基于暗通道先验的图像去雾算法改进研究
- 格式：pdf
- 大小：15.00 KB
- 文档页数：9
下载文档原格式
合集下载
改进的基于暗原色先验的图像去雾算法
第１ ６卷 第 ２期 ２１ ０ １年 ４月
文 章 编 号 ： １ ０ —２ ９（ ０ １ ２０ ０ ６ ０ ７０ ４ ２ １ —０ ７ ０ １０
电路 与 系 统 学 报
Ｊ ＵＲＮＡ Ｌ Ｏ ０Ｆ ＲＣＵ Ｉ ＣＩ ＴＳ ＡＮ Ｄ Ｙ ＳＴＥＭ Ｓ Ｓ
Ｖ Ｏ ．６ １１
２１ 大 气散 射 模 型 ．
解 决 问题 之 前 ， 常 要对 所 研 究 的 问题 建 立 数 学 模 型 。大 气 散射 模 型描 述 了雾 化 图像 的 退化 过程 ： 通
Ｊ ） （ ＝Ｊ（ ｔｘ ＋Ａ（ 一ｆ ） ｘ）（ ） １ （ ） （ ） １
（ ）式 中 ， Ｊ 观 测 图像 的强 度 ，．是 景 物 光 线 的 强度 ， 是 无 穷远 处 的大 气 光 ，ｆ 为透 射 率 。 １ 是 ， 称
摘 要 ｔ分析 讨论 了原 暗原色 先验 去雾 算法原 理 ，指 出其不足 之处 并推 导 出改进方 法 。通 过 引入一 种容差 机制 ，算
法 能 更 有 效 地 处 理 不 满 足 暗 原 色 先 验 的 明 亮 区 域 ，纠 正 了 这 类 区 域 错 误 估 计 的透 射 率 ，从 而 克 服 原 算 法 在 处 理 这 些 区 域 时 产 生 的 色 彩 失 真 。 实 验 结 果 表 明 ， 这 样 的修 改 切 实 可 行 ，恢 复 图 像 消 除 了色 彩 失 真 ， 视 觉 效 果 得 以 显 著 提 高 。 关 键 词 ，去 雾 ； 暗 原 色 先 验 ； 色 彩 失 真 ； 容 差
不 足 的 是 这类 方 法 一 般 需要 求 得 场 景 深 度 或 大 气 条 件信 息 。 而现 实条 件 下 ，获 取 的 降质 图像 并 没 有 附 加 任 何 景 深 与大 气 条 件 的信 息 。 由于 己知 信 息 量 不足 ， 因此 图像 去 雾 恢 复 是 个 不适 定 的反 问题 。为 了
文 章 编 号 ： １ ０ —２ ９（ ０ １ ２０ ０ ６ ０ ７０ ４ ２ １ —０ ７ ０ １０
电路 与 系 统 学 报
Ｊ ＵＲＮＡ Ｌ Ｏ ０Ｆ ＲＣＵ Ｉ ＣＩ ＴＳ ＡＮ Ｄ Ｙ ＳＴＥＭ Ｓ Ｓ
Ｖ Ｏ ．６ １１
２１ 大 气散 射 模 型 ．
解 决 问题 之 前 ， 常 要对 所 研 究 的 问题 建 立 数 学 模 型 。大 气 散射 模 型描 述 了雾 化 图像 的 退化 过程 ： 通
Ｊ ） （ ＝Ｊ（ ｔｘ ＋Ａ（ 一ｆ ） ｘ）（ ） １ （ ） （ ） １
（ ）式 中 ， Ｊ 观 测 图像 的强 度 ，．是 景 物 光 线 的 强度 ， 是 无 穷远 处 的大 气 光 ，ｆ 为透 射 率 。 １ 是 ， 称
摘 要 ｔ分析 讨论 了原 暗原色 先验 去雾 算法原 理 ，指 出其不足 之处 并推 导 出改进方 法 。通 过 引入一 种容差 机制 ，算
法 能 更 有 效 地 处 理 不 满 足 暗 原 色 先 验 的 明 亮 区 域 ，纠 正 了 这 类 区 域 错 误 估 计 的透 射 率 ，从 而 克 服 原 算 法 在 处 理 这 些 区 域 时 产 生 的 色 彩 失 真 。 实 验 结 果 表 明 ， 这 样 的修 改 切 实 可 行 ，恢 复 图 像 消 除 了色 彩 失 真 ， 视 觉 效 果 得 以 显 著 提 高 。 关 键 词 ，去 雾 ； 暗 原 色 先 验 ； 色 彩 失 真 ； 容 差
不 足 的 是 这类 方 法 一 般 需要 求 得 场 景 深 度 或 大 气 条 件信 息 。 而现 实条 件 下 ，获 取 的 降质 图像 并 没 有 附 加 任 何 景 深 与大 气 条 件 的信 息 。 由于 己知 信 息 量 不足 ， 因此 图像 去 雾 恢 复 是 个 不适 定 的反 问题 。为 了
基于暗通道原理的图像去雾算法改进
电子技术与软件工程Electronic Technology&Software Engineering计算机与多媒体技术Computer And Multimedia Technology基于暗通道原理的图像去雾算法改进倪金卉(吉林建筑科技学院吉林省长春市130114)摘要：本文基于暗通原理改进的去雾算法针对透射率细化过程比较耗时的问题，通过结合Retinex算法进行改进；针对暗通道去雾类似区域出现颜色失真、色偏效应，采用分割出天空区域在求取大气参数A,提高求取大气参数A的精度，并结合阈值法对透射率加个增幅项；针对暗通道去雾处理后的图像有偏暗的现象，采用自适应对数映射算法进行色调调整.该改进算法能较好的还原出无雾图像，并具有很好的保留边缘细节信息等特性.关键词：图像去雾；暗通道去雾；透射率；还原图像雾是十分普遍的大气现象，釆集图像时目标图像和雾被一起釆集，这种图像比无雾图像看起来朦胧模糊且伴有颜色偏灰白、对比度下降现象。
