单幅图像去雾算法研究

摘  要：随着计算机技术和硬件能力的提高，计算机视觉处理系统已广泛应用于各类场景中，雾霾等恶劣天气下获取的图像会影响后续图像的处理，进一步导致计算机视觉处理系统性能的降低，因此提高降质图像的质量具有重要意义。文章给出一种结合图像增强和图像复原的处理算法，算法能在不同尺度的残差图像上和基础层上分别进行处理，达到保留图像细节和去雾的目的，并且具有高可控灵活性。

关键词：去雾;大气散射模型;图像增强

中图分类号：TP391         文献标识码：A文章编号：2096-4706（2022）02-0096-05

Abstract： With the improvement of computer technology and hardware capabilities， computer vision processing system has been widely used in all kinds of scenes， the images obtained in bad weather such as fog and haze will affect the subsequent image processing and further reduce the performance of computer vision processing system. Therefore， it is of great significance to improve the quality of degraded images. This paper presents a processing algorithm combining image enhancement and image restoration. The algorithm can process the residual images of different scales and the basic layer respectively， so as to preserve the image details and remove the fog， and has high controllable flexibility.

Keywords： defogging; atmospheric scattering model; image enhancement

0  引  言

计算机视觉系统的飞速发展，对图像质量提出的要求越来越高。在户外采集到的图像质量极易受到恶劣天气的影响。当在雾霾条件下时，大气中悬浮粒子的直径远远大于天气晴朗时悬浮粒子的直径，因此物体表面的反射光受到悬浮粒子的散射和吸收，导致图像采集设备获取到的图像质量差、清晰度低等，严重影响了图像的后续处理。因此去雾算法受到研究者们的广泛关注。

去雾算法主要分为基于图像增强、基于图像恢复和基于机器学习的去雾算法[1]。基于增强的算法从图像特征出发，把雾对图像的影响看成是噪声，使用增强算法提高图像的对比度、清晰度等，同时抑制噪声的影响，达到去雾的目的。主要的算法有直方图均衡化、Retinex算法、同态滤波和小波变换等，但是由于此类算法没有考虑到降质图像形成的物理因素，一般去雾效果很有限。基于图像恢复的去雾算法考虑降质图像形成的物理模型，以大气散射模型为基础，通过先验知识或前提假设等求取模型中的未知参数，然后对模型进行反演推算，最后求出无雾图像。这类算法的难点在于模型中未知参数的准确估计，其中由于基于多幅图像的算法需要额外的输入，使得其应用推广受限，因此，基于单幅图像的去雾算法获得了人们广泛的研究。随着计算机硬件能力的提高，機器学习快速发展，研究者们也将机器学习应用于去雾领域中，基于大量图像数据集，训练网络表示有雾和无雾图像之间的直接或间接映射，此类算法的去雾效果普遍较好，但需要提前准备好大量的数据集。

本文基于保边分解将图像分为基础层和不同尺度的细节层，对细节层进行增强处理，对基础层进行去雾处理，采用图像分解将不同尺度的细节信息捕获在对应的细节层中，根据实际要求调整每个细节层的增强幅度，具有较高的可控性。本文算法不仅能很好地保留重要的轮廓等细节信息和进行去雾处理，也能有效抑制噪声的增强。

1  本文的算法

1.1  大气散射模型

在图像处理领域，通常用以下模型描述图像在雾霾等恶劣天气条件下形成的物理过程。该模型由McCartney[2]等人首先提出，主要包括了直接衰减模型和环境光模型两部分，模型表达式为：

1.3  算法流程

首先，利用引导滤波分解算法将输入图像分解为一个基础层和多个尺度的细节层。其次，在细节层上进行图像增强处理，在基础层进行去雾处理。最后合成基层和细节层得到结果图。如图1所示。

