睢　丹,張亞利，楊　杰

(1.安陽師范學院 軟件學院，河南 安陽 455000; 2.武漢理工大學 信息工程學院，湖北 武漢 430070;3.安陽學院 計算機系，河南 安陽 455000)

?

霧霾污染下基于混沌性的圖像去霧算法改進

睢丹1,2,張亞利3，楊杰2

(1.安陽師范學院 軟件學院，河南 安陽 455000; 2.武漢理工大學 信息工程學院，湖北 武漢 430070;3.安陽學院 計算機系，河南 安陽 455000)

傳統(tǒng)基于邊緣保持濾波的單幅圖像快速去霧算法，在霧霾污染大氣粒子散射作用下，圖像會受到霧化背景的干擾,出現(xiàn)濃霧噪點,圖像結構信息復原效果較差.提出一種基于混沌性的加權濾波圖像快速去霧算法，通過分析霧天霧化背景干擾下的圖像信息，獲取圖像數(shù)據(jù)的混沌特性，并對霧化圖像進行最小顏色分量估計.在此基礎上，結合帶霧圖像暗原色模型、時域和頻域特征分量模型，構建出自適應加權濾波模型，完成基于混沌性的加權濾波圖像快速去霧算法的改進設計.實驗結果表明，采用該算法能避免霧化圖像中間區(qū)域的顏色失真，降低霧化背景干擾,減少濃霧噪點,使遠景的混沌特征得到合理的保留，在圖像質(zhì)量和運算性能方面都具有優(yōu)越性.

霧霾天氣；混沌性；去霧算法；改進研究

0　引言

近年來，隨著計算機數(shù)字圖像處理技術的快速發(fā)展，在圖像處理過程中，對模糊圖像進行濾波降噪，提高圖像成像的清晰度，挖掘和提取出圖像的有用特征，進而改善圖像成像質(zhì)量，提高目標圖像的識別能力[1-2]是一個重要的研究課題.特別是對特殊環(huán)境下圖像的處理，例如在霧霾環(huán)境下對拍攝圖像的去霧處理是基于對大氣粒子散射的作用了解下進行的.由于圖像成像受到霧化背景的干擾，而出現(xiàn)濃霧噪點，就需要對霧化背景干擾下的濃霧圖像進行去霧處理，來提高圖像的清晰度，最終便于對圖像目標場景信息的分析和識別[3-5].

文獻[6]提出基于霧化圖像的約束進化時頻加權濾波去霧算法，該算法以圖像暗原色為新的圖像特征，實現(xiàn)去霧處理，但是，該方法只對霧化圖像的邊緣霧點去霧效果好，對局部去霧效果不明顯.文獻[7]提出基于邊界鄰域最大值濾波的快速圖像去霧算法，通過對邊界鄰域進行最大值濾波，消除高亮度物體對圖像的影響，獲得準確的大氣光值，使去霧結果的顏色保真度較高，但是該方法在應用中比較繁瑣.文獻[8]提出基于二次濾波的單幅圖像快速去霧算法，通過提高透射率的估算精度，來恢復圖像的亮度，該算法過于簡單,去霧效果不好.文獻[9]提出基于暗原色和加權形態(tài)濾波增強算法,利用形態(tài)學濾波方法，估計霧濃度圖像并實現(xiàn)圖像的去霧處理.該方法既能平滑霧濃度圖，又能很好地保留場景的邊緣,估計出的霧濃度圖更加精確，但是應用范圍比較窄.針對上述問題，筆者提出基于霧天混沌性傳統(tǒng)圖像去霧算法的改進.

1　霧霾天霧化背景干擾下的圖像分析

1.1霧霾天環(huán)境下圖像數(shù)據(jù)的混沌性證明

針對文獻[7]中提出的基于邊緣保持濾波單幅圖像快速去霧算法，在大氣散射環(huán)境下，圖像采集過程中會受到霧化環(huán)境的干擾，排除這種干擾需要證明圖像像素的混沌性，霧霾天環(huán)境下采集的圖像最直接的表現(xiàn)就是模糊，即所謂的圖像失真，這種失真帶有混沌性，表1 給出了產(chǎn)生圖像失真的原因而導致的結果.

