基于紋理提取與注入的交通圖像去霧算法研究

王相海, 邢湘筠, 婁婉琪, 劉 爽, 唐 媛, 宋傳鳴

(1.遼寧師范大學(xué) 計算機(jī)與信息技術(shù)學(xué)院,遼寧 大連 116081; 2.遼寧師范大學(xué) 數(shù)學(xué)學(xué)院,遼寧 大連 116029)

霧作為一種常見的天氣現(xiàn)象，在一定程度上影響著人們視覺觀測自然場景的效果和識別能力.霧天環(huán)境下，由于場景的點輻射光受大氣顆粒散射的影響，導(dǎo)致戶外視覺系統(tǒng)所拍攝的圖像質(zhì)量下降、特征模糊，有時甚至無法識別，這種情況下將直接影響到對諸如交通監(jiān)控、安防監(jiān)控等戶外視覺系統(tǒng)拍攝影像的智能處理.近年來圖像去霧方法研究作為多學(xué)科的一個交叉領(lǐng)域受到關(guān)注并成為一個研究熱點問題[1-3].目前圖像去霧方法總體上可分為三類，即基于圖像增強(qiáng)、圖像融合和圖像復(fù)原的方法[4]，其中，圖像增強(qiáng)方法將含霧圖像作為一個“低質(zhì)”圖像，直接利用圖像處理的一些典型算法對其對比度、細(xì)節(jié)信息等進(jìn)行增強(qiáng)來改善圖像的視覺效果，該類方法通常會形成細(xì)節(jié)和顏色的偏差；圖像融合方法利用同一場景的多源圖像的信息互補(bǔ)來提高含霧圖像的質(zhì)量，該類方法的效果通常會受到所需要的多幅影像的互補(bǔ)性的影響，而具有強(qiáng)互補(bǔ)性的同場景含霧圖像的獲取比較困難；基于圖像復(fù)原的方法考慮含霧圖像的退化機(jī)理，通過相應(yīng)的物理建模補(bǔ)償退化失真信息已提高圖像的質(zhì)量，該類方法具有針對性強(qiáng)、復(fù)原效果好的特點，但需要構(gòu)建相應(yīng)的物理模型并對其參數(shù)進(jìn)行估計，而有效的物理模型的種類總體而言還不是很多，比較典型的有暗通道先驗?zāi)Ｐ蚚5]等.總體而言，天氣情況的隨機(jī)性導(dǎo)致了含霧圖像的復(fù)雜性，盡管目前已出現(xiàn)的圖像去霧方法在一定程度或某一方面取得了很好的效果，但總體而言該領(lǐng)域還處于發(fā)展之中，很多問題還有待進(jìn)一步深入研究.

考慮到在智能交通中交通圖像主要用于路況監(jiān)控、違章自動監(jiān)控和記錄、收費(fèi)監(jiān)視等交通監(jiān)控，這樣不同于一般的可視場景圖像，含霧交通圖像的去霧在關(guān)注其去霧后視覺效果的同時，更應(yīng)重視其對原始交通圖像中紋理、邊緣信息的保持.基于該思路，本文提出一種基于紋理提取與注入的暗通道先驗去霧算法，首先將含霧交通圖像的顏色空間轉(zhuǎn)換為HSV顏色空間，并提取其亮度分量進(jìn)行非下采樣Contourlet(Nonsubsampled Contourlet, NSCT)變換獲得高頻子帶；然后對所獲得的NSCT高頻子帶進(jìn)行引導(dǎo)濾波獲得平滑結(jié)果，并從原高頻子帶中去除這些平滑結(jié)果獲得相應(yīng)子帶的紋理信息；最后將這些紋理信息注入經(jīng)大氣散射物理模型的初步去霧結(jié)果中，在保證去霧效果的同時，有效提高了去霧后交通圖像的紋理、邊緣特征信息.

