许骏， 王直杰
东华大学 信息科学与技术学院，上海 200051
摘要：基于暗通道先验算法的图像去雾技术已经日益成熟,但是其处理速度慢、天空区域过曝、处理完的图像色彩变暗等缺点也很明显。本文针对这几方面分别提出了求透射率时的优化、纠正天空等明亮区域的错误估计的透射率、采用自动色剂的算法进行颜色校正等方法，从而有效地提升去雾图像的视觉效果与处理速度。实验结果与几种经典的算法结果进行比较验证了本文算法在处理效率与颜色保真度方面的优越性。
关键词：图像去雾；暗通道先验；颜色校正；处理速度
0引言
在日常生活中，户外场景拍摄很容易受各种因素的影响，如灰尘、雾或烟雾。近几年雾霾天气越来越频繁，这些悬浮在空气中的粒子会对场景的反射光和大气光的散射产生很大的影响，使得拍摄所得到的图像质量降低、美感全无，甚至会让图像对比度与颜色产生明显失真，导致场景和目标的可辨识度降低。这些都会直接影响到机器视觉对于图像内容的识别与分析。所以为了给机器视觉识别提供更清晰的图像，对图像进行去雾处理就显得非常重要。
1去雾算法分类
目前,图像去雾算法主要分为两大类:一类为图像增强［1］，如直方图均衡化法、Retinex算法、基于小波的方法、基于大气调制传递方程的方法。另一类为图像修复［2］，如深度信息的雾天图像复原、基于先验的雾天图像复原、基于偏微分方程的雾天图像复原、最小失真意义下的雾化图像复原。
为了能够更有效地对图像进行高效的去雾处理，本文提出了基于暗通道先验的去雾改进算法，其属于基于先验的雾天图像复原。本文基于大气散射模型，在算法去雾的计算过程中进行了合理的优化，减少计算量，提高了实时性，并且改善了经过去雾处理后使得图像整体变暗的不良效果。
2本文的算法
2.1大气散射模型
大气散射模型是由McCarthney在1975年提出的，该模型描述了雾化图像的退化过程，并被广泛应用于图像去雾领域，根据大气光在雾天退化过程中传输的物理特性可以用以下公式表示为［3］：
I(x)=J(x)t(x)+A(1－t(x))（1）
其中，I(x)表示有雾图像，J(x)表示去雾后的图像，场景辐射中大气传输过程中的透射率用t(x)表示，目标辐射信息的直接衰减用J(x)t(x)表示，反应出了经过传输介质后目标的电磁波信息到达传感器的能量；A表示大气光，大气光经过衰减后到达传感器的能量用A(1－t(x))表示。假设大气层是均匀的，电磁波在大气中为各向同性传播，透射率t表示为：t(x)=e－βd(x)，其中，β是大气散射系数，d(x)是场景深度。
2.2暗通道先验条件
暗通道先验［4］是通过对多幅室外的无雾图像进行研究总结出来的规律，在这些室外无雾清晰的图像中发现，大部分非天空区域中，至少有一个颜色通道的某些像素的亮度值很低，几乎趋近于零，并且，此区域的最低亮度值也几乎为零。对于任意的图像J，它的暗原色通道Jdark可以表示为：Jdark= minΩ （minc∈｛r,g,b｝Jc）
其中Jdark表示图像J的强度值接近于0的暗通道，Jc表示J的R、G、B三通道之一，Ω 表示以一个像素为中心的窗口。
2.3透射率的计算与优化
根据文献［3］中暗原色先验理论得到:
这就是透射率t的预估值。
在生活中，即使是万里无云的晴天，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，但是，雾能使人感受到景深的存在，使图像看起来更真实。因此，有必要在去雾的时候保留一定程度的雾，这可以通过在式（2）中引入一个在［0,1］之间的因子w，则式（2）修正为：
w代表了雾的保留度，其值越小，去雾效果越不明显,所以取w=0.95，这样保留一些雾的存在可以使人感受到景深的存在，图像也更符合需求。
由于暗通道去雾的透射率图比其他算法都要精细,并且在整个算法中占用了大量的处理时间,降低了程序的处理效率,所以如果适当地降低一点精度，其去雾的效果理论上应该不会有太大的区别，本文采取的方法不对原图求透射率,而是用以下方法来对透射率的求取进行简化。
（1）把RGB转化为灰度直方图；
（2）对原图进行下采样，缩小为原图的1/4,存放在V(x)，并求解出V(x)的透射率；
（3）采用插值法获取原图大概的透射率。
经过实验证明这种方式很大程度上提高了执行速度，而且去雾效果与原方案基本一致。
但是，如果缩小系数不是特别大，比如缩小为原来的0.5倍大小，可能两次缩放所用的耗时还抵消了计算小图的透射率图所换来的盈利，因此必须合理选择这个下采样率。
研究中发现传统的暗通道先验去雾对天空部分处理效果不好，天空往往会出现较大面积的纹理及分块现象。其根本原因还是因为天空部位基本上是不符合暗通道去雾先验条件的，对此本文提出了一种避免图像去雾算法中天空部分出现过度增强的方法：（1）将图像转换为灰度，为保留更多的边缘信息，使用具有对比度保留功能的去色算法；（2）求灰度图像的梯度信息，采用边缘检测算子实现；（3）对梯度信息进行去噪和滤波；（4）按照设定梯度阈值和亮度阈值对梯度信息进行区分；（5）对区分后的图像进行高斯羽化处理。
