图像去雾算法实验的设计与实现

李秋璇 张梓萌 张衡 许超

摘  要：实验小组将企业行业的真实问题与数字图像处理实验相结合，针对图像资料因有雾、不清晰情况而无法匹配比对问题，在课程讲授暗通道先验算法的基础上，通过比较算法、设计方案、编程实践、实验数据对比等环节，开展了图像去雾算法的创新实验。实验结果证明了实验小组设计方案具有良好的去雾效果。这种将课程教学与行业真实问题相结合的人才培养模式，扭转教学、科研、服务社会脱节的现状，建立了真实问题导向下人才培养、科学研究、服务社会相互贯通的一体化新机制。

关键词：去雾算法；创新实验；暗通道先验；图像处理

中图分类号：TP391.4；G642  文献标识码：A  文章编号：2096-4706（2023）03-0037-04

Design and Implementation of the Experiment of Image Defogging Algorithm

LI Qiuxuan1， ZHANG Zimeng1， ZHANG Heng2， XU Chao1

（1.School of Physics， Liaoning University， Shenyang  110036， China;

2.Practical Training Center for Liberal Arts， Liaoning University， Shenyang  110036， China）

Abstract： The experimental group combines the real problems of the enterprise industry with the digital image processing experiment. Aiming at the problem that the image data can not be matched and compared due to fog and unclear conditions， on the basis of the dark channel prior algorithm taught in the course， through the comparison algorithm， design scheme， programming practice， experimental data comparison and other links， the innovative experiment of image defogging algorithm is carried out. The experimental results show that the design scheme designed by the experimental group has good defogging effect. This talent training mode， which combines course teaching with real problems in the industry， reverses the current situation of disconnection among teaching， scientific research， and service society， and establishes a new integrated mechanism that integrates talent training， scientific research， and service society under the guidance of real problems.

Keywords： defogging algorithm; innovative experiment; dark channel prior; image processing

0  引  言

數字图像处理是通过计算机对图像进行去除噪声、提高分辨度、复原成像、分割并提取特征等技术手段[1]。随着时代的发展，数字图像处理技术已被应用于各行各业，尤其是交通、管理、物流、医学和其他方面都有很大的影响[2]。对于测控技术与仪器类专业的学生来说，数字图像处理是一门跨学科且实践性较强的专业。目前学校推进“真实问题导向下的人才培养”，提倡将课程教学与企业行业真实问题相结合，扭转教学、科研、服务社会脱节的现状，建立起真实问题导向下人才培养、科学研究、服务社会相互贯通的一体化新机制。基于此，专业开设了数字图像处理应用创新实验，将企业行业的真实问题引进课堂，培训学生创新思维和服务社会的能力。

正是在以上背景下，教学团队设置了“以图搜图”档案管理应用中因图像资料存在有雾、不清晰情况而无法匹配比对真实问题。以学号191003323为组长的实验小组以此为选题，在课程讲授暗通道先验算法的基础上，通过查阅资料、比较算法、设计方案、编程实践、实验数据对比分析等环节，开展了图像去雾算法的创新实验。

1  图像去雾算法的实验基础

在阴霾、雾天等恶劣气候环境下，大气中总是含有大量的悬浮物、水蒸气等干扰物质，从而使得光线在空气中的散射变得更加容易，而影像点所接收的光线也会变得更加脆弱。由于这两种散射的影响，使雾天产生了多种光学现象，如折射、散射以及吸收等。从而使光电元件受到的光强度和强度的改变，从而使图像的灰度分布更加集中，图像信息反差，色彩失真。在以图搜图的档案管理应用中，往往会因为阴霾、雾天等原因导致采集的视频影像内容不清晰，图像分辨度较低，不便于进行定量分析，或者计算机从中无法提取有效信息。因此，必须要对雾天图像进行改善处理[1，3]。

在“数字图像处理”课程中，介绍了何凯明博士发表的论文《Single Image Haze Removal Using Dark Channel Prior》，讲述了暗通道先验算法的基本原理[4，5]。在非天空区域，RGB 3种色彩信道中，一定有一种色彩信道的亮度很低，也就是说，这个区域的光线强度最小，可以用数学公式来表达[3]：

（1）

其中，c代表3个RGB颜色信道；J c表示c信道的光强亮度；Ω（x）表示一个视窗，其中心为像素x；J dark表示一个区域内的值。在非天空区域，J dark的值较低，若J为晴天时的图像强度，则此时的暗通道数值J dark，应近似为0。

而在计算机视觉和图形方面，通常采用以下公式表示的雾状模式：

（2）

式中，I（x）表示要消雾的图像；J（x）表示要复原的无雾图像；A表示大气的光强值；t（x）表示大气衰变功能。

在实际应用中，利用暗通道图可以得到最小的区域光强。具体的操作流程如下：

（1）将前面0.1%的像素根据暗通道图的亮度尺寸大小进行提取。

（2）在上述位置原有雾图像I中，寻找相应的亮度最高的点，作为A值。即：

（3）

（3）如果投影图t的数值较小，则会产生较大的数值，使得整个图像呈现出白色，所以通常可以设定一个阈值t0，若t值小于t0值，则将t=t0，且两者都按照t0=0.1来进行。