由表1可知，由于霧霾天氣產(chǎn)生霧化程度不同，導致失真的原因也不同，同時失真處理結果也不同.當無霧霾時，產(chǎn)生失真的主要原因是動作的變化產(chǎn)生一定的混沌性，可通過調(diào)整拍攝模式來進行處理；當存在低到中度霧霾時，主要是由于環(huán)境及傳輸延遲產(chǎn)生混沌性，可通過對環(huán)境外景進行處理或重新進行傳輸；當存在重度霧霾時，主要是由于圖像延遲產(chǎn)生混沌性，導致無法進行處理，這種混沌性的存在是通過霧霾天環(huán)境下拍攝的圖像失真程度來體現(xiàn).

表1　霧霾天霧化環(huán)境下圖像失真的原因結果分析圖Tab.1　Haze days atomization environment reasons of the distortion of image analysis results

基于對霧霾環(huán)境下混沌性的了解可知，這種混沌性的產(chǎn)生主要是基于其所處的環(huán)境，比如在霧霾天和雨天等非正常環(huán)境.在霧霾環(huán)境下對圖像像素的混沌性，可以通過圖像像素失真的早期數(shù)據(jù)來進行分析，只是這種混沌性表現(xiàn)的不是很明顯，只有在遇到霧霾天這樣的環(huán)境下才會釋放出來.通過這些圖像采集像素數(shù)據(jù)的最大Lyapunov 指數(shù)是否大于0來驗證圖像像素的混沌性.圖像像素發(fā)生失真的數(shù)據(jù)時域波形，如圖1所示.運用Matlab對得到的圖像失真失效數(shù)據(jù)進行Lyapunov 指數(shù)圖的分析，形成圖像失真時Lyapunov指數(shù)，如圖2所示.

圖1　圖像像素發(fā)生失真的時域波形Fig.1　Time domain waveform for image pixels distortion

圖2　圖像像素失真時的Lyapunov指數(shù)Fig.2　Lyapunov index for image pixel distortion

通過圖1 圖2可以看出，根據(jù)圖像像素失真的時域波形和圖像像素失真時Lyapunov指數(shù)>1,可以很明顯地證明圖像像素在這種情況下具有混沌性.

1.2霧霾天霧化背景干擾下的圖像采集模型構建

霧霾天霧化背景下，在大氣散射的作用下，圖像采集會受到霧化背景的干擾，霧化背景干擾圖像采集是用McCarney大氣散射模型來實現(xiàn)的，對霧化圖像數(shù)據(jù)的設定由M個近鄰相位點組成了一個幀，用矩陣X表達圖像的色差像素級，在霧化背景干擾下的濃霧圖像色差像素級滿足單個尺度的差分函數(shù)，那么，就構建了一個關于霧化背景場景色差特征的大氣耗散模型：

(1)

式中：A為天空的亮度；Ic(y)為大氣粒子y軸向模型.

根據(jù)大氣耗散模型，由于大氣耗散對圖像像素產(chǎn)生噪聲干擾，設x0點為視差傳播的可靠性驅(qū)動因子，設G(x,y,σi)表示單個尺度的瑞利分布函數(shù)，設σi是像素(x,y)在目標整體特征上的尺度，設wi是去霧濾波器的窗口大小，那么，在霧化背景干擾下，大氣粒子的散射過程模型：

I(x)=J(x)t(x)+A(1-t(x)).

(2)

式中：I(x)是指霧化圖像的強度;J(x)為景物光線的強度；A為背景干擾強度；t(x)為混沌干擾下的大氣透射率.結合J(x)t(x)為霧化圖像的衰減項，得到霧點散射損失模型：

(3)

根據(jù)霧點散射損失模型，來構建霧霾天霧化背景干擾下的圖像采集模型：

I(x)=Aρ(x)e-βd(x)+A(1-e-βd(x)).

