王相海, 邢湘筠, 婁婉琪, 劉 爽, 唐 媛, 宋傳鳴

(1.遼寧師范大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,遼寧 大連 116081; 2.遼寧師范大學(xué) 數(shù)學(xué)學(xué)院,遼寧 大連 116029)

霧作為一種常見的天氣現(xiàn)象，在一定程度上影響著人們視覺觀測(cè)自然場(chǎng)景的效果和識(shí)別能力.霧天環(huán)境下，由于場(chǎng)景的點(diǎn)輻射光受大氣顆粒散射的影響，導(dǎo)致戶外視覺系統(tǒng)所拍攝的圖像質(zhì)量下降、特征模糊，有時(shí)甚至無法識(shí)別，這種情況下將直接影響到對(duì)諸如交通監(jiān)控、安防監(jiān)控等戶外視覺系統(tǒng)拍攝影像的智能處理.近年來圖像去霧方法研究作為多學(xué)科的一個(gè)交叉領(lǐng)域受到關(guān)注并成為一個(gè)研究熱點(diǎn)問題[1-3].目前圖像去霧方法總體上可分為三類，即基于圖像增強(qiáng)、圖像融合和圖像復(fù)原的方法[4]，其中，圖像增強(qiáng)方法將含霧圖像作為一個(gè)“低質(zhì)”圖像，直接利用圖像處理的一些典型算法對(duì)其對(duì)比度、細(xì)節(jié)信息等進(jìn)行增強(qiáng)來改善圖像的視覺效果，該類方法通常會(huì)形成細(xì)節(jié)和顏色的偏差；圖像融合方法利用同一場(chǎng)景的多源圖像的信息互補(bǔ)來提高含霧圖像的質(zhì)量，該類方法的效果通常會(huì)受到所需要的多幅影像的互補(bǔ)性的影響，而具有強(qiáng)互補(bǔ)性的同場(chǎng)景含霧圖像的獲取比較困難；基于圖像復(fù)原的方法考慮含霧圖像的退化機(jī)理，通過相應(yīng)的物理建模補(bǔ)償退化失真信息已提高圖像的質(zhì)量，該類方法具有針對(duì)性強(qiáng)、復(fù)原效果好的特點(diǎn)，但需要構(gòu)建相應(yīng)的物理模型并對(duì)其參數(shù)進(jìn)行估計(jì)，而有效的物理模型的種類總體而言還不是很多，比較典型的有暗通道先驗(yàn)?zāi)Ｐ蚚5]等.總體而言，天氣情況的隨機(jī)性導(dǎo)致了含霧圖像的復(fù)雜性，盡管目前已出現(xiàn)的圖像去霧方法在一定程度或某一方面取得了很好的效果，但總體而言該領(lǐng)域還處于發(fā)展之中，很多問題還有待進(jìn)一步深入研究.

考慮到在智能交通中交通圖像主要用于路況監(jiān)控、違章自動(dòng)監(jiān)控和記錄、收費(fèi)監(jiān)視等交通監(jiān)控，這樣不同于一般的可視場(chǎng)景圖像，含霧交通圖像的去霧在關(guān)注其去霧后視覺效果的同時(shí)，更應(yīng)重視其對(duì)原始交通圖像中紋理、邊緣信息的保持.基于該思路，本文提出一種基于紋理提取與注入的暗通道先驗(yàn)去霧算法，首先將含霧交通圖像的顏色空間轉(zhuǎn)換為HSV顏色空間，并提取其亮度分量進(jìn)行非下采樣Contourlet(Nonsubsampled Contourlet, NSCT)變換獲得高頻子帶；然后對(duì)所獲得的NSCT高頻子帶進(jìn)行引導(dǎo)濾波獲得平滑結(jié)果，并從原高頻子帶中去除這些平滑結(jié)果獲得相應(yīng)子帶的紋理信息；最后將這些紋理信息注入經(jīng)大氣散射物理模型的初步去霧結(jié)果中，在保證去霧效果的同時(shí)，有效提高了去霧后交通圖像的紋理、邊緣特征信息.

