一种单幅图像去除雨雾的方法 下载: 861次
1 引言
恶劣天气下,雨线及伴随的雾气致使成像质量严重下降,限制了室外视频监控、**侦察等工作的进行。因此图像去雨雾是数字图像处理和机器视觉领域研究的重要问题,在智能交通、**安全领域具有重大的理论研究意义和广泛的应用价值。
关于图像去雨,大量研究方法被提出,且效果不断提升。Li等[1]基于块学习思想并利用高斯混合模型分别表示背景层和雨层的先验知识,取得了较好的去雨结果,但该方法产生的背景图像部分细节缺失导致图像不清晰。Luo等[2]提出判别稀疏性编码方法,通过分离图像中的雨和背景信息,得到清晰的背景图像,但当输入图像具有与雨纹相似的结构时,去除效果较差。Fu等[3]在残差网络的基础上,提出了一种深度细节网络,取得了较好的去雨效果,但该方法存在少许雨痕。马龙等[4]提出了可学习的混合基于最大后验估计(MAP)方法,增加了背景层与雨线层之间的独立性,提高了效率,但该方法未考虑雾气的影响因素。随着研究深入及对真实雨图的认识,人们发现下雨的同时将伴随着不同雾的生成。
基于先验知识或假设的单幅图像去雾取得了重大突破[5]。2009年He等[6]提出基于暗原色先验的单幅图像去雾算法,去雾效果显著,但该方法在景深突变处存在边缘伪影问题。Feng等[7]在暗原色先验去雾的基础上,使用贝叶斯估计的方法优化透射率,提高了处理效率,但该方法需要同一场景的近红外图像,导致实际应用受限。苏畅等[8]提出基于暗通道图像质心偏移量的去雾算法,修正了场景的透射率,有效恢复了明亮区域原有的丰富信息,但该算法存在光晕效应。Meng等[9]提出边界约束图像复原方法,通过增加物理模型的约束条件来获取图像透射率,避免了图像上的许多错误增强,但该方法在获取恢复图像的同时损失了细节特征信息。
上述去雨雾方法存在背景信息丢失或雨痕残留,针对这些问题,提出一种优化注意生成对抗网络的去雨雾方法,有效地将高斯模型与生成对抗网络相结合,减小了背景与雨线之间的依赖性,在有效去除雨纹的同时,细节纹理信息更加突出,并增加流形粒子滤波去雾模块,显著提高了图像的清晰度。
2 流形粒子滤波去雾
流形粒子滤波去雾是一种基于暗原色先验去雾的方法,利用流形粒子滤波对初始透射率进行精确优化,可恢复出清晰无雾图。
2.1 暗原色先验理论
在雾霾天气下,描述雾天图像的大气散射模型[10]为
式中:x为像素的空间坐标;I(x)为有雾图像;J(x)为清晰图像;A为大气光强;t(x)为透射率。由暗原色先验去雾算法可得暗通道为
式中:Jc表示色彩R、G、B通道;Ω(x)是像素x空间;y为c颜色通道像素点坐标;c为R、G或B颜色通道。
Ac是大气光强A在c颜色通道的值,对三个颜色通道进行独立运算,且在三个颜色通道上对(2)式两端进行最小值操作,t(x)在Ω(x)空间是常量,记为
式中:Ic为暗通道值。
由暗通道先验理论可知
将(4)式代入(3)式可估计出透射率系数
为使远处物体保持少量雾且使图像看起来更自然,在(5)式中引入常量参数w:
2.2 透射率优化
使用初始估计的透射率直接恢复无雾图像,会出现边缘伪影效应,降低了恢复后的图像质量。本节提出流形粒子滤波方法以优化透射率,平滑图像边缘,丰富细节特征。在初始传输图上,对一个像素点Xk-1运用粒子滤波方法,由概率函数进行重要性采样,对权值进行均一化处理,然后利用流形学习更新权值。
流形学习是一种非线性降维方法,目标是找到嵌入在高维数据空间中的低维流形结构,实现维数约简。如
LLE算法放弃寻找全局最优解,假设数据在局部是线性的且观测数据足够稠密,则空间中的每一个数据点可以用它的K个近邻线性表示,并通过局部最优来降维。降维的时间复杂度和空间复杂度均有所降低,从而减少了降维计算量。LLE算法从高维向量空间中向量点局部的小区域提取低维数据,并将其嵌入子集合,如
局部线性嵌入主要包含三个步骤:
1) 为每个样本点xi找到其近邻集合Qi,一般采用k近邻:
式中:wij、wik、wil为权重;
2) 基于Qi中样本点计算xi重构,重构系统wij。权重wij是使得样本点xi用其k个邻域点xi重构误差最小的解的系数。
式中:ε(w)为损失函数;w为权值矩阵;wjk为权重系数;Qjk为近邻集合点中数据,
3) 计算低维空间坐标。在权值矩阵w确定时,将样本点映射到低维空间,得到新的低维样本向量,使判断函数最小:
式中:I为单位矩阵;Z为样本集D在低维空间的投影,
最后得到流形粒子滤波后的精确透射率为
式中:XT为流形粒子滤波后像素点;
2.3 无雾图像恢复
