基于稀疏特征提取的单幅图像去雾 下载: 1084次
1 引言
在雾、霾等天气条件下,大气中悬浮的大量微小水滴、气溶胶等颗粒对大气中的光线传播有着很大的影响,导致可见光成像系统得到的图像出现颜色失真、对比度下降等现象,影响着人们的日常生活、工业生产以及战场态势采集、处理、传输。图像去雾是对雾天图像进行清晰化处理的过程,从图像中获取更多的信息,为目标跟踪、监测、侦查和识别等提供高质量图像,具有十分重要的意义。
近年来,基于雾天退化模型的单幅图像去雾方法取得了重大进展[1-3]。Tan[4]利用中值滤波估计介质传输图,降低了算法的复杂度;Fattal[5]对局部区域内的像素点进行方程求解时采用独立成分分析方法,得到无雾图像,然而在浓雾图像的处理上有所欠缺;Dong等[6]通过引入加性高斯白噪声修改了雾天退化模型,基于稀疏先验估计介质传输图,然而该方法利用迭代求解,时间复杂度较高;Zhu等[7]提出了一种基于颜色衰减先验的图像去雾算法,通过求解线性模型估计介质传输图,提高了算法运行效率,然而该方法过度依赖图像的颜色信息,不能处理好整幅雾天图像;He等[8]通过对大量室外无雾图像的统计分析暗通道先验估计初始介质传输图,然后利用软抠图以及速度更快的引导滤波[9]算法对介质传输图进行精细化,该方法目前得到了广泛应用,然而该方法估计的介质传输图蕴含的原始图像结构信息较少,不适用于天空区域或者大片白色区域,同时在图像细节处去雾能力不足。
由于上述这些算法普遍在天空区域的处理上效果不明显,容易造成色彩失真,因此,一些针对天空区域颜色失真的改进算法相继被提出。李加元等[10]分别估计天空区域和非天空区域的介质传输图得到无雾图像,有效抑制了色彩失真现象,但所得图像色彩偏暗;毕笃彦等[11]基于Color Lines先验,利用高阶马尔可夫随机场精细化介质传输图,对天空区域处理效果较好,然而该方法在远景图像细节上处理效果欠佳。
针对暗通道去雾方法在天空区域的处理上存在的不足,本文通过稀疏表示模型丰富了介质传输图的稀疏特征。图像的稀疏表示是一种通过观测矩阵将自然界图像存在的纹理细节等几何特征投影到低维空间中,重构出原始图像的过程。在去雾过程中,建立稀疏表示模型,可以有效地提取相似度高的稀疏特征,使通过暗通道先验得到的粗略介质传输图和原始图像具有相一致的结构特征[12-14]。
本文在暗通道先验的基础上,提出了一种基于稀疏表示模型和特征提取的单幅图像去雾算法。首先,基于暗通道先验求得粗略介质传输图,同时通过字典学习和稀疏表示模型提取有雾图像灰度图的稀疏特征,对粗略介质传输图的稀疏系数加权优化;然后,求取有雾图像纹理细节部分的稀疏系数,与优化后的粗略介质传输图稀疏系数结合,进一步求得精细介质传输图;最后,逆向求解雾天退化模型,清晰化雾天图像。本文算法在天空区域的处理上优势明显,避免了光晕的产生,复原的图像层次分明、清晰自然。
2 模型及暗通道先验
2.1 雾天退化模型
导致雾天图像退化现象产生的散射效应具体分为两类:1)目标物表面的反射光经过浑浊大气介质中的悬浮微粒发生的前向散射效应;2)周围的大气光经过悬浮微粒发生的后向散射效应。
式中
式中
2.2 暗通道先验
暗通道先验是He等[8]对大量户外无雾图像统计得出的规律。在绝大多数非天空的局部区域里,在红、绿、蓝3个颜色通道内,至少有一个颜色通道具有像素值接近于零的像素点。对于任意输入的清晰无雾图像
式中
由(2)式和(3)式可得
式中
3 本文算法
本文针对介质传输图稀疏系数矩阵进行优化求解,提出了一种求取介质传输图的新算法。首先,基于DCT字典对粗略介质传输图进行训练,得到稀疏系数矩阵1和新字典;其次,通过新字典对样本图像进行训练,得到样本图像稀疏系数矩阵2,并利用稀疏系数矩阵2的无穷范数求取
3.1 介质传输图优化模型
在信号处理过程中,利用信号在稀疏域的逼近替代原始信号[15]。将这种思想应用到图像去雾中,提取雾天图像的稀疏特征,丰富介质传输图的结构和细节,具有较强的稳健性,稀疏表示过程如
由雾天图像获取的介质传输图与原始图像具有一致性,均有局部光滑的特性,且在景深跳变的边缘处纹理细节相一致[16]。为使介质传输图真实地反映出原始图像结构及纹理特征,定义
式中
3.2 基于稀疏表示模型的介质传输图精细化
首先,基于字典学习和正交匹配追踪(OMP)[17]方法训练粗略介质传输图
对(7)式求导可得
式中
定义权重系数矩阵
可知
由(8)式可知,
式中
首先,求取样本图像稀疏系数矩阵