何恺名博士通过大量户外自然图像釆集实验得出，在户外自然无雾图像中，除去天空区域外，绝大多数的图像数据块中都有一些在某个色彩通道上亮度值很小的像素，并提出了暗通道先验原理模型，通过暗通道先验假设直接恢复岀无雾的图像。
但在实际应用中，利用软抠图算法来细化粗糙的透射率，会导致算法的复杂度很高。
经过大量实验对比分析，本文题提出一种基于暗通道先验原理的改进算法。
户外釆集的图像，天空区域一般在图像的中上部，利用这种特点对是否存在天空进行判断和分割。
从而避免高亮物体对大气参数求取过程的影响并提高了求取大气参数的精度。
结合Retinex算法、利用快速双边滤波器对透射率滤波从而消除Halo现象和色彩失真。
针对像素点的值接近大气光值时，对透射率加上增幅项来消除出现的色斑色块效应。
1暗通道先验原理去霧算法1.1大气散射模型在近些年计算机视觉领域，有一种得到广泛应用的雾天图像成像物理模型为：I(x)=/(/(x)+/1(1-r(x))(1)其中，I(x)为获取的有雾降质图像：J(x)为无雾的场景真实图像：A为大气参数；t(x)为透射率。
基于暗通道先验的图像去雾算法改进研究
基于暗通道先验的图像去雾算法改进研究摘要：暗通道先验去雾算法求得的的透射率比较精细，去雾效果优于大多数去雾算法。
然而在暗通道求取过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，使得去雾后的图像在边缘部分产生“光晕”现象。
为了减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。
实验表明，改进后的算法去雾效果更佳、去雾速度更快，具有更强的鲁棒性。
关键词：暗通道先验去雾；腐蚀；引导滤波DOIDOI：10.11907/rjdk.161089中图分类号：TP312文献标识码：A 文章编号：1672-7800（2016）005-0030-040 引言雾霾天气不仅影响人们的出行，也给视频监控、自动驾驶等涉及室外图像应用的领域带来了很大挑战，并引起了相关研究人员的重视，如今已出现了不少研究成果。
图像去雾的研究方法可分为两大类，基于图像增强的方法和基于物理模型的方法。
早期图像去雾研究主要利用图像处理的知识来去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法，这种方法根据每个像素的邻域对像素进行处理，可以突出图像的特征，但运算量较大，算法复杂度较高。
Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比度相对较高，色彩失真较小。
基于图像增强的去雾方法可以利用成熟的图像处理算法来增强图像的对比度，突出图像中的特征信息，但这种方法会造成图像部分信息损失，导致图像失真。
图像去雾的另一类是基于物理模型的方法，该方法研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复原图像，恢复的图像效果更真实，图像信息能得到较好保存。
Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模型，后来基于物理模型的方法几乎均建立在此模型之上。
基于暗通道先验的海边雾天图像去雾算法研究
目录第一章绪论 (1)1.1图像去雾研究背景 (1)1.2图像去雾的研究目的和意义 (2)1.3图像去雾方法的研究现状 (2)1.3.1基于图像增强的去雾方法 (3)1.3.2基于图像复原的去雾方法 (3)1.4论文的结构安排及创新点 (4)第二章基于暗通道先验模型的去雾算法 (7)2.1雾的形成及雾天对图像的降质原因 (7)2.1.1雾的形成 (7)2.1.2雾对图像的降质影响 (8)2.1.3海边雾天图像特点 (8)2.2大气散射模型 (9)2.2.1直接衰减模型 (10)2.2.2大气衰减模型 (12)2.2.3大气散射模型 (14)2.3暗通道先验理论 (15)2.3.1暗通道先验规律 (15)2.3.2暗通道先验模型 (18)2.3.3透射率优化 (20)2.3.4大气光值估计 (22)2.3.5图像复原 (22)2.3.6基于暗通道先验模型去雾算法优缺点分析 (23)第三章K-means聚类算法分割雾天图像 (27)3.1聚类综述 (27)3.1.1聚类分析的概念及数据结构 (27)3.1.2聚类分析相似性度量和准则函数 (28)3.2K-means聚类算法 (30)3.2.1K-means聚类算法基本思想 (30)3.2.2K-means聚类算法流程 (30)3.2.3K-means聚类算法优缺点分析及改进 (31)3.3改进的K-means聚类算法分割天空区域 (32)3.3.1图像分割定义及分类 (32)3.3.2利用改进的K-means聚类算法分割天空区域 (33)3.3.3估计大气光强度 (34)第四章海边雾天图像去雾算法的实现 (37)4.1引导滤波优化透射率 (37)4.2色调重映射 (39)4.3实验结果与分析 (40)4.3.1中值滤波 (40)4.3.2双边滤波 (41)4.3.3实验结果分析与评价 (42)第五章总结与展望 (47)5.1全文总结 (47)5.2展望 (47)参考文献 (49)攻读学位期间的研究成果 (53)致谢 (55)学位论文独创性声明 (57)学位论文知识产权权属声明 (57)第一章绪论1第一章绪论1.1图像去雾研究背景视觉是人类重要的感知手段之一，而图像作为视觉的基础，是自然界的场景中所包含的景物的客观反映，是人类从自然界中获得信息的主要来源。
关于暗通道先验图像去雾算法的改进.doc
关于暗通道先验图像去雾算法的改进
在社会经济高速发展的今天，人们生活水平得到不断的提高，对安全方面有了更高的需求，于是安全防护变得越来越重要，而监控是安防工作最强有力的措施，得到广泛应用。
然而在雨、雾等恶劣的天气条件下，尤其现今环境问题日益严峻，雾霾天气越来越频繁的出现，监控系统的可靠性受到巨大的挑战。
我们获得的图像会很容易会发生特征信息衰减甚至毁坏等情况，导致图像无法准确提供我们所需要的信息，成为安全防护工作中巨大的隐患，因此进行图像去雾技术的相关研究工作具有非常重大的意义。
本文详细的介绍了暗通道先验去雾算法，以及大气散射模型，透射率优化等相关知识。
并且针对暗通道先验方法对于灰白色景物、明亮的天空等一些特殊区域并不适用的缺点进行改进。
这些区域的共同特点是三个颜色通道的值都比较高，会使暗通道的值偏大影响去雾效果，于是我们采用一些有效方法将三个颜色通道的值分别降低使它们接近于零，经过这样的处理后获得三幅暗通道都非常小的图像，然后对它们进行去雾复原，最后加权求得所需要的清晰图像。
实验结果表明，该方法对带灰白色景物或天空等背景的图像去雾效果优于已有方法，并能有效的减少当下流行的暗通道先验方法在此种情况下进行去雾所出现的噪声，使视觉效果得到提升。
结合直方图均衡化和暗通道先验的单幅图像去雾算法研究
结合直方图均衡化和暗通道先验的单幅图像去雾算法研究结合直方图均衡化和暗通道先验的单幅图像去雾算法研究摘要：近年来，图像去雾技术在计算机视觉领域受到了广泛关注。
针对单幅图像去雾问题，本文提出了一种结合直方图均衡化和暗通道先验的图像去雾算法。
该算法通过对图像进行直方图均衡化处理，提高图像的对比度和亮度。
同时，利用暗通道先验原理，对图像中的雾霾信息进行估计和剔除。
实验证明，本文提出的算法不仅能够有效去除图像中的雾霾，还能够保持图像的细节和色彩信息。
1. 研究背景随着计算机视觉和图像处理技术的不断发展，图像去雾技术成为了重要的研究方向。
在很多应用领域，如无人驾驶、监控系统等，清晰的图像对于实时处理和决策都至关重要。
传统的图像去雾算法主要利用了深度信息或者图像亮度信息来进行去雾处理，但是这些算法在实际应用中存在一些问题，如对雾霾密度和光照条件的依赖性较强等。
2. 直方图均衡化的原理直方图均衡化是一种常见的图像增强方法，主要通过调整图像的亮度分布，提高图像的对比度和视觉效果。
对于去雾问题，直方图均衡化可以帮助提高图像的亮度，减少雾霾对于图像的干扰。
因此，在本文的算法中将直方图均衡化应用到图像去雾过程中。
3. 暗通道先验的原理暗通道先验是一种通过图像中的暗通道信息来估计雾霾密度的方法。
通过观察图像中暗区域的像素值，可以得到一个关于雾霾程度的估计。
暗通道先验的原理是，自然界中，大部分的室外场景都存在较暗的像素，即使在有雾的情况下，这些暗像素也具有较小的值。
因此，通过计算图像中每个像素点在RGB三个通道的最小值，可以得到一个描述雾霾密度的暗通道图像。
