基于矩阵复原和暗通道理论的单色遥感图像去雾算法
1 引言
在遥感图像的成像过程中,大气云层和空气中的水汽、粉尘等悬浮粒子形成的雾霾通常会使目标物的反射光发生散射、被吸收、增加杂散光,造成图像对比度下降、细节丢失、色彩失真,从而降低图像质量。同时,在下传过程中,恶劣的工作环境使得遥感图像容易引入强噪声、丢失信息,由此得到信息不全的带雾遥感图像,影响地物目标的识别、分类、观测等。现有的图像去雾算法主要针对RGB三通道图像,而遥感图像多是全色单通道图像,且雾气分布呈白色,导致单色遥感图像去雾具有较高的挑战性。因此,针对单色遥感图像复原去雾的研究具有重要意义。
现有的图像去雾算法主要可以分为以下3类:(1)基于图像增强的去雾算法。根据图像的灰度分布,通过拉伸补偿对比度、亮度、色彩饱和度等突出图像的细节信息,提升图像的视觉观感,常用方法包括直方图均衡化、小波变换以及基于Retinex理论的算法等[1-3]。从另一角度而言,基于图像增强的算法又可分为全局增强和局部增强算法[4-7],其中前者的主要作用是提升图像整体的对比度;后者针对图像的局部纹理特征,通过对图像的局部区域等细分单元进行变换处理,突出图像的细节特征,提升抗噪能力。(2)基于图像复原的去雾算法。可以分为两类,一类是基于先验统计信息,通过统计高低质量图像的亮度等信息,复原出高质量的无雾图像[8-9]。另一类是基于物理模型,研究相机成像过程中的大气扰动的影响,分析雾霾等引起图像质量下降的原因,构建相应的数学模型,以观测到的雾霾图像为输入,通过估算透射率等未知参数,反演计算复原出无雾图像[10-16]。由于依据的是大气散射机理模型,该类方法具有较强的鲁棒性,效果较为显著。(3)基于深度学习的去雾算法。近年来随着人工智能的发展,越来越多的研究人员使用深度学习的方法实现图像去雾,主要分为端对端和非端对端的网络模型。Dong等人提出了一种基于U-Net架构的多尺度特征融合去雾网络,成功恢复了高分辨率图像的空间信息[17]。Pang等人提出了一种双目图像去雾网络,通过左右两幅图像的相关性得到去雾损失函数,达到更好的去雾效果[18]。Zheng等人提出了多导向双边滤波卷积神经网络,实现了高分辨率4K图像去雾[19]。
综上所述,现有去雾算法多是针对特定场景下的彩色图像去雾,对于单色且可能存在信息丢失的遥感图像去雾研究尚不充分,因此本文提出了一种基于矩阵复原和暗通道理论的单色遥感图像复原去雾算法。为了解决图像在成像和传输过程中噪声过大和图像信息丢失的问题,首先采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)对图像进行去噪复原,随后将去噪复原后的图像采用单色暗通道算法去雾,最后对实验图片进行主观评价,同时采用对比度、信息熵、峰值信噪比和结构相似性等指标进行客观评价。结果表明,与其他去雾算法相比,本文所提方法具有优越性。
2 ADMM方法及暗通道理论基础
2.1 ADMM方法
ADMM主要用于解决凸优化问题,引入一致性约束方法实现优化问题的解耦,将集中式问题并行求解,其主要思想是将原函数等价地分解成若干个可求解的子函数并求解全部子函数,然后通过协调全部子函数,从分块的数据集中获得相同的全局参数解,得到全局变量最优解[20-23]。
ADMM算法针对二决策域分块问题可以用如
该表达式也被称为解耦约束式,其中
其中:
每完成一轮迭代,则更新乘子向量
最后根据实际问题,设置ADMM的收敛判据,其收敛判据的表达形式如
其中:
2.2 暗通道理论基础
暗通道去雾理论最早由何凯明博士在2009年提出,他提出了一个基本假设,认为在绝大多数非天空的局部区域内,某一些像素点至少会有一个通道的灰度值较低,即比较暗的状态,由RGB三通道中取最小值组成灰度图,再对这张灰度图进行滤波,即暗通道去雾理论,其主要是基于如
其中:
何凯明博士对5 000多幅无雾图像进行统计,发现约75%的像素值为0,90%的像素值处于非常低的区间,由此提出暗通道理论,即对于一幅无雾图像,其暗通道可以表示为:
其中:
由
在现实生活中,无论多晴朗的天气,大气中的悬浮粒子也会是遥感图像产生一定的雾气的感觉,因此为在去雾的同时保留一定程度的自然效果,引入了一个[0,1]之间的模糊系数
对于大气光值A,通常取暗通道图中亮度前1‰的像素,在原始雾图中取对应亮度最高的像素点灰度值作为大气光值A。
在实际处理图像的过程中,如果透射率值过低,会使得推导出的无雾图像偏白,因此要对透射率设一个下限值
3 本文算法
现有图像去雾算法大多针对RGB三通道的图像。本文针对单色遥感图像去雾及其在传输过程中存在的噪声过大和信息丢失问题,在传统的暗通道理论基础上结合ADMM算法,实现了单色遥感图像的复原去雾。
遥感图像在成像和传输过程中存在的噪声、信息丢失及雾气干扰,可以解耦为去噪复原和去雾两个子问题。由此,可以将问题描述成如
其中:Y为信息丢失带雾图像,X为带雾图像,N为加性噪声。由上文给出的带雾图像成像过程可以得出:
则带雾图像X可通过最小化如下问题求得:
其中:rank(∙)为矩阵的秩,λ为系数。由上文提到的ADMM的计算方法可以得出X,具体如
再由上文中暗通道理论的计算方法,可以得出:
本文的算法流程如
4 实验及结果分析
本文从长光卫星网站中分别选取了卫星和无人机遥感图像,选择多种不同应用场景,包括农田、城市、建筑、海洋、河流、山脊,验证本文算法的普适性和鲁棒性。分别进行了去雾实验、图像信息丢失去雾实验以及不同程度图像信息丢失去雾实验,验证方法的有效性。模拟雾图的成像机理,通过人工合成雾的方式得到带雾图像,然后对比原始图像、带雾图像及去雾图像的结果。
4.1 评价指标和对比算法