图 5. 对介质传输图的初步精细化。 (a)粗略介质传输图td(x);(b)样本图像tg(x);(c)重构得到的图像;(d)初步优化的介质传输图t'd(x)
Fig. 5. Initial refinement of the medium transmission image. (a) Rough medium transmission image td(x); (b) sample image tg(x); (c) reconstructed image; (d) preliminary optimized image t'd(x)
在
3.3 基于稀疏系数结合的最终介质传输图求取
为进一步求取精细介质传输图
首先,对每个样本图像子块作减去均值的预处理,进而对新的介质传输图子块
式中
然后,通过稀疏系数矩阵
式中
需要注意的是,因为求取
式中
4 实验结果与分析
首先,与目前主流去雾算法进行对比,验证本文算法的适应性和有效性;然后,从解决天空区域失真、去除伪轮廓和细节保持3个方面分析本文算法的优势;最后,对客观指标进行分析,进一步验证本文算法的去雾效果。
4.1 有效性分析
图 6. 去雾效果对比。(a)雾天图像;(b)文献[ 8-9]算法;(c)文献[ 4]算法;(d)文献[ 5]算法;(e)文献[ 19]算法;(f)本文算法
Fig. 6. Comparison of dehazing effects. (a) Haze image; dehazing effects of (b) Ref. [8-9], (c) Ref. [4], (d) Ref. [5], (e) Ref. [19], and (f) proposed algorithm
为了分析算法去雾效果,将本文算法与He等[8-9]引导滤波算法、文献[
4]算法、文献[
5]算法、文献[
19]算法作对比。对比上述算法的去雾结果可知,文献[
8-9]算法复原的图像都能取得好的效果,然而在处理天空区域时存在颜色失真现象,如第1幅图像由于过度去雾,使得天空区域含有噪声,对比度降低,颜色偏暗。文献[
4]算法复原的图像在部分区域取得了较好效果,然而去雾不彻底,存在偏色现象。文献[
5]算法在大多数情况下可以取得较好的复原效果,然而在场景光能量损失较大的区域,如第1幅图像和第3幅图像中的天空区域或者存在大量浓雾的区域,复原出的图像颜色偏暗。文献[
19]算法对于图像的复原较彻底,去雾效果较好,然而颜色整体偏暗,并且在部分景深跳变处(如第3幅图像中的黄框区域),存在光晕现象。
4.2 校正天空区域失真
图 7. 天空区域的去雾效果对比。(a)雾天图像;(b)文献[ 8-9]算法;(c)文献[ 19]算法;(d)文献[ 20]算法;(e)本文算法
Fig. 7. Comparison of the sky regions dehazing effects. (a) Haze image; dehazing effects of (b) Ref. [8-9], (c) Ref. [19], (d) Ref. [20], and (e) proposed algorithms
为验证本文算法在天空区域的去雾效果优势,将本文算法与He等[8-9]算法以及在天空区域处理效果较好的文献[
19]算法和文献[
20]算法作对比。通过对比可以看出,在
4.3 细节保持
为分析本文算法在细节保持方面的有效性,选取4幅图像,分别代表远景、近景的不同情况,将本文算法与其他算法进行对比。通过对比可以看出,本文算法在细节保持方面具有明显的优势,边缘和纹理细节清晰可见。对比远景图像,本文算法无颜色失真,轮廓清晰自然;对比近景图像,本文算法无光晕效应,树叶边缘无明显白雾,图像中的景物更加真实。
4.4 图像质量客观评价
为了从客观角度评价本文算法性能的优劣,采用图像的信息熵和峰值信噪比(PSNR)作为评价的指标。信息熵反映图像所传达的信息量的大小,其值越大,表明复原图像效果越好,边缘越明显[21];PSNR反映图像结构信息的完整性,其值越高,表明复原图像与原始无雾图像的结构特征越相似,受噪声的影响越小。
图 8. 细节区域的去雾效果对比。(a)雾天图像;(b)文献[ 8-9]方法;(c)文献[ 4]方法;(d)文献[ 5]方法;(e)文献[ 19]方法;(f)本文算法
Fig. 8. Comparison of the detail regions dehazing effects. (a) Haze image; dehazing effects of (b) Ref. [8-9], (c) Ref. [4], (d) Ref. [5], (e) Ref. [19], and (f) proposed algorithm
