基于暗通道的快速图像去雾方法研究与实现
暗通道优先的图像去雾算法（上）
暗通道优先的图像去雾算法（上）11.1 暗通道优先的图像去雾算法图像增强与图像修复⼆者之间有⼀定交叉，虽然它们⼀个强调客观标准，⼀个强调主观标准，但毕竟终于的结果都改善了图像的质量。
图像去雾就是这两种技术彼此交叉领域中最典型的代表。
假设将雾霾看作是⼀种噪声，那么去除雾霾的标准显然是⾮常客观的，也就是要将图像恢复⾄没有雾霾下所获取的情况。
可是假设将在雾霾环境下拍摄的照⽚就看作是⼀种图像本来的⾯貌，那么去雾显然就是⼈们为了改善主观视觉质量⽽对图像所进⾏的⼀种增强。
早期图像去雾的研究并没有得到应有的重视，⾮常多⼈觉得它的实际意义不⼤，甚⾄觉得所谓的去雾算法多是些华⽽不实的花拳绣腿，缺乏学术上的价值。
然⽽，⽃转星移，时易世变。
⼀⽅⾯随着⼤⽓污染的⽇益严重，设法改善⾃⼰主动获取的图像质量其意义不⾔⽽喻。
还有⼀⽅⾯，随着数码设备的普及，消费类电⼦产品的市场也催⽣出很多新的需求，当中⼈们对所拍照⽚质量的修正和优化就是⼀个显⽽易见的需求。
说到图像去雾，就不得不提到由何恺明博⼠等⼈提出的基于暗通道的图像去雾算法。
这个算法因其新颖的思路和理想的效果⽽⼴受关注，相关论⽂也曾于2009年荣获CVPR最佳论⽂奖，同⼀时候也是该奖设⽴以来，⾸次由亚洲学者获颁此殊荣。
如今结果已经⽐較细腻了，可是显然图像有些暗。
何博⼠在论⽂中也有提及直接暗通道算法的结果会是⽐較暗的。
下⼀篇⽂章中，我们将给出在MATLAB中实现的源码，并对过暗的图像添加曝光和⾃⼰主动⾊阶，从⽽得到完美的去雾图像。
未完，待续。
（特别说明：本⽂是从我未出版的新书中抽选出来的，所以⾏⽂中读者可能会感觉有些地⽅好像会有对其它章节内容的引⽤或者提及，或者某些插图的编号直接编到了图11-X，可是这并最好还是碍你对本⽂的阅读和理解）。
图像去雾算法研究综述
图像去雾算法研究综述一、本文概述随着计算机视觉技术的快速发展，图像去雾技术已成为近年来的研究热点之一。
图像去雾旨在从有雾的图像中恢复出清晰、无雾的图像，从而提高图像的质量和视觉效果，为后续的图像处理和分析提供更为准确和可靠的信息。
本文旨在对图像去雾算法进行全面的研究综述，探讨各种去雾算法的原理、优缺点及适用场景，以期为后续的研究提供参考和借鉴。
本文将对图像去雾技术的研究背景和意义进行介绍，阐述图像去雾在各个领域中的应用价值。
接着，本文将从去雾算法的基本原理出发，详细介绍各种去雾算法的实现过程，包括基于物理模型的去雾算法、基于深度学习的去雾算法等。
在此基础上，本文将对各种去雾算法的性能进行评估，包括去雾效果、计算复杂度、实时性等方面的比较和分析。
本文还将对去雾算法的未来发展趋势进行展望，探讨去雾算法在新技术、新场景下的应用前景。
本文期望通过全面、系统的综述，为图像去雾技术的研究提供有益的参考和启示，推动图像去雾技术的进一步发展。
二、图像去雾技术基础理论图像去雾技术，作为计算机视觉和图像处理领域的一个重要研究方向，其基础理论涉及大气散射模型、图像增强与复原、深度学习等多个方面。
深入了解这些基础理论，对于设计和实现有效的去雾算法至关重要。
大气散射模型：大气散射模型是图像去雾算法的理论基础，其中最具代表性的是McCartney模型。
该模型描述了光线在大气中的传播和散射过程，将观察到的图像分解为直接衰减部分和大气光散射部分。
通过估算这两个部分，可以恢复出清晰的无雾图像。
图像增强与复原：图像增强和复原技术在去雾过程中发挥着重要作用。
图像增强技术，如对比度增强、色彩增强等，可以提高图像的视觉效果，使去雾后的图像更加清晰自然。
而图像复原技术则通过去除图像中的噪声和失真，恢复图像的原始信息，进一步提高去雾效果。
深度学习：近年来，深度学习在图像去雾领域取得了显著进展。
通过构建深度神经网络模型，可以学习到去雾过程的复杂映射关系，从而实现更加精确和高效的去雾。
基于暗通道先验的图像去雾算法改进研究
基于暗通道先验的图像去雾算法改进研究摘要：暗通道先验去雾算法求得的的透射率比较精细，去雾效果优于大多数去雾算法。
然而在暗通道求取过程中，最小值滤波的处理会使得暗色向外扩张，导致透射率扩张变大，使得去雾后的图像在边缘部分产生“光晕”现象。
为了减弱光晕效应，利用形态学理论对粗略透射率进行腐蚀处理，腐蚀掉扩张变大的透射率，然后使用容差机制修复不符合暗原色先验的明亮区域透射率，再使用引导滤波精细化透射率，最后利用去雾模型复原图像。
实验表明，改进后的算法去雾效果更佳、去雾速度更快，具有更强的鲁棒性。
关键词：暗通道先验去雾；腐蚀；引导滤波DOIDOI：10.11907/rjdk.161089中图分类号：TP312文献标识码：A 文章编号：1672-7800（2016）005-0030-040 引言雾霾天气不仅影响人们的出行，也给视频监控、自动驾驶等涉及室外图像应用的领域带来了很大挑战，并引起了相关研究人员的重视，如今已出现了不少研究成果。