将精确透射率t(x)、大气光A、有雾图像I(x)代入(1)式得无雾清晰图像J(x)为
流形粒子滤波去雾图及其色彩直方图如
图 3. 去雾图及其色彩直方图。(a)有雾图;(b)流形粒子滤波去雾;(c)图3 (a)色彩直方;(d)图3 (b)色彩直方图
Fig. 3. Dehazing map and its color histogram. (a) Foggy image; (b) manifold particle filtering for fog removal; (c) color histogram of Fig. 3 (a); (d) color histogram of Fig. 3 (b)
3 本文去雨雾算法
本文去雨雾算法通过优化注意生成对抗网络解决了去雨雾的问题。为更好地达到去噪效果,减小背景与雨线之间的依赖性,生成器端引入高斯模块以获得更多的细节纹理, 在生成器末端加入流形粒子滤波去雾模块,将去雨和去雾进行融合。
如
式中:ER~Pclean为干净样本图;EI'~Praindrop为有雨样本图;D(I')为生成图像;D为判别网络;I'为退化图像;R为清晰图像。
3.1 生成网络
生成网络由两个子网络组成:注意递归和上下文自编码,网络结构由
递归网络由残差网络、长短期记忆网络(LSTM)以及卷积层组成,结构参数设置如
式中:☉代表元素相乘;t表示索引位置;ht代表LSTM单元的输出特性;σ(·)为更新函数;Wxi、Whi、Wci为输入门的权重;Wxf、Whf、Wcf为忘记门权重;Wxc、Whc为状态单元的权重;Wxo、Who、Wco为输出门的权重;bi为输入门偏置项;bf为忘记门偏置项;bc为状态门偏置项;bo为输出门偏置项;Xt是残差网络的生成特征;Ct用于对将要传递到下一个LSTM状态的特征进行编码;Ht代表LSTM单元输出特性。
表 1. 递归网络结构参数设置
Table 1. Structural parameter settings of recursive network
|
训练网络时,在特定时间步长t的输出映射下,每个循环块中的损失函数定义为
式中:LATT为循环网络损失;A为注意力图;θN-t为t时刻注意映射值;LMSE为At与二值掩码M之间的均方误差;At为注意递归网络在时间步长t生成的注意力图。
上下文自编码可视为一个编码到解码的网络,输入为原始图像和注意力图像,通过16个卷积层,每一层使用ReLU非线性激活函数学习目标区域特征纹理信息,以产生更好的局部图像恢复。最后使用Tanh激活函数输出生成的图片,将其作为关联函数为生成网络与判别网络建立起联系。因此生成网络损失为
式中:LGAN为对抗性损失;LATT为循环网络损失;LM为自编码损失;LP为感知损失;O是自动编码器的输出图像;S为从解码器层提取的输出;T表示具有与S相同尺度的真实图像。
3.2 判别网络
判别器是为判别图像真假设计的一种神经网络,由
表 2. 判别器结构参数设置
Table 2. Discriminator structural parameter setting
|
根据自编码中CNN的输出和注意力图定义了一个损失函数为
式中:AN为可视化后的注意力图;D(·)为判别网络对生成图像的判别结果;γ是折扣因子;Lmap是从鉴别器内部层提取的特征与最终映射之间的损失,即
4 实验验证与结果分析
本文实验分为两个部分。第一部分为去雾实验,使用合成雾和自然场景雾图像验证本文去雾算法的有效性。第二部分为去雨雾实验,采用真实图像数据集进行训练测试,验证本文所提改进注意生成对抗网络的有效性。本文的实验平台为PyCharm,运行环境为Intel 3.5 GHz ,4核CPU,内存16 GB,Windows10操作系统。
4.1 去雾实验
为了公平地对本文去雾算法进行测试和评估,评价标准参照文献[ 12-13]。本文分别从定性和定量两个方面与其他经典代表性去雾算法进行比较,以验证本文算法的效果。对比方法选用软抠图处理算法(soft matting)[12]、引导滤波(GF)算法、He等所提算法、Retinex算法、同态滤波增强(HF)、结合无黑像素约束和平面假算法(NBPC+PA)[14]。
测试去雾图像有两类:自然雾天场景和公开的标准道路图像库(FRID)中场景图像。
4.1.1 定性评估
为了直观反映本文算法的效果,将soft matting、GF算法、He等所提算法、Retinex算法、HF、NBPC+PA与本文算法在自然场景(场景1)和道路图像库(场景2~6)上进行测试对比。
