基于圖像增強技術的幾種破霧算法分析

楊杰，王瑞

（1.91202部隊遼寧葫蘆島125004；2.海軍航空兵學院，遼寧葫蘆島125001）

基于圖像增強技術的幾種破霧算法分析

楊杰1，王瑞2

（1.91202部隊遼寧葫蘆島125004；2.海軍航空兵學院，遼寧葫蘆島125001）

視頻圖像是偵察和監控系統的一個重要信息來源，其信息量直觀且豐富。但在惡劣天氣條件下，尤其是霧霾天氣，會使視頻監控的可視性能急劇下降。采用適當的圖像增強算法，可以有效地改善霧霾天氣條件下監控視頻的可視性，提高監控效能。在分析拉普拉斯算子、直方圖均衡化、對比度拉伸時域算法以及高通濾波、同態濾波頻域算法的基礎上，結合一個實際海上船舶監控系統，對這些算法進行一一試驗，綜合破霧效果以及算法實用性得出高通濾波器具有最佳的實用價值，并進一步指出，以后圖像破霧算法的發展方向為小波技術的應用。

圖像增強；破霧處理；時域；頻域；海區監控

在海上偵察和監視時，由于經常出現霧霾天氣，嚴重影響視頻圖像的清晰度。因此尋找有效的圖像破霧處理方法是視頻偵查中一個重要而緊迫的課題。霧天圖像由于大氣粒子的散射作用，從目標反射的光通量大部分被微粒吸收或反射而導致接受的入射光被衰減。反映在圖像上，有以下3個特點：

1）低灰度值被加強，高灰度值被削弱，對比度減弱；

2）由于像素點灰度值的分布過于集中，信噪比相應降低；

3）場景深度信息難以提取。

目前，對霧霾天氣圖像的清晰化處理主要分為基于物理模型的天氣退化圖像復原方法和基于圖像增強技術的突出顯示方法。而天氣退化圖像復原方法必須已知圖像的景深信息，目前成熟的Oakley、Narasimhan等方法需要借助于其它設備或其它條件來獲得深度信息；且這些方法對圖像采集的要求過于苛刻，同時對硬件設備的要求較高，在現實中難以廣泛應用。圖像增強［1］是一個傳統且有生命力的圖像處理領域，已有多種適用于實際使用的圖像增強算法，可以大大降低算法的復雜度，滿足實際使用中實時性的需要。本文主要從圖像增強的角度對霧霾天氣圖像實現破霧處理。

圖像增強技術用于突出圖像中需要的信息，削弱或消除不重要的信息，增大圖像中不同物體特征之間的差別，以改善視覺效果。圖像增強不會增加圖像內在信息，但是能夠增大信息的動態范圍，便于圖像分析與識別。按照處理方式不同可分為時域和頻域兩類增強方式。

1　時域增強算法

時域增強算法中，常用的有拉普拉斯算子［2］、直方圖均衡化［3］、對比度拉伸［4］等算法。

1.1拉普拉斯算子

圖1是拉普拉斯算子增強效果：（a）是原始圖像，為霧天條件下海上船舶的監控圖像；（b）為對圖a）的四鄰域拉普拉斯算子增強；（c）為對圖（a）的八鄰域拉普拉斯算子增強。

圖1　拉普拉斯算子增強效果圖

拉普拉斯算子最大的優點是運算簡單，易于實現，且作為局部增強算法，景深信息對增強效果影響不大。但如圖1所示，拉普拉斯算子的增強效果主要作用在邊緣上，對對比度減弱的霧天圖像，對比度拉伸效果并不明顯；而且，拉普拉斯算子在增強目標邊緣的同時，也放大了噪聲，增強效果并不理想。

1.2直方圖均衡化

直方圖均衡化以累積分布函數為基礎，將原始圖像的直方圖修正為均衡分布。其具體操作為：首先通過變換函數將原始圖像直方圖修正為均衡直方圖，接著根據均衡直方圖來調整原始圖像，以滿足人眼視覺需求。

圖像的灰度直方圖是個一維離散函數：

式中，sk是圖像f（x，y）的第k級灰度值；nk是f（x，y）中具有灰度值sk的像素個數；n是圖像中像素的總數。由定義式可知，P（sk）給出了對sk出現概率的一個估計。設r和s分別為原圖像的灰度和經過直方圖均衡后相對應的圖像灰度，0≤r，s≤1，變換函數為累積分布函數：

全局直方圖均衡化適用于全局增強方法，通過平整處理全局圖像的直方圖，最大化信息熵，從而增強整個圖像的對比。這對于單景深圖像具有較好的復原效果，但是，對于場景深度信息多變且又未知的霧天圖像，效果并不理想。而局部增強［5］方法可以有效降低景深的影響，得到比較清晰的圖像。

該方法通過在圖像的局部區域進行直方圖均衡化運算，然后對所有局部區域進行遍歷。具體操作為：首先選擇一個大小合適的子塊，然后用該子塊逐一覆蓋圖像上每一個像素點，每次覆蓋時，該像素點為位于子塊中心，接著對該子塊進行直方圖均衡化處理，并用該處理結果代替該像素點的灰度值，然后移動到下一個像素點，進行同樣的處理過程。