图像去雾的研究方法可分为两大类，基于图像增强的方法和基于物理模型的方法。
早期图像去雾研究主要利用图像处理的知识来去雾，Kim[1]提出对雾图进行局部直方图均衡处理的方法，这种方法根据每个像素的邻域对像素进行处理，可以突出图像的特征，但运算量较大，算法复杂度较高。
Land[2-3]基于色彩恒常性提出了Retinex即视网膜皮层理论，其后出现了一些基于Retinex的图像增强算法[4-6]，与其它图像增强算法相比，基于Retinex的图像增强算法处理的图像，局部对比度相对较高，色彩失真较小。
基于图像增强的去雾方法可以利用成熟的图像处理算法来增强图像的对比度，突出图像中的特征信息，但这种方法会造成图像部分信息损失，导致图像失真。
图像去雾的另一类是基于物理模型的方法，该方法研究大气悬浮颗粒对光的散射作用，通过大气散射模型来复原图像，恢复的图像效果更真实，图像信息能得到较好保存。
Narasimhan等[7]提出了雾霾天气条件下的单色大气散射模型，后来基于物理模型的方法几乎均建立在此模型之上。
图像去雾算法及其应用研究
图像去雾算法及其应用探究摘要：随着科技的飞速进步，图像处理技术也日益成熟。
图像去雾算法作为其中一项重要的探究内容，可以有效消除图像中的大气雾霾和模糊。
本文通过对图像去雾算法的原理及应用进行探究，总结了当前主流的几种图像去雾算法，并分析了其适用范围和应用前景。
一、引言大气雾霾是指由于大气中粉尘、液滴和气态颗粒等悬浮物质对光的散射和吸纳作用所引起的能见度降低的现象。
在平时生活和实际应用中，大气雾霾会导致图像质量下降，从而影响人们对图像内容的识别和理解。
因此，图像去雾技术的探究和应用具有重要的意义。
二、图像去雾算法的原理图像去雾算法的原理主要是基于图像恢复和能见度预估两个方面。
图像恢复是指通过对图像进行处理，消除雾霾、提高图像的明晰度和对比度。
能见度预估主要是依据大气传输模型和雾霾图像特征，预估出雾霾的密度以及图像的深度信息，从而恢复原始图像。
三、主流图像去雾算法及其适用范围1. 单帧图像去雾算法单帧图像去雾算法是指通过对单张雾霾图像进行处理，消除雾霾并恢复原始图像的算法。
其中最常使用的算法有暗通道先验算法和颜色修复算法。
暗通道先验算法是基于图像的颜色信息来进行雾霾去除的算法。
通过寻找图像中的暗通道，预估出雾霾的密度，从而消除雾霾。
这种方法适用于雾霾较弱的状况，但对于雾霾较深厚的图像效果不佳。
颜色修复算法是通过对图像颜色的修复来消除雾霾。
该算法依据图像颜色失真的特点，恢复图像中受到雾霾影响的颜色，从而消除雾霾。
2. 基于多帧图像的去雾算法基于多帧图像的去雾算法是指通过对多张雾霾图像进行处理，借助图像之间的信息差异来消除雾霾。
其中最常使用的算法有暗通道先验算法和多帧融合算法。
暗通道先验算法在多帧图像去雾中同样适用，通过多帧之间的暗通道信息差异来预估出雾霾的密度和图像的深度信息。
多帧融合算法则是通过对多张雾霾图像进行融合，将不同图像中的雾霾进行消除。
这种算法适用于复杂雾霾状况下的图像去雾，但对于计算量要求较高。
暗通道去雾算法的流程
暗通道去雾算法的流程
1）计算暗通道：首先计算图像的暗通道，暗通道从多个颜色通道中取最小值，该值代表了特定像素的整体暗度，像素点越暗，对应的暗通道值越小。
2）计算暗通道图：将所有像素点的暗通道值组合成暗通道图，用来表示各个像素的暗度。
3）计算暗通道掩模：根据暗通道图中的暗度，计算暗通道掩模，掩模像素值越大，表示图像越暗。
4）去除雾气：利用暗通道掩模去除雾气，可以得到去雾后的图像。
5）视差法补偿缺失：由于去雾后的图像中可能会存在部分信息缺失的情况，可以使用视差法补偿缺失的信息，使图像更加清晰。
以上就是暗通道去雾算法的基本处理流程，它是一种非常高效、快速的去雾技术，可以大大减少图像处理的时间，提高处理效率。
暗通道去雾算法相比传统去雾技术，无论是从处理速度还是处理质量来说，都具有明显的优势。
暗通道去雾算法原理
暗通道去雾算法原理暗通道去雾算法是一种常用的图像去雾方法，它基于暗通道先验原理，在图像中预先找到暗通道并利用其估计场景深度和大气光，从而去除图像中的雾霾。
该算法具有计算速度快、效果稳定等优点，在计算机视觉、图像处理等领域具有广泛的应用。
下面我们将详细介绍暗通道去雾算法的原理。
一、判定暗通道对于一张含有雾的图片I，其在某个像素位置的亮度值可以表示为I(x)，其中x为该像素的坐标位置。
根据图像去雾的基本原则，假设原始场景的亮度值为J(x)，则I(x)可以被表示为：I(x)=J(x)t(x)+A(1-t(x))其中t(x)表示该像素处的透射率，A表示场景的大气光，1-t(x)表示该像素的反射率。
对于一张图像，其暗通道一般可以通过以下公式计算：Dc(x)=min(min(Jr,Jg),Jb)其中Dc表示暗通道，Jr,Jg,Jb分别表示图片每个像素点处的红、绿、蓝通道的值。
