冶煉車間大氣散射模型圖像去煙塵算法

湯汶龍 龍永紅

冶煉車間大氣散射模型圖像去煙塵算法

湯汶龍 龍永紅

（湖南工業大學軌道交通學院，湖南 株洲 412007）

針對冶煉車間中大量煙塵、水霧等懸浮顆粒造成的圖像降質等問題，本文提出冶煉車間大氣散射模型圖像去煙塵算法。為更好地估計真實大氣光值，通過簡單線性迭代聚類分割算法求取初始大氣光值，并采用快速引導濾波對初始大氣光值進行精細化處理，同時利用自適應伽馬函數對大氣光和原始煙塵圖像進行修正，分別得到最終大氣光和優化后的煙塵圖像。通過優化的顏色衰減先驗模型估計出透射率，最后根據大氣散射模型恢復無煙塵圖像。實驗結果表明，該算法可降低圖像中的煙塵濃度，減少圖像細節損失，使方均誤差平均下降66.2%，峰值信噪比平均提高30.5%，結構相似度平均提高48.6%。

圖像去煙塵；大氣散射模型；簡單線性迭代聚類；自適應伽馬函數

0 引言

隨著計算機視覺技術的快速發展，工業信息化[1]、智能化取得了很大進展，視頻監控技術在有色冶煉各生產領域得到廣泛應用[2]。為了進一步提高生產效率、確保生產安全，越來越多的工廠在車間安裝網絡攝像頭[3-4]，實時獲取智能化車間生產信息。由于冶煉工作過程中會產生大量煙塵、水汽等，導致監控視頻圖像出現細節模糊、可視性弱等降質現象，不利于冶煉生產安全監控、設備遠程操控、智能視頻識別技術的運用等。因此，冶煉車間圖像去煙塵工作具有重要意義。

目前，圖像去霧方法主要分為基于圖像增強、圖像復原和深度學習三大類。基于圖像增強的去霧方法[5–11]主要是通過增強圖像的對比度和某些局部信息對圖像進行處理，未考慮霧霾的形成原因和形成有霧圖像的過程。雖然此方法能夠在保持圖像細節的同時有效去除霧霾，但其對不同圖像的適應性較差，需要針對性地選擇不同參數，且在高霧密度情況下存在色彩失真問題。基于圖像復原的去霧方法[12–20]通過分析圖像降質的本質，以物理模型為依據，根據先驗條件估計參數真實值，反演成像過程復原無霧圖像。Fattal R[12]根據大氣散射模型計算出場景中的全局透射率并推斷出每個像素點的局部透射率，得到復原圖像。然而，該方法依賴局部統計不相關性的假設，在處理復雜圖像時會出現色彩偏差等問題。He Kaiming等[13-14]提出暗通道先驗（dark channel prior, DCP）理論，通過估計圖像的暗通道來獲取大氣光值和圖像中的深度信息，從而計算出全局透射率，獲得無霧圖像。但當有白色物體或光源等高亮區域時，該方法會誤判大氣光值，導致去霧圖像失真。Sun Wei等[15]提出一種局部大氣光估計的去霧算法，通過解決定位全局大氣光產生的不準確問題來改善暗通道先驗算法，但該方法可能導致去霧圖像過飽和。為了避免透射率的過度估計，Meng Gaofeng等[17]通過結合圖像透射率的約束和固定邊界限制透射率，從而優化透射率以達到去霧目的。Zhu Qingsong等[19]利用有霧圖像中不同顏色通道的統計特性，建立有霧圖像的場景深度與亮度、飽和度之間的關系，進而求解圖像的透射率；但該方法可能存在去霧不徹底的問題。Yu Teng等[20]提出一種通道差分引導濾波方法來估計環境光照，解決了常用的局部最大值像素法高估環境光照的問題。基于深度學習的去霧方法[21-22]主要是利用深度神經網絡模型學習圖像中有霧和無霧之間的映射關系，從而去除霧霾得到清晰圖像。這類方法需要大量的有霧和無霧圖像對，但此類數據集通常難以獲取，并且訓練需要較長時間，無法廣泛應用于工業場景中。

上述方法致力于霧天室外圖像清晰化，未考慮復雜成像環境中多光源、煙塵分布不均勻等因素帶來的綜合影響，使算法不適用于冶煉車間的煙塵環境。為此，本文提出冶煉車間大氣散射模型圖像去煙塵算法，以提高復雜環境大氣光值和透射率估計的準確度，解決光源等高亮區域光暈效應和色彩失真的問題。實驗結果證明，本文算法去煙塵效果良好。