在本文的算法中，利用暗通道先验原理估计图像中的雾霾信息。
4. 结合直方图均衡化和暗通道先验的图像去雾算法本文的算法主要包含图像预处理和去雾处理两个步骤。
首先，对输入图像进行直方图均衡化处理，提高图像的亮度和对比度。
然后，利用暗通道先验原理估计图像中的雾霾信息。
具体步骤如下：步骤1: 对输入图像进行直方图均衡化处理。
基于暗通道先验的单幅图像去雾改进算法
基于暗通道先验的单幅图像去雾改进算法基于暗通道先验的单幅图像去雾改进算法摘要：近年来，随着计算机视觉和图像处理领域的快速发展，图像去雾成为了研究的热点之一。
在单幅图像去雾中，暗通道先验算法是一种非常有效的算法。
本文提出了一种基于暗通道先验的单幅图像去雾改进算法，通过对暗通道进行优化得到更好的去雾效果。
实验结果证明，该算法在去雾效果和图像细节保持方面都达到了较好的效果。
关键词：暗通道先验算法；单幅图像去雾；图像细节保持 1. 引言在许多户外场景中，雾霾天气会导致图像质量下降，进而影响计算机视觉和图像处理的性能。
因此，图像去雾技术的研究对于提高图像质量和准确性具有重要意义。
在过去的几年中，许多基于单幅图像的去雾算法被提出，其中暗通道先验算法是一种广泛应用的方法。
2. 暗通道先验算法暗通道先验算法是一种利用图像中存在的暗通道来估计场景中全球大气光照的方法。
暗通道可以理解为图像中最暗的区域，它存在于几乎所有户外图像中。
该算法基于以下观察结果：在大气无光散射模型中，透射率和全球大气光照成反比关系。
因此，通过估计图像中最暗区域的暗通道来获得全球大气光照估计，并进一步计算出场景的透射率。
最后，通过修复的透射率和原始图像重建无雾图像。
然而，传统的暗通道先验算法在一些情况下存在一定的局限性。
首先，传统算法往往难以处理场景中存在强光源的情况。
这是因为在强光照射下，暗通道不再是局部最暗的区域，导致估计的透射率不准确。
其次，传统算法对于具有复杂纹理和细节的图像在去雾后可能存在伪影和失真问题。
3. 改进算法为了克服传统暗通道先验算法的局限性，本文提出了一种基于暗通道先验的单幅图像去雾改进算法。
改进算法分为以下几个步骤：3.1 强光源处理对于存在强光源的图像，传统算法往往难以准确估计透射率。
因此，我们在预处理阶段采用了一种强光源检测和过滤的方法。
首先，通过检测图像中较亮的区域来判断是否存在强光源。
然后，对于存在强光源的图像，我们利用图像分块和平滑操作来减弱其影响，使传统暗通道算法能够更好地适应这样的场景。
基于暗原色先验去雾算法的研究与改进
第２ ９ 卷第 １ 期
２ ０ １ ４年 ２月
成
都
信
息
工
程
学
院
学
报
Ｖｏ Ｌ２ ９ ＮＯ． １ Ｆｅ ｂ．２ ０１ ４
Ｊ Ｏ ＵＲＮ ＡＬ ＯＦ Ｃ ＨＥ ＮＧ ＤＵ ＵＮＩ ＶＥ Ｒ Ｓ Ｉ ＴＹ Ｏ Ｆ Ｉ Ｎ Ｆ ＯＲ ＭＡＴＩ ＯＮ Ｔ ＥＣ Ｈ ＮＯＬ ０ ＧＹ
以改进 。
１ 雾 天 条 件 下 的 图 像 增 强
１ ． １ 大 气 散射 物理 模型
何凯ｉ ￣Ｃ １ ５ ３ 的暗原色先验去雾方法是基于文献 ［ １ ８ ］ 的大气物理散射模型 （ 如图 １ 、 图２ 所示 ） 进行 的， 该模型
收 稿 日期 ： ２ ０ １ ３ ． １ １ — １ ５ 基金项 目： 四川省 ２ ０ １ ０基础研究计划项 目（ ２ ０ １ ０ ． １ Ｙ ０ １ ８ １ ）
摘要 ： 在雾天情况下 ， 室外 采集到的图像易受 到噪声 干扰 ， 质量降 低 ， 清 晰度下 降 。在对 常用 的几种 图像去雾
方法 的对 比分析 及研 究的基础上 ， 提 出了改进的基于小波变换结合 暗原色先验 去雾 的快 速算法 。通过小 波分解 可
求 出近似环境光 ， 对环境光 ， 大气光 的估计 ， 可对原图像进行复原 。实验表 明， 改进 的算法不但 去雾效果 明显 ， 图像 色彩 丰富 ， 而且可 以有效地减少 运行 时间 ， 提 高运 行速度。
Ｉ （ Ｘ ） 指平时拍摄到的有雾图像 ， Ｊ （ ） 为要恢复的无雾图像 ， Ａ（ ｘ ） 环境光成分 ， ｔ （ ｚ ） 是透射率 ， 图像去雾 就是通过估算环境光 Ａ（ ｘ ）， 透射率 ｔ （ Ｘ ）， 求出无雾图像 Ｊ （ ｚ ） 。方程 中的第一项 Ｊ （ ｚ ） ｔ （ ｚ ） 为衰减模型 ， 第二 项 Ａ（ ） （ １一 ｔ （ ） ）是环境 光模 型 。
２ ０ １ ４年 ２月
成
都
信
息
工
程
学
院
学
报
Ｖｏ Ｌ２ ９ ＮＯ． １ Ｆｅ ｂ．２ ０１ ４