该公式的物理意义是，在具有较强雾霾的区域，颜色值越小的像素点更容易透过雾霾，因此在暗通道中颜色值最小的像素点更可能是无雾情况下的颜色。
二、估计大气光在使用暗通道先验原理求图像场景深度之前，需要先估计图片中的大气光。
根据上述公式，Dc的最小值与大气光A具有关联，可以通过以下公式计算：A=argmax(I(x))其中argmax表示取所有像素点中亮度值最大的像素点的位置，该位置即为大气光所在位置。
由于大气光通常在图片中位置比较靠近，因此可以针对一个较小的图片区域进行计算，以提高速度和准确性。
需要注意的是，由于图像中可能存在比大气光更亮的物体，如光源等，因此在计算大气光时需要对这些物体作出排除。
三、估计场景深度场景深度是指光线在经过物体时所穿过的距离，能够用于估计透射率。
根据暗通道先验原理，可以使用暗通道估计场景深度。
具体而言，可以通过以下公式计算场景深度：t(x)=1-ωmin(D(x)/A)其中ω表示全局透射率的权重，通常设置在0.95左右。
基于暗通道先验的单幅图像去雾改进算法
基于暗通道先验的单幅图像去雾改进算法基于暗通道先验的单幅图像去雾改进算法摘要：近年来，随着计算机视觉和图像处理领域的快速发展，图像去雾成为了研究的热点之一。
在单幅图像去雾中，暗通道先验算法是一种非常有效的算法。
本文提出了一种基于暗通道先验的单幅图像去雾改进算法，通过对暗通道进行优化得到更好的去雾效果。
实验结果证明，该算法在去雾效果和图像细节保持方面都达到了较好的效果。
关键词：暗通道先验算法；单幅图像去雾；图像细节保持 1. 引言在许多户外场景中，雾霾天气会导致图像质量下降，进而影响计算机视觉和图像处理的性能。
因此，图像去雾技术的研究对于提高图像质量和准确性具有重要意义。
在过去的几年中，许多基于单幅图像的去雾算法被提出，其中暗通道先验算法是一种广泛应用的方法。
2. 暗通道先验算法暗通道先验算法是一种利用图像中存在的暗通道来估计场景中全球大气光照的方法。
暗通道可以理解为图像中最暗的区域，它存在于几乎所有户外图像中。
该算法基于以下观察结果：在大气无光散射模型中，透射率和全球大气光照成反比关系。
因此，通过估计图像中最暗区域的暗通道来获得全球大气光照估计，并进一步计算出场景的透射率。
最后，通过修复的透射率和原始图像重建无雾图像。
然而，传统的暗通道先验算法在一些情况下存在一定的局限性。
首先，传统算法往往难以处理场景中存在强光源的情况。
这是因为在强光照射下，暗通道不再是局部最暗的区域，导致估计的透射率不准确。
其次，传统算法对于具有复杂纹理和细节的图像在去雾后可能存在伪影和失真问题。
3. 改进算法为了克服传统暗通道先验算法的局限性，本文提出了一种基于暗通道先验的单幅图像去雾改进算法。
改进算法分为以下几个步骤：3.1 强光源处理对于存在强光源的图像，传统算法往往难以准确估计透射率。
因此，我们在预处理阶段采用了一种强光源检测和过滤的方法。
首先，通过检测图像中较亮的区域来判断是否存在强光源。
然后，对于存在强光源的图像，我们利用图像分块和平滑操作来减弱其影响，使传统暗通道算法能够更好地适应这样的场景。
暗通道去雾算法的c++实现
暗通道去雾算法的c++实现以下是一个简单的暗通道去雾算法的C++实现:```cpp#include <iostream>#include <opencv2/opencv.hpp>using namespace cv;Mat darkChannel(Mat input, int patchSize) {Mat imgGray, dark;cvtColor(input, imgGray, CV_BGR2GRAY);// 创建dark通道的初始图像dark = Mat::zeros(input.rows, input.cols, CV_8UC1);int halfPatchSize = patchSize / 2;for (int i = halfPatchSize; i < input.rows - halfPatchSize; i++) { for (int j = halfPatchSize; j < input.cols - halfPatchSize; j++) {uchar minVal = 255;for (int m = -halfPatchSize; m <= halfPatchSize; m++) { for (int n = -halfPatchSize; n <= halfPatchSize; n++) { uchar val = imgGray.at<uchar>(i + m, j + n);if (val < minVal) {minVal = val;}}}dark.at<uchar>(i, j) = minVal;}}return dark;}Mat atmosphericLight(Mat input, Mat darkChannel, double