1 大氣散射物理模型

McCartney[6]于1976年提出了著名的大氣散射模型，其中兩個(gè)子模型——入射光衰減模型和大氣光成像模型分別描述了入射光從場(chǎng)景中的客體到觀測(cè)點(diǎn)的衰減過程和環(huán)境光對(duì)觀測(cè)點(diǎn)所接收到的光強(qiáng)的影響，霧天環(huán)境下這兩個(gè)模型所揭示的規(guī)律同時(shí)存在且起主導(dǎo)作用，由此形成了霧天環(huán)境下大氣物理成像模型，并成為霧天戶外視覺系統(tǒng)拍攝圖像信息退化、衰減等形成機(jī)理的理論基礎(chǔ).模型的具體形式如下：

E(d,λ)=EL(d,λ)+ES(d,λ).

(1)

其中,EL(d,λ)和ES(d,λ)分別為入射光衰減模型和大氣光成像模型，表現(xiàn)形式如式(2)所示.

(2)

其中，Eo(λ)為反射光強(qiáng)度，E∞(λ)為大氣光的總強(qiáng)度，β(λ)為大氣散射系數(shù)，d表示客體目標(biāo)到觀測(cè)點(diǎn)之間的距離，λ表示光的波長(zhǎng).

進(jìn)一步令t(x)=e-β d(x)，A=E∞(λ)，J(x)=Eo(λ)，I(x)=E(d,λ)，則式(1)為

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

(3)

這就是在之前提到的著名的暗通道先驗(yàn)?zāi)Ｐ?簡(jiǎn)稱 He 算法)[5].在利用該模型進(jìn)行圖像去噪時(shí)，大氣光值和透射率需要進(jìn)行估計(jì)和確定.

考慮到式(3)當(dāng)透射率t(x)趨近于0時(shí)，直接衰減項(xiàng)J(x)t(x)也近似于0，這樣恢復(fù)出的復(fù)原圖像J極易產(chǎn)生噪聲，所以通常給透射率設(shè)置一個(gè)較小的下界，這樣復(fù)原有霧圖像為

(4)

其中,t0為一常數(shù)，通常取值為0.1.

2 本文算法的提出

本文所提出算法的總體架構(gòu)參見圖1.

圖1 本文算法流程圖

2.1 NSCT

NSCT[7]屬于后小波時(shí)發(fā)展起來的多尺度幾何分析工具，該工具除具有傳統(tǒng)下采樣Contourlet變換[8]的多尺度和多方向特性外，同時(shí)還具有平移不變特性和冗余特性，克服了傳統(tǒng)下采樣Contourlet變換子帶系數(shù)頻率混疊現(xiàn)象.

圖像的NSCT變換包括兩個(gè)過程：一是通過非下采樣拉普拉斯塔式分解(Nonsubsampled Laplacian Pyramid, NSLP)進(jìn)行尺度變換獲得各尺度子帶；二是對(duì)各尺度子帶圖像進(jìn)行非下采樣的方向?yàn)V波器組分解(Nonsubsampled Directional Filter Banks, NSDFB) 獲得多方向子帶.其變換過程參見圖2.

圖2 NSCT變換示意圖[7]

2.2 引導(dǎo)濾波器

引導(dǎo)濾波器是文獻(xiàn)[9]中提出的一種基于引導(dǎo)圖的濾波器，其基本原理是在濾波的過程中通過一引導(dǎo)圖實(shí)現(xiàn)濾波后圖像總體上保持與原圖像一致，而紋理與引導(dǎo)圖相近.其中引導(dǎo)圖可以是其他圖像，也可以是輸入圖像本身.其表現(xiàn)形式如下：

qi=akIi+bk, ?i∈ωk.

(5)

其中,Ii表示引導(dǎo)圖像，qi表示引導(dǎo)濾波后的輸出圖像，ωk是以像素k為中心的一固定大小的窗口，(ak,bk)為對(duì)應(yīng)窗口ωk的線性系數(shù)，該系數(shù)可通過輸出圖像q和待濾波圖像p的最小代價(jià)函數(shù)(參見式(6))進(jìn)行估計(jì)獲得：

(6)

其中，ε為正則化參數(shù)，用以約束ak，避免其值過大.

進(jìn)一步可通過線性回歸估計(jì)對(duì)式(6)進(jìn)行估計(jì)求解：

(7)

(8)

其中,

2.3 暗通道先驗(yàn)?zāi)Ｐ偷膮?shù)估計(jì)及去霧

(9)

其中,Im為含霧圖像的R、G、B通道，Am為對(duì)應(yīng)通道的全局大氣光照值(參見文獻(xiàn)[5]),ω是一用于平衡去霧強(qiáng)度的調(diào)節(jié)因子，一般選取其為0.95.

