水面船舶图像去雾方法研究

郑 晓，白前看，余 坤

水面船舶图像去雾方法研究

郑 晓1，白前看1，余 坤2

（1. 武汉船用电力推进装置研究所，武汉 430064；2. 海军工程大学舰船综合电力技术国防科技重点实验室，武汉 430033）

传统去雾方法不能有效适应水面船舶图像环境，存在去雾效果对比度较低、颜色偏暗等不足，直接影响水面船舶对环境自主感知能力。本文提出基于改进四叉树搜索策略和子窗口引导滤波的方式分别估计大气光值A和透射率参数，有效去除水面船舶图像雾气影响。定性和定量实验结果表明，相比较于对比方法，所提出方法能有效去除水面船舶图像中雾气影响，去雾效果更明显，纹理细节更丰富，主观感官上更自然，贴近无雾水面环境。实验结果表明所提方法的图像质量性能和计算效率指标均优于对比方法。

水面船舶有雾图像 图像去雾 四叉树搜索 子窗口引导滤波

0 引言

通常在水面场景中，雾气是导致图像质量下降的主要因素之一。雾气的形成与大气分子有关。自然光成像会受到雾气等影响，产生光学散射现象，使得成像获取的总光通量与实际产生偏差，导致图像存在对比度低、颜色失真等缺陷。相比无雾图像，有雾图像在频域上梯度小，纹理信息少，边缘模糊。而在水面船舶有雾图像中基本特征提取十分困难，直接影响水面船舶对环境自主感知能力[1]。

为了有效降低或消除水面环境图像中雾的影响，近年来多种去雾方法被提出[2]，原理上可分为基于增强的方法和基于物理模型的方法。前者主要通过提高对比度实现去雾效果，但未考虑导致图像降质的因素，整体去雾效果不理想；后者基于物理模型的方法，通过建立多参数估计退化模型，对灰度场景进行可见性复原。而水面船舶图像与一般有雾图像不同，图像含大面积天空区域，且这些区域通常与有雾区域混杂。先验模型在一定程度上会失去作用，导致全局大气光值选取出现偏差，模型对图像增强效果与实际无雾图像存在差别。

1 面向水面环境的船舶图像去雾方法

图1 本文所提出的方法流程图

一般情况下，水面环境中的船舶图像通常会含有大面积区域的天空区域，传统去雾方法较难取得良好的去雾效果，还会产生严重的光晕效应。此外，受天空区域背景影响，传统方法在处理水面区域时会造成过度平滑效果，影响图像整体协调。

本文提出一种面向水面环境的船舶图像去雾方法，具体方法流程图如图1所示。其中，本文采用一种改进四叉树搜索策略来估计大气光值 A；同时，在粗估计透射率t值后提出基于子窗口滤波器[3]引导的方式计算出透射率t值的细估计值。最后，依据大气散射模型推算得到去雾后的水面船舶图像。

1.1 改进四叉树搜索策略估计大气光值A

图2 改进四叉树搜索策略示意图

传统方法在对雾天的成像过程进行建模和去雾研究中，He[4]提出经典的暗通道先验模型，被广泛应用于诸多去雾场景。其对建立的大气散射模型可以由公式（1）表示：

式中，()和()分别表示有雾图像和无雾图像；()表示透射率参数，t值大小反映图像像素中不同位置雾的浓度以及景物到达相机的距离；常数A表示有雾图像中的大气光值的强度。一般情况下，通过对有雾图像中的大气光值 A和透射率图像()进行估计，即可反演推算出无雾图像()。

在大气散射模型中，大气光值 A 是重要参数之一。He在估计大气光值强度时，选用暗通道图像中0.1%灰度值最大的像素点，将其均值作为大气光值A。但是，在船舶水面图像中会存在大面积水面区域，直接影响大气光值A的估计；并且，通常情况下水面区域位于图像中下方位置，天空区域位于图像中上方位置。因此，基于上述先验知识，本文在估计大气光值A时采用改进四叉树搜索策略，如图2所示。该方法只需计算图像上半区域像素，停止迭代条件为当估计区域面积小于设定阈值。

1.2 基于子窗口引导滤波的透射率t值细估计

估计出大气光值A后，反推无雾图像()就仅与透射率t参数有关。因此，我们需要求解出精细化透射率传播参数。

图3 子窗口滤波器基元示意图

在每个区域中的核函数如公式（4）和（5）定义：

图4 透射率细估计及去雾效果示意图

在He提出的暗通道先验的去雾模型中，有雾图像的暗通道计算可以由式（7）表示：

进一步，大气传播参数透射率的粗估计值以及相应细估计值可以由式（8）和（9）计算得出：

在求解出反演无雾图像所需所有重要参数之后，无雾图像()最终可以由式（10）所计算得出，效果图如图4所示：

2 实验结果与分析

实验中所有算法均在MATLAB平台完成，计算机硬件配置主要包括主频为1.6GHz的Intel Core i5 CPU，8G内存空间。所提出方法中参数和取默认值为3和5。对比方法主要包括主流的图像去雾方法He[4]，Meng[5]，Ramírez[6]，Ancuti[7]，所有对比方法均采用作者提供代码且按照默认参数设置。为了全面对比本文方法与对比方法之间的优劣性，实验内容主要分为定性的主观评价实验和定量的客观评价实验两部分，从两方面评价水面船舶图像去雾方法性能。主观评价主要是比较不同方法的局部细节增强效果；在客观评价主要是通过无参考图像质量评价指标以及计算效率进行定量评价。