分别从主观评价和客观指标评价的角度与经典算法对比。本文根据算法应用场景,选取了基于图像增强的算法1、算法3、算法4、算法5以及基于图像复原的算法2、算法6作为对照,验证本文算法的优越性。本文选取的算法1为AGCWD(Adaptive Gamma Correction with Weighting Distribution),该方法通过伽马校正和亮度像素的概率分布来提高调灰暗图像亮度的自动变换;算法2为DCTSVD(Discrete Cosine Transform Pyramid and Singular Value Decomposition),该方法将低频子带图像的奇异矩阵与其全局直方图均衡化的奇异矩阵结合起来,估计均衡化后的低子带图像的奇异值矩阵,实现去噪和增强图像对比度;算法3为GIHE(Gradient and Intensity Histogram),该方法将梯度引入强度直方图均衡化中,有效保护了图像的亮度信息,实现图像的去雾增强;算法4为IMSVD(Image Enhancement based on Singular Value Decomposition),该方法通过图像分解、可调对比度增强、降噪、图像合成4个步骤,结合亮度和颜色分量,有效实现了图像的去噪和去雾增强;算法5为RHESVD(Regularized-Histogram Equalization),该方法利用正则直方图均衡化和离散余弦变换来提高图像质量;算法6为NPIE(Naturalness Preserved Image Enhancement),该方法利用高质量图像获取的先验多层亮度统计信息,有效实现图像去雾增强。选择的客观评价指标有对比度、结构相似性、峰值信噪比以及信息熵。
图像对比度计算公式为:
其中:
图像结构相似性计算公式为:
其中:
图像峰值信噪比计算公式为:
其中:
图像信息熵计算公式为:
其中:
4.2 图像去雾结果对比
4.2.1 主观评价
对于7种不同算法进行去雾实验,对于带雾图像的去雾处理结果如
从上面的分析可以看出,算法3的去雾处理效果相对显著。
4.2.2 客观评价
本文通过对比不同算法的峰值信噪比、结构相似性、对比度,客观评价图像去雾效果的优越性,计算结果如
表 1. 图像去雾客观评价指标计算结果
Table 1. Calculation results of objective evaluation index for image dehazing
|
4.3 图像信息丢失复原去雾实验
模拟图像传输等引起图像信息丢失的过程,将人工合成雾图信息丢失30%,即随机将30%的像素值置为0,然后对原始图像、细节丢失带雾图像及复原去雾图像进行对比。
4.3.1 主观评价
图像信息丢失复原去雾的结果如
图 4. 信息丢失30%雾图复原去雾结果
Fig. 4. Restoration and dehazing results of 30% information loss haze image
4.3.2 客观评价
信息丢失遥感雾图的复原去雾主要是为了复原图像中细节信息,提升图像的应用价值,增强图像的视觉观感。因此本文选择信息熵以及对原始信息完整无雾图像的峰值信噪比和结构相似性来客观评价算法的复原去雾效果。
图像的复原去雾客观评价指标结果如
表 2. 图像复原去雾客观评价指标计算结果
Table 2. Calculation results of objective evaluation indexes for image restoration and dehazing
|
4.4 不同比例图像信息丢失复原去雾实验
将带雾图像的图像信息分别保留50%、60%、70%和80%,使用本文算法对其进行复原去雾,将所得结果应用信息熵以及对原始信息完整无雾图像的峰值信噪比和结构相似性来客观评价本文算法在不同恶劣情况下的复原去雾效果,验证本文算法具有较宽的适用范围。
4.4.1 主观评价
对不同比例信息丢失的图像复原去雾结果如
图 5. 不同比例信息丢失图像复原去雾结果
Fig. 5. Restoration and dehazing results of images with different proportions of information lost
4.4.2 客观评价
针对不同比例雾图信息丢失的复原去雾结果客观评价指标如
表 3. 不同比例信息丢失雾图复原去雾客观评价指标计算结果
Table 3. Calculation results of objective evaluation indexes for restoration and dehazing of fog images with different proportions of information loss
|
5 结论
本文提出了一种基于ADMM矩阵复原和暗通道理论的单色遥感图像去雾算法,实现了信息丢失情况下的图像复原去雾。通过主观评价与客观指标分析相结合,综合评判信息完整和信息丢失情况下的图像去雾结果。对比了6种经典图像去雾算法在多场景下的去雾效果以及在不同比例信息丢失情况下的复原去雾结果,实验结果表明,本文算法对于信息丢失30%的雾图,6个场景的平均信息熵提升1.665 2,平均峰值信噪比提升11.702 9,平均结构相似性提升0.814 6,指标提高显著,具有较好的复原去雾效果,能够在去除噪声恢复原图像有用结构信息的同时,提升图像的视觉效果,有利于图像的观测和信息获取,同时证明本文算法具有宽适性和较好的鲁棒性。
[1] 贺长秀. 图像去雾算法研究进展[J]. 现代计算机, 2020(28): 47-51.
