一種改進的透射率分布估計的夜間圖像去霧算法

薛 楠，嚴利民,2

一種改進的透射率分布估計的夜間圖像去霧算法

薛 楠1，嚴利民1,2

（1. 上海大學 機電工程與自動化學院，上海 200444；2. 上海大學 微電子研究與開發中心，上海 200444）

針對基于暗通道先驗理論（dark channel prior, DCP）的去霧算法在處理夜間有霧圖像時細節信息缺失、光源區域的紋理受損嚴重的問題，本文提出了一種改進的透射率分布估計的夜間圖像去霧算法。通過引入暗態點光源模型、暗通道可信度權值因子和偽去霧圖像，結合夜間圖像成像模型，獲取改進的透射率分布，對夜間降質圖像進行去霧處理。實驗結果表明，經本文算法處理后的圖像在紋理細節上損失小、圖像清晰度高，圖像明暗對比度得到較好的拉伸，可以實現夜間有霧圖像的有效去霧。

夜間圖像去霧；暗通道先驗；透射率分布估計

0 引言

夜間高分辨率圖像被廣泛應用于安防安保監控系統、航天航空軍事制導、對地檢測衛星遙感以及汽車自動駕駛等領域。然而，有霧的夜間圖像經增強處理后呈現出對比度低，細節模糊等特征，不易辨識。目前最廣泛使用的基于暗通道先驗理論（dark channel prior, DCP）的去霧算法[1]對白天降質圖像進行去霧時具有較好的效果，但對夜間降質圖像進行去霧后，圖像在人工光源區域存在嚴重的顏色失真[2]，暗區域的亮度不夠[3]。

目前，基于DCP算法的夜間圖像去霧算法的研究已經取得了較大的進展：陳志恒提出了一種自適應全局亮度補償算法[4]，自適應調節夜間有霧圖像的全局亮度，提高了夜間降質圖像待去霧區域的可視度，但對微弱光源的夜間圖像去霧效果有待改進；皮燕燕將夜間有霧圖片分為結構層和紋理層，利用DCP算法得到結構層的無霧反射光圖像，對紋理層進行增強后得到夜間去霧圖像[5]，但對圖像天空部分的去霧存在失真；王柳哲針對夜晚環境的光照不均勻會影響暗通道的大氣光估計，采用中值濾波與加權正則化模型對環境光進行優化的方法來估計大氣光值[6]，改進了去霧圖像的色偏現象，但是不能很好地去除光暈。

針對現有算法存在的圖像顏色失真、微弱光源圖像去霧效果差、光暈不能很好去除等問題，本文提出了采用暗態點光源模型的夜間有霧圖像去霧算法，針對傳統圖像透射率分布估計不準導致顏色失真的問題，通過暗通道可信度權值因子對粗透射率分布進行修正，再利用邊窗導向濾波對粗透射率分布進行細化。實驗結果表明，本文算法去霧效果好、在微弱光源處還原性好，有效減少了還原圖像的光暈與顏色失真。

1 基于暗通道先驗理論的去霧算法

He通過統計發現，晴朗天氣圖像的暗通道圖像中至少86%以上的灰度值集中分布在[0,16]的灰度空間范圍之內，且在無天空區域圖像的R、G、B通道中，至少存在一個通道的灰度值是趨近于0的[1]。He將這一結果定義為暗通道先驗，用式(1)進行表示：

式中：dark(,)表示無霧圖像的暗通道圖像；c(,)表示無霧圖像的RGB通道中的某一通道；(,)表示濾波的窗口大小。

通過計算大氣光值和透射率分布2(,)解得無霧圖像(,)的表達式如式(2)所示：

然而，當透射率分布2(,)趨近于零時，會導致還原后的去霧圖像(,)包含大量的噪聲，表現出復原的圖像整體偏白。為避免該類情況的發生，在實際處理中，給透射率分布設置一個下限0，復原后的降質圖像可以表示為式(3)：

式中：0一般取作0.1，相當于去霧圖像仍然保留了少量的霧層。

DCP算法對白天圖像進行處理時具有較好的去霧效果，去霧結果顏色真實自然。但對夜間圖像進行去霧時，處理后的圖像在人工光源區域產生嚴重的顏色失真，暗區域的亮度不夠導致細節信息缺失，光源區域的紋理受損嚴重。

2 基于暗態點光源模型的夜間有霧圖像去霧算法

針對夜間有霧圖像的紋理細節保持、色彩保持等問題，本文在DCP算法的基礎上，提出了一種采用暗態點光源模型的夜間有霧圖像去霧算法。算法實現過程如圖1所示，主要由夜間環境光分布估計、透射率分布估計以及顏色校正3個模塊組成，具體過程如下：

圖1 采用暗態點光源模型的夜間圖像去霧算法流程

2.1 夜間環境光分布估計

利用最小值濾波算法、自適應伽馬變換算法建立暗態點光源模型，并利用最大值濾波算法獲取夜間降質圖像的亮度分布。使用暗態點光源模型、亮度分布以及聯合雙邊濾波算法估計夜間降質圖像的環境光分布[7]。