得到天空区域后，He［4］将天空区域的透射率图统一设置成一个固定值，但这样不好，还是应该根据具体的值做适当的修正。 在He的上述操作中，得到的天空区域并不真正属于天空，某个点并不一定是完全属于天空或完全不属于。因此本文提出一种优化方法，如下所示：
Jx=(tp×Ix+Jx×(255－Ix))/255
其中Jx是指暗通道的点，tp就类似于He所讲的固定透射率值，是自己根据图像处理效果调试指定的，在上式中，若I(x)=255，即完全属于天空，则该点的透射率即为固定值，若I(x)=0，即完全不属于天空，计算式的值不变，不影响正常去雾。
另外关于大气光值A的计算，He提出了以获得的天空部位的像素的平均值作为A，这也是非常合理的，但是在实际处理时，针对有些完全没有天空部分的图像，可能检测到的天空区域很小（明显属于误检，但是程序不知道），这个时候以此为大气光值，也是不合理的。为此，本文的处理方式是先计算天空部位的A值，然后再检测天空像素占整个图像的比例，如果比例小于5%，则还是以He计算A的方式进行。
还有一步，He也提到了，就是这些校正的步骤都必须在进行导向滤波前做。这样利用导向滤波的平滑功能，可以从一定程度上将天空和非天空分界部位的不平滑现象弥补掉，这一方法有效地避免了天空区域过曝的情况。
如图1所示，优化透射率后的算法的图像右上角天空区域不会出现暗通道算法的偏色和大量色斑，不会有明显的过渡区域。
2.4颜色增强
直接去雾后的图像会比原始图像暗，因此本文提出在处理完后需要对图像进行一定的曝光增强。图像亮度调整分为非线性和线性两种方法［5］。非线性图像亮度调整是将图像像素的R、G、B分别加上或减去某个值，其优点是代码简单，亮度调整速度快；缺点是图像信息损失较大，调整过的图像显得平淡，无层次感。线性图像亮度调整一般是将图像像素的RGB转换为HSL(HSV)等颜色空间，对L(V)部分进行增减调整后，再转换为RGB颜色空间，优点是调整过的图像层次感很强；缺点是代码较复杂，调整速度慢，而且当图像亮度增减量较大时有很大的失真。
设亮度增减量value范围为 -1~+1，本文采用了优化后的图像亮度增强法，原理用下式表示：
当value>0时：
rgb=RGB+RGB*(1/(1－value)－1)
当value<0时：
rgb=RGB+RGB*value
3实验结果与分析
3.1去雾效果比较
如图1和图2给出了本文算法与He文献中的原暗通道先验算法的去雾效果比较。
在图1中，本文的处理结果能较好地恢复出天空区域，无偏色及明显色斑。图2中，本文的处理结果能很好地改善图像色彩偏暗的情况。由此可见本文算法的去雾效果比He算法的处理效果有明显改善。
3.2运算速度比较
在普通计算机上，使用Visual Studio 2010运行本文算法。运行环境为Windows 7，计算机配置为Intel（R） Core（TM） i3 CPU M 350 @2.27 GHz with 3 GB RAM。程序运行时间如表1。
4总结
本文基于暗通道先验模型，在He算法基础上提出了以下改进，首先针对暗通道原理去雾效率低的缺点，提出了缩小采样标本后再用插值法求取透射率的方法来优化
算法效率。然后对是否属于天空区域的透射率进行矫正。最后通过图像亮度增强的方法改善了去雾处理后图像变暗的缺点，使得实验结果在主观和客观方面都达到了令人满意的效果。
参考文献
［1］ 郭璠,蔡自兴,谢斌,等.图像去雾技术研究综述与展望［J］.计算机应用,2010,30(9):24172421.
［2］ 葛艳，赵瑞,高占江，等.基于TV模型和膨胀的图像修复方法研究［J］.微型机与应用,2014,33(18):3941,44.
［3］ MCCARTNEY E J． Optics of Atmosphere: Scattering by Molecules and Particles［M］． New York: John Wiley and Sons，1976．
［4］ He Kaiming, Sun Jian, Tang Xiaoou. Single image haze removal using dark channel prior ［J］. IEEE Transactions on pattern Analysis and Machine Intelligence, 2011,33(12):23412353.
［5］ 刘艳英,凌朝东.HSV空间的彩色多聚焦图像融合［J］.微型机与应用,2014,33(8):4548.