HE C X. Research progress on image dehazing algorithm[J]. Modern Computer, 2020(28): 47-51.
[2] 蒋华伟, 杨震, 张鑫, 等. 图像去雾算法研究进展[J]. 吉林大学学报(工学版), 2021, 51(4): 1169-1181.
JIANG H W, YANG Z, ZHANG X, et al. Research progress of image dehazing algorithm[J]. Journal of Jilin University (Engineering and Technology Edition), 2021, 51(4): 1169-1181.
[3] 张登银, 鞠铭烨, 钱雯. 图像去雾算法研究现状与展望[J]. 南京邮电大学学报(自然科学版), 2020, 40(5): 101-111.
ZHANG D Y, JU M Y, QIAN W. Research status and prospect of image dehazing algorithm[J]. Journal of Nanjing University of Posts and Telecommunications (Natural Science Edition), 2020, 40(5): 101-111.
[10] 何涛, 赵停, 徐鹤. 基于暗通道先验的单幅图像去雾新算法[J]. 计算机科学, 2021, 48(7): 219-224.
[11] 李力, 胡潇, 彭军. 基于暗通道先验的航拍图像去雾效果优化[J]. 国土资源遥感, 2021, 33(1): 108-114.
[12] 孙乐乐, 席一帆, 吕悦. 基于暗通道先验的去雾改进算法[J]. 电子设计工程, 2021, 29(4): 48-52.
SUN L L, XI Y F, LV Y. An improved algorithm of fog removal based on the prior of dark channel[J]. Electronic Design Engineering, 2021, 29(4): 48-52.
[13] 王蓉, 孙勇智, 马连伟. 基于改进加权融合暗通道算法的图像去雾研究[J]. 浙江科技学院学报, 2021, 33(1): 52-58.
[14] 周文舟, 范晨, 胡小平, 等. 多尺度奇异值分解的偏振图像融合去雾算法与实验[J]. 中国光学, 2021, 14(2): 298-306.
[15] 黄鹤, 李昕芮, 宋京, 等. 多尺度窗口的自适应透射率修复交通图像去雾方法[J]. 中国光学, 2019, 12(6): 1311-1320.
[16] 李鹏飞, 何小海, 卿粼波, 等. 暗通道融合亮通道优化的夜间图像去雾算法[J]. 液晶与显示, 2021, 36(4): 596-604.
[21] 李晖晖, 鱼轮, 张良, 等. 暗通道约束和交替方向乘子法优化的湍流图像盲复原[J]. 西北工业大学学报, 2018, 36(1): 103-109.
[22] 高珠珠. 基于暗原色先验和二阶变分模型的图像去雾[D]. 青岛: 青岛大学, 2020.
GAOZ Z. Image dehazing based on dark primary color prior and second-order variational model[D]. Qingdao: Qingdao University, 2020. (in Chinese)
[23] 李吉, 赵丽娜, 侯旭珂. 通过随机排序的交替方向乘子法的矩阵恢复[J]. 北京化工大学学报(自然科学版), 2017, 44(3): 123-128.
[24] 杨燕, 金正猛, 蒋晓连, 等. 保持泊松噪声图像细节的快速变分去噪算法[J]. 计算机工程与应用, 2016, 52(20): 172-176.
[25] 查志远. 基于稀疏表示与低秩模型的图像复原算法研究[D]. 南京: 南京大学, 2018.
ZHAZ Y. Research on image reconstruction algorithm based on sparse representation and low rank model[D]. Nanjing: Nanjing University, 2018. (in Chinese)
[26] 陈小莉. 基于交替乘子法的图像去模糊技术研究[J]. 电子设计工程, 2019, 27(5): 189-193.
Article Outline
刘纪伟, 王晓东, 李云辉. 基于矩阵复原和暗通道理论的单色遥感图像去雾算法[J]. 液晶与显示, 2023, 38(2): 225. Ji-wei LIU, Xiao-dong WANG, Yun-hui LI. Dehazing algorithm of monochromatic remote sensing image based on matrix restoration and dark channel theory[J]. Chinese Journal of Liquid Crystals and Displays, 2023, 38(2): 225.