1 大氣散射模型

大氣散射模型[23]是一種應用于圖像復原去霧算法中的模型，它通過分析物體成像過程中各種環境光的影響，描述有霧圖像退化的過程。大氣散射模型如圖1所示。

圖1 大氣散射模型

大氣散射模型假設環境光為全局常量，將退化后的有霧圖像表示為物體反射光的衰減和懸浮顆粒對周圍光照的吸收和散射兩部分的線性疊加。基于圖像復原的去煙塵算法基于該模型，通過對反射光的衰減能量進行補償，并消除環境光參與成像的部分，從而恢復清晰圖像。基于上述煙塵環境成像過程，退化后的煙塵圖像表達式為

=+(-) （1）

式中：為接收到的煙塵圖像；為復原圖像；為介質的透射率，其反映大氣光穿透介質到達采集設備的能力，值越大穿透能力越強；為全局大氣光；為單位矩陣。

=+(-) （2）

在大氣散射模型中，介質透射率與大氣散射系數、場景深度有關，大氣散射系數與圖像亮度有關，其關系為

=e-bd（3）

=e（4）

式中：為大氣散射系數；為場景深度；為煙塵圖像各像素點亮度值；、為常量系數，一般取=1.2，=0.25。在煙塵均勻分布的情況下恒定，但冶煉車間煙塵分布不均勻，需要分別求取不同區域的大氣散射系數。在去煙塵問題中，惟一的已知量為原始煙塵圖像，求得去霧結果的關鍵要素就是精準估計透射率和大氣光值。

冶煉車間大氣散射模型圖像去煙塵算法的流程如圖2所示。首先，采用簡單線性迭代聚類（simple linear iterative clustering, SLIC）的超像素分割算法將圖像大氣光劃分為不同區域，估計各區域平均大氣光值，利用快速引導濾波優化平均大氣光值；然后，通過自適應伽馬函數修正細化后的大氣光和原始煙塵圖像，同時利用優化的顏色衰減先驗算法求取透射率；最后，在得到最終大氣光值、優化后的煙塵圖像和透射率后，通過大氣散射模型還原得到無煙塵圖像。

圖2 冶煉車間大氣散射模型圖像去煙塵算法流程

1.1 初始大氣光值估計

在室外大氣光照環境中，大氣光一般呈均勻分布，其值通常被視為全局恒定值。文獻[10]通過搜索暗通道圖中亮度強度前0.1%的像素，取其在原始圖像中具有最大亮度值的像素點作為大氣光值。然而，這種處理方法只適用于光照均勻且低亮度的圖像。室內冶煉車間采用人工光源，大氣光在空間中是變化的，存在光照不均勻的問題。因此，采用該方法容易導致去煙塵后圖像局部過曝光或光暈現象的出現。

=[]T（5）

RGB彩色模型轉換到HSV彩色模型[25]可用式（6）～式（8）表示。

式中：為色相值；、、分別為RGB顏色模型中紅、綠、藍三個顏色通道的數值；max為、、中的最大值；min為、、中的最小值。

初始大氣光值估計流程如下：

1）選取像素點的特征向量。

2）初始化聚類中心。假設圖像像素點總數為，設定的聚類個數為，相鄰距離為，則有

（9）

式中：c為聚類中心與鄰域像素點之間的色彩距離；s為聚類中心與領域像素點之間的歐式空間距離；為聚類中心與像素點的相似度；S、V分別為像素點的飽和度和亮度；S、V分別為像素點在鄰域2×2范圍內聚類中心的飽和度和亮度；x、y為像素點的橫、縱坐標；x、y為像素點鄰域聚類中心的橫、縱坐標；為緊湊因子。

5）重復以上流程迭代更新聚類中心，直到誤差收斂。

6）計算每個聚類的平均值，將各聚類平均值分別賦予各聚類中的每個像素點。

1.2 大氣光值優化

大氣光值優化前后去煙塵圖像如圖3所示。由圖3（c）可以看出，簡單線性迭代聚類超像素分割算法能夠很好地估計出大氣光值近似區域的真實大氣光值。然而，圖像存在塊狀失真的問題，這是由于初始大氣光值過于粗糙，導致塊狀區域的過渡不平緩，因此需要對初始大氣光值進行優化，以獲得更加自然的去煙塵效果。為此，本文采用快速引導濾波對初始大氣光值進行細化，細化后的大氣光值如圖3（d）所示。

1.3 透射率估計

由式（3）可知，在取得大氣散射系數與場景深度后，能夠求取透射率。冶煉車間煙塵圖像的飽和度、亮度和梯度等特征近似符合顏色衰減模型，該區域場景深度可由亮度、飽和度和梯度線性表示。根據顏色衰減模型，煙塵圖像場景深度可表示為