（4）最终的恢复公式为：

（4）

2  设计方案

实验小组通过前期课程学习了解到：作为图像去雾的基本方法，暗通道的先验算法在用于消除单幅图像的雾化方面，取得了较好的效果；但是，由于其在求解时会产生一些假定和估计，从而造成图像色彩畸变、亮度降低、边缘处的光晕较大等问题。为了弥补这一缺点，实验小组在参考相关文献后，了解到“限制对比度自适应直方图均衡算法（以下简称为CLAHE算法）”和“Retinex理论的图像增强算法（以下简称为MSR算法）”[6-8]。

其中，CLAHE算法，通过限制局部直方图的高度，降低了图像的噪声，同时限制了图像的对比度。经过其处理后，可以直观看出亮度、清晰度、对比度的变化，色彩调节鲜艳，亮部的、暗部的信息均明显[9-11]。MSR算法为动态范围图像的新色调映射技术，是基于色彩一致性（色彩稳定性），在动态范围压缩、边缘增强和色彩恒定中实现了对多种图像的适应性增强[12，13]。为了更好地比较算法优劣，实验中使用图像为辽宁省某沿海城市景区的一处有雾照片，分别通过暗通道先验算法、CLAHE算法和MSR算法对其进行实验，实验结果如图1所示。

为了进一步地了解各种算法的优劣，本文采取的数字特征清晰度、对比度、亮度三种作为图像质量评价指标[14]，对实验结果进行客观地评价分析：

（1）對比度分析。方差，反映的是数据的离散程度。通过计算方差用在图像数据中，能够反映出数据的具体程度，进行对比度的分析。如果方差大，说明图像越细节具体，所含信息越丰富，即对比更明显。如果方差小，说明图像较为平滑，对比则较低。因此可以通过计算图像的方差分析对比度。经过查找资料，小组成员决定采用SMD（灰度方差）函数进行方差的计算。在对焦状态下，图像是最清楚的，此时灰度差异最大，对比越大。因此，该方法可以采用灰色变化来进行评估，其计算公式为：

表1分别列出了暗通道先验算法、CLAHE算法和MSR算法处理后图像对比度。结果表明，CLAHE方法在增强图像的反差方面有很大的改善；暗通道先验算法对图像具有一定的提升，但提升的数量级较小；而MSR算法则效果不佳。因此，可以得出CLAHE算法对色彩调节鲜艳，亮部的、暗部的信息均比较明显，比其他两种算法效果显著。

（2）清晰度分析。在没有参照图像品质的评估中，图像的清晰度是图像品质的一个重要指标，可以很好地反映人的主观感觉，影像的清晰度不高会造成影像的模糊[15]。

用熵理论对图像进行分析[16]，发现熵是反映图像中信息的丰富程度，而图像的信息熵则是基于正焦图像中的灰度分布的差异性。

在不同区域内，不同的像素灰度值存在较大的区域和差别，这时熵值较高，所得到的信息越多，图像细节就越丰富，因此可以通过计算熵值，进行图像清晰度分析。

因此小组成员采用基于信息熵清晰度评价函数：

（6）

（7）

其中，b代表图像灰度，通常取数值2，k代表离焦图像序列，Pk （g）则是在第k个片段出现g可能性的离焦图像序列。

MN代表像素总数，ng表示第k幅图像中具有g的灰度值。

表2分别列出了暗通道先验算法、CLAHE算法和MSR算法处理后图像清晰度。可以看出，三种算法均可以提高图像的清晰度，但是CLAHE算法对图像对比度的提高最大，暗通道先验算法、MSR算法则相对较差。对同一组图像来看，CLAHE算法在细节的处理上更为清晰，亮处更亮，暗处更暗。

（3）亮度分析。图像的亮度即图像矩阵的平均值，其数值越低，亮度就越低。对图像矩阵的平均进行计算，小组同学选择采用meanStdDev（）函数来计算：

（8）

其中，M×N表示图像的大小， 表示水平方向的梯度，  表示垂直方向的梯度。

在表3中显示了三种不同的图像处理方法。显然，在三种算法的提升亮度比较上，MSR算法对图像的亮度的提高最大。而暗通道先验算法甚至对图像的亮度提高起到反作用，CLAHE算法对图像的亮度提升也较小。

经过上述实验数据分析比对，实验小组得出以下结论：同暗通道先验算法一样，CLAHE算法、MSR算法都具有相应的去雾效果，但清晰度和对比度效果方面CLAHE算法最优，在亮度调节方面MSR算法最优，去雾效果方面暗通道先验算法最优。

同时，实验小组在查询文献过程中发现实际应用中经常采用多种算法叠加处理。因此，实验小组提出暗通道先验算法、MSR算法、CLAHE算法三种算法结合的实验方案。设计的方案是：针对暗通道先验算法进行去雾后的图像灰度、局部信息不明显的问题，利用CLAHE算法对图像进行对比度调节，其次运用Retinex图像增强算法，通过对图像进行自适应的清晰度处理，可以有效地增强图像的反差，并使整个图像的亮度得到改善，获得较好的去雾效果。

