霧霾圖像清晰化處理算法的研究?

張 娜 韓美林 楊 琳

（商洛學院電子信息與電氣工程學院 商洛 726000）

1 引言

近年來，霧霾等惡劣天氣日益增加。受霧霾天氣條件下空氣中雜質的影響，交通監控系統［1］、遙感和軍事觀測等［2］戶外成像設備采集到的圖像嚴重退化，具有對比度低、清晰度低、色彩退化、信息量小等缺點［3］。降質的圖像無法保障戶外系統可靠、穩定地工作，也極大地影響了人們的生活［4］，因此亟需對霧霾圖像進行處理。

圖像去霧方法主要有兩種：基于圖像增強和基于圖像復原的去霧方法［5］。

基于圖像增強的去霧方法，從提升對比度、強化細節對圖像去霧處理；基于圖像復原的去霧方法，通過建立模型從物理復原對圖像去霧處理。文獻［6］中，Hong Bu 和John P.Oakley 通過統計模型來檢測圖像，實現全局優化的去霧算法。文獻［7］中，Heetal 對大量圖像像素的構成進行觀察，發現了所有圖像中至少有一個顏色分量趨近于0，因此提出暗原色先驗算法。文獻［8］中，提出“子塊部分重疊的算法”，在一定程度上避免了“塊效應”。文獻［9］中，由于降質圖像的文本難以識別，提出基于對比度受限的識別算法。文獻［10］中，提出將Retinex 算法結合圖像自動増強算法，使Retinex 算法增強后恢復了圖像的原本色彩。文獻［11］中，提出將暗通道理論應用到Retinex 算法中，暗通道算法被簡化了，時間復雜度也被降低了，但該算法在處理光照不均勻的圖像時會產生光暈現象。

本文采用直方圖均衡化法與Retinex 算法對圖像進行去霧處理，通過實驗可得：采用MSRCR算法處理后的圖像變得清晰，包含的信息量較大，強化了細節信息，圖像增強效果較好較穩定。

2 基于直方圖均衡化去霧算法

霧霾圖像清晰化處理指增強降質圖像的對比度、細節信息、恢復圖像的色彩等信息。一般的去霧方法有：直方圖均衡化法、Retinex算法等［12］。

直方圖均衡化算法，增大其灰度范圍，將圖像直方圖中分布集中的一些像素變成均勻分布，使得圖像對比度得到提升。

2.1 全局直方圖均衡化去霧算法

設數字化后的圖像灰度級為r0，r1，r2，…rL-1，其中0，1，…L-1 為灰度級，則第k 個灰度級rk的概率為

式（1）中，nk為灰度級為rk的像素的個數，N是像素總個數。

離散化后的累計分布函數為：

式（2）將灰度級rk的像素映射成灰度級為sk的像素。該算法擴大了灰度范圍，提升了圖像的對比度。

對原圖像進行全局直方圖均衡化處理后如圖1所示。

圖1 全局直方圖均衡化處理圖

由圖1 中的（a）、（b）、（c）、（d）圖對比得：圖（d）比圖（b）的直方圖分布更加均勻，擴大了圖像的灰度級范圍；圖（c）比圖（a）的對比度有所提升，但圖（c）中亮的地方更亮，暗的地方更暗，反而弱化了圖像的細節信息。

2.2 局部直方圖均衡化去霧算法

局部直方圖均衡化對圖像的局部區域信息能得到有效的增強。該方法首先將原圖像像素分割成若干個大小相同的子塊，再對各個子塊進行直方圖均衡化處理。局部直方圖均衡化法計算公式為式中avgi，j為平均灰度級；xi，j和x'i，j為變換前、變換后的中心像素。

對原圖像進行局部直方圖均衡化處理后如圖2所示。

圖2 局部直方圖均衡化處理圖

由圖2 中的（a）、（b）、（c）、（d）對比得：圖（d）比圖（b）的直方圖灰度級范圍大；圖（c）比圖（a）的對比度有所提升，細節信息有所強化，但圖像中出現了不連續的效果，如圖（c）中上方所示。

