一種針對光暈優化的暗通道去霧算法

李和鍵，賀長秀

（1.四川大學計算機學院，成都 610065；2.中國人民解放軍 63636部隊，酒泉 732750）

一種針對光暈優化的暗通道去霧算法

李和鍵1，賀長秀2

（1.四川大學計算機學院，成都 610065；2.中國人民解放軍 63636部隊，酒泉 732750）

為了更好解決傳統暗通道去霧算法在景深突變區域容易產生光暈的問題，提出一種針對光暈優化的去霧算法。算法首先對輸入圖像的灰度圖進行邊緣檢測并膨脹；其次，根據得到的邊緣圖將輸入圖像劃分為邊緣區域和非邊緣區域；最后，自適應選擇窗口大小來進行去霧處理；實驗結果表明改進算法可以有效提高景深突變區域的去霧效果。

單幅圖像去霧；暗通道；光暈；邊緣

0 引言

當空氣中有懸浮粒子時，這些懸浮粒子會使被攝物體的反射光線發生衰減，同時也使大氣光（太陽光、地面反射光、散射天空光等）散射后進入成像設備中，影響戶外監控系統采集圖像的質量。霧霾對圖像采集設備影響很大，特別是天眼等監控系統的運行，所以提升監控系統對霧霾天的適用性是非常有意義的研究。

目前圖像去霧有許多方法，可以分為兩類，一類是：非物理模型的圖像增強算法，這類算法不考慮圖像退化的原因，突出圖像中感興趣的信息，但可能會使圖像失真。另一類是：基于物理模型的有霧圖像清晰化算法，這類算法因為了解圖像的降質原因，反推出無霧圖像，處理后的圖像更顯得自然。

常用的圖像增強算法有：直方圖均衡化，Stark JA等人[1]提出的一種自適應的直方圖均衡化方法，更好地增強局部特征；小波變換，Scheunders[2]基于多尺度提出了一種多值圖像的小波表示形式，此方法可用于彩色圖像增強；同態濾波：基于照明反射模型的原理，在頻率域利用同態濾波器分離出低頻和高頻信息，分別對低頻和高頻信息處理提高圖像對比度。Seow等人[3]用此方法取得很好效果。Retinex算法：由Edwin Land等人[4]基于顏色恒常性提出的，可有效的增強圖像的對比度和壓縮圖像的動態范圍。常用的圖像復原算法有：Schechner等人[5]根據光的偏振特性，采用偏振片得到同一場景下的不同偏振角度的多幅圖像來估計環境光，進而恢復清晰無霧的圖像。Tan等人[6]提出通過對霧天圖像局部區域的對比度做最大化處理來進行去霧，能很好的恢復圖像的細節和結構信息，但是輸出圖像通常出現過飽和的現象。Fattal[7]提出的基于數理統計的方法，假設圖像局部區域的返照率為常向量，再得到介質傳播圖后復原無霧圖像，但對濃霧區域和低信噪比區域效果不好。He等人[8]首先利用統計的方法總結出暗通道先驗規律，進而利用暗通道先驗假設來求取粗略投射圖，再對粗略投射圖精細化后恢復無霧圖像。Qingsong Zhu[9]提出比較新穎的色彩衰減先驗方法，對色彩的還原有很好的效果。本文是在He的方法基礎上，針對圖像中景物邊緣出現的光暈效應做出一些優化，提高邊緣去霧能力，實驗結果表明有很好的效果。

1 針對光暈優化的暗通道去霧算法

暗通道先驗源自He等人對大量無霧圖像特征統計得到的，他們發現了大多數無霧圖片的的非天空區域任意局部塊中，都會有某些像素的一個顏色通道值接近0。

式（1）中，Jdark（x）是圖像的暗通道圖，Ω（x）是像素點x的鄰域，Jc（y）是無霧圖像。

暗通道先驗去霧算法是根據大氣散射模型[10]來復原圖像，如下表示：。

式（2）中，I（x）是有霧輸入圖像，J（x）是復原后的輸出圖像，t（x）是介質透射率，A是全局大氣光。

1.1 光暈產生的原因

假設A是已知的，同時對式（2）兩邊先做最小值濾波，再對RGB三個通道取最小值，整理后得到式（3）。（x）表示局部塊內的透射率，且塊內為常數。

由于全局大氣光值A＞＞0。由式（1）推出：

將式（4）帶入式（3），整理后并引入ω系數（原算法ω取值0.95，因為即使晴朗無霧的天氣下，大氣中也會有少量懸浮微粒對光線產生散射），即為求取的粗略透射率（x），如下所示：

