论文部分内容阅读
摘要：人口的爆炸性增长和工业化的迅速发展导致了越来越严重的环境问题。雾霾天气越来越频繁出现，严重影响监控系统获取的图像信息的准确性，图像可能会模糊，这将导致以后的工作，不可预见的影响。通过使用除雾算法来处理由监视系统获得的图像，将大大消除雾霾天气对成像的影响，从而使监视系统更加可靠和安全。
关键词：图像去雾;图像复原;图像增强
现在的去雾算法主要有三大类：一是基于图像增强的去雾算法，二是基于图像复原的去雾算法，三是基于景深的去雾方法。
一、基于图像增强的去雾算法
图像增强的除雾算法是使用一些算法来提高雾图像的对比度，突出显示或削弱某些信息，减少雾对图像的影响，并使除雾图像更方便机器识别或主观视觉观察。
1.1基于直方图均衡化的去雾算法
这种方法的主要思想是使图像的直方图分布更加均匀以提高图像的对比度。直方图均衡有两种方法：局部直方图均衡和全局直方图均衡。全局直方图均衡是在不考虑图像局部特征的情况下对整个图像进行均衡，因此提出了局部直方图均衡，包括JY Kim子块局部重叠直方图均衡算法（POSHE）和Zimmerman提出的插值直方图均衡算法。都取得了很好的效果。
1.2基于小波变换的去雾算法
基于小波分析的方法是对多尺度图像进行对比度增强处理，取得了很好的效果。该方法的原理是削弱图像的低频部分并增强图像的高频部分，以使图像变得清晰。 Russo F等人提出了一种在多个尺度上均衡雾图像细节的方法，使图像细节更清晰。
二、基于图像复原的去雾算法
基于图像恢复的算法使用大气散射模型来恢复模糊图像。
2.1 大气散射模型
有雾的天气中，物体反射的光线会因为空气里的小颗粒发生散射，会使图像采集设备采不到完整的发射光线。这就使光线在传播过程中一部分会发生衰减。大气介质中存在的颗粒让光的散射过程变得非常复杂，为了更加准确地描述这个过程对采集到的图像产生的影响，于是建立在大气散射理论的基础上的数学模型——大气散射模型被提了出来，用来描述散射的过程，其表达式为：
I （x）=J （x） t （x）+A（1- t（x））
在以上公式中，I（x）代表收集的图像，A是大气光强度，J（x）代表真实图像，t（x）是透射率。除雾是使用已知的I（x）查找J（x）。由于此公式中有许多未知数，因此需要一些先验知识才能解决。
2.2 基于先验知识的图像去雾算法
近年来，利用一些先验知识，单幅图像除雾取得了很大的进展，并且研究了局部对比度最大化的方法。这种方法在某些时候可以达到良好的效果，但是通常会产生色彩饱和度和光晕效果。此方法使用图像增强技术，但不符合实际的物理模型。 Fattal等创建了一个除雾模型，该模型假定对象的阴影和反射率在局部不相关，然后使用独立分量分析（ICA）计算透射率。该方法对颜色信息量有较高的要求。当密度很大时，此方法无法计算透射系数。当拍摄距离很远时，除雾效果不理想。
通过对无雾图像的统计，发现在无雾图像的大部分区域中总会有一些非常低的灰点，因此提出了暗通道先验理论。该方法首先使用暗通道粗略估计透射率，然后使用软消光优化透射率，然后使用暗通道先验估计大气光强度，最后使用雾图像的光学模型还原图像，效果很好，雾化图像的色彩自然，为雾化的领域开辟了一条新的道路，是一个很大的突破。但是这种方法的时间复杂度很高，并且没有实时性能。 Kratz等对场景的深度和发射率建模，并假设它们彼此独立，景深由特定场景确定。通过此方法处理的图像边缘效果很好，但是图像的色彩对比度有时会过饱和。
三、基于景深的去雾方法
