适应性双通道先验的图像去雾方法

姜雨彤，杨忠琳，朱梦琪，张一，郭黎霞

适应性双通道先验的图像去雾方法

姜雨彤*，杨忠琳，朱梦琪，张一，郭黎霞

（中国北方车辆研究所，北京 100072）

图像是现代化战争的重要信息来源，雾天环境下图像质量下降，严重妨碍光电侦察识别能力。为提高雾气环境下图像有效利用性，开展了适应性双通道先验的图像去雾方法研究。首先，以暗通道先验理论与亮通道先验理论为基础，将有雾图像从 RGB 空间转换到 HSV 颜色空间，使用饱和度和亮度分量的阈值来检测有雾图像中分别不满足暗通道先验和亮通道先验的白色或亮色像素点和黑色或暗色像素点；然后，选用超像素作为暗通道和亮通道计算的局部区域，估计局部透射率和大气光值；最后，由于亮暗双通道方法对白色和黑色像素点的透射率和大气光值进行错误估计，采用本文提出的适应性双通道先验方法进行矫正，通过导引滤波器对透射率图和大气光图进行滤波，代入到大气散射模型中，求得清晰的去雾图像。实验结果表明，去雾后的图像恢复了真实颜色、视觉效果自然、清晰，准确高效地实现图像的去雾处理；在FRIDA数据集上进行去雾处理，采用本文方法的去雾图像与真值的均方误差优于现有方法，相较于双通道先验去雾方法的均方差值降低了15%。

图像去雾；双通道先验；超像素

1 引　言

在雾天环境下，由于空气中的悬浮颗粒对光线的散射、吸收等作用，大气透过光强度衰减，使得光电探测设备接收到的光强发生改变，导致成像质量下降，造成图像对比度降低、颜色偏移、清晰度差。这种环境下多个目标特征被雾气覆盖，图像细节缺失，信息的可辨识度大大降低，造成目标观测不明显、识别不清楚等问题［1］。

暗通道先验（Dark Channel Prior， DCP）理论［2］是图像视觉领域的重大发现，基于暗通道先验的去雾方法以大气散射模型为基础，避免了以往模型方法中求取参数的冗繁过程，使得去雾过程变得简便且易于实现。然而现有的DCP去雾方法仍存在以下几点不足［3］：（1）当图像的场景深度覆盖范围大时，易受到多光源共同作用，各场景点受到的光照不同，采用DCP方法估算出的全局大气光值并不适用于图像的所有像素点，会导致去雾后图像颜色偏暗；（2）当图像存在较大比例的灰白色属性区域如天空、白色建筑物屋顶或立面、路面等时，由于这些区域不满足暗通道先验理论，采用DCP方法去雾后会发生颜色畸变；（3）DCP方法基于目标像素点为中心的局部区域计算暗通道值，在去雾后图像上景深不连续处会出现严重的光晕现象，导致图像在视觉上显得不自然。DCP方法［4］采用软抠图方法精细化透射率图来消除光晕现象，但是在透射率精细化过程中采用高精度插值求解大型稀疏矩阵，计算复杂度较高，耗费大量时间并且占用很大的空间，无法满足无人机图像实时性处理的应用要求。

因此，本论文展开以下研究：（1）采用亮通道先验（Bright Channel Prior， BCP）方法［5］估计局部大气光，解决DCP方法对大气光全局化的估计问题。将DCP方法与BCP方法相结合，称其为双通道先验（Bi-Channel Priors， BiCP）方法并进行图像去雾处理，目的是消除去雾后图像整体色调偏暗的问题。（2）由于图像中存在的天空及灰白色区域不符合暗通道先验理论，黑色及暗色区域不符合亮通道先验理论，所以需要探索研究一种自适应BiCP去雾方法［6］。该去雾方法在去除雾天图像中彩色区域雾气影响的同时，可恢复出图像上灰白色区域和暗色区域的真实颜色，使去雾后的无人机图像看起来更加自然。（3）为解决DCP方法在图像景深突变处产生的光晕现象及采用软抠图方法计算复杂度大的问题，采用超像素作为暗通道与亮通道计算的局部区域，此区域是按像素点的颜色相似性和位置相近性划分出的不规则区域，且一个区域内不会包含有景深突变的像素点，目的是消除DCP方法的光晕现象，同时降低计算复杂度。