圖2是對圖1中的（a）圖進行直方圖均衡的處理效果：（a）圖是全局均衡化圖像；（b）圖為80×60的局部均衡圖像；（c）圖為120×80的局部均衡圖像。由圖2可以看出，全局直方圖均衡化有效的拉伸對比度，將霧中的目標明顯的突出。但由于直方圖的累加運算，會導致灰度值合并，信息丟失；而且在同一霧天場景中，有不同景深的目標，增強效果就會下降。而局部直方圖均衡化通過使用像素點周圍局部信息對該像素點進行灰度值變換，從而有效的增強了圖像對比度，解決了霧中多景深目標的增強問題，但其計算量較大。不管是全局直方圖均衡化，還是局部直方圖均衡化，都無法解決噪聲放大比較嚴重的問題。

圖2　直方圖均衡化增強效果

1.3對比度拉伸

針對霧天圖像低灰度值被加強，高灰度值被削弱，對比度減弱的問題，對比度拉伸則是在空間域進行增強的簡單而效果明顯的方法。常用的對比度拉伸可分為3種：線性、分段線性以及非線性拉伸3種。圖3是對圖1中的圖（a）進行對比度拉伸的增強效果：圖3中（a）、（b）、（c）分別為線性、分段線性以及非線性3種拉伸變換函數；（d）、（e）、（f）分別為3種拉伸變換函數作用下的增強圖像。

但是采用以上哪種對比度拉伸方法，或是具體采用其中一種的那種參數，要建立在以圖像的對比度分布為先驗知識的基礎上。選用適當的拉伸變換函數及參數，達到圖像增強的效果。對于監控系統中對比度分布會不斷變化的視頻，增強效果不理想。需要尋找一種策略，對實時的視頻圖像分析其對比度特性，自動生成與之相適應的拉伸變換函數。

圖3　對比度拉伸增強效果

圖4自適應線性對比度拉伸增強效果

圖4是對圖1中的圖（a）進行自適應線性對比度拉伸的增強效果，圖（a）為自適應產生的拉伸變換函數；圖（b）為拉伸變換函數作用下的增強圖像。由圖4可以看出，自適應線性拉伸與直方圖均衡化處理一樣，變換函數可以將對比度最大程度的拉伸；但噪聲與對比度同時放大，且在霧天存在不同景深的目標時，增強效果就會下降。此問題可以通過與直方圖均衡化一樣的方法來解決，即采用局部對比度拉伸的方式。但此方法同樣有運算量巨大的問題，難以實時使用。

2　頻域增強

頻域增強算法中，常用的有高通濾波器［6］、同態濾波［7］等算法。

2.1高通濾波器

圖像中的變化較大的細節部分，如邊緣或線條等，與圖像頻譜中的高頻分量相對應，因此，采用高通濾波器可以使高頻分量順利通過，使圖像的邊緣或線條等細節信息變得清楚，實現圖像的銳化。濾波器可采用理想高通濾波器、巴特沃思濾波器以及指數高通濾波器等經典高通濾波器。實現方式如圖5所示。

圖5　高通濾波器實現方式

圖6是對圖1中的圖（a）進行高通濾波器的增強效果：圖（a）、（b）、（c）分別為理想高通濾波器、巴特沃思濾波器和指數高通濾波器的變換函數H（u，v），圖（d）、（e）、（f）分別采用這3種高通濾波器增強的圖像。

圖6　高通濾波器增強效果

高通濾波器與拉普拉斯算子在本質上是類似的，拉普拉斯算子在頻域上就是一個高通濾波器；上述高通濾波器也可以近似為時域上的算子來實現。所以高通濾波器也適用于未知景深信息的圖像增強應用，且快速傅立葉變換使得高通濾波器的運算復雜度大大降低。對于霧天圖像的增強，直接采用適當的高通濾波器，與拉普拉斯等算子有同樣的缺陷，對比度拉伸不夠充分；但噪聲抑制較好，這是時域上增強算法無法比擬的。

2.2同態濾波

同態濾波增強方法是一種基于照射和反射模型的頻域對比度調節方法。此方法以入射光和反射光為基礎建立一種圖像模型，把圖像f（u，v）表示成入射分量i（u，v）和反射分量r（u，v）的乘積，因為一般i（u，v）在空間是緩慢變化而r（u，v）在不同物體的交界兩側變化很快，所以i（u，v）對應于頻域的低頻部分，而r（u，v）對應于高頻部分。同態濾波的基本想法是把f（u，v）分成i（u，v）和r（u，v）兩部分，然后在頻域中選擇合適的濾波器H（u，v），減少低頻和增強高頻，達到圖像增強的效果。實現方式與高通濾波器類似，如圖7所示：

圖7　同態濾波實現方式

圖8是對圖1中的（a）圖進行同態濾波的增強效果：（a）圖、（b）圖分別為基于巴特沃思濾波器以及指數濾波器的同態濾波變換函數，（c）圖、（d）圖分別采用這兩種變換函數增強的圖像。