从
图 5. 自然场景雾和合成均匀雾实验原图像及各算法测试结果。(a)输入雾图像;(b) soft matting;(c) GF算法;(d) He等所提算法;(e) Retinex算法;(f) HF;(g) NBPC+PA;(h)所提算法
Fig. 5. Original images and test results of each algorithm for synthetic uniform fog and fog in natural scene. (a) Input hazy images; (b) soft matting; (c) GF algorithm; (d) method proposed by He et al.; (e) Retinex algorithm; (f) HF; (g) NBPC+PA; (h) proposed method
4.1.2 定量评估
为了对本文去雾算法和其他去雾算法进行定量评估,采用了灰度方差(MSD)、峰值信噪比 (PSNR)、 结构相似性指数(SSIM)三种客观质量评价方法[15-16]。在图片清晰度评价中,MSD为图片清晰度聚焦评价的依据,其值越大,图像中的高频分量越多,图像越清晰;PSNR作为评价图像信号失真的指标,其值越大则图像失真度越小;SSIM评估输入图像和去雾图像之间的结构相似性,其值越大说明图像质量越好。
表 3. 客观评测方法对图5 中图像测试所得数据
Table 3. Data obtained by objective evaluation methods for testing images in Fig. 5
|
综合定性定量分析,本文去雾算法能恢复出清晰、自然的场景,去雾效果优于现有算法。
4.2 去雨雾实验
本文训练注意生成对抗网络的数据集有1306组各种背景图像对,每对包含完全相同的背景,一个是雨图,另一个是真实图像。训练集为1000组图像对,测试集为306组图像对。
4.2.1 定性评估
为了直观反映本文算法的效果,将高斯曲率算法、深度残差网络算法[17](DRN)与本文算法在真实场景图上进行测试对比。5幅场景雨图(从上到下依次为场景1、2、3、4、5)伴有不同程度雾的产生。
从
4.2.2 定量评估
为了对本文去雨雾算法进行定量评估,本文采用特征相似性(FSIM)、PSNR、SSIM三种客观质量评价方法。FSIM评价图像结构信息的改变,其值越接近1,图像失真度越小。
图 6. 实验的原图像和去雨雾图像。(a)雨图;(b)高斯曲率算法;(c) DRN;(d)本文算法
Fig. 6. Original images and test results of each algorithm for rain and fog removal. (a) Rain image; (b) Gaussian curvature algorithm; (c) DRN; (d) proposed method
表 4. 各个客观评测方法对自然雨雾场景实验(图6 )测试所得数据
Table 4. Data obtained by objective evaluation methods for natural rain and fog scene for experiments (Fig. 6 )
|
综合本文算法的定性和定量评估,可知本文算法能够有效地去除雨纹,较好地恢复出场景色度信息,视觉效果和定量评价指标均优于现有算法。
5 结论
针对雨雾环境下所得的图像,在现有注意生成对抗网络去雨框架下进行改进,在生成网络部分引入高斯滤波模块以获得基础层和细节层,解决了背景层与雨纹层之间的依赖关系;同时提出了一种新的去雾算法,利用流形粒子滤波细化透射率解决边缘伪影问题,提高了图像的清晰度。经过定性和定量分析比较可知,较于现存经典算法,本文算法在完全去除雨纹的同时,图像细节特征更加清晰。图像去雨雾处理可以应用于智能交通、安全等领域,具有重大的理论研究意义和应用价值。
[1] LiY, Tan RT, Guo XJ, et al. Rain streak removal using layer priors[C]∥2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 27-30, 2016, Las Vegas, NV, USA. New York: IEEE, 2016: 2736- 2744.