式中：1、2、3為線性系數；為圖像場景深度；為亮度；為飽和度；為梯度；為誤差系數。經過大量冶煉車間數據集實驗，設置系數經驗值：1= 1.559，2=-0.782，3=0.221，=0.141。為了降低噪聲等因素的影響，給定一個滑動窗口，估計煙塵圖像的平均場景深度表達式為

根據式（4）和式（12）可取得大氣散射系數和圖像場景深度，然后根據式（3）可求得煙塵圖像透射率。為了減少噪聲干擾，優化景深邊緣處的細節信息，對透射率矩陣進行快速引導濾波處理。

1.4 煙塵圖像修正

在室內冶煉車間環境中，存在多個人工光源，同時煙塵分布不均勻，這導致圖像采集設備接收到過量的散射分量、反射分量和直射光照信息，進而造成圖像低照度等降質問題。此外，由于空間位置或障礙物遮擋光源等原因，部分區域的圖像存在局部細節信息丟失的問題。為了減弱原始煙塵圖像中過量光照分量的影響，并提升局部暗淡區域的細節信息，以獲取更加清晰自然的復原圖像，需要在原始煙塵圖像過亮區域對亮度分量進行適當削弱，在偏暗區域對亮度分量進行適當補償。若直接對不同區域進行固定減削弱值或加補償值可能導致亮度值偏小或偏大，從而影響最終復原圖像的去煙塵效果和視覺效果。因此，本文提出一種利用自適應伽馬函數[26]對煙塵圖像進行修正的預處理方法，根據每個像素點的特點動態調節亮度值，實現對圖像修正的精確控制，具體流程如下。

1）將煙塵圖像從RGB彩色模型轉換到HSV彩色模型，以便對亮度分量進行處理。

2）以亮度分量自身作為引導圖，通過快速引導濾波獲得光照圖。

3）對亮度分量進行伽馬修正。伽馬函數表達式為

（13）

式中：為修正后的煙塵圖像亮度；為輸入圖像亮度分量；為用于亮度修正的伽馬參數；為輸入圖像提取出來的光照分量；ave為光照分量亮度平均值。

4）修正后的亮度與原圖色調、飽和度重新 融合。

5）將融合后的圖像從HSV彩色模型轉換到RBG彩色模型，得到修正后的煙塵圖像res。

修正前后去煙塵圖像如圖4所示，通過修正，可以有效減弱煙塵圖像過亮區域的亮度值，使其更加符合真實場景中的光照情況，而在偏暗區域，可以增加這些區域的亮度值，使其更清晰明亮，細節信息得到了提升。

2 實驗結果與分析

為了驗證本文所提方法的效果，進行大量實驗。數據集來源于冶煉車間不同位置的煙塵圖像，共選擇四種具有代表性的圖像去霧算法進行對比，包括DCP去霧算法[13]、基于邊界約束和上下文正則化（boundary constraint and contextual regularization, BCCR）的圖像去霧算法[17]、顏色衰減先驗（color attenuation prior, CAP）去霧算法[19]和逐像素alpha混合（pixel-wise alpha blending, PWAB）的去霧算法[20]。實驗環境為64位Windows11操作系統，所用計算機配置為CPU Intel(R) Core(TM) i7—11800H @2.30GHz，RAM 16GB；編程環境采用Visual Studio 2019 C++加載OpenCV3.4.14庫。

2.1 算法主觀評價

復原效果對比如圖5所示。從Img1～6可以觀察到，DCP算法在去除煙塵方面表現良好，但復原圖像的亮度偏暗且細節丟失嚴重，該算法在燈光等高亮區域出現了色彩失真現象，這是由于大氣光的錯誤估計導致的。BCCR算法和CAP算法的去煙塵效果明顯較差，景深處仍存在大量煙塵，且處理后的圖像低照度區域難以辨識。PWAB算法增強了圖像亮度，但同時也增強了噪聲和煙塵濃度，在光源處出現嚴重的光暈現象。相比之下，本文所提算法在去煙塵效果方面表現出明顯的優勢，不僅能夠有效去除煙塵，而且明顯增強了圖像的整體結構信息和邊緣信息；此外，經過處理后的圖像在飽和度和亮度方面適中，呈現出更好的視覺效果。相較于其他算法，本文所提算法的去煙塵效果更優。