進(jìn)一步利用文獻(xiàn)[9]的引導(dǎo)濾波對(duì)預(yù)估值粗透射率圖進(jìn)行細(xì)化可獲得更加精細(xì)的透射率圖t(x)，圖3給出了兩個(gè)透射率圖的一個(gè)實(shí)例對(duì)比.

圖3 He算法的粗透射率和細(xì)化后透射率圖

將輸入含霧圖像由RGB顏色空間轉(zhuǎn)換為HSV顏色空間，對(duì)HSV顏色空間的3個(gè)通道進(jìn)行NSCT變換，對(duì)3個(gè)通道的低頻子帶按如下過程獲得其最大值maxh、maxs和maxv處理：

(10)

其中，Jc表示c通道低頻子帶系數(shù)，Ω(x)表示以y為中心的局部區(qū)域.

進(jìn)一步取3個(gè)通道低頻子帶最大值的平均值作為大氣光值的估計(jì)值，即有：

(11)

在前面工作基礎(chǔ)上，可通過式(4)獲得初步去霧圖像.

2.4 算法的實(shí)現(xiàn)過程

獲得的初步復(fù)原去霧圖像存在著一定的邊緣虛化問題，為此本文利用引導(dǎo)濾波器提取含霧圖像中的邊緣、紋理信息對(duì)獲得的初步去霧圖像進(jìn)行注入，以強(qiáng)化復(fù)原交通圖像的邊緣細(xì)節(jié)信息.

所提出算法的具體過程如下：

Step 2 根據(jù)HSV模型，將原始含霧圖像由RGB顏色空間轉(zhuǎn)換為HSV顏色空間；

Step 3 利用式(10)(11)計(jì)算大氣光值的估計(jì)值A(chǔ)；

Step 4 將t(x)和A代入式(4)獲得初步去霧圖像J；

Step 5 對(duì)原始含霧圖像V通道進(jìn)行NSCT變換，獲得其低頻子帶Lv和高頻子帶Hv；

Step 6 對(duì)Hv進(jìn)行引導(dǎo)濾波，獲得H′v；

Step 7 將Hv與H′v做差，獲得紋理信息H″v；

Step 8 將H″v注入初步去霧圖像J中，獲得最終的復(fù)原結(jié)果圖像.

3 實(shí)驗(yàn)結(jié)果與分析

對(duì)本文算法進(jìn)行了實(shí)驗(yàn)，并與經(jīng)典暗通道先驗(yàn)算法[5]、Tan算法[10]和Fattal算法[11]的復(fù)原結(jié)果進(jìn)行了對(duì)比，圖4和圖5分別給出了自然霧圖像和人工加霧圖像的算法結(jié)果.

進(jìn)一步，本文利用文獻(xiàn)[12]提出的無參考客觀質(zhì)量評(píng)測(cè)方法對(duì)圖4和圖5的實(shí)驗(yàn)結(jié)果進(jìn)行了定量分析，對(duì)應(yīng)的統(tǒng)計(jì)結(jié)果參見表1和表2.

表2 復(fù)原結(jié)果比較(人工加霧圖像)

由圖4和圖5可以看出，暗通道算法和本文所提出的算法在去霧方面都取得了較好的效果，但在天空區(qū)域還是存在著一定的塊狀效應(yīng)；Tan算法和Fattal算法去霧效果也很好，但都出現(xiàn)了顏色失真現(xiàn)象，前者出現(xiàn)了曝光過度現(xiàn)象，后者出現(xiàn)了過飽和現(xiàn)象.此外由表1和表2可以看出，從定量分析上可以看出，本文在總體綜合評(píng)測(cè)上取得了較好的成績(jī)，在細(xì)節(jié)強(qiáng)度上具有一定的優(yōu)勢(shì).

4 結(jié)束語(yǔ)

針對(duì)交通圖像在去霧過程中應(yīng)注意保持圖像紋理、邊緣等信息的問題，本文提出一種基于紋理提取與注入的暗通道先驗(yàn)去霧算法，利用引導(dǎo)濾波器從含霧交通圖像的V分量NSCT變換高頻子帶中提取紋理信息，然后將其注入交通圖像基于暗通道模型的初步去霧圖像中，在保持圖像整體去霧效果的前提下，一定程度上增強(qiáng)了交通圖像去霧后的紋理細(xì)節(jié)信息，為交通圖像進(jìn)一步的智能處理奠定了基礎(chǔ).