3  实验结果

为了更好的证明设计方案的有效性，实验小组开展了本文设计方案算法（实验3）与基于小波变换的去雾算法（实验1）、基于统计先验的去雾算法（实验2）的比较实验。其中，基于小波变换算法是通过小波变换得到频率特征，然后增强高频部分，减弱低频部分，以此实现去雾。基于统计先验算法是根据无雾图像的对比度更高、大气光带来的影响在局部区域内趋于平滑，通过大气光值最高强度的像素点来估计进行自动去雾。为了控制对比试验变量，图2中的实验图片均采用前文统一图片。

根据表4的实验数据可知，实验1对比原始数据在清晰度上有明显的提高，实验2对比原始数据在对比度和亮度上均有明显的提高，实验3即本文算法的实验数据各项对比原图像均有较高的提升。可以得出本文算法即“暗通道先验算法、MSR算法、CLAHE算法”这种复合操作流程得到的图像更为清晰，处理效果更佳，曝光程度也适中，同样适合肉眼观看。由此可以证明实验小组所设计方案的有效性，即采用三种算法实现处理图像互补的合理性：MSR算法弥补了基础算法暗通道先验算法去雾效果自然但易产生亮度暗淡的问题；CLAHE算法则刚好的还原了图像的细节信息，恰好对暗通道先验算法在易造成细节缺失的不足有所补充。

4  结  论

实验小组在课程前期基础上，通过查阅资料、研究以往算法、提出团队方案、动手编程实践、实验数据对比分析等步骤，完成了该小组的图像去雾算法实验的工作，并通过实验结果证明了所设计方案的有效性。实验小组不仅了解了各算法的原理及应用，同时也锻炼了自身思考问题的发散能力和动手能力。可以说，这种将课程教学与企业行业真实问题相结合的人才培养模式，扭转教学、科研、服务社会脱节的现状，建立起真实问题导向下人才培养、科学研究、服务社会相互贯通的一体化新机制。

参考文献：

[1] 邹子聪，皮旸.图像处理技术在智能交通中的应用探讨 [J].中国高新技术企业，2017（3）：41-42.

[2] 张博夫，梁凯琦.MATLAB环境下的数字图像处理实验入门 [J].实验科学与技术，2008（1）：52-53+116.

[3] 贺晓燕.基于暗通道的圖像去雾算法研究 [D].长沙：湖南大学，2015.

[4] 印月.基于VC++6.0的数字图像处理综合性设计实验 [J].实验科学与技术，2011，9（3）：10-11+41.

[5] 陈木生，林顺达.数字图像处理实验教学研究与实践 [J].实验科学与技术，2016，14（4）：133-135.

[6] 吴宏锷，胡双年.基于天空区域改进的暗通道先验算法研究 [J].实验技术与管理，2019，36（9）：120-123.

[7] 强明睿，李泽宇，夏明辉.图像去雾算法和研究进展 [J].长江信息通信，2021，34（9）：34-36.

[8] 魏红伟，田杰，肖卓朋.图像去雾算法研究综述 [J].软件导刊，2021，20（8）：231-235.

[9] 赵丽.基于直方图均衡的夜间图像增强算法研究 [D].兰州：兰州大学，2018.

[10] 纪平，胡学友，张瑞琦.基于直方图均衡算法的图像增强技术研究[J].蚌埠学院学报，2021，10（2）：40-43.

[11] 陈志恒，严利民，张竞阳.采用自适应全局亮度补偿的夜间去雾算法 [J].红外技术，2021，43（10）：954-959.

[12] 谢凤英，汤萌，张蕊.基于Retinex的图像增强方法综述 [J].数据采集与处理，2019，34（1）：1-11.

[13] 王利娟，常霞，张君.基于Retinex的彩色图像增强方法综述 [J].计算机系统应用，2020（6）：13-21.

[14] 田媛.灰度图像无参考质量评价方法研究[D].长春：中国科学院研究生院（长春光学精密机械与物理研究所），2010.

[15] 崔作龙，徐长松.图像清晰度的量化测量探究 [J].实验技术与管理，2012，29（5）：49-51.

[16] 苑娟，万焱，褚意新.熵理论及其应用 [J].中国西部科技，2011，10（5）：42-44.

作者简介：李秋璇（2001—），女，汉族，辽宁锦州人，本科在读，研究方向：智能感知与信息处理；通讯作者：许超（1981—），男，汉族，辽宁义县人，高级实验师，硕士，研究方向：智能感知与信息处理。

收稿日期：2022-10-05

基金项目：中国高等教育学会专项课题（2020SYD07，21SYYB12）；辽宁省档案科技项目（2021-X-015）；辽宁省教育科学“十三五”规划2020年度一般课题（JG20DB197）；辽宁大学教学改革立项真实问题项目（JG2020ZSWT012）；国家级大学生创新创业计划项目（D202011251244328822）