本文提出一种基于自适应双通道先验（Adaptive BiCP， ABiCP）的图像去雾方法，流程图如图1所示。首先将有雾图像从RGB空间转换到HSV颜色空间，使用饱和度和亮度分量的阈值来检测有雾图像中分别不满足暗通道先验和亮通道先验的白色或亮色像素点和黑色或暗色像素点。然后，选用超像素块作为暗通道和亮通道计算的局部区域估计局部透射率和大气光值［7］。由于BiCP方法对白色和黑色像素点的透射率和大气光值可能进行错误估计，本文采用ABiCP方法进行矫正。通过导引滤波器（Guided Filter， GF）［8］对透射率图和大气光图进行滤波，代入到大气散射模型中，求得清晰的去雾图像。

图1　基于超像素的适应性双通道先验图像去雾方法流程图

2 暗通道及亮通道先验的理论分析

2.1　暗通道先验理论

图像中像素点的大气光值根据场景点位置的不同而发生变化［9］。随着像素点位置的变化，将大气散射模型中的全局量替换为局部变量（），则有雾天RGB图像的成像模型如下：

其中：表示二维图像上像素点的位置矢量；（）表示场景点反射的光线经过衰减后到达成像设备的光线强度，即观察到场景的有雾图像，是含有R，G，B三个颜色分量的图像矢量；（）是介质透射率函数，表示没有被散射并最终到达设备的光线部分，取值范围为［0，1］；（）表示场景目标直接反射光强，即要恢复的清晰无雾场景真实的RGB图像，（）（）描述的是场景中反射光未被散射的部分；（）代表像素坐标为点的大气光值，（）（1（））为参与成像的部分大气光，是造成对比度下降的主要因素；其中∈｛R，G，B｝是颜色分量索引，c，A和分别是矢量，，和的颜色分量，为大气光在物体表面的反射率。

He等人［2］在暗通道点的求取过程中，对有雾图像上的像素点进行局部区域的最小值滤波，求取图像暗通道的数学表达式如式（3）：

对于DCP方法，根据式（2），暗通道先验理论用数学表达式可表示为：

将式（4）和式（5）代入式（3）中，可得到：

根据式（1），可推导出去雾后图像，表达式为：

2.2　亮通道先验理论

与暗通道先验类似，另一个通过无雾图像统计发现的先验规律为亮通道先验理论［5］。在亮通道的求取过程中，对雾天图像上的像素点进行局部区域中取最大值操作，即对式（1）两端进行最大化计算，再结合式（2），所得表达式如下：

像素点在雾天图像和其对应的无雾图像上的亮通道值分别用bright（）和bright（）表示：

基于文献中提出的亮通道先验理论，通过对户外无雾图像的统计发现，以各像素为中心点的局部小区域包含一些（至少一个）一个颜色通道的强度值很大，接近大气光值，甚至可达到255的像素点。根据式（2），亮通道先验理论用数学表达式可表示为式（10）：

亮通道中存在较大强度值的主要原因如下：（1）彩色景物，例如绿叶、红花，其RGB通道中至少有一个通道的值很大；（2）天空，天空区域中RGB三个通道的强度值均较大；（3）反光物体，例如镜子、水面，均可以反射光照，这些场景点的亮通道值很大且趋近于大气光。

为了验证亮通道先验规律的正确性和有效性，选取了1 000幅户外无雾自然清晰图像进行亮通道统计，通过15×15的局部区域进行最大值滤波，图2（a）和（b）给出了部分无雾图像及其相应的亮通道图像。图2（c）给出了2 000个亮通道值的直方图分布，我们可以看到大约70%的亮通道值接近于240。从统计角度可以证明亮通道先验规律在大多数情况下的客观存在性。

图2　无雾图像、亮通道图像及亮通道值的直方图统计

因此，将式（9）和式（10）代入到式（8）中，可得到：

以上为采用暗通道先验理论与亮通道先验理论相结合的双通道先验（BiCP）去雾方法，总体过程为先获得大气光和透射率的估计值，再代入大气散射模型中获得去雾图像。对于不满足亮通道先验或暗通道先验规律的像素点来说，采用式（14）很可能导致错误估计去雾图像的像素点强度值。

