基于暗通道的图像去雾改进算法

吴子凡　罗维平

摘 要：针对传统暗通道去雾算法对有雾圖像处理后存在的颜色偏差问题和在天空区域与非天空区域上去雾的效果存在较大差异的问题，提出一种基于暗通道的图像去雾改进算法。该算法在大气光值与透射率值的计算上进行了相应的改进，首先通过暗通道相关的概念及其原理的计算得到原始输入图像的暗通道图，通过计算的最优阈值将原始图像分为天空区域和非天空区域两部分，然后在两部分不同的区域上分别使用不同的方法得到大气光值的估计值并且计算出透射率的值，再将得到的初始去雾图像通过导向滤波对得到的图像进行去噪，最后得到清晰的去雾图像。实验结果显示：本算法更能有效地展示图像的真实情况，避免其他环境因素的干扰，具有一定的优越性。

关键词：暗通道；图像去雾；天空分割；引导滤波

中图分类号：TP391 文献标识码：A 文章编号：2095－414X（2023）05－0047－06

0  引言

雾天是最常见的恶劣天气，会降低图像的视觉质量，不仅对人类的视觉感知，而且对一些高级视觉任务都有不利影响，例如目标检测、图像分类、视频监控等，严重影响户外视觉系统的性能。在多雾天气条件下，由于大量颗粒物滞留在空气中对光线产生一些作用，户外拍摄的图像大多会受到天气的影响，这会影响获取和分析图像的正常信息，从而导致图像特征的提取不准确。同时，雾天会给人们的外出带来一些不便，并会对道路行人检测、道路标志识别、自动驾驶等产生一些影响。

雾和霾经常一起出现，雾一般指的是雾气，是小水滴悬浮在空中，使得地面的能见度下降，但会随着太阳的出现而减小，但是霾是空气中的小颗粒形成的气溶胶系统，并不会随着太阳光的出现而消散，这将导致能见度降低和边缘信息的减少。获取到的图像不够清晰，主要细节极大可能会丢失，从雾天获得的图像中恢复出原始清晰图像，提高视觉系统的鲁棒性是去雾的主要目的，为了保证去雾图像预处理工作更好地进行，研究人员陆续提出了一些图像去雾的方法[10， 14， 19]。该方法是一种对图像进行预处理的方法，其目的是为了达到某些特定的要求，对原始图像进行去雾处理，使其特征信息表达得更加清晰。

He等[1]提出了一种暗通道先验的图像去雾算法，通过分析大量室外无雾图像的特征，从而去除单一输入图像的雾。该方法去雾简单而且很有效，但在少数特定的场景使用时仍会失效，并且在有雾图像存在天空或大面积白色背景时，对透射率的估计会不准确，从而导致模型无效等问题。司振惠等[2]在先验的基础上对有雾图像进行去雾之前对原始图像进行了图像增强的预处理操作，最后得到的去雾图像具有很强的实用性。孙曦等[3]提出了一种使用了残差注意力机制方法的去雾方法，在真实数据集和虚拟数据集上都取得了较好的效果，并在去雾效果和处理时间上实现了平衡，但在面对天空区域和雾浓度不均匀的图像时会出现图像颜色的偏差和失真现象。张宏等[4]对暗通道先验进行了改进，提高大气光值估计值的精度的同时对亮度进行了均衡化和增强处理，使去雾后的图像细节丢失和对比度较低等问题得到了解决。

基于此，本文在暗通道去雾的基础上进行改进，将天空区域分割成两部分并分别进行处理，相比于原始的暗通道去雾，本文大大减少了对天空区域去雾时出现的颜色失真和细节丢失等问题，并通过更加准确的计算透射率使去雾后的图像细节特征更加明显、对比度增强[17]、视觉效果也得到了改善。

