田有雾图像退化模型

根据大气光的散射，农田有雾图像退化模型表示为

I（x）=J（x）t（x）+A[1-t（x）]。（1）

式中：I（x）表示有雾图像;J（x）表示在无雾天气条件下获得的图像;A表示图像全局大气光照度;t（x）∈（0，1）表示太阳直射光的雾化透射率;J（x）t（x） 表示光线传递时的直接减弱项;A[1-t（x）]表示大气光散射成像，农田图像去雾从I（x）中恢复J（x）、A和t（x）[7]。

1.2 远景、近景区域划分

暗通道算法对整幅图像进行先验估计，整幅图像灰度的均值近似为雾的浓度，同时天空区域近似为雾浓度最大值，但这样导致在天空明亮区域，该区域无法计算出像素值为0的像素点，估计的暗通道值会很高，几乎与大气光照度一样，进而导致恢复出的图像颜色偏暗[8]。对暗通道算法进行改进，计算有雾图像的灰度均值 T  和灰度直方图，寻找直方图最大值向最小值变化的第1个谷点，小于 T  的第1个谷底计算为阈值α;大于 T的第1个谷峰计算为阈值β。通过α、β来划分不同区域，当有雾图像的暗通道值小于α时，将其判定为图像的近景区域;当有雾图像的暗通道值大于β时，将其判定为图像的远景区域;暗通道值介于α、β之间，为中间区域。记c∈{r，g，b}为图像任意一个通道;（m，n）、（p，q）分别为图像中所有像素的{r，g，b}三色暗通道的最小值、最大值所在位置。当图像位置（i，j）处于minc∈{r，g，b}Ic（i，j）≤α时，则该位置为近景区域;当minc∈{r，g，b}Ic（i，j）≥β时，该位置为远景区域;当α

1.3 有雾图像透射率计算

1.3.1 基于非线性容差机制的远景区域透射率计算

引入容差参数K，当|I（x）-A|>K时，满足暗原色先验的区域，保持原来的透射率不变;当 |I（x）-A|≤K 时，须对透射率t（x）修正[9]，透射率重新计算为

t′（x）=minmaxK|I（x）-A|，1×max[t（x），t0]，1。（2）

式中：t0表示透射率下限，取值为0.1。

当K为0时，还原为暗通道算法，K依据图像中天空区域的多少而变化，当天空区域在图像中较多时，K取值较大，可取220～245;当天空区域在图像中较少时，K取值较小，可取5～30。

即使远景区域，图像的透射率属于非线性变化，因此增设绝对值Sigmoid函数S（x）。

S（x）=11+e-x。（3）

这样非线性控制为

t″（x）=minmaxK|I（x）-A|S（x），1×max[t（x），t0]，1。（4）

故t″（x）相比t′（x），其透射率提升能力增强。

1.3.2 基于修正因子的近景区域透射率计算

透射率在一个局部区域内并非一直保持不变，去雾后图像会有一些白边现象[10]。引入修正因子γ对透射率t（x）进行修正可得t（x）。

t（x）=min[γ×t（x），1]

γ=e-（p（i，j）-c）22σ2  p（i，j）>c

-e-（p（i，j）-c）22σ2 p（i，j）≤c。（5）

式中：p（i，j）∈（0，1），表示位置（i，j）的像素灰度值;σ表示像素灰度值方差;c表示像素灰度值均值。

當p（i，j）值越大时，说明此处覆盖在图像的雾浓度就越小，就应该减少透射率值;当p（i，j）值越小时，说明此处覆盖在图像的雾浓度就越大，就应该增加透射率值。这样修正因子根据像素灰度归一化值自适应的选择透射率。

1.3.3 基于引导滤波的中间区域透射率计算 采用引导滤波对透射率进行估计。

t″″（x）=akIi+bk

E（ak，bk）=∑i∈wk[（akIk+bk-t（x））2+εa2k]。（6）

式中：常量ak、bk表示线性系数;wk表示引导图I中以k为中心的窗口，i∈wk;E（ak，bk）表示最小代价函数;ε表示调整因子，防止ak取值过大。

最优系数组合（ak、bk）须要引导滤波将输出图像与输入图像之间的差异最小化而获得，把透射率图作为输入图像，使之进行自引导滤波处理，逐渐增加滤波半径，虽然这样能够对图像的边缘细节进行优化，此时图像信息熵较好[11]，但如果滤波半径过大，会使去雾图像出现过亮现象，为了平衡图像信息熵和图像亮度，增设图像倍乘因子μ。