1.3.1  图像保边分解

为了得到不同尺度的残差图像且避免恢复图像时产生伪影，采用引导滤波进行图像分解。首先，使用不同尺度的引导滤波生成一系列逐渐平滑的序列图像。其次，构建包含一个base层和k-1个残差细节层的图像多尺度分解（k代表尺度）。base层包含图像的大致结构信息，细节层则代表逐渐变大的尺度上的细节信息。对于输入的图像g，u1，…，uk-1代表逐渐平滑的图像序列。平滑尺度最大的图像作为base层b，相邻逐渐平滑图像的差值作为细节层di，即：di=ui-1-ui。其中，i=1，…，k，u0=g。对于不同的有雾图像，雾对图像的影响程度也不同，则图像所需的分层数目也不同，每幅有雾图像所需的分层数为：

其中，levels表示图像所需分层数，ρ表示雾对图像的影响程度。雾对图像的影响程度越大，需要分层数目也就越多，但分层数目过大也会造成不必要的计算浪费和图像失真，因此将分层数量控制在2到5之间。由于受到雾的影响，图像像素亮度会整体偏亮，其亮度分布相较于无雾时的分布会出现偏移，图像的偏度可表示亮度分布偏移的程度，因此可用偏度ρ表示图像受到雾的影响程度，其表达式为：

其中，xi表示图像像素，avg表示图像像素均值，N表示图像像素数量，ε表示图像标准差。

1.3.2  细节层图像增强

对于细节层来说，线性增强是一种简单有效的方法，但线性映射在增强图像细节的同时也会放大其中不必要的噪声，因此基于文[4]构造出非线性阶段映射函数，其中处于首尾两端区域的像素使用线性映射，处于中间区域的像素使用sigmoid函数映射，由于映射函数经过，和三点，其中为像素均值， width为sigmoid函数映射范围，因此增强函数为：

其中，s决定映射函数的强度，width的作用是防止光晕的产生和大梯度边缘的过度锐化伪影。基于文献[4]，有较多细节信息的图层其尺度应该较小，映射范围应该较大;有较少细节信息的图层应恰好相反。

1.3.3  基础层图像去雾

He[5]等人通过对户外大量无雾图像的数据分析，发现在绝大多数户外无雾图像（不包含天空）的任意块中，总存在着一些像素，他们的一个或几个颜色通道的强度值很低，甚至趋近于0，即暗通道先验理论，用数学公式表示为：

其中，c为RGB颜色通道，J dark为无雾图像的暗通道图，Ω（x）是以像素点x为中心的窗口。对散射模型的两边同时求取暗通道图再进行变换，可求得透射率，其表达式为：

其中，ω是为了让远处的景物具有真实感而引入的少量雾气，一般取为0.98。大气光值取在暗通道图中亮度最大的像素在原图中的对应亮度值。将大气光值和投射图带入散射模型中，即可求解出对应的无雾图像。暗通道先验理论在去雾领域是一个里程碑，但同时此类算法也存在一些局限性。在基于暗通道先验的算法中由于使用了基于块的最小值操作，导致边缘区域的信息会丢失，造成该区域的透射率估计不准确，造成图像的边缘溢出和伪影。同时暗通道先验在天空区域即大片亮区域失效，估计出的透射率偏大，导致光晕效应。虽然用引导滤波优化了透射率，但仍存在一些问题。

从另一角度看求取暗通道图像可看成是对最小颜色通道图像的一次压缩，采用平滑的函数曲线代替能减少信息损失。正弦函数处于y=x函数下方，两者相距不远，且函数上升速度逐渐变小，可用正弦函数求取有雾图像的暗通道图像，其数学表达式为：

1.3.4  估计全局大气光

基于文献[9]，采用四分法求取基层图像的大气光值，即将图像均分为四份，求取每份的亮度均值，选择亮度值最大的区域再重复以上操作，直至区域的大小到达阈值即停止，选择在此区域中亮度值最大的像素作为大气光值的候选点。

1.3.5  得到结果图像

2  算法实验

2.1  实验结果

选取图2中（a）列两幅有雾图像，经过计算，两幅有雾图像均分为4层，即三层细节层和一层基础层，用于分层滤波的引导滤波参数为：scale_smooth=[1e-4，1e-3，1e-2。基础层使用第二章中改进的去雾算法;每层细节层使用不同尺度的增强函数，增强函数中的参数取为：width=[0.5，0.6，0.7]，s=[40，30，20]。其每层图像的处理结果如图2所示。