2.3　双通道先验图像去雾方法的不足

BiCP图像去雾方法主要存在着两点不足。第一，图像中亮度较大的区域例如天空和灰白色物体表面像素点不服从暗通道先验规律，采用DCP方法会错误估计透射率值，导致去雾图像上的灰白色像素点所恢复的颜色偏移。第二，图像中亮度较小的区域例如暗色和黑色物体表面像素点不服从亮通道先验规律，采用BCP方法会错误估计大气光值和透射率值，导致去雾图像上的暗像素点所恢复的颜色失真。具体分析如下：

针对无法采用DCP方法进行去雾处理的像素点，以白色像素点为主，将式（5）和式（6）重新表示为：

针对无法采用BCP方法进行去雾处理的像素点，以黑色像素点为主，将式（10）和式（11）重新表示为：

由于采用DCP方法与BCP方法联合的BiCP去雾方法，会出现低估白色或亮色像素点强度值（如式（17）所示）和高估黑色或暗色像素点强度值（如式（19）所示）的现象，本文提出适应性双通道先验（ABiCP）图像去雾方法来解决以上问题。

3 基于超像素的适应性双通道先验图像去雾方法

3.1　基于HSV空间的颜色识别

由于雾天图像上的白色和黑色像素点不能同时满足双通道先验规律，所以要建立一种颜色检测方法，将有雾图像上的白色和黑色像素点提取出来，进行单独去雾处理。

首先，将有雾图像从RGB空间转换为到HSV空间［10］。经观测发现雾气的存在对场景图像的色调（）分量没有影响，但雾气会使图像的饱和度（）降低及亮度（）升高。

图3　有雾与无雾图像中提取白色或亮色和黑色或暗色像素点

且总误差表达式为：

图4　无雾图像与合成有雾图像中白色或亮色和黑色或暗色像素点提取结果

本文采用50组无雾图像和合成有雾图像对来计算检测误差，并进行误差值统计。如图5所示，给出了50对无雾图像和有雾图像对提取的白色像素点检测误差w、黑色像素点检测误差b、总误差值的直方图统计，以及相应的累积分布图。可以看到接近95%的图像对的总误差低于0.3。统计结果证明，通过饱和度、亮度值分量的线性变换阈值从有雾图像中提取白色和黑色像素点的方法是可靠的。提取有雾图像中白色像素点和黑色像素点，是ABiCP图像去雾方法中必不可少的步骤。

图5　误差Ew值、Eb值与总误差E值的直方图统计及累积分布图

3.2　基于超像素的双通道先验方法

图像去雾方法通常采用以目标像素点为中心的固定尺寸矩形区域作为局部区域，并假设像素点的透射率值和大气光值在局部区域内是恒定的。然而这种假设常常是强制性的且不符合实际情况，因为具有固定尺寸的矩形局部区域很可能包含具有不同景深的像素点，特别是在物体边缘附近的区域，边缘两侧易出现景深突变；而错误估计具有不同景深的像素点具有相同透射率值或大气光值，会导致去雾图像中景深不连续处出现光晕现象。

图6　软抠图滤波对基于固定尺寸矩形区域估计透射率图所得去雾结果影响

图6给出了固定尺寸矩形作为局部区域时，软抠图滤波对于去雾图像上的光晕现象的消除作用。图6（b）给出了图6（a）采用DCP去雾方法求出的透射率图，但并未使用软抠图方法进行滤波。图6（c）给出了去雾结果图像，可见物体边缘区域存在光晕现象（岩石边缘）。如图6（d）所示，DCP去雾方法采用软抠图进行透射率图滤波，去雾图像（图6（e））中不再出现光晕现象，但这个过程需要耗费大量的计算时间。

图7和图8分别为无雾图像基于不同区域暗通道图像的比较和DCP、基于像素DCP与基于超级像素BiCP方法所得去雾结果。Yeh等［11］提出了一种基于像素的DCP方法，其直接使用像素点本身代替固定尺寸的矩形局部区域来估计透射率值。然而，基于像素点的DCP方法并不遵循暗通道先验规律，这是因为无雾图像上的每一个像素点包含暗通道值趋于0的可能性很小，所以基于像素点的DCP是不成立的，如图7（c）所示。采用基于像素点的DCP去雾方法得到的结果如图8（c）所示，可以看出去雾图像的颜色出现过饱和的问题。