圖 1

從圖1（d）中看出，邊緣區域的光暈比較明顯。光暈 如果直接（x）將和A帶入式（2）恢復（x）如下圖所示：產生的原因：一般出現在在景深突變區域，計算暗通道值和透射率時使用最小值濾波處理，在邊緣處，其濾波窗口內既包含近景和遠景，最后得到的此窗口的暗通道值一般是近景的暗通道值，對遠景區域的暗通道值和透射率值估計不準確。導致此窗口內遠景的去霧不明顯，形成光暈效應。

1.2 優化的求取粗略透射率的方法

如果只對邊緣區域縮小處理窗口，但這樣只是減小了邊緣區域光暈范圍，但邊緣區域的近景依舊影響對遠景的暗通道估值，同樣導致粗略透射率的不準確。

本文對求取粗略透射率做出優化：首先對原圖的灰度圖做邊緣檢測，再根據膨脹后的邊緣圖將原圖分成兩幅分別含有邊緣和非邊緣信息的圖像，使用不同窗口大小最小值濾波處理，對前者使用小的固定窗口。對后者中靠近邊緣的區域使用自適應窗口大小，其余區域使用原算法的窗口大小。具體步驟如下

（1）先對原圖的灰度圖做邊緣檢測得到邊緣圖Igray-edge（圖2（a）），使用的是Canny算子，由于Canny算子采用高斯函數對其平滑，可以有效的抑制噪聲，且邊緣的連續性也較好。

（2）再對Igray-edge做兩次膨脹處理得到圖Idilate（圖2（b），白色、灰色、黑色像素點的值分別是1、0.5、0，分別代表邊緣區域、靠近邊緣的非邊緣區域、遠離邊緣的非邊緣區域）。

（3）根據Idilate中白色區域，將輸入圖像分成邊緣區域Iedge（圖2（d））和非邊緣區域Inonedge（圖2（f）），對這兩幅圖分開處理，有效避免了處理窗口中同時包含近景和遠景，減小近景對求取遠景暗通道值的影響。

（4）依照圖Idilate的顏色不同，對不同顏色區域使用不同窗口大小的最小值濾波處理，窗口大小win×win，win的取值如式（6），濾波窗口大小自適應結果如圖2（c）所示。

對Iedge處理（即白色區域）時，win=3，得到邊緣區域暗通道圖darkedge（圖2（e））；

對Inonedge處理時，黑色區域采用原算法的窗口大小win=15；灰色區域采用自適應窗口大小（5×5～15×15，窗口最小值如果過大可能會包含邊緣另一邊的非邊緣信息，導致光暈），灰色區域ω取值規則是：中心點為（i，j）的正方形窗口，其邊長為ω，窗口不包含邊緣點的前提下，ω能取的最大值；得到非邊緣區域的暗通道圖dar-knonedge（圖2（g））。

（5）合成darkedge與darknonedge得到最終的暗通道圖dark（圖2（h））。在根據式2-5計算得到優化算法得到的粗略透射率t*（圖2（i））。

（6）使用t*的帶入式2-2恢復出結果J*（圖2（j）），和圖1（c）比較，可以看出樹葉邊緣區域的霧去除效果明顯。

圖2 改進算法處理過程示意圖

（7）使用導向濾波對t*細化后得到最終透射率t，帶入式（2）還原出無霧圖像J。從圖3可以看出，優化算法對邊緣區域的去霧能力有很大提高。

圖3

2 實驗結果及分析

本文主要對去霧能力做優化，而沒有優化時間，只比較去霧效果。為了驗證改進算法的可行性，采用導向濾波方法細化透射的He算法與本文提出的優化算法對多幅實驗圖像進行處理，本文算法除了求取粗略透射率的步驟不一樣，其他處理步驟都與比較算法一致。從主觀視覺、客觀評價指標對去霧效果做出比較。

主觀評價:對圖4分析，本文算法只對景深突變的區域去霧效果有提升，其它區域與HE算法的效果相比相差不大。對（d）（h）（l）三幅圖中HE算法和本文算法結果圖的局部區域做對比，可以看出優化效果。對（f）和（g）兩幅圖的比較，本文算法優化后的效果提升明顯。對（a）和（i）的提升很小，因為這兩幅圖只有很小一片區域產生光暈效應。