2.2 透射率分布估計

通過顏色空間轉換、HSV通道分離，對降質圖像的亮度通道和飽和度通道分別進行最大值濾波、最小值濾波處理，利用聯合雙邊濾波對其進行細化處理，得到暗通道可信度權值因子。然后，建立扇形模型，利用高斯均值函數、邊界約束、均值不等關系，獲取“偽”去霧圖像，再結合夜間環境光分布，將獲取的暗通道可信度權值因子和偽去霧圖像作為修正參數，改進透射率分布的求取公式，獲取夜間降質圖像的透射率分布。最后利用邊窗導向濾波細化紋理，得到精細化透射率分布，再對降質圖像進行還原后獲取去霧圖像。

2.3 顏色校正

根據輸入圖像通道的最大灰度值，計算輸入圖像的景深圖像，將其與輸入圖像通道、通道的最大灰度值做減法，求取景深差分圖像DDF。再利用、兩個校正參數分別對圖像通道和通道進行色偏校正，再將處理后的3個通道進行融合，得到顏色校正的圖像。

3 改進透射率分布的獲取

3.1 暗通道可信度權值因子的獲取

暗通道可信度權值因子獲取流程如圖2所示，將夜間降質圖像(,)轉換至HSV顏色空間，并進行通道分離得到飽和度通道(,)、亮度通道(,)圖像，分別對其進行最大值濾波、最小值濾波，得到max(,)和min(,)。

圖2 暗通道可信度權值因子獲取流程

max(,)和min(,)圖像自身邊緣信息損失嚴重，需用聯合雙邊濾波對其進行紋理細化，得到細化結果min￠(,)和min￠(,)，處理過程如式(4)所示：

此時以細化后max￠(,)和min￠(,)為處理對象，對暗通道可信度權值因子進行求取，求取過程如式(5)、(6)所示。

＝1×2(6)

式中：(,)表示夜間環境光分布；1表示飽和度系數；2表示亮度系數；表示暗通道可信度權值因子。暗通道可信度權值因子會隨著max￠(,)的增加、min￠(,)的減少而出現大幅度下降；1和2表示sigmoid函數的縮放系數，當1＝8、2＝20時，具備較好的實驗效果。

3.2 夜間偽去霧圖像的獲取

本文通過邊緣最值約定對min(c(,))的范圍進行約束，構建如圖3所示的扇形模型，由圖可知：min(c(,))的最優解存在于min(cmin(,))與min(cmax(,))之間的陰影區域中。

圖3 扇形模型幾何表示

采用不等式逼近對陰影區域內的最優解min(c(,))進行求取。采用較為劇烈的衰減2處理上邊界min(cmax(,))，對下邊界min(cmax(,))采用較為平和的衰減1對其進行估值，以防止逼近過程中產生溢出現象。得到扇形區域兩側邊界的估計值如式(7)所示：

3.3 改進透射率分布的獲取

式中：￠(,)為粗透射率分布；為暗通道可信度權值因子；為霧層保留參數，用作去霧圖像中少量霧氣的保留，以保證圖像的視覺真實性，對于夜間霧圖的處理中，一般取作0.65。

3.4 透射率分布的精細化處理

為減小去霧后出現的光暈現象，本文根據文獻[9]提出的邊窗導向濾波技術對粗透射率分布進行紋理細化處理，以提升圖像邊緣信息的保持能力。通過對邊窗的濾波核函數進行加權操作，并將其應用在{L, R, U, D, NW, NE, SW, SE}8個窗口類型上，從輸出的8個結果中，找出與輸入最接近的邊窗類型，將其濾波結果作為最終的邊窗濾波結果，得到精細化透射率分布2(,)。

4 算法實驗結果與分析

在得到夜間環境光分布(,)以及細透射率分布2(,)以后，對式(3)進行改進得到式(10)：

為驗證本文算法的去霧效果，本文將從主觀和客觀兩個評價角度進行實驗對比。

4.1 主觀對比

本文以重度霧霾下的城市夜景實拍等夜間降質圖像建立降質圖庫，隨機選取了4幅具有低照度夜間特征代表性的降質圖像，基于低照度夜間增強算法對其處理之后，分別采用基于暗通道先驗理論去霧算法與本文算法對其進行去霧處理，得到結果如圖4所示。

圖4 本文算法的去霧結果對比

可以看到，采用基于暗通道先驗理論的去霧圖像在人工光源區域有嚴重的光暈效應，而本文的去霧算法的去霧結果中圖像中的霧氣得到有效去除，去霧后的圖像顏色自然，符合人眼視覺觀感。

4.2 客觀對比

使用圖像信息熵、平均梯度和對比度對經過文獻[1]、[6]、[10]中算法與本文算法的處理結果進行客觀評價。統計其客觀評價結果如表1～表3所示，其中，表1為圖像信息熵的統計結果，表2為圖像平均梯度的統計結果，表3為圖像對比度的統計結果。表中，算法1為傳統DCP算法[1]，算法2為基于多光源模型與暗通道先驗的去霧算法[6]，算法3為基于暗通道補償與大氣光值改進的去霧算法[10]。

