李文龍,李興廣,胡冉冉,崔 煒
長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院,長(zhǎng)春 130022
作為智能交通系統(tǒng)中的重要組成部分,交通標(biāo)志識(shí)別系統(tǒng)(TSRS)為駕駛員提供實(shí)時(shí)的道路交通信息以提高駕駛安全性[1]。但在霧霾等能見(jiàn)度較低的惡劣天氣情況下,由于道路環(huán)境的可視性下降,導(dǎo)致TSRS采集到的交通圖像的色彩、對(duì)比度、清晰度等特征信息嚴(yán)重降質(zhì)。因此需要對(duì)退化的有霧交通圖像進(jìn)行去霧處理,還原出保證相關(guān)特征信息的清晰無(wú)霧圖像,以便用于后續(xù)精準(zhǔn)的檢測(cè)和識(shí)別。
近年來(lái),圖像去霧的方法根據(jù)原理的不同主要分為兩類(lèi):基于圖像增強(qiáng)和圖像復(fù)原[2-8]。其中,基于圖像增強(qiáng)的方法主要是通過(guò)增強(qiáng)霧天退化圖像的色彩和對(duì)比度來(lái)改善圖像的質(zhì)量。該類(lèi)方法本質(zhì)上不僅沒(méi)有實(shí)現(xiàn)對(duì)圖像的去霧處理,而且可能會(huì)造成圖像中部分信息的丟失。基于圖像復(fù)原的方法選取退化的霧天圖像物理模型作為基礎(chǔ),建立降質(zhì)模型,反演出圖像的退化過(guò)程,通過(guò)參數(shù)的最優(yōu)估計(jì)來(lái)補(bǔ)償降質(zhì)圖像的失真部分,有效地減少了信息丟失,進(jìn)而更好地提升了圖像的質(zhì)量,是從根本上進(jìn)行去霧的一類(lèi)方法。因此,基于圖像復(fù)原的方法得到了更多相關(guān)學(xué)者的研究和關(guān)注。
在基于圖像復(fù)原的去霧方法中,Tan提出了通過(guò)最大化復(fù)原圖像的局部對(duì)比度的思路實(shí)現(xiàn)圖像去霧,但是由于缺乏對(duì)大氣光成分這一因素的考慮,導(dǎo)致去霧圖像色調(diào)過(guò)于飽和而導(dǎo)致失真[9]。Fattal在假定光的局部傳播和場(chǎng)景目標(biāo)表面的投影局部不相干的前提下,提出一種估算場(chǎng)景反射率進(jìn)而推導(dǎo)出場(chǎng)景透射率的方法來(lái)實(shí)現(xiàn)有霧圖像的去霧[10]。但該方法基于數(shù)理統(tǒng)計(jì)學(xué),并且要求足夠的顏色信息,對(duì)于濃霧時(shí)顏色暗淡的圖像會(huì)因?yàn)榻y(tǒng)計(jì)信息的不足而導(dǎo)致復(fù)原后的圖像失真。He等人通過(guò)對(duì)大量的無(wú)霧圖像分析,借助先驗(yàn)理論,提出了基于暗通道先驗(yàn)(DCP)的單幅圖像去霧算法[11]。然而,對(duì)于天空等接近大氣光值的明亮區(qū)域的處理,應(yīng)用DCP算法會(huì)出現(xiàn)顏色失真和亮度損失等現(xiàn)象,而且軟摳圖細(xì)化方法的時(shí)間復(fù)雜度較高。隨后,He等人又采用引導(dǎo)濾波技術(shù)[12]進(jìn)一步提升了去霧速度?,F(xiàn)在仍不斷地有對(duì)He等人的改進(jìn)方法,如使用雙邊濾波[13-14]、拉普拉斯濾波聯(lián)合引導(dǎo)濾波等來(lái)優(yōu)化透射率[15]等方法,提高了去霧后的圖像質(zhì)量,但是均以DCP理論作為前提。針對(duì)DCP算法去霧后明亮區(qū)域質(zhì)量不佳以及Halo效應(yīng)問(wèn)題,現(xiàn)有文獻(xiàn)又出現(xiàn)了許多基于天空區(qū)域識(shí)別實(shí)現(xiàn)對(duì)天空和非天空區(qū)域的透射率分別進(jìn)行修正的解決方案[6-8]。