圖8　同態濾波增強效果

同態濾波增強方法在低照度的可見光圖像增強處理中得到廣泛應用，并取得了較好的效果。霧天的圖像與低照度可見光圖像的灰度分布比較相似，灰度信息比較集中，對比度低。采用同態濾波可以取得較好的效果。如圖8可見，與高通濾波器類似，同態濾波圖像在增強邊緣信息的同時，有效的抑制了噪聲；景深信息影響較小；但是對比度拉伸不夠充分，而且對于監控系統中對比度分布會不斷變化的視頻，用單一的濾波器H（u，v）無法取得理想的效果，而設計合適的自適應濾波器卻遠比自動對比度拉伸復雜的多，而不易于在實際監控系統中實現。

3　破霧效果比較

對于對比度低，信噪比差，景深未知的霧天圖像，基于圖像增強的圖像破霧處理方法相較于基于物理模型的方法，大大減少對監控系統的要求，以及算法復雜度。其中各種時域和頻域的方法都各有其利弊，具體比較結論如表1所示。

表1　多種圖像增強算法破霧處理應用比較

4　結論

綜合以上試驗效果以及表1中的比較結果，我們可以得出，頻域算法效果相對好于時域算法效果，并且，從破霧效果以及算法復雜程度考慮，高通濾波器具有最好的實用性。圖像破霧處理要求在拉伸對比度的同時不能丟失圖像信息，同時還要減少噪聲的放大以及景深信息的影響。直方圖均衡化和對比度拉伸等時域算法能有效拉伸對比度，但對噪聲抑制和景深信息影響處理效果較差。高通濾波和同態濾波等頻域算法能較好的抑制噪聲且對景深信息不敏感，但缺乏充分拉伸對比度。如何在抑制噪聲、減小景深信息影響和拉伸對比度上權衡，設計性能更優的圖像破霧處理方法，目前較多采用小波分析［8］。圖像通過小波分解為多個子頻帶后，圖像能量、細節和噪聲分別分布在不同頻帶上。對圖像的對比度、能量、細節和噪聲采取不同的濾波策略，增強圖像在不同分辨率尺度下不同頻帶的系數，從而得到了一幅圖像增強后的小波系數，再利用逆變換便能得到對比度增強后的圖像。但是，在實時偵察監視系統中選擇圖像破霧處理策略時，小波變換較高的運算復雜度是必須考慮的因素之一。而不同頻帶上的圖像增強濾波策略是實現圖像破霧處理的關鍵，針對于監控系統中圖像不斷變化的視頻，如何自適應的對不同的頻帶，選擇合適的濾波策略，來達到最佳可視效果，則需要我們進一步去研究。

［1］王蓉.圖像增強算法實現［D］.武漢：長江大學，2014.

［2］Gonzalez R C，Woods R E.Digital image processing［M］.北京：電子工業出版社，2002:128-134.

［3］Tan K K，Oakley P.Enhancement of Color Images in Poor Visibility Conditions Image Processing，2000 Proceedings［C］. 2000 International Conference on，2000:788-791.

［4］Fahnesstock J D，Schowengerd R A.Spatially Variant Contrast Enhancement Using Local Range Modification［J］. Optical Eng，1983，22（3）:378-381.

［5］Marr D，Hildreth E.Theory of edge detection［J］.Proceedings of the Royal Society of London（Series B），Biological Sciences，1980，207（1167）:187-217.

［6］Stark J A.Adaptive Image Contrast Enhancement Using Generalizations of Histogram Equalization［C］.IEEE Transactions on Image Processing，2000，9（5）:889-896.

［7］胡竇明，趙海生，李云川，等.一種基于同態濾波的紅外圖像增強新方法［J］.紅外技術.2012，4（34）:224-228.

［8］曾鵬鑫，么健石，陳鵬，等.基于小波變換的圖像增強算法［J］.東北大學學報:自然科學版，2005，26（6）:527-530.

Analysis of fog image clearness algorithms based on image enhancement

YANG Jie1，WANG Rui2
（1.Navy 91202，Huludao 125004，China；2.Naval Air Academy，HuLuDao 125001，China）

Video images is an important information source in reconnaissance system and monitoring system，and its information is intuitive and rich.But in bad weather conditions，especially the fog haze weather，the video monitoring visibility falls sharply.For this problem，several appropriate image enhancement algorithms are proposed to improve video monitoring visibility.A variety of image enhancement algorithms both in time-domin and frequency-domin including laplacian operator，histogram equalization，contrast stretching，high pass filter and homomorphic filter are analyzed and used in a marine monitoring system to improve monitoring ability.The fog image clearness result shows that the high pass filter algorithm is the best in practical video monitoring system.At last，points out that the future development direction of fog image clearness is the application of wavelet technology.

image enhancement；fog clearness；time-domin；frequency-domin；marine monitoring

TN919.82

A

1674－6236（2016）12-0172-04

2015-08-27稿件編號：201508152

楊杰（1984—），男，四川廣元人，博士，工程師。研究方向：目標識別與跟蹤、圖像處理。