Ｊ Ｏ ＵＲＮ ＡＬ ＯＦ Ｃ ＨＥ ＮＧ ＤＵ ＵＮＩ ＶＥ Ｒ Ｓ Ｉ ＴＹ Ｏ Ｆ Ｉ Ｎ Ｆ ＯＲ ＭＡＴＩ ＯＮ Ｔ ＥＣ Ｈ ＮＯＬ ０ ＧＹ
以改进 。
１ 雾 天 条 件 下 的 图 像 增 强
１ ． １ 大 气 散射 物理 模型
何凯ｉ ￣Ｃ １ ５ ３ 的暗原色先验去雾方法是基于文献 ［ １ ８ ］ 的大气物理散射模型 （ 如图 １ 、 图２ 所示 ） 进行 的， 该模型
收 稿 日期 ： ２ ０ １ ３ ． １ １ — １ ５ 基金项 目： 四川省 ２ ０ １ ０基础研究计划项 目（ ２ ０ １ ０ ． １ Ｙ ０ １ ８ １ ）
摘要 ： 在雾天情况下 ， 室外 采集到的图像易受 到噪声 干扰 ， 质量降 低 ， 清 晰度下 降 。在对 常用 的几种 图像去雾
方法 的对 比分析 及研 究的基础上 ， 提 出了改进的基于小波变换结合 暗原色先验 去雾 的快 速算法 。通过小 波分解 可
求 出近似环境光 ， 对环境光 ， 大气光 的估计 ， 可对原图像进行复原 。实验表 明， 改进 的算法不但 去雾效果 明显 ， 图像 色彩 丰富 ， 而且可 以有效地减少 运行 时间 ， 提 高运 行速度。
Ｉ （ Ｘ ） 指平时拍摄到的有雾图像 ， Ｊ （ ） 为要恢复的无雾图像 ， Ａ（ ｘ ） 环境光成分 ， ｔ （ ｚ ） 是透射率 ， 图像去雾 就是通过估算环境光 Ａ（ ｘ ）， 透射率 ｔ （ Ｘ ）， 求出无雾图像 Ｊ （ ｚ ） 。方程 中的第一项 Ｊ （ ｚ ） ｔ （ ｚ ） 为衰减模型 ， 第二 项 Ａ（ ） （ １一 ｔ （ ） ）是环境 光模 型 。
基于暗通道先验的图像清晰化去雾算法研究
基于暗通道先验的图像清晰化去雾算法研究基于暗通道先验的图像清晰化去雾算法研究摘要：随着计算机视觉领域的发展，图像去雾技术在许多应用中得到了广泛的应用，例如无人机拍摄、视频监控等。
而暗通道先验是一种经典的图像去雾方法，它基于图像中存在的低亮度区域。
本文针对基于暗通道先验的图像清晰化去雾算法进行了深入研究，通过实验验证了该方法的有效性。
1. 引言图像去雾是一种重要的图像增强技术，在许多应用中发挥着关键作用。
然而，由于大气散射的影响，图像可能会出现模糊、低对比度的现象。
因此，图像去雾算法的研究成为了计算机视觉领域的热点问题之一。
2. 暗通道先验原理暗通道先验是一种基于全局的图像先验知识。
它认为，在大部分的自然图像中，至少有一个通道的像素值在某些区域非常接近于零。
这一观察启发了基于暗通道先验的图像去雾算法。
3. 基于暗通道先验的图像去雾算法基于暗通道先验的图像去雾算法主要包括以下几个步骤：（1）估计全球大气光照：通过计算每个像素点在RGB三个通道上的最大值来估计全球大气光照。
（2）计算暗通道：对输入图像进行滤波操作，得到每个像素点的暗通道。
（3）估计透射率：通过计算每个像素点的暗通道除以全球大气光照，得到透射率。
（4）恢复原始图像：根据透射率和全球大气光照，对输入图像进行去雾处理，恢复清晰的图像。
4. 实验结果与分析本文通过实验对比了基于暗通道先验的图像去雾算法和其他经典的图像去雾算法。
实验结果表明，基于暗通道先验的图像去雾算法在提高图像清晰度和对比度方面具有较好的效果。
5. 算法优化尽管基于暗通道先验的图像去雾算法具有较好的效果，但仍然存在一些问题。
例如，对于包含高光和投影阴影的图像，该算法可能会导致一些伪影。
因此，对算法进行进一步的优化是有必要的。
6. 结论本文针对基于暗通道先验的图像清晰化去雾算法进行了深入研究。
通过实验验证了该方法的有效性。
然而，该算法仍然存在一些不足之处，需要进一步改进。
未来，我们可以通过结合其他图像处理技术来改进和优化该算法，提高图像去雾效果。
基于暗通道先验的单幅图像去雾算法改进
粒子对光线的传播影响，从根本上解释了有雾图像
的。到目前为止，对于去雾算法的研究主要包括以
的成像过程及原理，然后通过数学建模实现大气散
下两类方法，第一类是基于图像增强的去雾方法，
该类方法主要是通过对有雾图像中的灰度、对比度ห้องสมุดไป่ตู้
∗
射物理模型。目前的方法主要有：Tan［5］提出有雾
图像的对比度要比无雾图像要低并且大气散射物
道先验的单幅图像去雾改进算法。首先通过两种不同的暗通道图像获取不同的透射率粗估计，联合这两种透射率粗估计，
利用引导滤波器对其进行初步优化，针对天空范围内透射率估计偏低，对天空范围内的透射率进行补偿，再次使用引导滤波
器优化透射率，利用四叉树多层次搜索获取大气光的准确值。最后通过大气物理模型，获得去雾图像。结果表明论文算法