(4)

式中：Aρ(x)e-βd(x)表示直接傳播的模型；A(1-e-βd(x))表示環(huán)境光模型， 1-e-βd(x)為中值濾波大氣散射率.根據(jù)模型可知，霧化圖像處理和去霧目標就是從I(x)中恢復J(x)、A和t(x)等相關系數(shù).在霧化背景干擾下的濃霧圖像采集，主要是根據(jù)場景反照率，來實現(xiàn)對圖像的去霧處理.

1.3圖像最小顏色分量的處理方法

在霧霾環(huán)境下，為了實現(xiàn)對圖像的快速去霧處理，進行圖像暗原色特征提取的預處理.先對圖像的最小顏色分量預處理，具體過程如下：對于一幅在霧化背景干擾下的濃霧背景彩色圖像J，定義Jc代表J的某一個顏色分量，定義大氣耗散函數(shù)U(x)=1-e-βd(x)，t(x)=e-βd(x),其中0

(5)

在圖像的生成序列模型中，n=1,2,...,T，它表示圖像分頻迭代步數(shù).把檢測得出的圖像像素集劃分成幾個子集，采用最小顏色分量估計區(qū)分不同大小的圖像輪廓點，得到單個像素值I(i,j)的模型：

(6)

根據(jù)計算圖像位置x處的傳播模型，采用3×3的中值濾波器進行圖像特征采集，得到圖像特征采集結果模型：

m=1,2,…,M;n=1,2,…,N;

(7)

g(m,n)(u,v)=I(k)g[2(m-1)+u,2(n-1)+v]u∈{1,2};v∈{1,2}.

(8)

在圖像特征采集結果模型(7)(8)中，u為圖像p(i,j)最小顏色分量，(i,j)為相應像素的坐標值.以x為中心劃定一塊方形區(qū)域，采集多幅圖像的霧化背景先驗噪聲，在方形區(qū)域內(nèi)進行圖像特征提取，構建大氣耗散函數(shù)，并采用圖像去霧方法求得背景暗原色模型：

(9)

為了提高圖像去霧的速度，這里假定Jdark(x)等于0，即得到關于圖像去霧速度的模型：

(10)

在以上構建的模型基礎上，選取合適的活動窗口進行圖像的噪聲復原，得到復原以后的圖像模型：

J(x)=[I(x)-AU(x)]/(1-U(x))=

(11)

根據(jù)復原以后的圖像模型，來計算圖像內(nèi)的每一點自相關函數(shù)，通過陣列元分析方法求出尺度圖像在(x，y，σ)處的極值后，得到圖像的最小顏色分量自相關模型：

c(x,y)=∑W[I(xi,yi)-I(xi+Δx,yi+Δy)]2.

(12)

根據(jù)圖像的最小顏色分量自相關模型，進而估計的大氣耗散函數(shù)U(x)和天空亮度A，由此，得到霧化背景干擾下的霧化圖像最小顏色分量估計，為接下來的基于混沌性的加權濾波的圖像快速去霧算法奠定了基礎.

2　基于混沌性的加權濾波圖像快速去霧算法

通過對霧霾背景干擾下的圖像分析，提出一種基于混沌性的加權濾波的圖像快速去霧算法，實現(xiàn)對傳統(tǒng)基于邊緣保持濾波單幅圖像快速去霧算法的改進.

基于上述圖像特征和對最小顏色分量估計的預處理，采用自適應加權濾波設計，在霧化背景干擾下以混沌性特征映射濾波的第一層為網(wǎng)絡的輸入節(jié)點層.設A為天空的亮度，ρ(x)為空間坐標x處的場景反照率，d(x)為空間坐標，獲得特征點相關信息(位置、尺度、主方向及特征向量)后，確定初始特征點集的主方向，在霧化背景干擾下，濃霧圖像中存在霧化和未霧化兩部分區(qū)域，其差異值模型為τdu=u(x-m(x,y)-d(x,y),y)，根據(jù)顏色通道分量的先驗知識，對原圖像進行中值濾波，在霧化背景干擾下，假設局部區(qū)域都存在至少一個顏色分量，計算顏色分量干擾模型的極小值，來實現(xiàn)對源圖像值中的濾波.