percent) {int numPixels = input.rows * input.cols;int numSelectPixels = static_cast<int>(numPixels * percent);Mat imgGray;cvtColor(input, imgGray, CV_BGR2GRAY);// 创建暗通道排序索引Mat flatDark = darkChannel.reshape(0, numPixels);Mat sortedIdx;cv::sortIdx(flatDark, sortedIdx, CV_SORT_EVERY_COLUMN + CV_SORT_ASCENDING);// 选择前percent的像素作为大气光的估计Mat topPixels = sortedIdx.rowRange(numPixels - numSelectPixels - 1, numPixels - 1);topPixels = topPixels.reshape(1, numSelectPixels);std::vector<int> indices;for (int i = 0; i < numSelectPixels; i++) {int idx = topPixels.at<int>(i);indices.push_back(idx);}// 求取大气光估计Mat atmosLight(1, 1, CV_64FC1);atmosLight.at<double>(0) = 0;for (int i = 0; i < numSelectPixels; i++) {int idx = indices[i];int y = idx / input.cols;int x = idx % input.cols;uchar val = imgGray.at<uchar>(y, x);atmosLight.at<double>(0) += val;}atmosLight.at<double>(0) /= numSelectPixels;return atmosLight;}Mat dehaze(Mat input, Mat dark, Mat atmosLight, double t, double omega) {Mat result = Mat::zeros(input.rows, input.cols, CV_8UC1);for (int i = 0; i < input.rows; i++) {for (int j = 0; j < input.cols; j++) {double imgVal = static_cast<double>(input.at<uchar>(i, j)); double dcVal = static_cast<double>(dark.at<uchar>(i, j)); double trans = 1.0 - omega * dcVal /atmosLight.at<double>(0);trans = std::max(trans, t);double resultVal = (imgVal - atmosLight.at<double>(0)) / trans + atmosLight.at<double>(0);result.at<uchar>(i, j) = static_cast<uchar>(resultVal);}}return result;}int main() {std::string filename = "input.jpg";Mat input = imread(filename);int patchSize = 15;double percent = 0.001;double t = 0.1;double omega = 0.95;Mat dark = darkChannel(input, patchSize);Mat atmosLight = atmosphericLight(input, dark, percent);Mat result = dehaze(input, dark, atmosLight, t, omega);imshow("Input", input);imshow("Dehazed", result);waitKey(0);return 0;}```这段代码实现了基本的暗通道去雾算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第36卷第1期2018年2月沈阳师范大学学报(自然科学版)J o u r n a l o f S h e n y a n g N o r m a lU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)V o l.36N o.1F e