Vol. 47 No. 11
2890
总第 361 期
计算机与数字工程
Computer & Digital Engineering
第 47
2019 年第
11 卷
期
基于暗通道先验的单幅图像去雾算法改进
缑新科
孙维江
（兰州理工大学电气工程与信息工程学院
摘
要
∗
兰州
730050）
针对基于暗通道先验去雾算法存在的时间复杂度高，复原图像的天空范围内颜色失真等问题，提出基于暗通
的运算时间相对于软抠图方法缩减 90%以上，并且可以有效地处理包含天空区域的有雾图像。
关键词
天空区域；两种暗通道；引导滤波；透射率补偿；四叉树多层次搜索
中图分类号
TP301.6
DOI：10. 3969/j. issn. 1672-9722. 2019. 11. 049
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于暗通道先验的图像去雾算法改进研究摘要：暗通道先验去雾算法求得的的透射率比较精细，去雾效果优于大多数去雾算法。
然而在暗通道求取过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，使得去雾后的图像在边缘部分产生“光晕”现象。
为了减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。
实验表明，改进后的算法去雾效果更佳、去雾速度更快，具有更强的鲁棒性。
关键词：暗通道先验去雾；腐蚀；引导滤波DOIDOI：10.11907/rjdk.161089中图分类号：TP312文献标识码：A 文章编号：1672-7800（2016）005-0030-040 引言雾霾天气不仅影响人们的出行，也给视频监控、自动驾驶等涉及室外图像应用的领域带来了很大挑战，并引起了相关研究人员的重视，如今已出现了不少研究成果。
图像去雾的研究方法可分为两大类，基于图像增强的方法和基于物理模型的方法。
早期图像去雾研究主要利用图像处理的知识来去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法，这种方法根据每个像素的邻域对像素进行处理，可以突出图像的特征，但运算量较大，算法复杂度较高。
Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比度相对较高，色彩失真较小。
基于图像增强的去雾方法可以利用成熟的图像处理算法来增强图像的对比度，突出图像中的特征信息，但这种方法会造成图像部分信息损失，导致图像失真。
图像去雾的另一类是基于物理模型的方法，该方法研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复原图像，恢复的图像效果更真实，图像信息能得到较好保存。
Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模型，后来基于物理模型的方法几乎均建立在此模型之上。
Tan[8]基于无雾图比雾图有更高对比度的假定来最大化有雾图像的对比度，该算法在很大程度上能复原图像结构和细节，然而Tan的算法趋向于过度补偿降低的对比度，容易产生光晕效应。
Fattal[9]把图像场景光分解成反射和透射两部分，然后基于独立主成成分分析来估计场景光强，这种方法可以有效去除局部的雾但不能很好恢复浓雾的图像。
Kim等[10]结合局部对比度增强和去雾模型方法，能够抑制伪影的产生，但时间复杂度较高。
刘倩等[11]使用均值滤波去雾，对单幅图像去雾效果尚可，但是用于视频去雾时帧之间的过渡就不很自然。
王燕等[12]使用中值滤波去雾，其有一定的去雾能力，但图像周边会出现明显的分界。
何凯明等[13]提出的暗通道先验去雾算法，可以得到精细的透射率，去雾效果优于大多数的去雾算法，已成为去雾领域的经典。
去雾后的图像在景深变化大的地方会产生光晕现象，而导致这一问题的原因是在暗通道计算过程中使用了最小值滤波。
在求取暗通道过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，从而使去雾后的图像在边缘部分产生“光晕”现象。
为了减弱光晕效应，本文利用形态学理论知识对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。
为了加快处理速度，本文在降采样图像里寻找大气光，并使用暗点优先膨胀算法求暗通道。
