基于劃區域暗通道算法的農田圖像去霧研究

摘要：為了提高農田圖像去霧的效果，提出劃區域暗通道算法。通過雙閾值把有霧圖像劃分為遠景區域、近景區域、中間區域;不同區域采用不同的透射率計算方法，遠景區域的透射率計算基于非線性容差機制，近景區域的透射率計算基于修正因子，中間區域的透射率計算基于引導濾波;再利用全局大氣光照度和各區域的透射率得到去霧圖像，并給出算法流程。試驗仿真結果表明，與其他去霧算法相比，該算法提高了去霧圖像的可見性，平均梯度評價指標值為0.106，均方誤差評價指標值為20，結構相似度評價指值為0.97，評價指標較優。

關鍵詞：農田圖像去霧;遠景區域;近景區域;中間區域;透射率

中圖分類號： TP391.41? 文獻標志碼： A

文章編號：1002-1302（2021）20-0201-04

收稿日期：2021-04-05

基金項目：河南省重點研發與推廣專項科技攻關項目（編號：212102210385）;河南省高等職業學校青年骨干教師培養計劃（編號：2019GZGG026）;鶴壁職業技術學院校本科技類重點課題（編號：2020-KJZD-002）。

作者簡介：邵明省（1980—），男，河南滑縣人，碩士，副教授，主要從事圖像、信息處理以及應用研究。E-mail：wapinetcn@126.com。

霧是由微小液滴組成的氣溶膠，屬于自然界常見的天氣現象，特別在農田原野間常常有霧出現，這種天氣對農業生產中圖像信息采集產生極大的影響，采集到的圖像會出現對比度降低等情況，導致場景目標細節信息丟失[1]。因此，對農田圖像進行去霧處理，對提高農田圖像質量具有重要意義。目前研究農田圖像去霧的算法有以下幾種：第一，暗通道先驗算法（dark channel prior，DCP）[2]，其假設無霧圖像中的暗通道值接近于0，但這種假設適合場景存在局限性，且算法復雜度較高，不利于實時去霧。第二，暗通道先驗和亮度增強（dcp and brightness enhancement，DCPBE）算法[3]，其圖像的熵和平均梯度都有所提高，但只有暗通道窗口尺寸、大氣光照度值、透射率達到最佳組合才能取得滿意效果。第三，自適應雙通道先驗算法（adaptive bi-channel priors，ABCP），該算法結合暗通道和亮通道先驗，能夠更有效地估計局部透射率和大氣光照度[4]，修正白像素和黑像素的傳輸和大氣光照度的任何不正確估計，農田圖像去霧對像素具有良好的保真度。第四，環型濾波器和暗通道先驗算法（surround filter and dark channel prior，SFDCP）[5]，環型濾波器用來提高農田圖像去霧中對速度和存儲的要求，其缺點是中心環的值不能隨意選擇，不同場景的有霧圖像需要不同中心環的值。第五，物理模型與暗通道先驗（physical model and dark channel prior，PMDCP）[6]，其基于變差函數對大氣光照度進行選擇，把不符合暗通道的區域削弱，但是沒有將大氣散射物理模式的不同大氣光照度應用到有霧圖像的不同區域。上述算法沒有考慮到圖像遠景、近景、中間區域，算法的應用場景存在局限性。本研究在暗通道算法的基礎上，提出劃區域暗通道算法（divided region dark channel prior，DRDCP）把圖像劃分為不同的區域，即遠景區域、近景區域、中間區域，區分暗通道分量不趨近于0的情況，遠景、近景、中間區域的透射率通過不同方法計算，這樣農田圖像去霧的效果更接近真實色彩，且評價指標較優。

1 劃區域暗通道算法

1.1 農田有霧圖像退化模型

根據大氣光的散射，農田有霧圖像退化模型表示為

I（x）=J（x）t（x）+A[1-t（x）]。（1）

式中：I（x）表示有霧圖像;J（x）表示在無霧天氣條件下獲得的圖像;A表示圖像全局大氣光照度;t（x）∈（0，1）表示太陽直射光的霧化透射率;J（x）t（x） 表示光線傳遞時的直接減弱項;A[1-t（x）]表示大氣光散射成像，農田圖像去霧從I（x）中恢復J（x）、A和t（x）[7]。