2.1 主观评价实验

图5和图6分别展示了在不同水面环境下，船舶有雾图像以及不同方法的去雾效果对比结果。从中看出，所有方法均取得一定图像去雾效果牡但是主观效果层次不同。Meng方法整体对比度过度处理，细节纹理几乎消失。而Ramírez方法则过分增强图像纹理，图像失真严重，整体突兀不协调和不自然。Ancuti方法去雾效果不明显，同时会增强边缘噪声信息。He方法整体效果较好，但是对于天空背景区域处理效果不够理想。反观所提出方法，去雾效果明显，图像对比度恰当，纹理细节丰富，图像主观感官上更加立体和自然，更贴近真是无雾水面情况。

图5 水面环境1不同方法图像去雾效果对比

图6 水面环境2不同方法图像去雾效果对比

2.2 客观评价实验

为客观定量的评价所提方法与对比方法的图像去雾性能，处理30张790×390和470×300尺寸大小的水面船舶有雾图像。由于测试图像不存在真值无雾图像作为参照，因此本文采用无参考评价指标，包括图像信息熵[8]（Information Entropy, IE）和自然统计特性[9]（Natural Image Quality Evaluator, NIQE），结果如表1所示。其中图像信息熵大,图像纹理越丰富；NIQE值越小，图像质量越高，噪声越少。其中，粗体表示为最优结果。

从表1指标结果可看出，本文提出方法计算得到更低的信息熵值和NIQE值，表明本文方法增强图像的同时可以有效减少图像噪声，较好提升了图像质量。值得注意的是，在一组图像数据中，本文方法计算IE指标数值虽不及Ramírez和Meng方法，但是差距不大；同时比较相同情况下的NIQE指标结果发现所提方法优于两种对比方法。因此，总体而言，所提方法在兼顾图像质量和噪声方面性能优于其他对比方法。

表1 客观评价指标（IE/NIQE）

表2 不同去雾方法时间效率（单位/s）

表2总结了所有方法在两种不同图像尺寸情况下的计算效率性能结果。可以看出，本文的去雾算法在计算性能方面有明显优势，优于其他对比方法。因此，本文方法可以满足水面船舶应用场景的实时性要求。

3 结语

传统图像去雾算法不能有效适应水面船舶图像环境，大区域明亮天空区域、复杂水面目标环境图像去雾后存在对比度低、颜色畸变等问题，直接影响水面船舶对环境自主感知能力。因此，本文提出了基于改进四叉树搜索策略和子窗口引导滤波的方式分别估计大气光值A和透射率参数，在图像信息熵、自然统计特性、时间效率等指标上优于其他对比方法，显著提高水面船舶图像去雾效果。

[1] 吴迪,朱青松.图像去雾的最新研究进展[J].自动化学报, 2015, 41(02): 221-239.

[2] Li B Y, Ren W Q, Fu D P, et al. Benchmarking Single-Image Dehazing and Beyond. IEEE Transactions on Image Processing, 2019, 28: 492-505.

[3] Gong Y, Bozhi L, Xianxu H, et al. Sub-window Box Filter[C]. 2018 IEEE Visual Communications and Image Processing (VCIP), 2018: 1-4.

[4] He K, Sun J, Tang X. Single image haze removal using dark channel prior[J]. IEEE transactions on pattern analysis and machine intelligence, 2010, 33(12): 2341-2353.

[5] Meng G, Wang Y, Duan J, et al. Efficient Image Dehazing with Boundary Constraint and Contextual Regularization[C].2013 IEEE International Conference on Computer Vision (ICCV), 2013: 617-624.

[6] Díaz-Ramírez, Víctor H, Hernandez-Beltran J.E, et al. Real-time haze removal in monocular images using locally adaptive processing[J].Journal of Real-Time Image Processing 2017: 1-15.

[7] Ancuti C.O, Ancuti C, Bekaert P. Effective single image dehazing by fusion[C]. 2010 IEEE International Conference on Image Processing (ICIP), 2010: 3541-3544.

[8] Tsai, D, Lee Y, Matsuyama E. Information Entropy Measure for Evaluation of Image Quality[J].Journal of Digital Imaging, 2007, 21: 338-347.

[9] Mittal A, Soundararajan R, Bovik A C. Making a “completely blind” image quality analyzer[J]. IEEE Signal Processing Letters, 2012, 20(3): 209-212.

Research on Dehazing Method of Surface Ship Image

Zheng Xiao1, Bai Qiankan1, Yu Kun2

(1. Wuhan Institute of Marine Electric Propulsion, Wuhan 430064, China；2. Naval University of Engineering, National Key Laboratory of Science and Technology on Vessel Integrated Power System, Wuhan 430033, China)

U661.7

A

1003-4862（2023）08-0049-05

2022-08-25

郑晓（1991-），女，工程师。研究方向：机械设计及理论。E-mail：136252524@qq.com