表1 圖像信息熵統計結果

表2 圖像平均梯度統計結果

表3 圖像對比度統計結果

可以看出，經過本文算法處理過后的圖像的質量普遍有較為明顯的改善，主要表現在圖像的信息熵值、平均梯度以及對比度均高于對比算法，說明處理后的夜間有霧圖像所包含的信息量更為豐富，在紋理細節上損失較小、圖像清晰度高，同時夜間降質圖像的明暗對比度得到較好地拉伸。

5 結論

為解決基于暗通道先驗理論的去霧算法在處理夜間有霧圖像時細節信息缺失、光源區域的紋理受損嚴重的問題，本文提出采用暗態點光源模型的夜間有霧圖像去霧算法。同時通過暗通道可信度權值因子和“偽”去霧圖像對圖像粗透射率分布進行修正，再利用邊窗導向濾波對其進行細化，提高了透射率分布估算結果的準確度。實驗結果表明，本文算法處理后的圖像在微弱光源處還原性好，有效減少了還原圖像的光暈與顏色失真且在去霧前經過視見度增強處理，降質圖像的亮度得到一定程度的保留，可視性較好。

[1] HE K, SUN J, TANG X. Single image haze removal using dark channel prior[J]., 2010, 33(12): 2341-2353.

[2] ZHANG J, CAO Y, WANG Z F. Nighttime haze removal based on a new imaging model[C]//, 2014: 4557-4561.

[3] PEI S C, LEE T Y. Nighttime haze removal using color transfer pre-processing and dark channel prior[C]//(ICIP), 19, 2012: 957-960.

[4] 陳志恒, 嚴利民, 張競陽. 采用自適應全局亮度補償的夜間去霧算法[J]. 紅外技術, 2021, 43(10): 954-959.

CHEN Zhiheng, YAN Limin, ZHANG Jingyang. Nighttime dehazing algorithm with adaptive global brightness compensation[J]., 2021, 43(10): 954-959.

[5] 皮燕燕, 王遠明, 王興嶺. 基于圖像分層與暗通道先驗的夜間圖像去霧算法[C]//慣性技術發展動態發展方向研討會文集, 2018: 132-135.

PI Yanyan, WANG Yuanming, WANG Xingling. Night-time image dehazing algorithm based on image stratification and dark channel prior[C]//, 2018: 132-135.

[6] 王柳哲. 基于多光源模型與暗通道先驗的夜間圖像去霧[D]. 北京: 北京交通大學, 2018.

WANG Liuzhe. Night Image Defogging Based on Multiple Light Source Models and Dark Channel Priors[D]. Beijing: Beijing Jiaotong University, 2018.

[7] 張競陽, 嚴利民, 陳志恒. 采用暗態點光源模型的夜間去霧算法[J]. 紅外技術, 2021, 43(8): 798-803.

ZHANG Jingyang, YAN Limin, CHEN Zhiheng. Nighttime fog removal using the dark point light source model[J]., 2021, 43(8): 798-803.

[8] ZHANG J, CAO Y, FANG S, et al. Fast haze removal for nighttime image using maximum reflectance prior[C]//, 2017: 7016-7024.

[9] YIN Hui, GONG Yuanhao, QIU Guoping. Side window guided filtering[J]., 2019, 165(C): 315-330.

[10] 高強, 胡遼林, 陳鑫. 基于暗通道補償與大氣光值改進的圖像去霧方法[J]. 激光與光電子學進展, 2020, 57(6): 150-156.

GAO Qiang, HU Liaolin, CHEN Xin. Image dehazing method based on dark channel compensation and improvement of atmospheric light value[J]., 2020, 57(6): 150-156.

Nighttime Image Dehazing Algorithm Based on Improved Transmittance Distribution Estimation

XUE Nan1，YAN Limin1,2

(1.,,200444,;2.,,200444,)

This paper presents an improved transmittance distribution estimation algorithm for nighttime image dehazing to solve lack of detailed information and serious damage to the texture of light source areas when the dark channel prior dehazing algorithm processes foggy images at night. An improved transmittance distribution was obtained by introducing a dark state point light source model, a dark channel credibility weight factor, and a pseudo dehazing image, combined with a nighttime image imaging model, and the dehazed image at night was dehazed. The experimental results showed that the image processed by using the proposed algorithm had little loss in texture details and high image definition, and the contrast between the light and dark of the image was better stretched, which effectively dehazed a foggy image at night.

nighttime image dehazing,dark channel prior,transmission distribution estimation

TP391

A

1001-8891(2022)10-1089-06

2022-01-02；

2022-03-24.

薛楠（2001-），男，本科生，研究領域為圖像處理及計算機視覺。E-mail：wilson_xue@outlook.com。

嚴利民（1971-），男，博士，副教授，研究領域為集成電路設計及系統集成、新型顯示技術和計算機視覺。E-mail：yanlm@shu.edu.cn。