如李加元等人通過(guò)邊緣跟蹤方法實(shí)現(xiàn)對(duì)天空區(qū)域的描繪,結(jié)合霧圖的亮度和梯度特征進(jìn)一步篩選出相關(guān)區(qū)域,但是該方法對(duì)于圖像中的小面積灰白色場(chǎng)景物體的處理能力有待提升[6]。李堯羿等人通過(guò)天空區(qū)域特征先驗(yàn)知識(shí)理論來(lái)實(shí)現(xiàn)霧天退化圖像的天空與非天空區(qū)域的分割,雖然結(jié)果具備一定的有效性和魯棒性,但是對(duì)于復(fù)雜的交通場(chǎng)景圖像,手動(dòng)分割提取先驗(yàn)知識(shí)需要較大的工作量[7]。譚龍江首先通過(guò)對(duì)天空區(qū)域和景物區(qū)域的透射率分別細(xì)化得到了初始粗略透射率圖,然后聯(lián)合自適應(yīng)中值濾波和雙邊濾波進(jìn)行二次細(xì)化[8],雖然算法時(shí)間復(fù)雜度可觀,但仍存在提升空間。
考慮到TSRS多應(yīng)用于車(chē)載裝置中,霧霾天氣下行車(chē)過(guò)程中,采集到的含有交通標(biāo)志的圖像中勢(shì)必會(huì)包含不同比例的天空等明亮區(qū)域,如上所述,現(xiàn)有的方法雖然能夠取得相對(duì)較好的效果,但是均存在不同程度較高的計(jì)算復(fù)雜度、天空區(qū)域的色彩失真及信息丟失等問(wèn)題。
針對(duì)以上問(wèn)題,為實(shí)現(xiàn)霧天環(huán)境下TSRS采集到的單幅有霧交通標(biāo)志圖像的快速、有效的去霧預(yù)處理,基于現(xiàn)有工作,提出一種新的基于天空分割的有霧單幅交通標(biāo)志圖像去霧算法。首先根據(jù)大津算法(OTSU)求取分割閾值,由于交通標(biāo)志圖像背景環(huán)境的復(fù)雜性,OTSU的分割效果欠佳,因此進(jìn)一步結(jié)合有霧圖像的灰度特征得到自適應(yīng)閾值實(shí)現(xiàn)天空和非天空區(qū)域的準(zhǔn)確分割;再對(duì)分割后的天空區(qū)域和非天空區(qū)域分別進(jìn)行處理;將分別處理后的圖像進(jìn)行融合即得到復(fù)原圖像。對(duì)于采集到的嚴(yán)重降質(zhì)的有霧圖像,使用基于高斯濾波的方法來(lái)提升去霧后圖像的清晰度[16],以進(jìn)一步滿(mǎn)足TSRS后續(xù)的檢測(cè)和識(shí)別的需求。
大氣散射物理模型如圖1所示。
圖1 有霧天氣中的成像過(guò)程Fig.1 Imaging process in foggy weather
其數(shù)學(xué)模型為:
其中,I(x)是輸入的有霧圖像,J(x)是輸出的無(wú)霧圖像,A是估計(jì)的大氣光值,t(x)為透射率,J(x)t(x)通常被視為直接衰減模型,A(1-t(x))稱(chēng)作大氣光成像模型,I(x)為已知,A和t(x)都是未知。由于未知數(shù)個(gè)數(shù)多于方程個(gè)數(shù),因此該問(wèn)題的求解是一個(gè)病態(tài)問(wèn)題,需要根據(jù)先驗(yàn)信息進(jìn)行求解。
暗原色先驗(yàn)理論認(rèn)為,在有霧圖像中,總是存在最小值趨近于0的暗原色像素點(diǎn),即:
其中,J c(y)表示J的某一個(gè)顏色通道,Ω(x)是圖像中以像素x為幾何中心的窗口,Jdark(x)是圖像在Ω(x)鄰域內(nèi)的暗原色,對(duì)于清晰無(wú)霧圖像,其值趨于0。
He等人[11]選取暗原色圖像中最大亮度像素的前0.1%像素,將其在原圖像中像素的亮度平均值作為大氣光值A(chǔ)的估計(jì)值。因此,可進(jìn)一步假定透射率在一定范圍內(nèi)是恒定的,定義為t?(x)。將式(1)整體除以A并進(jìn)行取最小值操作,有:
結(jié)合清晰無(wú)霧圖像,其Jdark(x)值趨于0,可進(jìn)一步推導(dǎo)出透射率的估計(jì)值為:
其中,ω是人為引入的修正常數(shù)(一般取值0.95),其作用是保留部分遠(yuǎn)景處的霧,使人類(lèi)視覺(jué)感覺(jué)得到景深的變化。隨后,設(shè)定下限值t0來(lái)限制t(x),防止對(duì)比度過(guò)大。當(dāng)t小于t0時(shí),令t=t0=0.1,進(jìn)而恢復(fù)的清晰無(wú)霧圖像為:
霧天交通場(chǎng)景中,有霧交通標(biāo)志圖像的前景目標(biāo)一般色彩比較鮮艷和突出,天空區(qū)域等背景目標(biāo)幾乎是純白或灰白色的狀態(tài)。通過(guò)大量實(shí)驗(yàn)表明,應(yīng)用基于邊緣檢測(cè)算法[17-18]來(lái)進(jìn)行分割操作,所得到的圖像結(jié)構(gòu)信息往往是較不完整的,這是因?yàn)殪F使得圖像邊緣部分變得模糊,導(dǎo)致的分割效果不佳。使用基于卷積神經(jīng)網(wǎng)絡(luò)的方法[19]能夠取得很好的分割效果,但是不可避免地存在時(shí)間復(fù)雜度較高的缺點(diǎn),不能滿(mǎn)足TSRS實(shí)時(shí)性的要求。相比之下,OTSU不需過(guò)多考慮圖像邊緣特性以及對(duì)比度和亮度等特征,且算法復(fù)雜度較低,滿(mǎn)足霧天條件下TSRS處理有霧圖像的要求。
記圖像的灰度級(jí)個(gè)數(shù)為L(zhǎng),則圖像各點(diǎn)的灰度為i={1,2,…,L}。計(jì)算圖像的灰度直方圖,對(duì)任一灰度級(jí)的個(gè)數(shù)進(jìn)行統(tǒng)計(jì),得到f i,假定圖像的像素總數(shù)為M,有M=f1+f2+…+f L。則灰度級(jí)i出現(xiàn)的概率是:
以灰度值t作為分割閾值將圖像分割為前景(即目標(biāo))T0和背景(即天空區(qū)域)T1兩類(lèi),T0中i={1,2,…,t},T1中i={t+1,t+2,…,L}。算法具體流程如下:
(1)分別計(jì)算前景部分和背景部分像素占比:ω0=由于滿(mǎn)足ω0+ω1=1,所以ω1=1-ω(t)=
(3)計(jì)算總平均灰度值μT和類(lèi)間方差g:
g2是關(guān)于t的函數(shù),所以當(dāng)g2取最大時(shí),即可得到最佳分割閾值T為:
通過(guò)上述閾值T可以將天空區(qū)域和非天空區(qū)域粗略地分離開(kāi)來(lái)。但是由于道路交通場(chǎng)景環(huán)境復(fù)雜,前景目標(biāo)種類(lèi)較多,當(dāng)圖像中存在較多的白色車(chē)輛、淺色建筑物等明亮物體時(shí),會(huì)產(chǎn)生較多的噪聲,嚴(yán)重影響分割質(zhì)量。對(duì)此,通過(guò)設(shè)計(jì)自適應(yīng)閾值來(lái)進(jìn)行進(jìn)一步優(yōu)化。
通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),有霧交通圖像的天空或白色等明亮區(qū)域,在灰度直方圖上通常具有高尖峰特性,如圖2所示。
圖2 有霧交通圖像灰度圖和灰度直方圖Fig.2 Gray image and gray histogram of foggy traffic image
結(jié)合灰度圖像這一特性進(jìn)一步求取自適應(yīng)閾值。具體步驟如下:
將灰度直方圖進(jìn)行歸一化處理,求取其概率分布函數(shù)F(x)。分別計(jì)算F(x1)=0.01和F(x2)=0.99處對(duì)應(yīng)的灰度值Gx1和Gx2的值,以此得到直方圖的中心點(diǎn)X c,Xc=(Gx1+Gx2)/2;結(jié)合OTSU得到的閾值T,在區(qū)間(max(X c,T),A r)中,由二分搜索思想縮小直方圖區(qū)間[20]:
其中,max()表示取最大值操作,A r為對(duì)有霧圖像粗略估計(jì)的大氣光值。最終的區(qū)間定義為[a,b],在此區(qū)間找到直方圖中最小的極小值點(diǎn),計(jì)算其對(duì)應(yīng)像素點(diǎn)的灰度值,將其定義為最終的分割閾值Tfin。
