MATLAB图像去雾自适应增强

摘要：传统的单幅图像去雾方法中大气光强度仅设定为与图像最亮象素有关的经验值，容易造成去雾后的图像亮度偏暗，且某些区域色彩还原失真等问题。本文提出一种大气光强度自适应恢复算法。首先对图进行分块，根据每个图块的像素在RGB颜色空间分布在同一条线上，可求得大气光强度的方向，然后对大气光强度模值引入一个惩罚因子实现图像去雾，对去雾后图像提出大气光强度模值估计的目标函数，根据图像明暗系数的最大值与透射率的等级无关的约束条件，利用LBFGS优化从而得到正确的大气光强度模值。实验结果证明该方法可以有效避免大气光强度估值偏差而引起的图像色彩失真，鲁棒性强，去雾后的图像具有更好的色彩还原度和清晰度，更能符合人眼视觉效果。

1引言

近年来，环境问题日益严峻，雾霾天气的出现直接影响了室外视觉监视、目标识别与跟踪等系统效用的发挥，给人们的日常生活带来了极大的不便。因此，对单幅图像如何进行有效去雾具有重要的研究意义。目前，通用的图像去雾算法都是基于以下物理模型[1，2]；

I（x）=J（x）t（x）+（1-t（x））A （1）

其中，I（x）表示雾图，J（x）表示无雾图像，x是图像像素的坐标，t（x）为大气透射率，A为大气光强度，为全局矢量。图像去雾的本质是要实现A与t（x）的估算。现有的单幅图像去雾算法主要围绕透射率t（x）的求解，也取得了很多有效的学术成果。例如文献[3]基于暗原色先验得到初始透射率图，再借助软框图算法优化初始透射率图；文献[4]则采用引导滤波细化初始透射率图，提高算法的去雾实时性；文献[5]首先定义了双区域暗通道，再对透射率进行估算；文献[6]结合大气散射光与景深变化趋势相同的特性，用局部均值和标准差的差值来估计大气散射光，从而实现对有雾图像的修复。然而在现有的去雾算法中，大气光强度A则主要根据人工直接设定，一般采用与最大图像亮度有关的经验值，例如文献[7]等直接选取有雾图像中最亮的像素作为大气光强度，文献[3]等先选定暗通道图中与最亮值的0.1%对应的像素，然后将这些像素对应到有雾图I（x）中取最大值作为大气光强度；文献[5]则直接选取有雾图双区域暗通道的最大值作为大气光；Wang等[8]为了避免大气光受到图像中白色和天空区域的影响，首先去除白色和天空区域，再选择图像最亮的像素点作为大气光；文献[9]依据大气传递图的先验知识，将大气传递图的估计问题转化为二次规划问题，通过带约束的归一化最速下降法获取最优大气光强度。尽管这些方法都取得了一定的去雾效果，但亮度较大的大气光强度也不可能出现在整个场景环境中，会造成复原图像的亮度出现偏差，而且大气光强度的取值也影响着透射率的求解，从而导致整幅图像的去雾性能下降。

针对上述问题，首先对图进行分块，在RGB颜色空间中，由于每个图块的像素分布在同一条线上，基于局部区域简化模块求得大气光强度的方向，直接采用具有惩罚因子的大气光强度模值实现图像去雾，去雾后的图像在不同等级透射率的条件下，引入不变的图像最大明暗系数作为限制条件，提出大气光强度模值估计的目标函数，最小化图像明暗系数与透射率相关估计值的距离，利用LBFGS优化从而得到正确的大气光强度模值。该算法可以提高大气光强度估算的精确度，去雾效果鲁棒性强，实用范围更广，去雾后的图像更加清晰自然。

2大气光强度的自适应恢复算法

本实验所采用的图片均来自谷歌，百度等网站，透射率的求解均采用最小值滤波，再利用引导滤波[4]进行优化，消除块效应；而针对大气光强度的取值，本文分别采用文献[3]的方法，文献[8]的方法，文献[10]的方法，以及本文算法进行去雾后的图像效果比较。所有实验均采用采用MATLAB7.0软件平台，其实验结果如图4所示。 从图中我们可以看出本文算法与文献[10]相比，去雾效果色彩柔和，去雾结果也更加清晰自然。为了更好的评价图像去雾后的效果，本文采用色调还原程度和平均梯度对这4种图像大气光去雾方法进行定量评价，实验结果如表1所示。

参考文献

[1] NARASIMHAN S G，NAYAR S K. Chromatic Framework for Vision in Bad Weather[C].IEEE Conference on Computer Vision & Pattern Recognition. 2000：598-605.

[2]NARASIMHAN S G，NAYAR S K. Contrast restoration of weather degraded images[C].Pattern Analysis & Machine Intelligence IEEE Transactions on， 2003， 25（6）：713-724.

[3]HE Kaiming，SUN Jian，TANG Xiaoou.Single image haze removal using dark channel prior[C].In： Proceeding of IEEE Conference on Computer Vision and Pattern Recognition. Washington D.C.， USA： IEEE，2009.1956-1963.

[4]HE Kaiming，SUN Jian，TANG Xiaoou. Guided Image Filtering[C]. IEEE Transaction on Pattern Analysis and Machine Intelligence，2013，35（6）：1397-1409.

[5]张小刚， 唐美玲， 陈华，等. 一种结合双区域滤波和图像融合的单幅图像去雾算法[J]. 自动化学报， 2014， 40（8）：1733-1739.

[6]李娟， 张有会， 王志巍，等. 基于局部均值和标准差的图像去雾算法[J].计算机工程与应用， 2014：1-5.

[7]TAN R T.Visibility in bad weather from a single image[M].Computer Vision and Pattern Recognition， 2008.

[8]WANG J B，HE N，ZHANG L L，et al.Single image dehazing with a physical model and dark channel prior[J]. Neurocomputing， 2015， 149（PB）：718-728.

[9]李权合， 毕笃彦， 许悦雷，等. 雾霾天气下可见光图像场景再现[J]. 自动化学报， 2014， 40（4）：744-750.

[10]SULAMI M，GLATZER I，FATTAL R，et al.Automatic recovery of the atmospheric light in hazy images[C].2014 IEEE International Conference on Computational Photography （ICCP）. 2014：1-11.

[11]SCHECHNER Y Y，NARASIMHAN S G，NAYAR S K. Instant Dehazing of Images Using Polarization[C].IEEE Computer Society Conference on Computer Vision & Pattern Recognition. IEEE， 2001：325.

[12]SCHECHNER Y Y，NARASIMHAN S G，NAYAR S K. Polarizationbased vision through haze[J].Applied Optics， 2003， 42（3）：511-525.

[13]FATTAL R. Dehazing Using ColorLines[J]. Acm Transactions on Graphics， 2014， 34（1）：1-14.

[14]LIU D，NOCEDAL J.On the limited memory BFGS method for large scale optimization[J]. Math. Program，1989，45（1）：503-528， 1989.

[15]李大鹏， 禹晶， 肖创柏. 图像去雾的无参考客观质量评测方法[J]. 中国图象图形学报， 2011， 16（9）： 1753-1757.

第36卷第1期2017年3月计算技术与自动化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月计算技术与自动化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7