客觀評價:客觀指標評價主要從圖像的顏色、對比度等方面出發構建評價指標來定量分析。本文使用兩個評價指標，一是從衡量圖像對比度的角度出發，使用基于可見邊的對比度增強評價方法[11]，e代表新增可見邊比。二是對結果圖像的灰度圖進行統計，代表平均梯度比。一般而言，e和越大越好，表示去霧效果越好。

圖4

對表1的數據分析，HE算法和本文算法兩者比較，平均梯度比有高有低，但都相差不大。而新增可見邊比e有一定的提升，因為景深突變區域的光暈明顯減弱，這部分區域就會有更多細節展現出來，提高了可見邊的數量，圖4的（f）和（g）比較，指標e提升很明顯。圖4的（b）和（c），（j）和（k）兩者的指標都很相近。與主觀視覺評價一致

3 結語

本文提出來一種針對光暈優化的暗通道去霧算法。本文算法使用邊緣檢測和膨脹處理，對原有霧圖像進行摳圖后分開處理，極大降低了近景對遠景的去霧能力的影響。實驗表明，和原算法相比，提高了對景深突變區域去霧的效果。

表1 HE算法與本文算法結果圖的客觀評價

[1]Stark JA．Adaptive Image Contrast Enhancement Using Generalizations of Histogram Equalization[J].IEEE Trans Image Process，2000，9（5）:889-96.

[2]P.Scheunders.A Multivalued Image Wavelet Representation Based on Multisacle Fundamental Forms[J].IEEE Transactions on Image Processing，1997，6（7）:965-976.

[3]M.J.Seow，V.K.Asari.Ratio Rule and Homomorphic Filter for Enhancement of Digital Colour Image[J].Neurocomputing，2006，69（7）: 954-958.

[4]E.land，J.McCann.Lightness and Retinex Theory[J].J.Opt.Soc.Amer，1971，61（1）:1-11.

[5]Y.Y.Schechner，S.G.Narasimhan，S.K.Nayar.Polarization-Based Vision Through Haze[J].AppliedOptics，2003，Special Issue，42（3）: 511-525.

[6]R.T.Tan.Visibility in Bad Weather from a Single Image[C].IEEE Conference on Computer Vision and Pattern Recognition，2008，1-8. [7]Fattal R.Single Image Dehazing[J].In Proc.ACM SIGGRAPH，2008，27（3）:1-9.

[8]He K，Sun J，Tang X.Single Image Haze Removal Using Dark Channel Prior[C].Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.IEEE Computer Society，2009:1956-1963

[9]Qing-song Zhu，Jia-ming Mai，Ling Shao.A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J].IEEE Transactions on Image Processing，2015，24（11）:3522-3533.

[10]McCartney Earl J.Optics of Atmosphere-Scattering by Molecules and Particles[M].Physics Today，1977，30（5）:76-77.

[11]N.Hautiere，J.P.Tarel，D.Aubert，et al.Blind Contrast Enhancement Assessment by Gradient Ratioing at Visible Edges[J].Image Analysis and Stereology Journal，2008，27（2）:87-95

A Halo-Free Image Dehazing Algorithm Based on Dark Channel Prior

Li He-jian1，He Chang-xiu2

（1.College of Computer，Sichuan University，Sichuan 610065；2.Unit 63636，PLA，Gansu 732750）

In order to tackle the problem that the halo artifacts tend to appear in edge regions with large depth jumps in the traditional dehazing algorithms based on dark channel prior(DCP),proposes a halo-free single image dehazing method.Firstly,the edge image of gray-level image of the input foggy image can be detected by using the canny operator.Secondly,the input foggy image can be divided into edge region and non-edge region based on the edge image.Finally,the size of local window can be selected adaptively applying to dehazing process.Experimental results show that the proposed method can improve the dehazing effect of edge regions with large depth jumps efficiently.

Single Image Dehazing;Dark Channel Priori;Halo;Edge

1007-1423（2017）02-0072-05

10.3969/j.issn.1007-1423.2017.02.018

李和鍵（1989-），男，四川南充人，在讀碩士研究生，研究方向為圖像處理、多源信息融合

2016-11-25

2017-01-10

賀長秀（1981-），女四川射洪人，碩士研究生，工程師，研究方向為圖像處理、多源信息融合、多目標跟蹤