在提出的基于超像素的BiCP去雾方法中，采用包含有目标像素点的超像素作为局部区域，替代目标像素本身或以目标像素为中心的固定尺寸矩形区域来对局部区域的透射率或大气光进行估计。将图像上具有相似颜色且位置相近的像素点划分为各个超像素［12］，每个超像素结构紧凑且具有不规则形状，可确保在每个超像素内不包含有景深突变的像素点。可以看到，图7（d）使用超像素作为DCP的局部区域，与图7（b）的DCP方法使用矩形区域类似，均满足暗通道先验规律。因此，将超像素引入到BiCP方法中，代替使用固定尺寸的矩形区域来估计局部透射率和大气光，可实现更自然的去雾效果，具有更好地恢复场景细节的能力，如图8（d）所示。同时，可避免DCP方法采用基于固定尺寸的矩形作为局部区域所获得的去雾图像（如图8（b）所示）中存在的光晕现象（图8（b）中树叶周围白色边缘）。

图7　无雾图像与基于不同区域暗通道图像

图8　DCP、基于像素DCP与基于超级像素BiCP方法所得去雾结果

在基于超像素的BiCP去雾方法中，使用超像素（）代替式（4）和式（9）中的（）作为用于计算暗通道和亮通道的局部区域。如图9，作为示例，在有雾图像上设置=1 000，划分出的超像素如图9（b）所示。然后采用基于超像素的BiCP去雾方法来计算透射率图和大气光图。图9（c）给出了通过式（11）计算每个超像素的亮通道值所获得的大气光图。通过联合式（6）和式（11）计算每个超像素的暗通道值和亮通道值，通过式（13）获得透射率图，如图9（d）所示。由于假设一个超像素中的所有像素具有相同的透射率和大气光值，所以对于每个超像素仅计算一个共有的透射率和大气光值，大大降低了计算成本。

图9　基于超像素BiCP去雾方法所得透射率图与大气光图

3.3　适应性双通道先验去雾方法

本论文提出的适应性ABiCP去雾方法是对BiCP去雾方法的改进。使用DCP方法将导致对白色或亮色像素点的透射率值的过低估计，使用BCP方法将导致对黑色或暗色像素点的大气光值与透射率值的过低估计。这两者使白色或亮色像素点和黑色或暗色像素点去雾后的颜色失真。因此，提出的ABiCP去雾方法主要关注以下两个方面：一方面是校正白色或亮色像素点被错误估计的透射率值；另一方面是校正黑色或暗色像素点被错误估计的大气光和透射率值。图10为基于超像素BiCP与ABiCP方法所得大气光、透射率、去雾结果。以下是ABiCP去雾方法的具体描述。

首先，使用基于超像素的BiCP方法，根据式（13）估计整幅有雾图像包含白色或亮色像素点在内的透射率图，所得到的去雾结果如图10（f）所示。这使得具有白色或亮色像素点的明亮区域去雾后颜色发生畸变，而且比它们本应该的真实颜色亮度更暗，正如式（17）所描述的。为了改进对有雾图像上的白色或亮色像素点的去雾处理，应该适应性地增大白色像素点和亮色像素点的透射率值。由于图像受雾气影响时，图像对比度下降，因此在图像去雾中需要适应性地增强对比度。ABiCP方法采用韦伯对比度［13］Weber，它是背景强度background和目标强度object之间的归一化差异，表达式为

根据实际情况，将要校正的去雾图像上白色或亮色像素点的强度视为目标对象，周围的彩色像素点强度视为背景。根据式（24），可知韦伯对比度Weber的取值范围从1到+∞，当background固定不变时，对比度的值会随着object的增加而增大。通过对式（1）变换，可得出有雾图像（）和恢复图像（）之间的关系为：

由于透射率的取值范围为0≤（）≤1，我们可以推断（）≤（），这表明场景点在有雾图像中的强度值必然高于其在去雾图像中的强度值。根据式（25），如果透射率（）取最大值1，则（）取得最大值为（）=（）。此时，去雾图像中的白色或亮色像素点的韦伯对比度Weber值最高，去雾效果最好。因此，找到最有效的方法来适应性地校正白色或亮色像素的透射率值，表达式如下：