假設在大氣光A作用下的無霧清晰圖像的透射率Ω(x)，隨著霧化背景作用增強，圖像分辨強度趨于0，輸入圖像I的像素值，構建出帶霧圖像的暗原色模型：

(13)

當A>0時：

(14)

由于在良好的自然環(huán)境采集條件下大氣粒子的存在，空氣中總會不可避免地包含一些雜質(zhì)分子，這些成分即為混沌性，采用加權濾波，計算干擾時頻特征，得到時域和頻域的特征分量模型：

(15)

(16)

(17)

式中：U(x)為改善后的透射率估計值.利用自適應加權濾波算法，針對性地去除一部分覆蓋遙遠景物的霧化特征向量，同時保留圖像的所有細節(jié),實現(xiàn)了基于加權濾波圖像快速去霧算法改進設計.

根據(jù)綜上設計，完成了基于混沌性的加權濾波圖像快速去霧算法的改進設計，具體的改進算法的實現(xiàn)流程如圖3所示.

圖3　改進去霧算法實現(xiàn)流程Fig.3　Fog algorithm implementation process

3　仿真實驗與結果分析

為了驗證加權濾波圖像快速去霧算法在實現(xiàn)霧化背景干擾下的圖像去霧性能，進行仿真實驗.仿真實驗是用系統(tǒng)內(nèi)存為3 GB的PC計算機，通過采用Matlab 2012和VC++軟件編程實現(xiàn)的算法仿真.其中，圖像采集系統(tǒng)中使用的是CCD攝像頭，參數(shù)為：感光元件為CMOS；動態(tài)分辨率為1 280×960.

首先，進行原始圖像的采集，得到霧化背景干擾下的霧霾環(huán)境圖像的大小是600×400的JPEG圖和400×300的BMP圖像.大氣散射環(huán)境下圖像采集將會受到霧化背景干擾，因此構建背景干擾模型進行原始圖像采集，得到兩幅待處理的霧霾天氣霧化背景干擾下的霧噪圖像如圖4所示，圖4(a)是600×400的JPEG圖像，圖4(b)是400×300的BMP圖像.

圖4　原始待處理圖像Fig.4　Original image to be processed

根據(jù)圖4可知，原始的圖像受到霧化背景的干擾，霧噪污染較為嚴重，圖像成像效果不好，需要進行圖像去霧處理，進行對圖像暗原色特征提取預處理.在此基礎上進行暗原色加權濾波處理，實現(xiàn)霧化背景干擾下的圖像快速去霧，為了對比算法性能，采用改進算法和傳統(tǒng)算法進行對比，得到去霧后的圖像成像效果如圖5和圖6所示.

圖5　文獻[3]去霧效果Fig.5　Literature [3] to the fog effect

分析圖5，采用傳統(tǒng)算法進行圖像去霧圖像中間區(qū)域出現(xiàn)了顏色失真現(xiàn)象，樹枝和地面去霧不徹底，遙遠景物的混細節(jié)特征不能得到合理的保留，圖像的去霧效果差.但采用改進算法進行圖像去霧，能有效克服傳統(tǒng)方法的上述缺陷，在除霧的同時保留了圖像的真實色彩，圖像成像質(zhì)量效果較好，有效地提高了圖像的目標特征點的分辨率.

圖6　本文算法去霧效果Fig.6　This algorithm to the fog effect

為了測試算法的運算性能，以運算時間為對比指標，采用不同算法，得到運算時間對比結果如圖7所示，從7圖可見，采用本文引進算法，運算性能較好，實時性較高，降低運算時間，提高了算法的速度.