分割后的結(jié)果如圖3所示。
圖3 原圖及分割圖Fig.3 Original image and segmented image
分割后的非天空區(qū)域仍滿(mǎn)足DCP理論,所以,該區(qū)域仍按照基于DCP的算法進(jìn)行去霧處理。由1.2節(jié),選取暗原色圖像中最大亮度像素的前0.1%像素作為估計(jì)的大氣光值A(chǔ)。根據(jù)公式(4)求得初始透射率t(x),其中,由于其是假定在局部區(qū)域Ω(x)內(nèi)的常量,所以結(jié)果較為粗糙,在處理較大梯度的景深邊緣時(shí),尤其有霧交通標(biāo)志圖像,其勢(shì)必都存在較大的景深,會(huì)導(dǎo)致復(fù)原圖像產(chǎn)生塊效應(yīng),影響后續(xù)的檢測(cè)和識(shí)別。因此,為了更加接近實(shí)際透射率值、保存更多的圖像細(xì)節(jié),需要對(duì)透射率進(jìn)行進(jìn)一步細(xì)化操作。
He等人先后使用軟摳圖和引導(dǎo)濾波技術(shù)[11-12]對(duì)透射率進(jìn)一步優(yōu)化。但是軟摳圖法的時(shí)間和計(jì)算復(fù)雜度均較高,不適合實(shí)時(shí)系統(tǒng)。引導(dǎo)濾波雖然處理速度較快,但細(xì)化效果稍差,對(duì)于交通標(biāo)志等梯度較大的景深邊緣的處理效果還有待提高。雙邊濾波是最常用的細(xì)化方法[13-14],但處理結(jié)果會(huì)出現(xiàn)過(guò)于飽和的現(xiàn)象。綜合考慮細(xì)化效果和時(shí)間復(fù)雜度,采取自適應(yīng)中值濾波結(jié)合快速雙邊濾波的方式對(duì)透射率進(jìn)行優(yōu)化,在保證優(yōu)化效果的同時(shí)滿(mǎn)足系統(tǒng)實(shí)時(shí)性要求。自適應(yīng)中值濾波的流程圖[8]如圖4所示。
圖4 自適應(yīng)中值濾波流程圖Fig.4 Flow chart of adaptive median filtering
圖4中,S xy是濾波器的作用區(qū)域,該區(qū)域的中心點(diǎn)為一幅圖像中的第y行第x列的像素點(diǎn),初始大小設(shè)置為5×5,以奇數(shù)順序遞增。Smax是S xy所允許的最大窗口尺寸,設(shè)置為默認(rèn)取初始圖像大小的1%。Z xy是圖像中y行第x列個(gè)像素點(diǎn)的灰度值。Zmin、Zmed、Zmax分別是S xy中最小、中間、最大灰度值。
通過(guò)上述自適應(yīng)中值濾波處理后,圖像中亮度均勻區(qū)域中突出的噪點(diǎn)被有效地抑制,同時(shí)能更好地保護(hù)圖像邊緣。然而,自適應(yīng)中值濾波會(huì)不可避免地帶來(lái)細(xì)節(jié)高頻部分的模糊化。對(duì)此,引入雙邊濾波進(jìn)行處理,進(jìn)一步準(zhǔn)確地細(xì)化透射率。為了提高算法速度,滿(mǎn)足TSRS實(shí)時(shí)性要求,選取快速雙邊濾波[21]的方法對(duì)透射率進(jìn)行進(jìn)一步修正。
雙邊濾波是一種非線性濾波器,它以周邊像素亮度值的加權(quán)平均來(lái)表示某一像素強(qiáng)度,加權(quán)平均基于高斯分布。在計(jì)算中心像素時(shí),它的權(quán)重在考慮了像素的歐氏距離的同時(shí),也考慮了像素范圍域中的輻射差異。
對(duì)于一幅圖像f(x),它的雙邊濾波表達(dá)式為:
其中,ω(x,y)衡量鄰域中心點(diǎn)x和鄰近點(diǎn)y的幾何鄰近度,它的作用是將平均值定位在x的鄰域內(nèi)。?(u,v)衡量鄰域中心f(x)與其相鄰像素f(y)的強(qiáng)度之間的相似性。歸一化因子η用于保留常數(shù),特別是局部平均值。
對(duì)經(jīng)過(guò)自適應(yīng)中值濾波后的透射率進(jìn)一步根據(jù)雙邊濾波獲得的最終透射率為:
其中,φ(x)是歸一化系數(shù),Ω(x)是中心點(diǎn)(x,y)處以(2N+1)×(2N+1)為大小的鄰域窗口,N值越大,說(shuō)明平滑效果越好,但同時(shí)也會(huì)帶來(lái)計(jì)算復(fù)雜度的升高。D表示圖像強(qiáng)度。G是受D影響的高斯函數(shù)。t0(x)是經(jīng)過(guò)自適應(yīng)中值濾波處理后的透射率。應(yīng)用文獻(xiàn)[21]中通過(guò)將三角函數(shù)用于雙邊濾波器的范圍內(nèi)核的方法,大大提高了運(yùn)行速度。
圖5是不同透射率細(xì)化方法所得到的透射率圖。由圖可知,軟摳圖方法處理后結(jié)果較為模糊,引導(dǎo)濾波處理后的透射率圖亮度較高,整體質(zhì)量較為平滑,但是會(huì)造成原圖中部分信息(如塔形建筑物)的丟失。相比之下,本文細(xì)化方法所得的透射率圖表現(xiàn)較好。運(yùn)行時(shí)間上,文中方法遠(yuǎn)低于軟摳圖方法,較之于引導(dǎo)濾波技術(shù),時(shí)間成本也節(jié)約2/3以上。根據(jù)細(xì)化后的透射率圖即可根據(jù)公式(5)恢復(fù)出非天空區(qū)域的無(wú)霧圖像。
圖5 細(xì)化后的透射率圖簡(jiǎn)明對(duì)比Fig.5 Concise comparison of refined transmittance graph
由2.1節(jié)分析可知,采集到的有霧交通標(biāo)志圖像通常含有部分天空區(qū)域,天空區(qū)域的亮度和對(duì)比度等特征變化尤為緩慢,即無(wú)深度突變,像素值的分布較為均勻。利用天空區(qū)域這一特性,采取直方圖均衡化算法對(duì)該區(qū)域進(jìn)行處理,通過(guò)將原始圖像的直方圖根據(jù)積分概率密度函數(shù)轉(zhuǎn)化為概率密度為1(理想情況)的圖像,達(dá)到提高對(duì)比度的目的。
將處理后的天空非天空?qǐng)D像通過(guò)圖像融合技術(shù)進(jìn)行融合,求得恢復(fù)的清晰無(wú)霧圖像。
文中天空區(qū)域的直方圖均衡化運(yùn)行時(shí)間極短,相比之下,等價(jià)于只對(duì)非天空區(qū)域進(jìn)行基于改進(jìn)的DCP方法進(jìn)行去霧,因此,對(duì)于有霧交通標(biāo)志圖像的去霧處理的時(shí)間復(fù)雜度大大降低,提高了算法的速度。進(jìn)一步的討論將在第3章給出。
由于采集設(shè)備的優(yōu)劣,以及有霧圖像本身的質(zhì)量下降的影響,目前,實(shí)際交通場(chǎng)景有霧圖像進(jìn)行去霧處理后,會(huì)有部分圖像質(zhì)量嚴(yán)重下降,尤其是清晰度等指標(biāo)下降明顯,這十分不利于TSRS后續(xù)對(duì)交通標(biāo)志進(jìn)行檢測(cè)和識(shí)別。對(duì)此,采取一種基于高斯濾波的方法來(lái)提升去霧后圖像的清晰度。
變換模型為:
其中,U(x,y)是變換后的圖像,V(x,y)是輸入的待清晰化處理的圖像。λ是可控因子,用來(lái)增強(qiáng)變換幅度。δ(x,y)是與V(x,y)同維度的變化矩陣,它是利用高斯高通濾波器卷積獲取的圖像中的高頻部分。高斯濾波器為:
其中,Q為濾波器內(nèi)某一像素點(diǎn)到濾波器中心的距離,Q0是濾波半徑。部分實(shí)例化結(jié)果如圖6所示。從圖中可知,高斯濾波處理后的圖像清晰度明顯提高,標(biāo)志區(qū)域的視覺(jué)可視感明顯增強(qiáng),為后續(xù)的檢測(cè)和識(shí)別奠定了良好基礎(chǔ)。
圖6 低質(zhì)圖像去霧后清晰化處理結(jié)果Fig.6 Clear processing results of low-quality images after defogging
