基于指数映射与自适应权重能量函数的图像去雾方法 下载: 508次
1 引言
随着成像技术的快速发展和应用,计算机视觉系统已在众多领域被广泛使用。现有计算机视觉应用通常需要采集高质量的清晰图像作为后续处理的基础,而在雾、霾天气条件下,由于空气中存在大量悬浮微粒,可见光受到颗粒物吸收和散射的影响,户外成像设备捕获的图像出现明显的可见度降低现象,严重干扰后续的高级视觉任务。因此,雾、霾条件下的图像清晰化处理具有重要的研究意义。
作为计算机视觉的重要预处理步骤,雾霾图像清晰化技术受到了广泛的关注,其中单幅图像去雾任务更是研究的重点和难点。目前针对单幅图像去雾算法的研究主要被归为三类:基于图像增强的方法、基于图像复原的方法、以及基于机器学习的方法。其中图像增强是单幅图像去雾领域初期常用的方法,此类方法主要是通过对图像的亮度、对比度等信息进行增强以提升视觉效果,其代表性方法是基于Retinex理论的去雾方法。但此类方法未深入分析雾天图像退化的本质原因,仅从视觉效果出发改善图像质量,不能达到令人满意的效果。
以物理模型为理论基础的图像复原方法[1-12]目前应用最为广泛,也是相对成熟的去雾方法。该类方法以大气散射模型为理论依据,通过先验知识对模型中的未知参数进行估计,逆向求解出清晰图像,达到去雾目的。He等[3]以对自然图像统计分析的结果为依据,提出暗通道先验去雾算法,该方法为图像去雾领域提供了一种简洁高效的解决思路,但受限于该先验知识的局限性,对包含高反射率区域的图像处理效果不佳。Meng等[4]提出通过边界约束方法对透射率进行限制,但部分图像会出现偏色。Shu等[5]提出一种混合正则化变分框架来估计目标场景的深度图和无雾图像,引入二阶广义变量正则化来约束深度图,但在天空区域较大的情况下会出现透射率过渡不平滑的问题。Gao等[6]提出自构造图像融合的单图像去雾方法,通过构建多个具有不同曝光量的自构图像近似捕获全局大气光值,但融合权重的选取会对图像复原效果产生较大影响。
随着机器学习理论的兴起,基于机器学习的去雾方法在近年受到了较大关注,此类方法彻底脱离了依靠先验信息和约束条件来人工设计去雾模型所需参数的途径,转而通过设计有效的网络结构,在巨量图片数据集的训练下获得具有良好去雾效果的神经网络。Cai等[13]通过将网络架构与大气散射模型结合的方法,设计了一种端到端的去雾网络。Ren等[14]提出多尺度卷积网络捕获去雾过程中不同尺度的特征信息。Hodges等[15]提出通过孪生网络体系结构对不匹配的图像训练以进行图像去雾,利用更小的训练集达到较好去雾性能。基于机器学习的方法虽然通常能获得较好的复原效果,但所耗费的计算资源通常较大,并且模型本身缺乏可解释性,不利于实际应用,同时现有去雾数据集以合成雾图为主,与真实环境下的退化图像有一定的差距,因此在真实环境下的应用有一定局限。
现有大量的基于物理模型的图像复原方法都是以暗通道先验理论为基础改进的,主要集中于解决天空区域透射率估计不准确的问题。改进方法通常采用图像分割算法[7],将天空区域分割并对其进行透射率补偿。由于图像的多样性,分割天空区域的方法准确性不稳定,泛化处理的能力较低。针对上述问题,本文基于对大量图像的统计分析,提出图像暗通道值的指数映射关系,获得更适应天空区域的透射率估计方法,并通过构建自适应权重能量函数,对透射率进行平滑优化,避免了映射过程中因噪声等问题产生的透射率跳变现象。实验结果表明,所提算法具有良好的去雾效果。
2 暗通道先验缺陷
根据米散射理论,Narasimhan等[8]通过对雾天条件下的图像成像过程的建模分析,推导出简化的大气散射模型:
式中:
式中:
式中,
3 本文算法
本文算法流程如
3.1 局部大气光估计
目前图像去雾算法研究领域,针对大气光值选取的研究主要有全局大气光值和局部大气光值两种思路。文献[3]将大气光区域定位于具有最高暗通道值的前0.1%像素点,选取这些像素点中对应输入图像上最大的像素值作为大气光值;文献[9]对输入图像的RGB三个颜色通道分别进行最小滤波操作,选取各颜色通道中的最大值构成大气光值;文献[10]通过判断大气光矢量方向确定大气光值。文献[3]和文献[9]的方法在存在强光源或大片白色区域像素时会出现大气光值判断失误;文献[10]则可能存在大气光矢量方向判断不准确的问题。为保证整体去雾效果不受全局大气光值判断失误的影响,本文采用文献[11]的局部大气光值估计方法,具体过程如下:
1) 对输入有雾图像执行最大值操作,执行窗口半径为输入图像尺寸的10%;
2) 执行形态学闭操作,通过膨胀腐蚀消除局部像素的干扰;
3) 使用交叉双边滤波消除块状结构并保持图像边缘信息,获得局部大气光值
3.2 暗通道映射模型
为解决暗通道先验理论在天空区域失效的问题,本文从真实有雾图像数据集RTTS和合成图像数据集RESIDE中各选取了1200幅包含天空区域的有雾图像和清晰图像进行统计分析。将所选图像分割为尺寸相同的子图块,并对所有子图块执行最小通道操作,获取像素级暗通道值。分别对有雾图像和清晰图像暗通道值统计后发现,有雾图像暗通道值呈现出近似钟型的凸型分布,而清晰图像暗通道值则呈现左高右低的凹型分布,如
为进一步分析有雾图像和清晰图像暗通道值之间的相关性,对图像的天空区域与非天空区域的暗通道值进行对比。如
图 3. 有雾图像与清晰图像暗通道对比。(a)有雾图像;(b)清晰图像;(c)暗通道值对比
Fig. 3. Dark channel contrast between hazy and clear images. (a) Hazy image; (b) clear image; (c) contrast of dark channels
该衰减趋势与指数衰减有极高的相似性,因此提出一种清晰图像与有雾图像暗通道的指数映射模型:
式中,
为验证该指数映射模型的有效性,将经过
根据
式中,
3.3 自适应权重能量函数
上述模型修正了暗通道先验理论在明亮区域的缺陷,但由于指数映射模型对输入图像中的噪声有极高的敏感性,所得透射率估计值会在部分区域出现跳变,因此需要对估计透射率进行平滑优化。对于自然图像,其像素分布具有马尔可夫性,即某处像素值与其邻域像素值有关。像素点在4邻域内能构成一个简单的马尔可夫网,中心像素点
对
式中:
式中,
先验项按照4邻域内的马尔可夫网构建。根据马尔可夫随机场理论,其分布函数与吉布斯分布具有一致性,因此构造先验项
式中:
先验项
式中:第一项为平滑项;第二项为误差项;
3.4 最优化求解
对
对
3.5 图象复原
将透射率最优解
式中,
4 实验结果与分析
实验均在Intel(R) Core(TM) i5-3210M CPU @2.50 GHz,4.0 GB RAM的硬件环境下运行。为了对算法的可行性与有效性进行评估,拟从主观视觉效果以及图像客观质量评估两方面,将所提算法与其他去雾算法进行实验对比。
4.1 主观视觉效果
视觉分析能直观反映出图像复原效果,选取去雾领域中具有代表性的文献[3]、[4]、[13]、[14]、[11]、[17]的方法进行对比,对比结果如
图 6. 实验效果对比。(a)雾图;(b)文献[3]方法;(c)文献[4]方法;(d)文献[11]方法;(e)文献[17]方法;(f)文献[13]方法;(g) 文献[14]方法; (h)本文方法
Fig. 6. Comparison of experimental effects. (a) Hazy image; (b) method of Ref. [3]; (c) method of Ref. [4]; (d) method of Ref. [11]; (e) method of Ref. [17]; (f) method of Ref. [13]; (g) method of Ref. [14]; (h) proposed method
4.2 客观质量评价
主观视觉评价具有一定的局限性,必须采用客观评价进行说明,分别使用无参考和全参考评价指标进行复原质量评估,其中无参考指标用于评判没有对应清晰图像的真实雾图复原的质量优劣,全参考指标则用于评判有对应清晰图像的合成雾图复原的质量优劣。根据文献[18],对于真实雾图复原效果本文采用新增可见边之比(e)和可见边归一化平均梯度(r)分析图像增加纹理信息和可见度提升的程度,纹理信息增加越多,图像的细节信息恢复越好;采用直方图相关系数(HCC)分析图像色彩保真程度,HCC越高则图像色彩偏移越小,图像越自然。对于合成雾图复原效果本文采用结构相似性(SSIM)和峰值信噪比(PSNR)量化复原图像与对应清晰图像之间的相似程度,以此评价去雾算法恢复图像的能力。运行时间(Time)则用于反映去雾算法的平均运行时间。分别选取10幅包含高亮和天空区域的真实雾图和合成雾图进行实验,对比结果采用所得指标平均值,如
表 1. 客观评价指标
Table 1. Objective evaluation index
|
根据
5 结论
针对现有去雾算法在明亮区域复原效果不足的问题,提出一种基于指数映射与自适应权重能量函数的单幅图像去雾方法。该方法的优势在于通过对自然图像的统计规律进行分析,并结合指数函数衰减特性,构造了新的透射率估计模型,可以对包含明亮区域或天空区域的有雾图像进行有效处理;同时基于马尔可夫网,构造出自适应权重能量函数,能有效地对透射率进行优化。根据实验测试结果,该算法具有可行性与有效性,泛化处理能力强,复原图像清晰、亮度适宜,主观视觉效果和客观评价指标方面都有良好的表现。由于采用了迭代优化方法,算法运行时间较长,虽然采用了降采样方法提高算法运行速度,但提升有限,因此在运行时间上该算法未占据明显优势,这也是接下来的改进方向。
[1] 梅康, 刘小勤, 沐超, 等. 基于自适应指数加权移动平均滤波的快速去雾算法[J]. 中国激光, 2020, 47(1): 0109001.
[2] 刘增力, 付钰. 基于透射率自适应约束修正的图像去雾算法[J]. 激光与光电子学进展, 2020, 57(16): 161003.
[7] 陈永, 卢晨涛. 基于超像素分割和暗亮通道结合的单幅图像去雾[J]. 激光与光电子学进展, 2020, 57(16): 161023.
[8] NarasimhanS G, NayarS K. Chromatic framework for vision in bad weather[C]∥Proceedings IEEE Conference on Computer Vision and Pattern Recognition, June 15, 2000, Hilton Head, SC, USA. New York: IEEE Press, 2000: 598-605.
[10] Fattal R. Single image dehazing[J]. ACM Transactions on Graphics, 2008, 27(3): 1-9.
Article Outline
洪文强, 杨燕. 基于指数映射与自适应权重能量函数的图像去雾方法[J]. 激光与光电子学进展, 2022, 59(10): 1015004. Wenqiang Hong, Yan Yang. Image Dehazing Algorithm Based on Exponential Mapping and Adaptive Weight Energy Function[J]. Laser & Optoelectronics Progress, 2022, 59(10): 1015004.