1 大氣散射物理模型

McCartney[6]于1976年提出了著名的大氣散射模型，其中兩個子模型——入射光衰減模型和大氣光成像模型分別描述了入射光從場景中的客體到觀測點的衰減過程和環(huán)境光對觀測點所接收到的光強(qiáng)的影響，霧天環(huán)境下這兩個模型所揭示的規(guī)律同時存在且起主導(dǎo)作用，由此形成了霧天環(huán)境下大氣物理成像模型，并成為霧天戶外視覺系統(tǒng)拍攝圖像信息退化、衰減等形成機(jī)理的理論基礎(chǔ).模型的具體形式如下：

E(d,λ)=EL(d,λ)+ES(d,λ).

(1)

其中,EL(d,λ)和ES(d,λ)分別為入射光衰減模型和大氣光成像模型，表現(xiàn)形式如式(2)所示.

(2)

其中，Eo(λ)為反射光強(qiáng)度，E∞(λ)為大氣光的總強(qiáng)度，β(λ)為大氣散射系數(shù)，d表示客體目標(biāo)到觀測點之間的距離，λ表示光的波長.

進(jìn)一步令t(x)=e-β d(x)，A=E∞(λ)，J(x)=Eo(λ)，I(x)=E(d,λ)，則式(1)為

I(x)=J(x)t(x)+A[1-t(x)].

(3)

這就是在之前提到的著名的暗通道先驗?zāi)Ｐ?簡稱 He 算法)[5].在利用該模型進(jìn)行圖像去噪時，大氣光值和透射率需要進(jìn)行估計和確定.

考慮到式(3)當(dāng)透射率t(x)趨近于0時，直接衰減項J(x)t(x)也近似于0，這樣恢復(fù)出的復(fù)原圖像J極易產(chǎn)生噪聲，所以通常給透射率設(shè)置一個較小的下界，這樣復(fù)原有霧圖像為

(4)

其中,t0為一常數(shù)，通常取值為0.1.

2 本文算法的提出

本文所提出算法的總體架構(gòu)參見圖1.

圖1 本文算法流程圖

2.1 NSCT

NSCT[7]屬于后小波時發(fā)展起來的多尺度幾何分析工具，該工具除具有傳統(tǒng)下采樣Contourlet變換[8]的多尺度和多方向特性外，同時還具有平移不變特性和冗余特性，克服了傳統(tǒng)下采樣Contourlet變換子帶系數(shù)頻率混疊現(xiàn)象.

圖像的NSCT變換包括兩個過程：一是通過非下采樣拉普拉斯塔式分解(Nonsubsampled Laplacian Pyramid, NSLP)進(jìn)行尺度變換獲得各尺度子帶；二是對各尺度子帶圖像進(jìn)行非下采樣的方向濾波器組分解(Nonsubsampled Directional Filter Banks, NSDFB) 獲得多方向子帶.其變換過程參見圖2.

圖2 NSCT變換示意圖[7]

2.2 引導(dǎo)濾波器

引導(dǎo)濾波器是文獻(xiàn)[9]中提出的一種基于引導(dǎo)圖的濾波器，其基本原理是在濾波的過程中通過一引導(dǎo)圖實現(xiàn)濾波后圖像總體上保持與原圖像一致，而紋理與引導(dǎo)圖相近.其中引導(dǎo)圖可以是其他圖像，也可以是輸入圖像本身.其表現(xiàn)形式如下：

qi=akIi+bk, ?i∈ωk.

(5)

其中,Ii表示引導(dǎo)圖像，qi表示引導(dǎo)濾波后的輸出圖像，ωk是以像素k為中心的一固定大小的窗口，(ak,bk)為對應(yīng)窗口ωk的線性系數(shù)，該系數(shù)可通過輸出圖像q和待濾波圖像p的最小代價函數(shù)(參見式(6))進(jìn)行估計獲得：

(6)

其中，ε為正則化參數(shù)，用以約束ak，避免其值過大.

進(jìn)一步可通過線性回歸估計對式(6)進(jìn)行估計求解：

(7)

(8)

其中,

2.3 暗通道先驗?zāi)Ｐ偷膮?shù)估計及去霧

(9)

其中,Im為含霧圖像的R、G、B通道，Am為對應(yīng)通道的全局大氣光照值(參見文獻(xiàn)[5]),ω是一用于平衡去霧強(qiáng)度的調(diào)節(jié)因子，一般選取其為0.95.