在Intel?CoreTMi5-3470 CPU@3.20 GHz,內(nèi)存12.0 GB,64位Win10操作系統(tǒng)的計(jì)算機(jī)上,通過(guò)Matlab2018b平臺(tái),分別采用He等人DCP算法[11]、Zhou等人基于Retinex的去霧算法[3]、王園園等人基于雙邊濾波的去霧方法[14],后文簡(jiǎn)稱(chēng)為Ref.[14]、未使用DCP理論而是引入霧密度預(yù)測(cè)優(yōu)化的Ling等人的方法[4]以及本文方法分別對(duì)霧天交通標(biāo)志圖像進(jìn)行處理。由于目前尚沒(méi)有標(biāo)準(zhǔn)的霧天道路交通場(chǎng)景的視頻和圖片庫(kù),實(shí)驗(yàn)所采用的圖像數(shù)據(jù)均來(lái)源于自制數(shù)據(jù)集,共計(jì)320張有霧交通場(chǎng)景圖像,選材源于項(xiàng)目組自采、Google網(wǎng)絡(luò),RTTS數(shù)據(jù)集[22],分辨率從550×266到1 366×768不等。由于現(xiàn)有圖像去霧相關(guān)研究領(lǐng)域中沒(méi)有類(lèi)似準(zhǔn)確率一類(lèi)的統(tǒng)一評(píng)估參數(shù),僅能對(duì)各圖像進(jìn)行單獨(dú)評(píng)價(jià)。因此,實(shí)驗(yàn)結(jié)果客觀評(píng)價(jià)采取峰值信噪比(PSNR)、結(jié)構(gòu)相似度(SSIM)、信息熵(IE)、平均梯度(AG)以及運(yùn)行時(shí)間等指標(biāo)來(lái)衡量。由于篇幅有限,僅選取四幅含有不同天空區(qū)域占比的有霧交通標(biāo)志圖像分別進(jìn)行去霧結(jié)果的主客觀對(duì)比和分析。其中,圖像分別命名為Palace、Expressway、Toll station和Pedestrians。
圖7展示了原始待去霧圖像以及利用各種方法去霧后的處理結(jié)果。從圖7可知,He等人的方法去霧后圖像較為自然,但是經(jīng)過(guò)對(duì)比,發(fā)現(xiàn)算法去霧效果稍差,特別對(duì)于大面積天空區(qū)域,存在嚴(yán)重的光暈效應(yīng);Zhou等人方法基于圖像增強(qiáng)技術(shù),雖然去霧后圖像獲得了較高的亮度和對(duì)比度,但由于未保持恒定色調(diào),會(huì)有過(guò)曝光或者色彩畸變現(xiàn)象產(chǎn)生,這嚴(yán)重不利于保留交通標(biāo)志信息,影響TSRS后續(xù)的檢測(cè)和識(shí)別;如前所述,Ref.[14]中的基于雙邊濾波的圖像去霧算法處理結(jié)果存在過(guò)飽和現(xiàn)象,導(dǎo)致圖像的整體質(zhì)量欠佳;Ling等人的基于霧密度預(yù)測(cè)的方式進(jìn)行去霧,雖然取得了較好的去霧效果,但是由于該方法忽略了先驗(yàn)信息,導(dǎo)致對(duì)濃霧區(qū)域進(jìn)行處理時(shí),部分圖像會(huì)出現(xiàn)去霧后圖像黃色模糊的現(xiàn)象,部分區(qū)域處理過(guò)于嚴(yán)重,造成部分信息丟失。相比之下,本文算法雖然對(duì)極遠(yuǎn)處目標(biāo)和夜間霧圖的處理能力有待優(yōu)化,但日間霧圖的去霧后圖像更加真實(shí)和清晰,對(duì)于天空區(qū)域的顏色失真以及光暈現(xiàn)象都能很好地避免,保留了更加豐富的圖像細(xì)節(jié),整體效果更好,能夠滿(mǎn)足后續(xù)的TSRS對(duì)于交通標(biāo)志區(qū)域的檢測(cè)和識(shí)別操作的需要。
圖7 不同算法去霧結(jié)果對(duì)比Fig.7 Comparison of defogging results with different methods