其中，twhite（x）表示白色或亮色像素点x处的透射率值，白色或亮色像素点通过第3.1节中给出的检测方法提取出来。例如，我们检测出了图10（a）中所有白色或亮色像素点，并在图10（g）中以红色点标出。图10（d）给出了初步估计的透射率图，被错误估计透射率值的白色像素点被图中的红色圆圈圈出。而对应的这些白色像素点的透射率通过我们的适应性双通道先验方法被有效校正后，如图10（j）所示。

其次，使用基于超像素的BiCP去雾方法，根据式（11）和式（13）估计整幅有雾图像包含黑色和暗色像素点在内的透射率和大气光图，所得到的去雾结果如图10（f）所示。这使得具有黑色或暗色像素点的暗区域去雾不彻底，且比真实颜色亮度更大，如式（19）。为了改进对有雾图像上的黑色或暗色像素点的去雾处理，应该适应性地增大黑色像素点和暗色像素点的大气光和透射率值。所以，提出的ABiCP去雾方法可适应性地改进黑色或暗色像素点的大气光值，表达式为：

其中：black（）是黑色或暗色像素点black（）的大气光值，黑色或暗色像素点是通过第2.1节中给出的检测方法提取出来的；V（）是黑色像素点的亮度值；black（）是通过式（24）获得的用于检测有雾图像上黑色或暗色像素点的阈值；是用户定义的控制参数，根据经验设置为=0.1。可知，通过暗通道dark（）对（）（1（））进行的可靠估计和校正后的大气光black（），可校正黑色或暗色像素点的透射率black（），表达式为：

图10（a）中所有黑色或暗色像素点被检测出来，并在图10（g）中以蓝色点标出。图10（b）和（d）分别给出了初步估计的大气光图和透射率图，被错误估计大气光值和透射率值的黑色像素点被图中的蓝色圆圈圈出。而对应的这些黑色像素点的大气光和透射率通过ABiCP方法被有效校正后，分别如图10（h）和（j）所示。

综上所述，通过提出的ABiCP方法，适应性地校正白色和黑色像素点的大气光和透射值后，更新的大气光图和透射率图如图10（h）和（j）所示，并使用最有效的导引滤波器［8］对大气光图和透射率图进行滤波如图10（i）和（k）所示。通过式（7）获得改进后的去雾图像（图10（l）），与方法改进前的去雾图像（图10（f））相比较，天空中红色圆圈内的像素点强度更大、颜色看起来更自然，蓝色圆圈内雕塑上的像素点强度更小、颜色更接近真实情况，说明去雾更彻底。因此，证明了所提出的ABiCP方法可以弥补BiCP方法的不足，改进了图像去雾结果。

4 图像去雾实验结果及分析

4.1　图像去雾方法主观评价

由于ABiCP去雾方法是在DCP去雾方法［14］基础上进行发展与改进的，所以将ABiCP与DCP及基于像素DCP［2］、BiCP［15］方法进行去雾实验，比较去雾结果，如图11所示。图11（a）给出了7幅雾天图像，前4幅是在北京拍摄的雾天图像分别为“BIT01”、“BIT02”、“BIT03”和“BIT04”，后3幅是常见的去雾处理测试图像［1］。如图11（b）所示，DCP方法得到的去雾图像整体颜色偏暗。如图11（c）所示，基于像素的DCP方法得到的去雾图像颜色存在过饱和现象，因为采用像素点计算DCP来估计透射率是不够准确的。如图11（d）所示，BiCP方法得到的去雾图像颜色发生畸变，尤其是天空区域，这是对明亮区域像素点和暗区域像素点的透射率和大气光值的不正确估计导致的。如图11（e）所示，ABiCP方法得到的去雾图像，不仅提高了图像清晰度还具有鲜亮自然的色彩，同时恢复了白色像素点和黑色像素点应有的真实颜色和亮度，这清楚地表明其优于DCP方法和BiCP方法。