另外原文求取大气光值的方法在一些情形下并不是很合理，尤其是场景中出现白色物体时，而使用四叉树细分的分层搜索方法却没有这种问题。
实验表明，改进的去雾算法去雾效果更佳，且去雾速度更快。
本文图像去雾流程：求取大气光值→粗略透射率估计→透射率精细化→图像复原。
1 暗通道先验去雾2 算法改进2.1 大气光值求取文献[13]方法过程如下：①从暗通道图中按照亮度大小取前0.1%的像素；②对于这些像素位置，在原始有雾图像I 中寻找对应的具有最高亮度的像素点的值，作为A值。
很多去雾相关论文都沿用了这种方法，然而这种取法在一些情况下并不太合理，比如图像中含有白色物体时，往往会在白色物体区域取得大气光值，而不是在真正的浓雾区域取得，这样会造成处理后的图像出现偏色现象。
图像有雾区域像素变化通常比较小，即对比度低。
基于四叉树细分的分层搜索方法可以准确地找到浓雾区域并取得合理的大气光值，过程如图1所示，首先将一幅图像等分成4个矩形区域，然后分别用每个矩形区域内所有像素值的平均值减去它们的标准差得到一个结果值，选择结果值最大的那个区域并将它进一步等分成4个更小的区域。
重复这一过程直到选择区域的大小比预先指定的阈值小。
图1中红色块是最后选择的区域，在该区域，选择能够最小化与纯白光向量（255，255，255）距离的颜色向量作为大气光值，即选取最明亮颜色向量作为大气光值。
2.2 粗略透射率修正2.2.1 透射率腐蚀处理在暗通道计算过程中，首先会得到原图RGB三原色最小通道值，然后对最小暗通道值进行最小值滤波处理。
对于较小的值，以它为中心的滤波窗口内的点值都会受其影响，如图3（b）所示（正中间数据“198”位置会被赋予较小的数据值50），造成暗色向外扩张。
由式（4）可知，明亮区域透射率会相应扩大。
这样在景深变化明显的地方，去雾后的“光晕”现象就较明显。
为了减弱光晕效应，可以使用形态学腐蚀的方法，将扩张变大的区域进行缩小，达到修复的作用，如图3（c）、（d）所示。
实验表明，使用圆形结构元素，半径为透射率图长度和宽度最小值的1%来腐蚀透射率图可以得到较好的去雾效果。
2.3 处理时间优化为了降低处理时间，在求取大气光值时采取在降采样的图像上寻找，这样并不会降低最后寻找到的大气光值的准确性，因为求取目标是要在最浓雾的区域找大气光值，而要寻找大气光值的周围邻近的像素点值通常都是相同或非常接近的，所以跟在原图上找到的值是一致的，而寻找时间却大大缩短。
在暗通道求取过程中，最小值滤波处理比较耗时，本文使用文献[15]提出的暗点优先膨胀算法代替最小值滤波处理，这样可有效降低运算时间。
基于暗点优先膨胀的暗通道计算过程如下：①取得原图RGB三原色最小通道值，形成一幅灰度图；②对灰度图像素值进行排序；③选取一个最小值，将以其点为中心的指定窗口大小内的所有点都设为此值，并记录已处理的点；④依次选择次小的点值进行相同操作，并忽略已处理的点，这样就可以很快完成暗通道的计算过程。
图解示意过程如图4所示，图中最上部分为原图RGB最小通道值形成的灰度图，值从小到大排序为A82≤A77≤…。
选择最小的值并以其点位置为中心的3×3窗口内的所有点都设为此值，并记录处理过的点，接下来依次选择次小的值进行相同处理，这样就很快获得了暗通道。
最后将精细化透射率及求得的大气光值代入式（5），就可到得到最后的复原图。
3 实验实验软硬件环境如下：操作系统为32位Windows7，CPU 为酷睿i3-2100双核（3.10GHz），RAM内存为2G，使用32位matlab2010b编码实现。
运行文献[13]和改进算法程序对几种雾图分别进行了测试。
实验图片归一化为420×297大小，名称分别为road.jpg、tree.jpg、mount.jpg，结果比较如图5、6、7、8所示。
主观上对比可以看到改进算法减轻了处理后的图像明亮区域偏色现象及景深变化区域的光晕效应，并在细节上更好地保持了原图结构。
在客观评价上选择PSNR和SSIM两个性能指标进行实验，得到的数据如表1、表2所示。
PSNR即峰值信噪比，其值越大，则说明处理后的去雾图像失真越小，SSIM可以衡量原图和去雾图的结构相似性，其数值越大说明去雾图对原图结构改变越小，同时光晕效应越弱。
比较可知，改进算法取得了更好的去雾效果。
4 结语暗通道先验去雾是近年来出现的一种优秀去雾算法，然而在暗通道计算过程中的最小值滤波处理会使得暗色扩张，进而引起去雾图产生光晕效应。
为了减弱光晕效应，本文利用形态学理论对得到的粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率；同时对大气光值的求取方法进行了改造，对不符合暗通道先验的明亮区域透射率进行了修复，并使用多种方法优化处理速度。