b.2018文章编号:16735862(2018)01008205基于暗通道的快速图像去雾方法研究与实现吴迪,葛馨阳(沈阳师范大学物理科学与技术学院,沈阳110034)摘要:暗通道先验(D a r k-C h a n n e l P r i o r)去雾方法在处理单幅户外场景图像方面已经取得了非常好的效果,但是在对高分辨率图像以及包含大片白色区域的图像进行处理时,存在运算时间过长㊁去雾后的图像带有块状噪声等问题㊂结合暗通道先验去雾算法针对以上问题提出了一种改进的图像去雾方法,首先对高分辨率带雾图像进行降维处理并获得若干子图像,选取其中部分子图像进行暗通道去雾处理后,再对去雾后的子图像进行滤波㊁融合以及升维处理,还原分辨率后得到清晰的无雾图像㊂实验结果表明,改进方法可以较好的达到去雾目的,提高图像整体的对比度,真实地复原图像场景细节,同时可以明显提升算法的运算速度,在保证去雾效果的前提下大幅度降低了计算量㊂关键词:暗通道先验;去雾;降维中图分类号:T P391.41文献标志码:Ad o i:10.3969/j.i s s n.16735862.2018.01.015R e s e a r c ha n di m p l e m e n t a t i o no fi m a g eh a z er e m o v a l m e t h o db a s e do nd a r kc h a n n e l p r i o rWU D i,G EX i n y a n g(C o l l e g e o f P h y s i c a l S c i e n c e a n dT e c h n o l o g y,S h e n y a n g N o r m a lU n i v e r s i t y,S h e n y a n g110034,C h i n a)A b s t r a c t:T h eh a z e r e m o v a lm e t h o db a s e do nd a r kc h a n n e l p r i o r sh a s a c h i e v e dv e r yg o o d r e s u l t si nd e a l i n g w i t h s i n g l e o u t d o o r s c e n e i m a g e s,h o w e v e r,w h e n d e a l i n g w i t hh i g h r e s o l u t i o n i m a g e s a n di m a g e s c o n t a i n i n g l a r g ew h i t ea r e a s,t h e r ea r em a n yp r o b l e m ss u c ha s t o o l o n g c o m p u t a t i o nt i m ea n db l oc kn o i s e s i n t h e r e s u l t i n g i m a g e s.I n t h i s p a p e r,a n e w m e t h o do f f o g r e m o v a l i s p r o p o s ed t os o l v e t h e a b o v e p r o b l e m s,f i r s t o f a l l,t h eh i g hr e s o l u t i o nh a z e i m a g e i sd o w n-s a m p l e da n ds e v e r a ls u b i m a g e s a r e o b t a i n e d,t h e n s o m e o f t h e s u b i m a g e s a r e s e l e c t e d t o r e m o v e t h e h a z e,t h e n,t h e s u bi m a g e s i s f i l t e r e d,f u s e da n du p-s a m p l e d,f i n a l l y,ac l e a r i m a g e i so b t a i n e d.E x p e r i m e n t a l r e s u l t ss h o wt h a t,t h ei m p r o v e d m e t h o dc a na c h i e v et h e g o a lo fr e m o v i n g h a z e,i m p r o v i n g t h eo v e r a l lc o n t r a s t r a t i oo f t h e i m a g e a nd re c o v e r i n g t h e i m a g e d e t a i