有霧圖像經(jīng)過(guò)復(fù)原,圖像的細(xì)節(jié)、顏色以及對(duì)比度等指標(biāo)均有一定的改善。為了進(jìn)一步評(píng)價(jià)各算法的去霧質(zhì)量,分別采用前述各項(xiàng)指標(biāo)對(duì)去霧后圖像進(jìn)行客觀對(duì)比分析。其中,PSNR值越大,表示失真越小。SSIM值越大,說(shuō)明人眼所得到的結(jié)構(gòu)信息越多。IE表征一幅圖像中的有用信息的多少,其值越大,有用信息越多。AG越大對(duì)應(yīng)越高的清晰度。此外,運(yùn)行時(shí)間越短,實(shí)時(shí)性越好。
表1~3分別描述了五種圖像去霧算法的客觀評(píng)價(jià)參數(shù)的數(shù)值。
表1 各圖像PSNR和SSIM對(duì)比Table 1 Comparison of PSNR and SSIM of each image
從表1至表3可知,在PSNR和SSIM方面,五種算法均具備較好的性能,但是本文算法結(jié)果的PSNR值均最高,說(shuō)明去霧處理后的失真更小。雖然部分圖像SSIM值略小于He等人原始算法,但是對(duì)于大多數(shù)含有天空區(qū)域的有霧圖像,本文算法處理效果更優(yōu)。圖像IE方面,各算法均能不同程度上保留圖像信息,雖然部分結(jié)果稍遜于Zhou等人的方法,但整體來(lái)講丟失的信息更少,即能最大限度地保留圖像細(xì)節(jié)。本文算法AG指標(biāo)略勝一籌,主要是引入了高斯濾波清晰化處理。所以,對(duì)于四個(gè)客觀質(zhì)量評(píng)價(jià)指標(biāo)整體而言,文中去霧方法的綜合能力明顯優(yōu)于其他四種方法。此外,運(yùn)行時(shí)間消耗上,He、Zhou等人算法表現(xiàn)一般。Ling等人算法消耗的時(shí)間較長(zhǎng),這是因?yàn)樵摲椒](méi)有利用暗先驗(yàn)知識(shí),而是通過(guò)預(yù)測(cè)感知的方法進(jìn)行去霧,這消耗了一定的時(shí)間。特別地,本文算法運(yùn)行速度與Ref.[14]中的基于雙邊濾波的去霧方法相差不大,但本文的去霧結(jié)果明顯優(yōu)于Ref.[14]中方法,具備更好的保留整幅圖像有用信息的能力。因此,綜上所述,本文方法基本能夠滿(mǎn)足TSRS的要求。
表2 各圖像IE和AG對(duì)比Table 2 Comparison of IE and AG of each image
表3 處理各圖像時(shí)間消耗對(duì)比Table 3 Comparison of running time of processing each image s
基于TSRS在霧天環(huán)境下的應(yīng)用,傳統(tǒng)的去霧算法在實(shí)際應(yīng)用中效果不理想,提出了一種基于天空區(qū)域分割的霧天單幅交通標(biāo)志圖像去霧算法。首先依據(jù)OTSU算法結(jié)合圖像灰度特征得到自適應(yīng)閾值將霧天交通標(biāo)志圖像進(jìn)行天空區(qū)域和非天空區(qū)域的分割,對(duì)天空區(qū)域和非天空區(qū)域采取不同的方法分別進(jìn)行去霧處理,隨后將分別處理后的圖像進(jìn)行融合,得到去霧后的清晰無(wú)霧圖像,最后,針對(duì)現(xiàn)有TSRS霧天采集的常規(guī)圖像普遍存在質(zhì)量較差問(wèn)題,使用一種基于高斯濾波的去霧后圖像清晰化處理方法。經(jīng)過(guò)對(duì)實(shí)驗(yàn)結(jié)果的主客觀分析表明,相比于其他幾種去霧方法,不僅明顯克服了現(xiàn)有去霧方法在實(shí)際應(yīng)用中的缺點(diǎn),去霧后的質(zhì)量也較高,能夠較好地保留圖像信息,具備較好的清晰度,而且時(shí)間復(fù)雜度較低,基本滿(mǎn)足TSRS應(yīng)用需求。最后,本文算法雖然取得了較好的效果,但是算法對(duì)于極遠(yuǎn)處目標(biāo)和夜間條件下的去霧能力仍有待優(yōu)化,這將是下一步工作的重點(diǎn)。