将论文改进算法与基于文献[5，10，11，12]算法的处理结果效果图进行比较，如图3所示。

2.2  客观评价

为了从客观程度上反映算法修复修复程度的高低，引入了SSIM、PSNR以及SSEQ指标，指标的值越高表明算法的修复效果越好，比较结果如表1所示。

图像去雾领域比较常用的评估方法是由Hautière[13]提出的基于可見边的对比度增强评估方法，该方法主要采用三个评价指标：新增可见边比e，可见边的规模化梯度均值和饱和黑白像素点百分比σ。该评估方法认为在增强算法在不过增强或丢失图像细节信息的同时应恰当地增强对比度，在指标数据上表现为e和的值越高，σ值越小，图像去雾效果就越好。表2显示了图2中各种去雾算法处理结果对应的量化指标。

从表1和表2中可以看出，本文算法的评价指标较好，在图像恢复和细节保持上效果较好，证明了本文算法的优越性。

3  结  论

本文根据图像受雾影响的不同程度利用保边分解将图像分为多尺度细节层和基础层，使用增强函数对细节层进行不同尺度的增强。对基础层使用改进的去雾算法，使用更加平滑的函数求取有雾和无雾图像的暗通道图，然后带入模型中反演推算出基础层的无雾图像。最后将基础层和细节层融合得到结果图像。通过对不同层次图像的处理，在保持图像边缘的同时也有一定的去雾效果。实验证明，该算法能在较短的时间内取得较为明显的去雾效果。同时也希望能对算法有更好的改进。

参考文献：

[1] 张征.面向室外监控场景的天气分类与低质图像增强技术研究 [D].北京：北京邮电大学，2018，（2）：113.

[2] MCCARTNEY E J. Optics of the Atmosphere：Scattering by Molecules and Particles [J].Physics Today，1977，30（5）：76.

[3] HE K M，SUN J，TANG X O. Guided Image Filtering [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35（6）：1397-1409.

[4] TALEBI H，MILANFAR P. Fast Multi-layer laplacian Enhancement [J].IEEE Transactions on Computational Imaging，2016，2（4）：496-509.

[5] He K M，Sun J，Tang X O. Single Image Haze Removal Using Dark Channel Prior [J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）：2341-2353.

[6] BAIG N，RIAZ M M，GHAFOOR A，et al. Image Dehazing Using Quadtree Decomposition and Entropy-Based Contextual Regularization [J].IEEE Signal Processing Letters，2016，23（6）：853-857.

[7] WANG J B，LU K，XUE J，et al. Single Image Dehazing Based on the Physical Model and MSRCR Algorithm [J].IEEE Transactions on Circuits and Systems for Viedo Technology，2018，28（9）：2190-2199.

[8] Sun W. A new single-image fog removal algorithm based on physical model [J]. Optik，2013，124（21）：4770-4775.

[9] KIM J H，JANG W D，SIM J Y，et al. Optimized contrast enhancement for real-time image and video dehazing [J].Journal of Visual Communication and Image Representation，2013，24（3）：410-425.

[10] ZHU Q S，MAI J M，SHAO L. A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior [J].IEEE Transactions on Image Processing，2015：24（11）：3522-3533.

[11] BERMAN D，TREIBITZ T，AVIDAN S. Non-local Image Dehazing [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），Las Vegas：IEEE，2016：1674-1682.

[12] REN W Q，MA L，ZHANG J W，et al. Gated Fusion Network for Single Image Dehazing [C]//2018IEEE/CVF Conference on Computer Vision and Pattern Recognition，Salt Lake City：IEEE，2018：3253-3261

[13] HAUTIERE N，TAREL J P，AUBERT D，et al. Blind Contrast Enhancement Assessment By Gradient Ratioing At Visible Edges [J/OL].Image Analysis & Stereology，2008：1-8.[2021-11-22].http：//perso.lcpc.fr/hautiere.nicolas/pdf/2007/hautiere-ics07.pdf.

作者簡介：杨洋（1996.03—），女，汉族，四川大竹人，研究生在读，研究方向：图像处理与合成。