l s,a t t h e s a m e t i m e,t h e c o m p u t i n g s p e e do f t h em e t h o d c a nb e o b v i o u s l y i m p r o v e d,o n t h e p r e m i s e o f e n s u r i n g t h e e f f e c t o f h a z e r e m o v a l,t h ec a l c u l a t i o n i s r ed u ce d g r e a t l y.K e y w o r d s:d a r k-c h a n n e l p r i o r;h a z e r e m o v a l;d o w n-s a m p l e0引言近年来,雾霾天气愈演愈烈,然而在雾㊁霾等天气条件下,大气中悬浮的大量颗粒(雾气㊁烟㊁杂质等)的散射作用致使成像设备获得的图像严重退化,这在很大程度上影响并限制了室外工作系统的工作性能[1],因此对雾天图像进行快速有效的去雾处理有着现实和理论的迫切需要㊂收稿日期:20170622㊂基金项目:辽宁省自然科学基金资助项目(2015020223)㊂作者简介:吴迪(1979),男,辽宁沈阳人,沈阳师范大学副教授,博士㊂迄今为止,国内外对去雾算法的研究主要分2个方向:一类是基于图像增强的方法,该类方法在增加带雾图像的对比度以及优化视觉效果的方面颇有成效,适用的对象范围较广,但是在处理景深多变的图像中局部景深的时候,无法体现出局部场景的细节,也无法解决图像过亮过暗或者光照不均的情况[2];另一类是基于大气散射物理模型提出的去雾的方法,该类方法对雾天图像的退化过程进行模拟还原,最终去雾效果自然,无信息损失[3]㊂何凯明博士的暗通道先验去雾算法[4]也是在该模型的基础之上提出来的㊂1 雾天图像退化的物理模型根据大气传输理论的描述,在雨雪雾等极度恶劣的天气条件下,物体表面反射的光线由于大气中的浑浊媒介的作用,从目标物体到达观测点的传播过程中会发生散射,从而导致入射光衰减,使观测点获得的图像存在对比度下降,细节模糊等特性㊂1975年,M c C a r t n e y 提出了著名的大气散射模型[5],该模型表示在雾天条件下,雾天图像退化的物理模型是由入射光衰减模型与大气光成像模型组合而成的,如图1所示,该模型提出后在计算机视觉和图形学领域中得到了广泛的应用㊂根据光线在恶劣天气条件下传输的物理特性,其描述为:I (x )=t (x )J (x )+A (1-t (x ))(1)图1 雾天图像退化的物理模型F i g .1 A p h y s i c a lm o d e l f o r h a z e i m a g ed e gr a d a t i o n 式(1)中,I 表示带雾图像;J 表示去雾图像;t (x )表示光线透射率函数;A 表示大气光强度㊂式(1)揭示了雾天图像的成因,等号右边的第1项t (x )J (x )为直接衰减项[6],表示目标物体反射的光线经过大气传播衰减后的部分,第2项A (1-t (x ))则表示大气光成像部分,该部分是由前方散射引起的,会导致成像后场景颜色的偏移㊂分析式(1)可知,I 是已知带雾图像,J 是待求的去雾图像,透射率函数t 和大气光强度A 都是未知的,在这种只有一个已知条件的状态下,该方程显然是无解的,需要添加先验知识来增加约束条件,进而求解方程㊂本文将暗通道先验理论作为方程的约束条件,从而求解出方程中其他未知的参数[7]㊂2 暗通道先验理论暗通道先验理论是何凯明博士等人在晴朗无雾的天气下对大量室外图像观察得出的,本文以下简称何凯明方法㊂该理论指出,在大部分不含有天空的局部区域里,总会存在这样一些像素,即在R G B 颜色模型中至少有一个颜色通道的强度值很低或者接近于0[8],这些像素称为暗像素(d a r k -c h a n n e l p i x e l )㊂对于任何一幅图像J ,其暗像素Jd a r k 可以定义为:J d a r k (x )=m i n (m i n c ɪ{r ,g,b }(J c (y )y ɪΩx))(2)式(2)中,J d a r k 表示去雾图像J 的暗像素;J c 表示去雾图像J 的R ㊁G ㊁B 三通道中一个通道;Ωx 表示以x 为中心的一个矩形窗口㊂假设在图像块Ωx 范围内透射率相同,则在带雾图像I 里,这些暗像素的强度值会变高,同时影响着光线穿透力的强弱,为初步估计透射率函数打下坚实的基础[7]㊂何凯明方法可分为3个步骤:1)去除背景干扰并估计大气光强度A ;2)利用导向滤波获得精细的透射率函数t ;3)求出大气光强度A ㊂待求得所有未知量便可获得最终的去雾图像[10]㊂何凯明博士等人提出的暗通道先验法在单幅图像去雾方面取得了很大的进步,是目前最实用有效的去雾方法㊂但是在实际使用过程中依然存在一些问题,其中首要的问题就是大量的计算使得整个处理过程比较耗时,一幅分辨率266ˑ272的图像处理用时2.07s (处理器为2.4G H z ㊁系统内存为2.00G B 的普通P C ),严重限制了该方法的实际应用和推广㊂针对时间复杂度高的问题,本文结合何凯明的去雾算法提出了一38第1期 吴 迪,等:基于暗通道的快速图像去雾方法研究与实现种改进的图像去雾方法,该方法在保证去雾效果的前提下,减少了去雾处理的计算量,提升处理效率㊂3 改进的去雾方法3.1 流程图图2 流程图F i g.2 F l o wc h a r t 本文提出的改进方法流程图如图2所示㊂利用多分辨率的方法对高分辨率带雾图像I 进行降维处理以减少处理像素的时间,得到I l o w 1和I l o w 2,对其中一幅I l o w 采用何凯明方法进行去雾处理得到图像J l o w 2,并与另一幅细节图像Q 进行融合,最后对融合后的图像进行升维处理到原分辨的p 倍(0<p ɤ1)㊂3.2 降 维为了更多的保留原带雾图像I 的细节信息,本文在做降维处理时不添加平滑滤波器,并以2为采样因子,对原带雾图像I 进行降维处理获得子图I l o w 1和子图I l o w 2,再对2幅I l o w 进行何凯明去雾方法处理㊂经过大量的实验处理结果验证,本文选用2幅子图进行融合,既满足提升去雾速度,又能相对多的保留场景细节㊂本文采用客观评价指标峰值信噪比(P S N R )[11]来定量的测试暗通道先验去雾方法与改进方法恢复出的图像相对于原带雾图像的好坏程度,如图3所示㊂图3 何凯明方法与改进方法处理结果P S N R 对比F i g .3 T h ec o m p a r i s o no f t h eP S N Rb e t w e e nH eK a i m i n gm e t h o da n d i m pr o v e dm e t h o d 图3结果显示,大部分图片经过改进去雾方法处理后的峰值信噪比要高于何凯明方法,即改进方法处理结果的失真度要优于何凯明方法的处理结果㊂3.3 融 合考虑最终去雾图像场景细节的还原,先对其中一幅低分辨率带雾图像I l o w 1叠加高通滤波器,然后对2幅低分辨率去雾图像进行融合:J (x )l o w =H J (x )l o w 1+J (x )l o w 2(3)式(3)中:I (x )l o w 1为低分辨率带雾像;J (x )l o w 2为低分辨率去雾像;H 为高通滤波图4 何凯明方法与改进方法处理结果平均梯度对比F i g .4 T h ec o m p a r i s o no f t h ea v e r a ge g r a d i e n t b e t w e e n H eK a i m i n g m e t h o da n d i m pr o v e dm e t h o d 器,J (x )l o w 为融合后的低分辨率去雾图像,这样在增强图像细节特征的同时,还可以对目标图像的噪声进行抑制㊂图4所示为使用何凯明去雾方法和改进方法处理的若干幅图像的平均梯度,平均梯度是评判图像清晰程度的指标,平均梯度越大,图像细节反差率越大,图像越清晰;反之,图像越模糊㊂图4表明,用改进方法处理图像的平均梯度均高于何凯明去雾方法处理图像的平均梯度,即添加高通滤波器的改进方法处理的图片的清晰度优于何凯明去雾方法处理的图片的清晰度㊂48沈阳师范大学学报(自然科学版) 第36卷4实验结果与分析本文提出的改进方法和何凯明方法均在操作系统为W i n d o w s7㊁C P U为AM D V160P r o c e s s o r 2.4G H z处理器㊁系统内存为2.00G B的普通P C上运行,并从视觉效果与时间复杂度上对处理结果进行了对比㊂4.1视觉效果通过对大量带雾图像进行对比性实验,证明本文提出的方法的有效性㊁可靠性㊂图5~7为一幅分辨率1280ˑ720的带雾图像的实验结果图㊂可以明显看出,原本受雾气影响模糊不清㊁颜色不真实的图像经过何凯明去雾方法和改进方法处理之后在细节上更清晰,颜色上更真实,图像中被雾气遮挡住的电线杆,经过去雾处理后也清晰可见㊂图5图5雾化图像F i g.5H a z e i m a g e图6何凯明去雾方法处理结果F i g.6H a z e r e m o v a l r e s u l t o f u s i n gH eK a i m i n g sm e t h o d图7改进去雾方法处理结果F i g.7H a z e r e m o v a l r e s u l t o f u s i n gi m p r o v e d m e t h o d由图8~10可见经过何凯明去雾方法处理后的图像在灰白区域出现大块斑块,但是由改进方法处理后的图像明显改善,呈现较好的视觉效果㊂图8雾化图像F i g.8H a z e i m a g e图9何凯明去雾方法处理结果F i g.9H