在雨天和大雾天气中使用传统的除雾算法确实可以在一定程度上提高监视图像的对比度和图像质量，但是传统算法对监视场景和檢测目标的适应性较差。现在提出了一种新的除雾方法。
将采集到的图像切成M * N个相同面积的块，并切成长度为W和H的小块。M和N分别对应于原始图像的长度和宽度。如果图像的长度和宽度有条件不满足M和N的倍数，则可以在边缘扩展后对图像进行分割。
如上图所示，灰色原始图像区域的大小为18×14。如果需要切成4×4尺寸的子区域，则原始图像的尺寸不足以实现整体切割。考虑到基于原始图像长度和宽度的边缘扩展，扩展图像的长度应分别为M = 4和N = 4的公倍数。显然，长度和宽度的最小扩展宽度为2，如白色区域所示为边缘扩展区域。边缘扩展后，可以将图像分为20个4×4子区域块，以进行下一步。
对每个子区域块执行景深采集，根据空气传播参数t（x，y）的估计公式：
通过上述公式，可以快速建立粗糙的大气耗散图H（x，y）与景深H（x，y）之间的对应关系-正相关。由于H（x，y）与H（x，y）成正比，H（x，y）不同区域的灰度值对应于粗略的深度信息。景深越大，相应的大气耗散图H（x，Y）越大。
根据H（x，y）子区域的像素值范围，并基于大气信息值，将区域块划分为k（k = 1，2 ...，n）级深度梯度。可以通过以下公式确定梯度值：
在基于景深的除雾方法中，像素是通过双线性插值处理实现的，其计算复杂度略高。
三、结语
综上，对几种经典的除雾算法进行了回顾。其中，基于图像增强的除雾算法已在实践中得到广泛应用，基于图像恢复的除雾算法和景深的去雾方法具有更自然，更好的效果，但在实际应用中对实时性和通用性的要求较高，因此后两项技术仍有改进发展的空间。
参考文献
[1]鞠铭烨，张登银，纪应天.基于雾气浓度估计的图像去雾算法[J].自动化学报，42（9）：1367-1379，2016.
中交远洲交通科技集团有限公司，河北石家庄 050000
关键词：图像去雾;图像复原;图像增强
现在的去雾算法主要有三大类：一是基于图像增强的去雾算法，二是基于图像复原的去雾算法，三是基于景深的去雾方法。
一、基于图像增强的去雾算法
图像增强的除雾算法是使用一些算法来提高雾图像的对比度，突出显示或削弱某些信息，减少雾对图像的影响，并使除雾图像更方便机器识别或主观视觉观察。
1.1基于直方图均衡化的去雾算法
这种方法的主要思想是使图像的直方图分布更加均匀以提高图像的对比度。直方图均衡有两种方法：局部直方图均衡和全局直方图均衡。全局直方图均衡是在不考虑图像局部特征的情况下对整个图像进行均衡，因此提出了局部直方图均衡，包括JY Kim子块局部重叠直方图均衡算法（POSHE）和Zimmerman提出的插值直方图均衡算法。都取得了很好的效果。
1.2基于小波变换的去雾算法
基于小波分析的方法是对多尺度图像进行对比度增强处理，取得了很好的效果。该方法的原理是削弱图像的低频部分并增强图像的高频部分，以使图像变得清晰。 Russo F等人提出了一种在多个尺度上均衡雾图像细节的方法，使图像细节更清晰。
二、基于图像复原的去雾算法
基于图像恢复的算法使用大气散射模型来恢复模糊图像。
2.1 大气散射模型
有雾的天气中，物体反射的光线会因为空气里的小颗粒发生散射，会使图像采集设备采不到完整的发射光线。这就使光线在传播过程中一部分会发生衰减。大气介质中存在的颗粒让光的散射过程变得非常复杂，为了更加准确地描述这个过程对采集到的图像产生的影响，于是建立在大气散射理论的基础上的数学模型——大气散射模型被提了出来，用来描述散射的过程，其表达式为：
