雾霾图像清晰化处理算法的研究∗

张 娜 韩美林 杨 琳

（商洛学院电子信息与电气工程学院 商洛 726000）

1 引言

近年来，雾霾等恶劣天气日益增加。受雾霾天气条件下空气中杂质的影响，交通监控系统［1］、遥感和军事观测等［2］户外成像设备采集到的图像严重退化，具有对比度低、清晰度低、色彩退化、信息量小等缺点［3］。降质的图像无法保障户外系统可靠、稳定地工作，也极大地影响了人们的生活［4］，因此亟需对雾霾图像进行处理。

图像去雾方法主要有两种：基于图像增强和基于图像复原的去雾方法［5］。

基于图像增强的去雾方法，从提升对比度、强化细节对图像去雾处理；基于图像复原的去雾方法，通过建立模型从物理复原对图像去雾处理。文献［6］中，Hong Bu 和John P.Oakley 通过统计模型来检测图像，实现全局优化的去雾算法。文献［7］中，Heetal 对大量图像像素的构成进行观察，发现了所有图像中至少有一个颜色分量趋近于0，因此提出暗原色先验算法。文献［8］中，提出“子块部分重叠的算法”，在一定程度上避免了“块效应”。文献［9］中，由于降质图像的文本难以识别，提出基于对比度受限的识别算法。文献［10］中，提出将Retinex 算法结合图像自动増强算法，使Retinex 算法增强后恢复了图像的原本色彩。文献［11］中，提出将暗通道理论应用到Retinex 算法中，暗通道算法被简化了，时间复杂度也被降低了，但该算法在处理光照不均匀的图像时会产生光晕现象。

本文采用直方图均衡化法与Retinex 算法对图像进行去雾处理，通过实验可得：采用MSRCR算法处理后的图像变得清晰，包含的信息量较大，强化了细节信息，图像增强效果较好较稳定。

2 基于直方图均衡化去雾算法

雾霾图像清晰化处理指增强降质图像的对比度、细节信息、恢复图像的色彩等信息。一般的去雾方法有：直方图均衡化法、Retinex算法等［12］。

直方图均衡化算法，增大其灰度范围，将图像直方图中分布集中的一些像素变成均匀分布，使得图像对比度得到提升。

2.1 全局直方图均衡化去雾算法

设数字化后的图像灰度级为r0，r1，r2，…rL-1，其中0，1，…L-1 为灰度级，则第k 个灰度级rk的概率为

式（1）中，nk为灰度级为rk的像素的个数，N是像素总个数。

离散化后的累计分布函数为：

式（2）将灰度级rk的像素映射成灰度级为sk的像素。该算法扩大了灰度范围，提升了图像的对比度。

对原图像进行全局直方图均衡化处理后如图1所示。

图1 全局直方图均衡化处理图

由图1 中的（a）、（b）、（c）、（d）图对比得：图（d）比图（b）的直方图分布更加均匀，扩大了图像的灰度级范围；图（c）比图（a）的对比度有所提升，但图（c）中亮的地方更亮，暗的地方更暗，反而弱化了图像的细节信息。

2.2 局部直方图均衡化去雾算法

局部直方图均衡化对图像的局部区域信息能得到有效的增强。该方法首先将原图像像素分割成若干个大小相同的子块，再对各个子块进行直方图均衡化处理。局部直方图均衡化法计算公式为式中avgi，j为平均灰度级；xi，j和x'i，j为变换前、变换后的中心像素。

对原图像进行局部直方图均衡化处理后如图2所示。

图2 局部直方图均衡化处理图

由图2 中的（a）、（b）、（c）、（d）对比得：图（d）比图（b）的直方图灰度级范围大；图（c）比图（a）的对比度有所提升，细节信息有所强化，但图像中出现了不连续的效果，如图（c）中上方所示。

3 基于Retinex的去雾算法

1986 年由Edwin Land 等提出人类眼球感知色彩和光亮度模型［13］，即Retinex 算法理论，将图像为反射分量和亮度分量，通过减小图像的亮度对反射分量的影响，从而得到原始图像。

3.1 单尺度Retinex（SSR）算法

图像由入射光与反射光的乘积所组成的，用式（4）表示为

式（4）中S(x，y)表示接收信号，I(x，y)表示入射分量，R(x，y)表示反射分量。Retinex 算法是从接收的信号S(x，y) 中获取反射分量的信息R(x，y)，对式（4）两边取对数可得：

反射分量的信息R(x，y)的获取由环境光的入射分量I(x，y)和接收到的信号S(x，y)共同决定。将图像S(x，y)通过高斯滤波器G(x，y)便可得到环境光的入射分量I(x，y)，即：

Retinex算法原理图如图3所示。

图3 Retinex算法原理图

3.2 多尺度Retinex（MSR）算法

MSR 是在不同尺度上对SSR 算法进行加权平均得到的结果，在SSR基础上发展的。该算法在保持图像色彩保真度的基础上对图像的灰度级范围进行压缩。

多尺度Retinex（MSR）算法如下：

式（7）中k=1，2，3，…N，表示波段号；N 表示尺度数目，wn表示第i个尺度的权重，Sk(x，y)表示第k 个波段的接收信号，Fi(x，y)表示高斯核函数，*表示卷积，Rk(x，y)表示第k个波段中通过算法后得到的图像。

其中Fi(x，y)表达式为

式（8）中λ为归一化因子，c为尺度。

3.3 带色彩恢复的多尺度Retinex（MSRCR）算法

与SSR相比，MSR算法处理后的图像有效地提升了图像的对比度，又对图像的灰度级范围进行了压缩。但由于采用该算法使得R、G、B 三分量的比值发生了变化，所以处理后的图像色彩存在失真的现象，因此提出了带色彩恢复的多尺度Retinex（MSRCR）算法。MSRCR算法的表达式为表示第k 个波段号的入射分量，β表示调整参数。MSRCR 在MSR 算法的基础上乘以因子ak(x，y)，ak(x，y)是根据原图像的R、G、B三分量的比值来调整的，因此避免色彩的失真。

3.4 仿真结果及分析

对原始图像选择尺度参数C=250，分别采用SSR、MSR、MSRCR 算法进行实验分析，如图4 所示。

图4 Retinex算法处理图

由图4 中的（a）、（b）、（c）、（d）对比得：图（b）与图（a）比较，SSR 算法增强后图像的对比度与亮度有所提升；图（c）与图（a）比较，MSR 算法处理后亮度适中、对比度高；图（c）与图（b）比较，当MSR 与SSR 的尺度参数相同时，MSR 与SSR 处理结果相近；图（d）与图（a）比较，MSRCR 算法处理后对比度高、细节信息突出，色彩保真度高。

对原始图像去雾效果进行客观评价，将全局直方图均衡化法、局部直方图均衡化法、SSR 算法、MSR 算法、MSRCR 算法进行比较，采用的客观评价指标分别为均值、方差、信息熵，如表1所示。

表1 去雾效果客观评价表

观察表2 可得：全局直方图算法的方差最大，说明该算法处理的图像灰度离散程度高，去雾效果较好；MSRCR 算法的方差最小，采用该算法性能最稳定。MSR算法的均值最大，说明该算法处理的图像亮度更好一些；MSRCR 算法的信息熵最大，说明该算法处理的图像中所包含的信息量是最大的，能强化细节信息。

4 结语

本文采用全局直方图均衡化法、局部直方图均衡化法、SSR、MSR、MSRCR算法对雾霾图像进行去雾处理，实验结果表明：采用MSRCR算法处理的图像中所包含的信息量最大，细节信息突出，图像增强效果较好较稳定。