3 基于Retinex的去霧算法

1986 年由Edwin Land 等提出人類眼球感知色彩和光亮度模型［13］，即Retinex 算法理論，將圖像為反射分量和亮度分量，通過減小圖像的亮度對反射分量的影響，從而得到原始圖像。

3.1 單尺度Retinex（SSR）算法

圖像由入射光與反射光的乘積所組成的，用式（4）表示為

式（4）中S(x，y)表示接收信號，I(x，y)表示入射分量，R(x，y)表示反射分量。Retinex 算法是從接收的信號S(x，y) 中獲取反射分量的信息R(x，y)，對式（4）兩邊取對數可得：

反射分量的信息R(x，y)的獲取由環境光的入射分量I(x，y)和接收到的信號S(x，y)共同決定。將圖像S(x，y)通過高斯濾波器G(x，y)便可得到環境光的入射分量I(x，y)，即：

Retinex算法原理圖如圖3所示。

圖3 Retinex算法原理圖

3.2 多尺度Retinex（MSR）算法

MSR 是在不同尺度上對SSR 算法進行加權平均得到的結果，在SSR基礎上發展的。該算法在保持圖像色彩保真度的基礎上對圖像的灰度級范圍進行壓縮。

多尺度Retinex（MSR）算法如下：

式（7）中k=1，2，3，…N，表示波段號；N 表示尺度數目，wn表示第i個尺度的權重，Sk(x，y)表示第k 個波段的接收信號，Fi(x，y)表示高斯核函數，*表示卷積，Rk(x，y)表示第k個波段中通過算法后得到的圖像。

其中Fi(x，y)表達式為

式（8）中λ為歸一化因子，c為尺度。

3.3 帶色彩恢復的多尺度Retinex（MSRCR）算法

與SSR相比，MSR算法處理后的圖像有效地提升了圖像的對比度，又對圖像的灰度級范圍進行了壓縮。但由于采用該算法使得R、G、B 三分量的比值發生了變化，所以處理后的圖像色彩存在失真的現象，因此提出了帶色彩恢復的多尺度Retinex（MSRCR）算法。MSRCR算法的表達式為表示第k 個波段號的入射分量，β表示調整參數。MSRCR 在MSR 算法的基礎上乘以因子ak(x，y)，ak(x，y)是根據原圖像的R、G、B三分量的比值來調整的，因此避免色彩的失真。

3.4 仿真結果及分析

對原始圖像選擇尺度參數C=250，分別采用SSR、MSR、MSRCR 算法進行實驗分析，如圖4 所示。

圖4 Retinex算法處理圖

由圖4 中的（a）、（b）、（c）、（d）對比得：圖（b）與圖（a）比較，SSR 算法增強后圖像的對比度與亮度有所提升；圖（c）與圖（a）比較，MSR 算法處理后亮度適中、對比度高；圖（c）與圖（b）比較，當MSR 與SSR 的尺度參數相同時，MSR 與SSR 處理結果相近；圖（d）與圖（a）比較，MSRCR 算法處理后對比度高、細節信息突出，色彩保真度高。

對原始圖像去霧效果進行客觀評價，將全局直方圖均衡化法、局部直方圖均衡化法、SSR 算法、MSR 算法、MSRCR 算法進行比較，采用的客觀評價指標分別為均值、方差、信息熵，如表1所示。

表1 去霧效果客觀評價表

觀察表2 可得：全局直方圖算法的方差最大，說明該算法處理的圖像灰度離散程度高，去霧效果較好；MSRCR 算法的方差最小，采用該算法性能最穩定。MSR算法的均值最大，說明該算法處理的圖像亮度更好一些；MSRCR 算法的信息熵最大，說明該算法處理的圖像中所包含的信息量是最大的，能強化細節信息。

4 結語

本文采用全局直方圖均衡化法、局部直方圖均衡化法、SSR、MSR、MSRCR算法對霧霾圖像進行去霧處理，實驗結果表明：采用MSRCR算法處理的圖像中所包含的信息量最大，細節信息突出，圖像增強效果較好較穩定。