1.2 遠景、近景區域劃分

暗通道算法對整幅圖像進行先驗估計，整幅圖像灰度的均值近似為霧的濃度，同時天空區域近似為霧濃度最大值，但這樣導致在天空明亮區域，該區域無法計算出像素值為0的像素點，估計的暗通道值會很高，幾乎與大氣光照度一樣，進而導致恢復出的圖像顏色偏暗[8]。對暗通道算法進行改進，計算有霧圖像的灰度均值 T? 和灰度直方圖，尋找直方圖最大值向最小值變化的第1個谷點，小于 T? 的第1個谷底計算為閾值α;大于 T的第1個谷峰計算為閾值β。通過α、β來劃分不同區域，當有霧圖像的暗通道值小于α時，將其判定為圖像的近景區域;當有霧圖像的暗通道值大于β時，將其判定為圖像的遠景區域;暗通道值介于α、β之間，為中間區域。記c∈{r，g，b}為圖像任意一個通道;（m，n）、（p，q）分別為圖像中所有像素的{r，g，b}三色暗通道的最小值、最大值所在位置。當圖像位置（i，j）處于minc∈{r，g，b}Ic（i，j）≤α時，則該位置為近景區域;當minc∈{r，g，b}Ic（i，j）≥β時，該位置為遠景區域;當α

1.3 有霧圖像透射率計算

1.3.1 基于非線性容差機制的遠景區域透射率計算

引入容差參數K，當|I（x）-A|>K時，滿足暗原色先驗的區域，保持原來的透射率不變;當 |I（x）-A|≤K 時，須對透射率t（x）修正[9]，透射率重新計算為

t′（x）=minmaxK|I（x）-A|，1×max[t（x），t0]，1。（2）

式中：t0表示透射率下限，取值為0.1。

當K為0時，還原為暗通道算法，K依據圖像中天空區域的多少而變化，當天空區域在圖像中較多時，K取值較大，可取220～245;當天空區域在圖像中較少時，K取值較小，可取5～30。

即使遠景區域，圖像的透射率屬于非線性變化，因此增設絕對值Sigmoid函數S（x）。

S（x）=11+e-x。（3）

這樣非線性控制為

t″（x）=minmaxK|I（x）-A|S（x），1×max[t（x），t0]，1。（4）

故t″（x）相比t′（x），其透射率提升能力增強。

1.3.2 基于修正因子的近景區域透射率計算

透射率在一個局部區域內并非一直保持不變，去霧后圖像會有一些白邊現象[10]。引入修正因子γ對透射率t（x）進行修正可得t（x）。

t（x）=min[γ×t（x），1]

γ=e-（p（i，j）-c）22σ2? p（i，j）>c

-e-（p（i，j）-c）22σ2 p（i，j）≤c。（5）

式中：p（i，j）∈（0，1），表示位置（i，j）的像素灰度值;σ表示像素灰度值方差;c表示像素灰度值均值。

當p（i，j）值越大時，說明此處覆蓋在圖像的霧濃度就越小，就應該減少透射率值;當p（i，j）值越小時，說明此處覆蓋在圖像的霧濃度就越大，就應該增加透射率值。這樣修正因子根據像素灰度歸一化值自適應的選擇透射率。

1.3.3 基于引導濾波的中間區域透射率計算 采用引導濾波對透射率進行估計。

t″″（x）=akIi+bk

E（ak，bk）=∑i∈wk[（akIk+bk-t（x））2+εa2k]。（6）

式中：常量ak、bk表示線性系數;wk表示引導圖I中以k為中心的窗口，i∈wk;E（ak，bk）表示最小代價函數;ε表示調整因子，防止ak取值過大。

最優系數組合（ak、bk）須要引導濾波將輸出圖像與輸入圖像之間的差異最小化而獲得，把透射率圖作為輸入圖像，使之進行自引導濾波處理，逐漸增加濾波半徑，雖然這樣能夠對圖像的邊緣細節進行優化，此時圖像信息熵較好[11]，但如果濾波半徑過大，會使去霧圖像出現過亮現象，為了平衡圖像信息熵和圖像亮度，增設圖像倍乘因子μ。

I′（x）=μ[I（x）-qj（x）]+qj（x）。（7）

式中：qj（x）表示第j次引導濾波后的圖像。當μ增大時，會使得去霧圖像的信息熵增加，但也會導致圖像亮度降低。

1.4 無霧圖像恢復

在得到全局大氣光照度和各區域的透射率后，可估計出無霧圖像。

J（x）=I（x）-Amax[t″（x），0.1]+I（x）-Amax[t（x），0.1]+I（x）-Amax[t″″（x），0.1]+A。（8）

算法流程如下：第一，輸入圖像;第二，通過雙閾值α、β對圖像劃分遠景區域、近景區域、中間區域;第三，按公式（3）進行遠景區域透射率計算;第四，按公式（4）進行近景區域透射率計算;第五，按公式（5）、公式（6）進行中間區域透射率計算;第六，按公式（7）進行農田圖像去霧;第七，輸出去霧圖像。