圖7　運算性能對比Fig.7　Operational performance comparison

4　結論

筆者分別對霧霾環(huán)境下的傳統(tǒng)圖像去霧算法進行改進研究，對濃霧環(huán)境下的圖像進行去霧算法研究.基于仿真實驗的對比分析，可知，筆者提出的基于加權濾波的霧化背景干擾下圖像快速去霧算法，實現(xiàn)了霧化背景干擾下的圖像快速去霧算法改進，改進算法具有較好的圖像去霧性能，圖像質(zhì)量的改善和運算性能方面都具有優(yōu)越性.

[1]趙進超, 朱顥東, 申圳,等. 基于Hadoop的圖像紋理特征提取[J]. 鄭州大學學報(工學版), 2015, 36(4):109-113.

[2]南棟, 畢篤彥, 馬時平, 等. 基于景深約束的單幅霧天圖像去霧算法[J]. 電子學報, 2015, 43(3): 500-504.

[3]劉建磊, 劉曉亮. 基于拐點線的大霧能見度檢測算法[J]. 計算機應用, 2015, 35(2): 528-530.

[4]宋大偉.一種改進的遠距離視頻圖像性別辨識方法[J].科技通報,2013,29(8):100-136.

[5]毛曉艷, 張博, 葉中付. 基于加權濾波的低信噪比 LAMOST光纖光譜信號降噪[J]. 天文研究與技術, 2015(4):447-454.

[6]劉偉, 崔永鋒, 吳相林. 霧化圖像的約束進化時頻加權濾波去霧算法[J]. 計算機科學, 2014, 41(9):311-314.

[7]陳露, 和紅杰, 陳帆. 基于邊界鄰域最大值濾波的快速圖像去霧算法[J]. 光子學報, 2014, 43(11):235-269.

[8]劉紅平, 陳明義. 基于二次濾波的單幅圖像快速去霧算法研究[J]. 計算機工程與應用, 2015, 51(8):156-159.

[9]郭艷穎, 楊國慶. 基于暗原色和加權形態(tài)學濾波的圖像去霧算法[J]. 現(xiàn)代電子技術, 2012, 35(20):71-73.

[10]田豐, 劉娜. 基于二次加權濾波的熱設備故障區(qū)域定位研究[J]. 計算機工程與應用, 2014, 50(14):242-244.

Image Remove the Fogfog Algorithm Based on Improvement Chaotic under Haze Pollution

SUI Dan1,2, ZHANG Yali3, Yang Jie2

(1.School of Software Engineering, Anyang Normal University, Anyang 455000, China; 2.School of Information Wuhan University of Technology, Wuhan Hubei 430070 , China; 3.Computer Science Department Anyang University, Anyang 455000, China)

This paper suggests a quick image defogging algorithm based on the chaotic weighted filtering to improve the traditional algorithm, the single image defogging algorithm with edge protection, with which there are the disturbance of foggy background, intense foggy hot pixel and the bad restore of image structure. The chaos of the image data will be acquired and the minimum color components will be estimated with the analysis of those disturbed images by the foggy background in haze. Then on this basis, with the combination of the dark channel model of foggy images and the component model of time domain and frequency domain features, the self-adapted weight filtering model is constructed, and the improved design of the quick image defogging algorithm based on chaotic weight filtering is completed. The results of experiment indicate that the adoption of this algorithm can avoid color distortion in the middle area of foggy images, lower the disturbance of foggy background, reduce the foggy hot pixel, and retain the chaotic characteristics of the distant view, and therefore, the advantages in image quality and calculation are displayed.

haze; chaos; defogging algorithm; improvement

2015-10-25；

2015-12-18

河南省科技攻關項目(132102210212)

睢丹(1976—)，女，河南安陽人，安陽師范學院副教授，博士研究生，主要從事計算機圖像處理與模式識別等方面的研究，E-mail：aynusd@163.com.

1671-6833(2016)04-0091-06

TP391.9

A

10.13705/j.issn.1671-6833.2016.04.020