太陽耀斑圖像去云方法比較研究

王凱 李婉卿 熊煒

摘 要：由于太陽耀斑圖像中地球云霧對斑跡有所干擾，故需要對太陽耀斑圖像進行去云處理。針對多尺度Retinex理論與暗通道優(yōu)先算法兩種去云方法進行比較研究，詳細介紹了兩種方法的數(shù)學模型與具體算法，分別運用兩種方法對太陽耀斑圖像進行去云處理，并進行MATLAB仿真，根據(jù)仿真結(jié)果對兩者去云效果進行評估與對比。通過圖像與客觀誤差參數(shù)比較兩種去云方法，發(fā)現(xiàn)暗通道優(yōu)先算法在影像平均灰度、細節(jié)信息顯示、圖片信息量與相對清晰程度等方面均優(yōu)于多尺度Retinex去云方法，其中圖片清晰度提升了約16%，標準差與信息量均提升了約8%，平均灰度降低了約27%。

關鍵詞：太陽耀斑;去云處理;暗通道優(yōu)先;多尺度Retinex;天文觀測

DOI：10. 11907/rjdk. 191088

中圖分類號：TP317.4

文獻標識碼：A文章編號：1672-7800（2019）006-0163-04

Abstract： Due to the interference of the earth's cloud in the solar flare image， it is necessary to remove cloud from the solar flare images. The two methods of MSR theory and dark channel prior algorithm are compared. The mathematical models and specific algorithms of the two methods are introduced in detail. Two methods are used to process the solar flare image and perform MATLAB simulation. According to the simulation results， the cloud-removing effects of the two methodsare evaluated and compared. Comparing the two methods of cloud removal by image and objective error parameters， it is found that the dark channel priority algorithm is better than the multi-scale Retinex cloud method in displaying the average gray level， detailed information display， picture information and relative clarity of the image. Among them， the picture clarity is improved by about 16%， the standard deviation and information are improved by about 8%， and the average gray level is reduced by about 27%.

Key Words： solar flare; cloud removing; dark channel prior; MSR theory; astronomical observation

0 引言

太陽大氣中充滿著磁場，磁場結(jié)構(gòu)越復雜，越容易儲存更多磁能。當磁場中儲存磁能過多時，會通過太陽活動爆發(fā)以釋放能量，太陽耀斑是最劇烈的爆發(fā)形式之一。太陽耀斑的能量來源于磁場[1]，太陽耀斑爆發(fā)時，太陽局部區(qū)域會向外拋射大量粒子云。多種觀測手段表明，耀斑爆發(fā)時幾乎全波段的電磁輻射都會增強，其中短波輻射（包括紫外光和x射線）和射電波段變化最為明顯。近年來，科學家對太陽耀斑的研究逐漸增多，但由于觀測時拍攝的耀斑圖片易受到云層遮擋，故需要對其經(jīng)過一定的去云處理后才能用于研究。

目前，對圖像進行處理的方法有多種，包括同態(tài)濾波、小波變換、Retinex理論、暗通道優(yōu)先算法等，其中董靜薇等[2]結(jié)合同態(tài)濾波與小波變換算法，將兩者共同應用于去云處理;張馳等[3]使用改進的雙邊濾波器作為濾波函數(shù)，并使用S型函數(shù)曲線對Retinex算法進行改進;暗通道優(yōu)先算法最早是由何明凱[4]在2009年提出的，其提出一種暗通道理論，將去云圖像與原始圖像聯(lián)系到一起。本文主要針對太陽耀斑圖像去云領域的多尺度Retinex算法與暗通道優(yōu)先算法，從平均灰度、細節(jié)信息顯示等4個方面進行比較，得出去云效果更好的方法。

1 太陽耀斑圖像去云方法

Retinex（Retina-Cortex）是一種常用的建立在科學實驗與科學分析基礎上的圖像增強方法，其功能類似于視網(wǎng)膜與皮層成像，以顏色恒常性為基礎[5]。暗通道優(yōu)先算法基于一個統(tǒng)計規(guī)律，即在絕大多數(shù)非天空的局部區(qū)域，某些像素總會有至少一個顏色通道具有很低的值，該通道則被稱為暗通道[6]。分別采用基于多尺度Retinex與暗通道優(yōu)先算法的模型對太陽耀斑圖片進行去云處理，得到重構(gòu)圖像[7]。

1.1 基于多尺度Retinex的圖像去云方法

通過對圖3中原始圖像的分析，其耀斑顯示并不清晰。由三維成像原理及耀斑特性[23]可知，圖片上方凸起部分即為耀斑，但圖片頂端較為平緩。對比兩種方法去云處理后所得圖像，可知采用暗通道優(yōu)先算法處理時圖中耀斑更加清晰、明顯，也驗證了對圖片進行客觀評價時參數(shù)計算的正確性。

4 結(jié)語

為了得到去云后的太陽耀斑圖像，本文運用了基于多尺度Retinex理論與暗通道優(yōu)先算法的去云方法。通過對比圖像與建立客觀誤差參數(shù)對兩種去云方法進行比較，發(fā)現(xiàn)暗通道優(yōu)先算法在影像平均灰度、細節(jié)信息顯示、圖片信息量及相對清晰程度等方面均優(yōu)于多尺度Retinex去云方法，并且通過觀察灰度值三維成像圖[24]可以看出，采用暗通道優(yōu)先算法的耀斑突出程度更好。因此，在太陽耀斑圖像去云方面，暗通道優(yōu)先算法具有更強的實用性。

參考文獻：

[1] 崔延美. ?太陽光球磁場特性與耀斑相關性研究[D]. 北京：中國科學院研究生院，2007.