I′（x）=μ[I（x）-qj（x）]+qj（x）。（7）

式中：qj（x）表示第j次引导滤波后的图像。当μ增大时，会使得去雾图像的信息熵增加，但也会导致图像亮度降低。

1.4 无雾图像恢复

在得到全局大气光照度和各区域的透射率后，可估计出无雾图像。

J（x）=I（x）-Amax[t″（x），0.1]+I（x）-Amax[t（x），0.1]+I（x）-Amax[t″″（x），0.1]+A。（8）

算法流程如下：第一，输入图像;第二，通过双阈值α、β对图像划分远景区域、近景区域、中间区域;第三，按公式（3）进行远景区域透射率计算;第四，按公式（4）进行近景区域透射率计算;第五，按公式（5）、公式（6）进行中间区域透射率计算;第六，按公式（7）进行农田图像去雾;第七，输出去雾图像。

2 试验仿真结果与分析

在试验对比中，计算机操作系统为Win7，CPU为3.6 GHz，内存为12 GB，软件环境为Matlab 7.0。涉及到的算法有DCP、DCPBE、ABCP、SFDCP、PMDCP、DRDCP。

2.1 视觉效果分析

有雾图像各种算法处理效果分析见图1、图2。由图1、图2可知，DCP算法使得农田图像去雾后色彩偏暗，同时对天空区域处理暗通道规则无法适应;DCPBE算法雾霾并没有完全消除，低估了图像透射率的值;ABCP算法能够恢复一些颜色的亮度，相比He算法图像亮度有所提升;SFDCP算法去雾效果存在差异性，不适合不同场景的有雾图像;PMDCP算法同样使得去雾图像颜色偏暗，区域边缘细节去雾效果差。本研究DRDCP算法对有雾图像划分不同的区域，增强了图像中的边缘细节信息，并大大提高了图像的可见性，可以看清楚农田远处的树木、近处的植物。

2.2 评价指标分析

评价指标分析主要有平均梯度（average gradient，AveGrad）、均方误差（mean squared error，MSE）、结构相似度（structuralsimilarity，SS）构成，

结构相似度计算公式为：

SS=2μIμJ+C1）（2σi，j+C2）（μ2I+μ2J+C1）（σ2I+σ2J+C2）。（9）

式中：I表示参考图像;J表示待评价图像;μI、μJ、σIσJ 分别表示参考图像、待评价图像所对应的均值与方差;C1和C2表示常数值;σIJ表示参考图像、待评价图像之间的协方差。SS取值范围为[0，1]，其值越大，则去雾前后的结构相似度越高，算法的结构保持性能越好。各经过40次试验，对图1进行处理，结果分析见图3、图4、图5。

由图3、图4、图5可知，本研究算法的平均梯度评价指标值为0.106，均方误差评价指标值为20，结构相似度评价指值为0.97，评价指标优于其他算法。

3 总结

本研究采用划区域暗通道算法对农田图像去雾，通过双阈值将图像划分为不同区域，并针对不同区域采用不同的方法计算透射率。试验仿真结果表明，本研究算法能够有效地去除图像中的雾气，评价指标相比其他算法较好，为农田图像去雾研究提供了一种新方法。

参考文献：

[1]姜德晶，王树臣，曾 勇，等. 基于图像分割映射的农业机器人视觉去雾方法[J]. 农业机械学报，2016，47（11）：25-31.

[2]He K M，Sun J，Tang X O. Single image haze removal using dark channel prior[C]//Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Washington，DC：IEEE Computer Society，2011：1956-1963.

[3]Zhang J W，Wang X Y，Yang C H，et al.Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras[J]. Computers and Electronics in Agriculture，2018，151：196-206.

[4]Jiang Y T，Sun C M，Zhao Y，et al.Image dehazing using adaptive bi-channel priors on superpixels[J]. Computer Vision and Image Understanding，2017，165：17-32.

[5]Nair D，Sankaran P.Color image dehazing using surround filter and dark channel prior[J]. Journal of Visual Communication and Image Representation，2018，50：9-15.

[6]Wang J B，He N，Zhang L L，et al.Single image dehazing with a physical model and dark channel prior[J]. Neurocomputing，2015，149：718-728.

[7]田 源. 基于混合遠景和近景区域暗通道算法的图像去雾研究[J]. 计量学报，2019，40（4）：583-588.

[8]杜宏博，王丽会. 基于改进暗原色先验模型的快速图像去雾方法[J]. 计算机工程与应用，2016，52（1）：178-184.

[9]龚昌来，罗 聪. 一种改进的容差机制图像去雾算法[J]. 液晶与显示，2016，31（11）：1098-1104.

[10]吴开兴，张 琳，李丽宏. 煤矿井下雾尘图像清晰化算法[J]. 工矿自动化，2018，44（3）：70-75.

[11]赵春丽，董静薇. 基于暗通道及多尺度Retinex的雾霾天气图像增强算法[J]. 激光杂志，2018，39（1）：104-109.