2 試驗仿真結果與分析

在試驗對比中，計算機操作系統為Win7，CPU為3.6 GHz，內存為12 GB，軟件環境為Matlab 7.0。涉及到的算法有DCP、DCPBE、ABCP、SFDCP、PMDCP、DRDCP。

2.1 視覺效果分析

有霧圖像各種算法處理效果分析見圖1、圖2。由圖1、圖2可知，DCP算法使得農田圖像去霧后色彩偏暗，同時對天空區域處理暗通道規則無法適應;DCPBE算法霧霾并沒有完全消除，低估了圖像透射率的值;ABCP算法能夠恢復一些顏色的亮度，相比He算法圖像亮度有所提升;SFDCP算法去霧效果存在差異性，不適合不同場景的有霧圖像;PMDCP算法同樣使得去霧圖像顏色偏暗，區域邊緣細節去霧效果差。本研究DRDCP算法對有霧圖像劃分不同的區域，增強了圖像中的邊緣細節信息，并大大提高了圖像的可見性，可以看清楚農田遠處的樹木、近處的植物。

2.2 評價指標分析

評價指標分析主要有平均梯度（average gradient，AveGrad）、均方誤差（mean squared error，MSE）、結構相似度（structuralsimilarity，SS）構成，

結構相似度計算公式為：

SS=2μIμJ+C1）（2σi，j+C2）（μ2I+μ2J+C1）（σ2I+σ2J+C2）。（9）

式中：I表示參考圖像;J表示待評價圖像;μI、μJ、σIσJ 分別表示參考圖像、待評價圖像所對應的均值與方差;C1和C2表示常數值;σIJ表示參考圖像、待評價圖像之間的協方差。SS取值范圍為[0，1]，其值越大，則去霧前后的結構相似度越高，算法的結構保持性能越好。各經過40次試驗，對圖1進行處理，結果分析見圖3、圖4、圖5。

由圖3、圖4、圖5可知，本研究算法的平均梯度評價指標值為0.106，均方誤差評價指標值為20，結構相似度評價指值為0.97，評價指標優于其他算法。

3 總結

本研究采用劃區域暗通道算法對農田圖像去霧，通過雙閾值將圖像劃分為不同區域，并針對不同區域采用不同的方法計算透射率。試驗仿真結果表明，本研究算法能夠有效地去除圖像中的霧氣，評價指標相比其他算法較好，為農田圖像去霧研究提供了一種新方法。

參考文獻：

[1]姜德晶，王樹臣，曾 勇，等. 基于圖像分割映射的農業機器人視覺去霧方法[J]. 農業機械學報，2016，47（11）：25-31.

[2]He K M，Sun J，Tang X O. Single image haze removal using dark channel prior[C]//Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Washington，DC：IEEE Computer Society，2011：1956-1963.

[3]Zhang J W，Wang X Y，Yang C H，et al.Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras[J]. Computers and Electronics in Agriculture，2018，151：196-206.

[4]Jiang Y T，Sun C M，Zhao Y，et al.Image dehazing using adaptive bi-channel priors on superpixels[J]. Computer Vision and Image Understanding，2017，165：17-32.

[5]Nair D，Sankaran P.Color image dehazing using surround filter and dark channel prior[J]. Journal of Visual Communication and Image Representation，2018，50：9-15.

[6]Wang J B，He N，Zhang L L，et al.Single image dehazing with a physical model and dark channel prior[J]. Neurocomputing，2015，149：718-728.

[7]田 源. 基于混合遠景和近景區域暗通道算法的圖像去霧研究[J]. 計量學報，2019，40（4）：583-588.

[8]杜宏博，王麗會. 基于改進暗原色先驗模型的快速圖像去霧方法[J]. 計算機工程與應用，2016，52（1）：178-184.

[9]龔昌來，羅 聰. 一種改進的容差機制圖像去霧算法[J]. 液晶與顯示，2016，31（11）：1098-1104.

[10]吳開興，張 琳，李麗宏. 煤礦井下霧塵圖像清晰化算法[J]. 工礦自動化，2018，44（3）：70-75.

[11]趙春麗，董靜薇. 基于暗通道及多尺度Retinex的霧霾天氣圖像增強算法[J]. 激光雜志，2018，39（1）：104-109.