图11　DCP、基于像素DCP、BiCP与ABiCP方法图像去雾结果

4.2　图像去雾方法客观评价

表1去雾结果的盲图像评价指标计算

Tab.1　Calculation of blind image evaluation index based on dehazing results

图12　通过各去雾方法所得“BIT01”去雾结果客观评价指标示例图像

为了对图像除雾结果进行定量评估，我们使用了Tarel等人提供的合成雾度图像（2010年）。在他们的雾路图像数据库（FRIDA）中进行图像除雾实验，因为其相应的合成无雾图像具有地面真实性，可用于比较除雾结果。在图13中，展示了合成有雾图像的一些示例，比如Fattal，Tarel和Hautiere，He等人的DCP，Yeh等人的基于像素的DCP，Fu等人的BiCP和我们的ABiCP方法的去雾结果，同时添加了与暗通道先验无关的非局部去雾方法［17］以及使用了神经网络的FFA算法［18］作为对比。之后计算每种方法的结果与基本事实之间的均方误差（MSE），以进行定量比较。与其他方法相比，我们ABiCP方法的去雾结果具有最低的MSE，并且具有与基本事实最相似的结构。客观验证了我们的ABiCP图像去雾方法的有效性。

我们还将我们提出的方法与He等人的DCP方法的计算时间进行了比较［2］。实验在3.0 GHz主频CPU和4 GB的RAM的标准PC上使用MATLAB R2012b进行，测试分辨率为600×800的图像，为ABiCP方法设置超像素的总数量为1 000。对于DCP方法，计算时间为56 s，对于ABiCP方法，计算时间为19 s。可见ABiCP方法比DCP方法所需的计算时间少得多。除了总时序外，还获得了我们提出的方法的每个单独步骤的详细时间，比如超像素分割，ABiCP和GF［8］。尽管在我们的方法中，超像素分割步骤占用了大量的处理时间，但我们提出的方法比DCP方法要快。因为我们的方法中获得超像素的步骤比DCP方法中的软消光步骤需要更少的计算时间，并且我们的方法还受益于估计每个超像素而不是每个单个像素的透射率和大气光值，因此我们的计算方法时间小于DCP方法。显然，对于分辨率较低的图像，获得超像素所需的时间更少。如果对图像进行下采样获得超像素，采取首先估计局部透射率和大气值，然后在通过GF过滤之前将透射率和大气图上采样至原始大小，则计算时间将大大减少。

5 结　论

本文提出一种基于ABiCP的图像去雾方法，该方法主要包含三方面的内容：（1）引入超像素作为局部区域来估计透射率和大气光值，提高了估计值的可靠性，消除了去雾图像上的光晕效应，同时降低计算复杂度；（2）提出了通过线性变换后的饱和度和亮度值作为阈值，有效检测出有雾图像中的白色或亮色像素点和黑色或暗色像素点；（3）ABiCP方法可以适应性地校正对于亮区域像素点和暗区域像素点错误估计的透射率和大气光值，恢复真实颜色，弥补了DCP方法的不足。实验结果表明，基于ABiCP的图像去雾方法可以更好地恢复图像中灰白色区域与暗色物体表面的真实颜色，提高图像视觉上的清晰效果；同时，针对一些图像由于覆盖场景深度范围大以及受到多光源影响导致的大气光随着场景点深度而发生变化的特点，该方法将大气光作为局部变量进行求解，更接近真实情况，有效解决去雾后图像亮度不均的问题，提升去雾质量，使去雾后的图像更加清晰、自然。

［1］ TAREL J P， HAUTIÈRE N. Fast visibility restoration from a single color or gray level image［C］. 200912292，2009，，IEEE， 2009： 2201-2208.

［2］ HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior［J］.， 2011， 33（12）： 2341-2353.

［3］ 韩昊男，钱锋，吕建威，等. 改进暗通道先验的航空图像去雾［J］. 光学精密工程， 2020， 28（6）： 1387-1394.

HAN H N， QIAN F， LÜ J W，. Aerial image dehazing using improved dark channel prior［J］.， 2020， 28（6）： 1387-1394.（in Chinese）

［4］ YU H F， LI X B， LOU Q，. Underwater image enhancement based on DCP and depth transmission map［J］.， 2020， 79（27/28）： 20373-20390.

［5］ PANAGOPOULOS A， WANG C H， SAMARAS D，. Estimating shadows with the bright channel cue［C］.， 2012.