从
表 1. 图6中各图像的熵
Table 1. Entropies of different images in Fig. 6
|
表 2. 图6中各种算法复原图像的PSNR
Table 2. PSNR values of the images in Fig. 6
|
5 结论
基于图像稀疏表示理论,提出了一种新的单幅图像去雾算法。该算法主要在稀疏域上进行模型优化与求解,利用
[1] 吴迪, 朱青松. 图像去雾的最新研究进展[J]. 自动化学报, 2015, 41(2): 221-239.
吴迪, 朱青松. 图像去雾的最新研究进展[J]. 自动化学报, 2015, 41(2): 221-239.
Wu D, Zhu Q S. The latest research progress of image dehazing[J]. Acta Automatica Sinica, 2015, 41(2): 221-239.
[2] 梁健, 巨海娟, 张文飞, 等. 偏振光学成像去雾技术综述[J]. 光学学报, 2017, 37(4): 0400001.
梁健, 巨海娟, 张文飞, 等. 偏振光学成像去雾技术综述[J]. 光学学报, 2017, 37(4): 0400001.
[3] 代书博, 徐伟, 朴永杰, 等. 基于暗原色先验的遥感图像去雾方法[J]. 光学学报, 2017, 37(3): 0328002.
代书博, 徐伟, 朴永杰, 等. 基于暗原色先验的遥感图像去雾方法[J]. 光学学报, 2017, 37(3): 0328002.
[4] Tan RT. Visibility in bad weather from a single image[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2008: 10139948.
Tan RT. Visibility in bad weather from a single image[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2008: 10139948.
[5] Fattal R. Single image dehazing[J]. ACM Transactions on Graphics, 2008, 27(3): 721-728.
Fattal R. Single image dehazing[J]. ACM Transactions on Graphics, 2008, 27(3): 721-728.
[6] Dong XM, Hu XY, Peng SL, et al. Single color image dehazing using sparse priors[C]. 17th IEEE International Conference on Image Processing, 2010, 119( 5) : 3593- 3596.
Dong XM, Hu XY, Peng SL, et al. Single color image dehazing using sparse priors[C]. 17th IEEE International Conference on Image Processing, 2010, 119( 5) : 3593- 3596.
[9] He KM, SunJ, Tang XO, et al. Guided image filtering[C]. 11th European Conference on Computer Vision, 2010: 1- 14.
He KM, SunJ, Tang XO, et al. Guided image filtering[C]. 11th European Conference on Computer Vision, 2010: 1- 14.
[10] 李加元, 胡庆武, 艾明耀, 等. 结合天空识别和暗通道原理的图像去雾[J]. 中国图象图形学报, 2015, 20(4): 514-519.
李加元, 胡庆武, 艾明耀, 等. 结合天空识别和暗通道原理的图像去雾[J]. 中国图象图形学报, 2015, 20(4): 514-519.