a z e r e m o v a l r e s u l t o f u s i n gH eK a i m i n g sm e t h o d图10改进去雾方法处理结果F i g.10H a z e r e m o v a l r e s u l t o f u s i n gi m p r o v e d m e t h o d图11~13分别为原带雾图像㊁何凯明去雾方法处理结果图像㊁改进去雾方法处理结果图像,如图所示,经过2种方法的处理,浓雾现象都明显改善,但就远景山峰轮廓细节而言,改进去雾方法处理结果图13明显优于的何凯明去雾方法处理结果图12,层次感更强,细节更完善㊂图11雾化图像F i g.11H a z e i m a g e图12何凯明去雾方法处理结果F i g.12H a z e r e m o v a l r e s u l t o f u s i n gH eK a i m i n g sm e t h o d图13改进去雾方法处理结果F i g.13H a z e r e m o v a l r e s u l t o f u s i n gi m p r o v e d m e t h o d58第1期吴迪,等:基于暗通道的快速图像去雾方法研究与实现4.2 时间复杂度图14 何凯明方法与改进方法处理时间对比F i g .14 T h ec o m p a r i s o no f t h e t i m eb e t w e e nH eK a i m i n gm e t h o da n d i m pr o v e dm e t h o d 为了验证本文算法在图像处理速度上的提升,在同一台P C ㊁同一版本的M a t l a b 软件上处理分辨率1280ˑ720的带雾图像,实验数据表明,何凯明去雾方法的运算时间为24.23s,改进方法的运算时间为13.11s ,大大提高了运算效率㊂图14是通过大量实验统计出的何凯明去雾方法与改进方法所用时间的对比图,由图可见,改进方法运行时间较何凯明方法的运算时间提高了45%左右,且图片的分辨率越大,改进方法的优势越明显㊂5 结 论本文通过对何凯明去雾方法进行深入的分析与研究,结合雾天图像退化的物理模型,通过对带雾图像进行降维处理,实现了一种快速有效的图像去雾处理方法,减少资源消耗,而且在处理某些图像细节处时能够得到效果更好的去雾效果,使暗通道先验的去雾算法更具备实时性㊂参考文献:[1]禹晶,李大鹏,廖庆敏.基于物理模型的快速单幅图像去雾方法[J ].自动化学报,2011(2):143149.[2]李方,王好贤,毛兴鹏,等.单一图像的快速去雾算法[J ].计算机工程与设计,2011(12):41294132.[3]蒋建国,侯天峰,齐美彬.改进的基于暗原色先验的图像去雾算法[J ].电路与系统学报,2011(2):712.[4]H EK a i m i n g ,S U NJ i a n ,T A N GX i a o o u .S i n g l e i m a g e h a z e r e m o v a l u s i n g d a r k c h a n n e l p r i o r [C ]ʊC V P R ,2009:19561963.[5]L E V I N A ,L I S C H I N S K ID ,W E I S SY.Ac l o s e d f o r ms o l u t i o n t on a t u r a l i m a g em a t t i n g [C ]ʊC V P R ,2006:6168.[6]黄黎红.单幅图像的快速去雾算法[J ].光电子㊃激光,2011(11):17351738.[7]嵇晓强,戴明,孙丽娜,等.暗原色先验图像去雾算法研究[J ].光电子㊃激光,2011(6):926930.[8]和晓军,乔寅.基于暗原色的单一图像去雾算法的研究[J ].计算机应用研究,2014(1):304306.[9]胡伟,袁国栋,董朝,等.基于暗通道优先的单幅图像去雾新方法[J ].计算机研究与发展,2010(12):21322140.[10]佟雨兵,张其善,祁云平.基于P S N R 与S S I M 联合的图像质量评价模型[J ].中国图象图形学报,2006(12):17581763.[11]刘海波,汤群芳,杨杰.去雾图像质量客观评价方法研究[J ].量子电子学报,2016(1):2028.[12]王燕,伍博,谷金宏.一种单幅图像去雾方法[J ].电光与控制,2011(4):6567.[13]戚娜,惠红梅,穆昌.一种基于改进的暗原色先验图像去雾方法[J ].计算机与现代化,2016(5):1821.[14]陈瑶,孙兴波,黄祥,等.一种改进的暗原色单幅图像去雾方法[J ].四川理工学院学报(自然科学版),2012(5):6264.68沈阳师范大学学报(自然科学版) 第36卷。