[2] 董靜薇，趙春麗，海博. 融合同態(tài)濾波和小波變換的圖像去霧算法研究[J]. 哈爾濱理工大學學報，2019（1）：66-70.

[3] 張馳，譚南林，李響，等. 基于改進型Retinex算法的霧天圖像增強技術(shù)研究[J]. 北京航空航天大學學報，2019，45（2）：309-316.

[4] KAIMING H，JIAN S，XIAOOU T. Single image haze removal using dark channel prior[C]. 2009 IEEE Conference on Computer Vision and Pattern Recognition， Miami， FL，2009：1956-1963.

[5] 劉鑫，祝海江，宋光磊. 基于改進Retinex方法的遙感圖像云霧去除研究[J]. 北京化工大學學報：自然科學版，2013，40（S1）：76-80.

[6] 高原原，胡海苗. 基于多子塊協(xié)同單尺度Retinex的濃霧圖像增強[J/OL]. 北京航空航天大學學報：1-9[2019-04-07]. https：//doi.org/10.13700/j.bh.1001-5965.2018.0528.

[7] GIANINI G，RIZZI A，DAMIANI E. A Retinex model based on absorbing Markov chains[M]. ?Elsevier Science Inc. 2016.

[8] SOO-CHANG P，CHIH-TSUNG S. High-dynamic-range parallel multi-scale retinex enhancement with spatially-adaptive prior[C]. 2014 IEEE International Symposium on Circuits and Systems，2014.

[9] CHING-TANG F，JIAN-RU CHE，CHUNG-WEI L，et al. Accelerating multi-scale retinex using ARM NEON[C]. 2014 IEEE International Conference on Consumer Electronics-Taiwan （ICCE-TW），2014.

[10] 周杰. 基于暗通道先驗和Retinex理論的圖像去霧研究[D]. 蘭州：蘭州交通大學，2018.

[11] 惠霄霄. 暗通道優(yōu)先的靜態(tài)圖像去霧算法改進研究[D]. 西安：西安石油大學，2018.

[12] 馮昕晨，穆平安. 基于暗通道先驗的圖像去霧改進[J]. 軟件導刊，2019，18（2）：145-147，152.

[13] ZOU C，CHEN J. Recovering depth from a single image using dark channel prior[C]. 2010 11th ACIS International Conference on Software Engineering，Artificial Intelligence， Networking and Parallel/Distributed Computing，2010：93-96.

[14] ZHOU W，LIN L，WEI X. Combining dark channel prior and color cues for road following in outdoor environments[C]. ?2010 IEEE International Conference on Image Processing，2010：2197-2200.

[15] XIE B，GUO F，CAI Z. Improved single image dehazing using dark channel prior and multi-scale retinex[C]. ?2010 International Conference on Intelligent System Design and Engineering Application， 2010：848-851.

[16] CHUANSHUAI Y，YONG F，ZHIYING T，et al. Pyramidal and segment-concurrent acceleration of dark channel prior algorithm[C]. ?International Conference on Automatic Control and Artificial Intelligence （ACAI 2012），2012：1610-1613.

[17] XU H，GUO J，LIU Q，et al. Fast image dehazing using improved dark channel prior[C]. 2012 International Conference on Information Science and Technology （ICIST），2012.

[18] 李娟. ?基于局部均值和標準差的圖像去霧算法研究[D]. 石家莊：河北師范大學，2015.

[19] 劉曉文，仲亞麗，袁莎莎，等. 基于暗原色先驗的煤礦井下退化圖像復原算法[J]. 煤炭科學技術(shù)，2012，40（6）：77-80.

[20] 龐春穎，嵇曉強，孫麗娜，等. 一種改進的圖像快速去霧新方法[J]. 光子學報，2013，42（7）：872-877.

[21] DING M，TONG R. Efficient dark channel based image dehazing using quadtrees[J]. Science China（Information Sciences），2013，56（9）：231-239.

[22] 朱振杰，王紅茹. 基于暗原色先驗原理的水下圖像增強[J]. 圖學學報，2018，39（3）：453-462.

[23] 解書凱，趙紅軍，李莉娟. 基于暗原色先驗的霧天圖像清晰度復原[J]. 激光雜志，2018，39（7）：100-104.

[24] 盧輝斌，趙燕芳，趙永杰，等. 基于亮通道和暗通道結(jié)合的圖像去霧[J]. 光學學報，2018，38（11）：233-240.

（責任編輯：黃 ?。?/p>