2.2 算法客觀評價

為了進一步驗證所提算法的性能，本文采用三種客觀評價指標對算法進行評價，包括圖像方均誤差（mean-square error, MSE）、峰值信噪比（peak signal-to-noise ratio, PSNR）和結構相似度（structural similarity index measure, SSIM）[27]。

MSE是一種衡量估計量與被估計量之間差異程度的度量指標。在圖像處理中，MSE主要用于比較原始圖像和處理后圖像像素值的方均差大小，以衡量圖像的失真程度。MSE的值越小，代表失真越小，說明處理后的圖像更接近原始圖像。PSNR是一種全參考的圖像質量評價指標，用于表示保留的圖像細節信息程度。PSNR的值越大，表示圖像結構保持越完整，信息保持度越高。其表達式分別為

圖5 復原效果對比

式中：1和1分別為圖像的行數和列數；I為原始圖像對應像素的像素值；J為復原圖像對應像素的像素值；1為最大像素值。

SSIM是一種用于衡量圖像相似度的指標，它反映了圖像結構的完整性。SSIM的值越大，表示去霧后的圖像與原始圖像的差距越小，圖像的視覺效果也越好。其表達式為

計算得到MSE、PSNR、SSIM分別見表1～表3。

表1 MSE

表2 PSNR 單位: dB

表3 SSIM

根據表1～表3可以看出，本文所提算法的各項指標均優于其他算法。對比結果顯示，本文算法在方均誤差、峰值信噪比和結構相似度方面表現出色，方均誤差平均下降了66.2%，峰值信噪比平均提高了30.5%，結構相似度平均提高了48.6%。

綜上所述，無論是從主觀評價還是客觀評價的角度來看，本文所提去煙塵算法都表現出良好的性能，具有一定優越性。

3 結論

冶煉車間作業過程中會產生大量煙塵、水霧等，煙塵顆粒分布密集且煙塵厚度不均勻，常常因為局部多散射引起圖像降質等問題。本文針對冶煉車間圖像去煙塵任務，提出一種基于大氣散射模型的冶煉車間去煙塵算法。通過簡單線性迭代聚類的超像素分割算法將圖像大氣光劃分為不同區域，并分別結合伽馬修正和顏色衰減先驗理論，估計出各區域的大氣光值和透射率。為了減少不均勻光照引起的誤差，進一步利用自適應伽馬函數對原始圖像進行修正。實驗結果表明，本文提出的算法能夠顯著減少圖像中的煙塵，復原圖像色彩真實、細節豐富，保留了原始圖像的結構信息。然而，該算法的復雜度仍有待改進，在后續研究中將進一步提升算法的去煙塵效果和處理速率，以提高其在冶煉車間實時視頻去煙塵工作中的應用性能。

[1] 肖祥武, 王豐, 王曉輝, 等. 面向工業互聯網的智慧電廠仿生體系架構及信息物理系統[J]. 電工技術學報, 2020, 35(23): 4898-4911.

[2] 俞秋紅. 銅閃速冶煉智能化應用探索[J]. 有色金屬(冶煉部分), 2020(2): 49-54.

[3] 顏誠, 程川, 雷寶輝, 等. 變電站油泄漏三級監控系統的研制與應用[J]. 電氣技術, 2022, 23(3): 70-76.

[4] 劉士亞, 郭靜, 岑釗華. 城市電網監控應急系統的設計[J]. 電氣技術, 2021, 22(2): 11-16.

[5] ABDULLAH-AL-WADUD M, KABIR M H, ALI AKBER DEWAN M, et al. A dynamic histogram equalization for image contrast enhancement[J]. IEEE Transactions on Consumer Electronics, 2007, 53(2): 593-600.

[6] PIZER S M, MBURN E P, AUSTIN J D, et al. Adaptive histogram equalization and its variations[J]. Computer Vision, Graphics, and Image Processing, 1987, 39(3): 355-368.

[7] YADAV G, MAHESHWARI S, AGARWAL A. Con- trast limited adaptive histogram equalization based enhancement for real time video system[C]//2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), Delhi, India, 2014: 2392-2397.

[8] YU Lu, LIU Xuebin, LIU Guizhong. A new dehazing algorithm based on overlapped sub-block homo- morphic filtering[C]//Eighth International Conference on Machine Vision (ICMV 2015), Barcelona, Spain, 2015, 9875: 987502.

[9] JOBSON D J, RAHMAN Z, WOODELL G A. Pro- perties and performance of a center/surround retinex[J]. IEEE Transactions on Image Processing, 1997, 6(3): 451-462.

[10] ELAD M, KIMMEL R, SHAKED D, et al. Reduced complexity Retinex algorithm via the variational approach[J]. Journal of Visual Communication and Image Representation, 2003, 14(4): 369-388.