1  相关理论及方法

从雾天获得的图像主要会受大气光值和透射率两方面的影响。图像去雾可以分为图像增强和图像退化两种方法，前者的典型方法基于小波变换、偏微分方程、Retinex等[5-7]，该方法的主要作用是调节图像的对比度和亮度，使图像的清晰度得到改变。为达到相应的要求，该方法通常需要对多种图像处理算法进行组合。后者的典型方法基于大气散射模型、神经网络的去雾、暗通道先验的去雾等[8-9]。该方法是通过图像退化的程度建立与之对应的数学模型，恢复出图像的细节信息并从图像中提取所需要的特征信息，使被雾气影响的图像得到恢复。而图像增强是忽略图像退化的过程，通过组合多种图像增强的方法来恢复出清晰的原始图像。图像复原则需要通过图像退化的过程模拟出图像退化的逆过程，通过对图像进行逆过程处理的方法得到清晰的去雾图像[16]。两种方法最终都使原始图像得到了恢复，并使图像的质量得到了提高，本文采用方法主要基于图像退化的方法。

1.1  大气散射模型

3  实验结果及分析

为了检验本文改进方法的有效性，在实验过程中分别选取多幅存在天空区域和不存在天空区域的图像进行测试，并分别与普通暗通道去雾和文献[15]的结果进行对比。实验平台为64位windows10操作系统的计算机，显卡为NVIDIA2080Ti，软件平台为PyCharm2022.1×64。

3.1  实验结果

将本文算法在真实单图像去雾数据集RESIDE上与暗通道、DehazeNet进行对比[20]，部分实验结果如图3所示。由图3可知，暗通道去雾在不存在天空区域时，受背景影响去雾不够彻底，在存在天空区域时，天空区域颜色失真较为严重。与暗通道去雾相比文献[15]的去雾效果更好并且没有出现颜色失真的现象，但在对天空区域去雾时存在部分细节丢失的情况。综上可知本文提出的改进算法在图像中取得了较好的去雾效果，本文的改进暗通道去雾方法在能见度和对比度上效果更好，并且能够在颜色不失真的情况下最大程度去除雾气。特别是对非天空区域的去雾效果比传统的暗通道去雾更加明显，而且去雾更加彻底。

3.2  实验结果分析

将三种不同方法在真实单图像去雾数据集RESIDE上进行实验对比，该数据集包括合成和真实世界的模糊图像，RESIDE包含了五种不同类型的图像，每种类型的图像有其特定的应用场景及都有着各自的训练或评估目的。这里选取了峰值信噪比（PSNR）作为主要的评价标准，并将结果与原图进行对比，比较对应的SSIM值，原始图像各方法在合成数据集RESIDE上测试的PSNR和SSIM的值如表1所示。通过比较分析可知本文提出的方法运行时间不仅大大减少而优于传统的去雾算法，在图像失真程度以及图像还原程度上也优于传统的去雾算法，提升了去雾性能。

4  结论

圖像去雾的目的是达到某些特定的要求，对原始图像进行去雾处理，使其特征信息表达的更加清晰。本文在原始暗通道去雾算法上进行了改进，首先通过暗通道相关的概念及其原理的计算得到原始输入图像的暗通道图，通过计算的最优阈值将原始图像分为天空区域和非天空区域两部分，然后在两部分不同的区域上分别使用不同的方法得到大气光值的估计值并且计算出透射率的值，再将得到的初始去雾图像通过导向滤波对得到的图像进行去噪，最后得到清晰的去雾图像。相比于原始方法，本文方法在大气光值的计算方法和准确率上精度更高，使得最后求得透射率的值更加准确，解决了相应的颜色失真或色彩偏差的问题，从而能够达到更好的去雾效果。通过在合成数据集RESIDE上进行实验并与不同的去雾方法进行对比，结果表明本文方法具有较好的去雾性能并有效解决了颜色失真的问题。

参考文献：

HE K M， SUN J， FELLOW， et al. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2011， 33（12）： 2341-2353.

司振惠，于萍，王岩.基于暗通道的单图像融合去雾算法[J].计算机应用与软件，2022，39（8）：240-245.