Li J Y, Hu Q W, Ai M Y, et al. Image haze removal based on sky region detection and dark channel prior[J]. Journal of Image and Graphics, 2015, 20(4): 514-519.
[11] 毕笃彦, 眭萍, 何林远, 等. 基于Color Lines先验的高阶马尔科夫随机场去雾[J]. 电子与信息学报, 2016, 38(9): 2405-2409.
毕笃彦, 眭萍, 何林远, 等. 基于Color Lines先验的高阶马尔科夫随机场去雾[J]. 电子与信息学报, 2016, 38(9): 2405-2409.
Bi D Y, Sui P, He L Y, et al. Higher-order Markov random fields defogging based on Color Lines[J]. Journal of Electronics & Information Technology, 2016, 38(9): 2405-2409.
[12] Yang JC, WrightJ, HuangT, et al. Image super-resolution as sparse representation of raw image patches[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2008: 1- 8.
Yang JC, WrightJ, HuangT, et al. Image super-resolution as sparse representation of raw image patches[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2008: 1- 8.
[15] 尹雯, 李元祥, 周则明, 等. 基于稀疏表示的遥感图像融合方法[J]. 光学学报, 2013, 33(4): 0428003.
尹雯, 李元祥, 周则明, 等. 基于稀疏表示的遥感图像融合方法[J]. 光学学报, 2013, 33(4): 0428003.
[16] 南栋, 毕笃彦, 马时平, 等. 基于景深约束的单幅雾天图像去雾算法[J]. 电子学报, 2015, 43(3): 500-504.
南栋, 毕笃彦, 马时平, 等. 基于景深约束的单幅雾天图像去雾算法[J]. 电子学报, 2015, 43(3): 500-504.
Nan D, Bi D Y, Ma S P, et al. Single image dehazing method based on scene depth constraint[J]. Acta Electronica Sinica, 2015, 43(3): 500-504.
[17] Pati YC, RezaiifarR, Krishnaprasad PS. Orthogonal matching pursuit: recursive function approximation with applications to wavelet decomposition[C]. 27th Asilomar Conference on Signals, Systems and Computers, 1993: 4846193.
Pati YC, RezaiifarR, Krishnaprasad PS. Orthogonal matching pursuit: recursive function approximation with applications to wavelet decomposition[C]. 27th Asilomar Conference on Signals, Systems and Computers, 1993: 4846193.
[18] XuL, Zheng SC, Jia JY. Unnatural L0 sparse representation for natural image deblurring[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2013: 1107- 1114.
XuL, Zheng SC, Jia JY. Unnatural L0 sparse representation for natural image deblurring[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2013: 1107- 1114.
[19] ChenC, Do MN, WangJ. Robust image and video dehazing with visual artifact suppression via gradient residual minimization[M]. Berlin: Springer, 2016: 576- 591.
ChenC, Do MN, WangJ. Robust image and video dehazing with visual artifact suppression via gradient residual minimization[M]. Berlin: Springer, 2016: 576- 591.
[20] Ren WQ, LiuS, ZhangH, et al.Single image dehazing via multi-scale convolutional neural networks[M]. Cham: Springer International Publishing, 2016: 154- 169.
Ren WQ, LiuS, ZhangH, et al.Single image dehazing via multi-scale convolutional neural networks[M]. Cham: Springer International Publishing, 2016: 154- 169.
[21] 高银, 云利军, 石俊生, 等. 基于TV模型的暗原色理论雾天图像复原算法[J]. 中国激光, 2015, 42(8): 0809001.
高银, 云利军, 石俊生, 等. 基于TV模型的暗原色理论雾天图像复原算法[J]. 中国激光, 2015, 42(8): 0809001.
Article Outline
刘坤, 毕笃彦, 王世平, 何林远, 高山. 基于稀疏特征提取的单幅图像去雾[J]. 光学学报, 2018, 38(3): 0310001. Liu Kun, Bi Duyan, Wang Shiping, He Linyuan, Gao Shan. Single Image Dehazing Based on Sparse Feature Extraction[J]. Acta Optica Sinica, 2018, 38(3): 0310001.