I （x）=J （x） t （x）+A（1- t（x））
在以上公式中，I（x）代表收集的图像，A是大气光强度，J（x）代表真实图像，t（x）是透射率。除雾是使用已知的I（x）查找J（x）。由于此公式中有许多未知数，因此需要一些先验知识才能解决。
2.2 基于先验知识的图像去雾算法
近年来，利用一些先验知识，单幅图像除雾取得了很大的进展，并且研究了局部对比度最大化的方法。这种方法在某些时候可以达到良好的效果，但是通常会产生色彩饱和度和光晕效果。此方法使用图像增强技术，但不符合实际的物理模型。 Fattal等创建了一个除雾模型，该模型假定对象的阴影和反射率在局部不相关，然后使用独立分量分析（ICA）计算透射率。该方法对颜色信息量有较高的要求。当密度很大时，此方法无法计算透射系数。当拍摄距离很远时，除雾效果不理想。
通过对无雾图像的统计，发现在无雾图像的大部分区域中总会有一些非常低的灰点，因此提出了暗通道先验理论。该方法首先使用暗通道粗略估计透射率，然后使用软消光优化透射率，然后使用暗通道先验估计大气光强度，最后使用雾图像的光学模型还原图像，效果很好，雾化图像的色彩自然，为雾化的领域开辟了一条新的道路，是一个很大的突破。但是这种方法的时间复杂度很高，并且没有实时性能。 Kratz等对场景的深度和发射率建模，并假设它们彼此独立，景深由特定场景确定。通过此方法处理的图像边缘效果很好，但是图像的色彩对比度有时会过饱和。
三、基于景深的去雾方法
在雨天和大雾天气中使用传统的除雾算法确实可以在一定程度上提高监视图像的对比度和图像质量，但是传统算法对监视场景和檢测目标的适应性较差。现在提出了一种新的除雾方法。
将采集到的图像切成M * N个相同面积的块，并切成长度为W和H的小块。M和N分别对应于原始图像的长度和宽度。如果图像的长度和宽度有条件不满足M和N的倍数，则可以在边缘扩展后对图像进行分割。
如上图所示，灰色原始图像区域的大小为18×14。如果需要切成4×4尺寸的子区域，则原始图像的尺寸不足以实现整体切割。考虑到基于原始图像长度和宽度的边缘扩展，扩展图像的长度应分别为M = 4和N = 4的公倍数。显然，长度和宽度的最小扩展宽度为2，如白色区域所示为边缘扩展区域。边缘扩展后，可以将图像分为20个4×4子区域块，以进行下一步。
对每个子区域块执行景深采集，根据空气传播参数t（x，y）的估计公式：
通过上述公式，可以快速建立粗糙的大气耗散图H（x，y）与景深H（x，y）之间的对应关系-正相关。由于H（x，y）与H（x，y）成正比，H（x，y）不同区域的灰度值对应于粗略的深度信息。景深越大，相应的大气耗散图H（x，Y）越大。
根据H（x，y）子区域的像素值范围，并基于大气信息值，将区域块划分为k（k = 1，2 ...，n）级深度梯度。可以通过以下公式确定梯度值：
在基于景深的除雾方法中，像素是通过双线性插值处理实现的，其计算复杂度略高。
三、结语
综上，对几种经典的除雾算法进行了回顾。其中，基于图像增强的除雾算法已在实践中得到广泛应用，基于图像恢复的除雾算法和景深的去雾方法具有更自然，更好的效果，但在实际应用中对实时性和通用性的要求较高，因此后两项技术仍有改进发展的空间。
参考文献
[1]鞠铭烨，张登银，纪应天.基于雾气浓度估计的图像去雾算法[J].自动化学报，42（9）：1367-1379，2016.
中交远洲交通科技集团有限公司，河北石家庄 050000