实验表明，改进后的算法在去雾效果和速度方面都有很大提升，后续会在此基础上继续优化改进，使得该算法能够应用于实时视频去雾中。
参考文献：[1]KIM T K，PAIK J K，KANG B S.Contrast enhancement system using spatially adaptive histogram equalization with temporal filtering[J].IEEE Transactions on Consumer Electronics，1998，44（1）：82-87.[2]LAND E H.The retinex[J].American Scientist，1964，52（2）：247-264.[3]LAND E H.The retinex theory of color vision[J]. Scientic America，1977，237（6）：108-128.[4]JOBSON D J，RAHMAN Z，WOODELL G A.Properties andperformance of a center/surround retinex[J].IEEE Transactionson Image Processing，1997，6（3）：451-462.[5]RAHMAN Z，JOBSON D J，WOODELL G A.Muti-scale retinex for color image enhancement[C].Lausanne：Proceedings of the 1996 International Conference on Image Processing，1996：1003-1006.[6]RAHMAN Z，JOBSON D J，WOODELL G A.Retinex processing for automatic image enhancement[J].Journal of Electronic Imaging，2004，13（1）：100-110.[7]NARASIMHAN S G，NAYAR S K.Vision and the atmosphere[J].International Journal of Computer Vision，2002，48（3）：233-254.[8]TAN R T.Visibility in bad weather from a singleimage[C].Anchorage：Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition，2008：1-8.[9]FATTAL R.Single image dehazing[C]. New York：Proceedings of the 2008 ACM Transactions on Graphics （TOG），2008，27（3）：1-9.[10]J H KIM，J Y SIM，C S KIM.Single image dehazing based on contrast enhancement[C].IEEE ICASSP，2011：1273-1276.[11]刘倩，陈茂银，周东华.基于单幅图像的快速去雾算法[C].第25届中国控制与决策会议，2013.[12]王燕，伍博，谷金宏.一种单幅图像去雾方法[J].电光与控制，2011，18（4）：65-67.[13]KAIMING HE，JIAN SUN，XIAOOU TANG.Single image haze removal using dark channel prior[C].IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2009：1956-1963.[14]蒋建国，侯天峰，齐美彬.改进的基于暗原色先验的图像去雾算法[J].电路与系统学报，2011，16（2）：6-11.[15]刘夏，陈和平，陈黎，顾进广.一种计算图像暗通道的优化算法[J].计算机应用与软件，2014（7）：137-140.[16]HE K M，SUN J，TANG X O.Guided imagefiltering[C].Berlin：Proceedings of the 2010 Conference on Computer Vision，2010：1-14.（责任编辑：孙娟）。