［6］ 李佳童，章毓晋. 图像去雾算法的改进和主客观性能评价［J］. 光学精密工程， 2017， 25（3）： 735-741.

LI J T， ZHANG Y J. Improvements of image haze removal algorithm and its subjective and objective performance evaluation［J］.， 2017， 25（3）： 735-741.（in Chinese）

［7］ DAI C G， LIN M X， WU X J，. Single hazy image restoration using robust atmospheric scattering model［J］.， 2020， 166： 107257.

［8］ HE K M， SUN J， TANG X O. Guided image filtering［J］.， 2013， 35（6）： 1397-1409.

［9］ HONG S， KIM M， KANG M G. Single image dehazing via atmospheric scattering model-based image fusion［J］.， 2021， 178： 107798.

［10］ KUMAR M， JINDAL S R. Fusion of RGB and HSV colour space for foggy image quality enhancement［J］.， 2019， 78（8）： 9791-9799.

［11］ YEH C H， KANG L W， LEE M S，. Haze effect removal from image via haze density estimation in optical model［J］.， 2013， 21（22）： 27127-27141.

［12］ TAN Y B， WANG G Y. Image haze removal based on superpixels and Markov random field［J］.， 2020， 8： 60728-60736.

［13］ JANG J， SHIN M， LIM S，. Intelligent image-based railway inspection system using deep learning-based object detection and weber contrast-based image comparison［J］.（，）， 2019， 19（21）： 4738.

［14］ YANG Y， WANG Z W. Haze removal： push DCP at the edge［J］.， 2020， 27： 1405-1409.

［15］ FU X， LIN Q， GUO W，. Single image de-haze under non-uniform illumination using bright channel prior［J］.， 2013， 48（3）： 1843-1848.

［16］ 张闯，王亚明，陈苏婷. 基于空间依存的无参考图像质量评价［J］. 光学精密工程， 2015， 23（11）： 3211-3218.

ZHANG C， WANG Y M， CHEN S T. No-reference image quality assessment based on spatial dependency［J］.， 2015， 23（11）： 3211-3218.（in Chinese）

［17］ BERMAN D， TREIBITZ T， AVIDAN S. Non-local image dehazing［C］. 20162730，2016，，，IEEE， 2016： 1674-1682.

［18］ QIN X， WANG Z L， BAI Y C，. FFA-net： feature fusion attention network for single image dehazing［J］.， 2020， 34（7）： 11908-11915.

Image dehazing method based on adaptive bi-channel priors

JIANG Yutong*，YANG Zhonglin，ZHU Mengqi，ZHANG Yi，GUO Lixia

（，100072，），：201163

Image is an important source of information for modern warfare, and the quality of image decreases in foggy environment, which seriously hinders the ability of photoelectric reconnaissance and identification. In order to improve the effective utilization of images in foggy environment, an adaptive bi-channel prior image dehazing method was developed. First, based on the dark channel prior and the bright channel prior theories, the hazy images are converted from RGB to HSV color space, and the thresholds of saturation and luminance components are used to detect white or light pixels and black or dark pixels in hazy images that do not satisfy the dark and light channel priors, respectively. Then, superpixels are selected as the local area for the calculation of the dark and bright channels, and the local transmittance and atmospheric light values are estimated. Finally, adaptive bi-channel priors are developed to rectify any incorrect estimation of transmission and atmospheric light values for both white and black pixels. The transmittance map and atmospheric light map are filtered by the guided filter, and then substituted into the atmospheric scattering model to obtain a clear dehaze image. Experimental results show that the dehazed image restores the true color, the visual effect is natural and clear, and the dehazing process of the image is accurately and efficiently achieved. The dehazing process is performed on the FRIDA database, the mean square error between the dehazed image and the ground truth using the method in this paper is better than that of the existing method, which are 15% lower than that yielded by the BiCP method.

image dehazing； bi-channel priors； superpixel

TP391.4

A

10.37188/OPE.20223010.1246

1004-924X（2022）10-1246-17

2021-07-08；

2021-08-11.

国家自然科学基金项目（No.61801439）

姜雨彤（1987），女，吉林长春人，博士，副研究员，主要从事机器学习、计算机视觉、图像处理等研究工作。E-mail： jiangyutong201@163.com