進(jìn)一步利用文獻(xiàn)[9]的引導(dǎo)濾波對預(yù)估值粗透射率圖進(jìn)行細(xì)化可獲得更加精細(xì)的透射率圖t(x)，圖3給出了兩個透射率圖的一個實例對比.

圖3 He算法的粗透射率和細(xì)化后透射率圖

將輸入含霧圖像由RGB顏色空間轉(zhuǎn)換為HSV顏色空間，對HSV顏色空間的3個通道進(jìn)行NSCT變換，對3個通道的低頻子帶按如下過程獲得其最大值maxh、maxs和maxv處理：

(10)

其中，Jc表示c通道低頻子帶系數(shù)，Ω(x)表示以y為中心的局部區(qū)域.

進(jìn)一步取3個通道低頻子帶最大值的平均值作為大氣光值的估計值，即有：

(11)

在前面工作基礎(chǔ)上，可通過式(4)獲得初步去霧圖像.

2.4 算法的實現(xiàn)過程

獲得的初步復(fù)原去霧圖像存在著一定的邊緣虛化問題，為此本文利用引導(dǎo)濾波器提取含霧圖像中的邊緣、紋理信息對獲得的初步去霧圖像進(jìn)行注入，以強(qiáng)化復(fù)原交通圖像的邊緣細(xì)節(jié)信息.

所提出算法的具體過程如下：

Step 2 根據(jù)HSV模型，將原始含霧圖像由RGB顏色空間轉(zhuǎn)換為HSV顏色空間；

Step 3 利用式(10)(11)計算大氣光值的估計值A(chǔ)；

Step 4 將t(x)和A代入式(4)獲得初步去霧圖像J；

Step 5 對原始含霧圖像V通道進(jìn)行NSCT變換，獲得其低頻子帶Lv和高頻子帶Hv；

Step 6 對Hv進(jìn)行引導(dǎo)濾波，獲得H′v；

Step 7 將Hv與H′v做差，獲得紋理信息H″v；

Step 8 將H″v注入初步去霧圖像J中，獲得最終的復(fù)原結(jié)果圖像.

3 實驗結(jié)果與分析

對本文算法進(jìn)行了實驗，并與經(jīng)典暗通道先驗算法[5]、Tan算法[10]和Fattal算法[11]的復(fù)原結(jié)果進(jìn)行了對比，圖4和圖5分別給出了自然霧圖像和人工加霧圖像的算法結(jié)果.

進(jìn)一步，本文利用文獻(xiàn)[12]提出的無參考客觀質(zhì)量評測方法對圖4和圖5的實驗結(jié)果進(jìn)行了定量分析，對應(yīng)的統(tǒng)計結(jié)果參見表1和表2.

表2 復(fù)原結(jié)果比較(人工加霧圖像)

由圖4和圖5可以看出，暗通道算法和本文所提出的算法在去霧方面都取得了較好的效果，但在天空區(qū)域還是存在著一定的塊狀效應(yīng)；Tan算法和Fattal算法去霧效果也很好，但都出現(xiàn)了顏色失真現(xiàn)象，前者出現(xiàn)了曝光過度現(xiàn)象，后者出現(xiàn)了過飽和現(xiàn)象.此外由表1和表2可以看出，從定量分析上可以看出，本文在總體綜合評測上取得了較好的成績，在細(xì)節(jié)強(qiáng)度上具有一定的優(yōu)勢.

4 結(jié)束語

針對交通圖像在去霧過程中應(yīng)注意保持圖像紋理、邊緣等信息的問題，本文提出一種基于紋理提取與注入的暗通道先驗去霧算法，利用引導(dǎo)濾波器從含霧交通圖像的V分量NSCT變換高頻子帶中提取紋理信息，然后將其注入交通圖像基于暗通道模型的初步去霧圖像中，在保持圖像整體去霧效果的前提下，一定程度上增強(qiáng)了交通圖像去霧后的紋理細(xì)節(jié)信息，為交通圖像進(jìn)一步的智能處理奠定了基礎(chǔ).