孙曦，于莲芝.基于残差注意力和半监督学习的图像去雾算法[J].电子科技，2022，36（9）：1-8.

张宏，张玉伦，邓旭， 等.基于改进暗通道先验的图像去雾算法[J].计算机仿真，2022，39（4）：150-155.

蒋华伟，杨震，张鑫，等.图像去雾算法研究进展[J].吉林大学学报（工学版），2021，51（4）：1169-1181.

TANRT.Visibility in bad weather from a single image[C] //CVPR2008：Proceeding of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society， 2008.1-8.

陶海威，王毅，沈燕飞，等.基于暗通道先验的图像去雾算法改进研究[J].软件导刊，2016，15（5）：30-34.

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.

冯燕茹.双视觉注意网络的联合图像去雾和透射率估计[J].光学精密工程，2021，29（4）：8-13.

栾中，尚媛园，舒华忠，等.基于SLIC和SVR的单幅图像去雾算法[J].东南大学学报（自然科学版），2018，48（1）：26-28.

王娇.一种改进的基于暗通道先验的快速去雾算法[J].现代电子技术，2019，42（22）：63-68.

ZhuQ，MaiJ，ShaoL.A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J].IEEE Transactions on Image Processing，2015，24（11）：3522-3533.

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．

王小霞，黄颖雯，谭庭均，等．基于Retinex的汽车牌照图像去雾研究[J].内蒙古农业大学学报（自然科学版），2018，39（1）：64-70．

Cai B L，Xu X M，Jia K，et al.DhazeNet：An end-to-end system for single image haze removel[J].IEEE Transaction on Image Processing.2016，25（11）：5187-5198.

Sebastian S C，Ivan C A，Arrrguin R，et al.Single image degazing using a multilayer perceptron[J].Journal of Electronic Imaging，2018，27（4）：1-11.

Zuiderveld K.Contrast limited adaptive histogram equalization[M]. Graphics gems IV.Academic Press Professional，Inc.1994. 474-485.

He K，Sun J，TangXo.Guided image filtering[J].IEEE Transactions on Pattren Anaalysis and Machine Inteligence，2013，35（6）：1397-1409.

Galdran A.Image dehazing by artificial multiple-exposure image fusion[J].Singnal Processing，2018，149：135-147.

Hautière N，Tarel J P，Aubert D，et al.Blind contrast enhancement assessment by gradient rayioing at visible edges[J].Image Analysis and Stereology，2008，27（2）：87-95.

Image Defogging Improved Algorithm Based on Dark Channel

WU Zi-fana， LUO Wei-pingb

（a.School of Mechanical Engineering and Automation; b. Hubei Key Laboratory of Digital Textile Equipment，

Wuhan Textile University， Wuhan Hubei 430200， China）

Abstract：Aiming at the problem of color deviation after traditional dark channel defogging algorithms process foggy images and the significant difference in defogging effects between sky regions and non sky regions， an improved dark channel based image defogging algorithm is proposed. This algorithm has made corresponding improvements in the calculation of atmospheric light value and transmittance value. Firstly， the dark channel map of the original input image is obtained through the calculation of the concept and principle of dark channel correlation. Through the calculation of the optimal threshold value， the original image is divided into two parts， namely， sky region and non sky region. Then， different methods are used to obtain the estimated atmospheric light value and calculate the transmittance value on two different regions， respectively， Then， the obtained initial defogging image is denoised through guided filtering to obtain a clear defogging image. Experimental results show that this algorithm can more effectively display the true situation of the image， avoid interference from other environmental factors， and has certain advantages.

Keywords：dark channel; image defogging; sky segmentation; guided filtering

（責任编辑：周莉）

*通讯作者：罗维平（1967-），女，教授，硕士生导师，研究方向：智能控制及嵌入式系统、检测与大数据技术及应用、智能电网与新能源技术.

基金项目：湖北省数字化纺织装备重点实验室开放课题（DTL2022001）.