[11] RAHMAN Z U, JOBSON D J, WOODELL G A. Retinex processing for automatic image enhance- ment[C]//Human Vision and Electronic Imaging VII, San Jose, California, United States, 2002, 4662: 390- 401.

[12] FATTAL R. Single image dehazing[J]. ACM Transa- ctions on Graphics, 2008, 27(3): 1-9.

[13] HE Kaiming, SUN Jian, TANG Xiaoou. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353.

[14] HE Kaiming, SUN Jian, TANG Xiaoou. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.

[15] SUN Wei, WANG Hao, SUN Changhao, et al. Fast single image haze removal via local atmospheric light veil estimation[J]. Computers & Electrical Engineering, 2015, 46: 371-383.

[16] LU Huimin, LI Yujie, SERIKAWA S. Underwater image enhancement using guided trigonometric bilateral filter and fast automatic color correction[C]// 2013 IEEE International Conference on Image Pro- cessing, Melbourne, VIC, Australia, 2014: 3412-3416.

[17] MENG Gaofeng, WANG Ying, DUAN Jiangyong, et al. Efficient image dehazing with boundary constraint and contextual regularization[C]//2013 IEEE International Conference on Computer Vision, Sydney, NSW, Australia, 2014: 617-624.

[18] WANG Wencheng, YUAN Xiaohui, WU Xiaojin, et al. Fast image dehazing method based on linear transformation[J]. IEEE Transactions on Multimedia, 2017, 19(6): 1142-1155.

[19] ZHU Qingsong, MAI Jiaming, SHAO Ling. A fast single image haze removal algorithm using color attenuation prior[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3522-3533.

[20] YU Teng, SONG Kang, MIAO Pu, et al. Nighttime single image dehazing via pixel-wise alpha blending[J]. IEEE Access, 2019, 7: 114619-114630.

[21] CAI Bolun, XU Xiangmin, JIA Kui, et al. DehazeNet: an end-to-end system for single image haze removal[J]. IEEE Transactions on Image Processing, 2016, 25(11): 5187-5198.

[22] REN Wenqi, PAN Jinshan, ZHANG Hua, et al. Single image dehazing via multi-scale convolutional neural networks with holistic edges[J]. International Journal of Computer Vision, 2020, 128(1): 240-259.

[23] NARASIMHAN S G, NAYAR S K. Vision and the atmosphere[J]. International Journal of Computer Vision, 2002, 48(3): 233-254.

[24] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.

[25] 陳帥, 趙海龍, 衣俊艷. 基于HSV空間的創新型車牌定位方法[J]. 電工技術學報, 2015, 30(增刊1): 527-530.

[26] 劉志成, 王殿偉, 劉穎, 等. 基于二維伽馬函數的光照不均勻圖像自適應校正算法[J]. 北京理工大學學報, 2016, 36(2): 191-196, 214.

[27] SARA U, AKTER M, UDDIN M S. Image quality assessment through FSIM, SSIM, MSE and PSNR: a comparative study[J]. Journal of Computer and Com- munications, 2019, 7(3): 8-18.

Dust removal algorithm for atmospheric scattering model image of smelting workshop

TANG Wenlong LONG Yonghong

(College of Railway Transportation, Hu’nan University of Technology, Zhuzhou, Hu’nan 412007)

Aiming at the problem that the image is degraded by a large number of suspended particles such as soot and water mist generated in the smelting workshop, an dust removal algorithm for the atmospheric scattering model image of the smelting workshop is proposed. In order to better estimate the real atmospheric light value, the algorithm in this paper obtains the initial atmospheric light value by simple linear iterative clustering segmentation algorithm, and uses fast guided filtering to refine the initial atmospheric light value. At the same time, the adaptive gamma function is used to correct the atmospheric light and the original soot image, and the final atmospheric light and the optimized soot image are obtained respectively. The transmittance is estimated by the optimized color attenuation prior model. Finally, the smoke-free image is restored according to the atmospheric scattering model. The experimental results show that the algorithm can effectively reduce the smoke concentration in the image and reduce the loss of image details. The mean square error is reduced by 66.2% on average, the peak signal-to-noise ratio is increased by 30.5% on average, and the structural similarity is increased by 48.6% on average.

image dust removal; atmospheric scattering model; simple linear iterative clustering; adaptive gamma function

2023-06-09

2023-07-10

湯汶龍（1994—），男，湖南常德人，碩士研究生，主要研究方向為圖像處理與機器視覺。

湖南省自然科學基金（2023JJ50196）