[2] LuoY, XuY, JiH. Removing rain from a single image via discriminative sparse coding[C]∥2015 IEEE International Conference on Computer Vision (ICCV), December 7-13, 2015, Santiago, Chile. New York: IEEE, 2015: 3397- 3405.
[3] Fu X Y, Huang J B, Ding X H, et al. Clearing the skies: a deep network architecture for single-image rain removal[J]. IEEE Transactions on Image Processing, 2017, 26(6): 2944-2956.
[4] 马龙, 刘日升, 姜智颖, 等. 自然场景图像去雨的可学习混合MAP网络[J]. 中国图象图形学报, 2018, 23(2): 277-285.
Ma L, Liu R S, Jiang Z Y, et al. Rain streak removal using learnable hybrid MAP network[J]. Journal of Image and Graphics, 2018, 23(2): 277-285.
[5] 赵建堂. 基于深度学习的单幅图像去雾算法[J]. 激光与光电子学进展, 2019, 56(11): 111005.
[6] He KM, SunJ, Tang XO. Single image haze removal using dark channel prior[C]∥2009 IEEE Conference on Computer Vision and Pattern Recognition, June 20-25,2009, Miami, FL, USA. New York: IEEE, 2009: 1956- 1963.
[7] FengC, Zhuo SJ, Zhang XP, et al. Near-infrared guided color image dehazing[C]∥2013 IEEE International Conference on Image Processing, September 15-18, 2013, Melbourne, VIC, Australia. New York: IEEE, 2013: 2363- 2367.
[8] 苏畅, 毕国玲, 金龙旭, 等. 基于暗通道图像质心偏移量的去雾算法[J]. 光学学报, 2019, 39(5): 0533001.
[9] Meng GF, WangY, Duan JY, et al. Efficient image dehazing with boundary constraint and contextual regularization[C]∥2013 IEEE International Conference on Computer Vision, December 1-8,2013, Sydney, NSW, Australia. New York: IEEE, 2013: 617- 624.
[10] Cox L J. Optics of the atmosphere-scattering by molecules and particles[J]. Journal of Modern Optics, 1977, 24(7): 779.
[11] 张清博, 张晓晖, 韩宏伟. 基于改进生成对抗网络的水下激光图像后向散射光修复方法[J]. 激光与光电子学进展, 2019, 56(4): 041004.
[12] 吴迪, 朱青松. 图像去雾的最新研究进展[J]. 自动化学报, 2015( 2): 221- 239.
WuD, Zhu QS. The latest research progressof image dehazing[J]. Acta Automatica Sinica, 2015( 2): 221- 239.
[13] Wen SH, Zhao YF, Ma JR, et al. Image defogging algorithm based on image bright and dark channels[C]∥2018 WRC Symposium on Advanced Robotics and Automation (WRC SARA), August 16,2018, Beijing, China. New York: IEEE, 2018: 269- 274.
[14] Tarel J P, Hautiere N, Caraffa L, et al. Vision enhancement in homogeneous and heterogeneous fog[J]. IEEE Intelligent Transportation Systems Magazine, 2012, 4(2): 6-20.
[15] Li C F, Bovik A C. Content-partitioned structural similarity index for image quality assessment[J]. Signal Processing: Image Communication, 2010, 25(7): 517-526.
[16] Tarel JP, HautièreN, CordA, et al. Improved visibility of road scene images under heterogeneous fog[C]∥2010 IEEE Intelligent Vehicles Symposium, June 21-24, 2010, San Diego, CA, USA. New York: IEEE, 2010: 478- 485.
[17] 杨斌, 王翔. 基于深度残差去噪网络的遥感融合图像质量提升[J]. 激光与光电子学进展, 2019, 56(16): 161009.
Article Outline
王丙元, 郑芳, 姜建, 杨搏. 一种单幅图像去除雨雾的方法[J]. 激光与光电子学进展, 2020, 57(14): 141027. Bingyuan Wang, Fang Zheng, Jian Jiang, Bo Yang. Method for Removal of Rain and Fog in Single Image[J]. Laser & Optoelectronics Progress, 2020, 57(14): 141027.