基于超像素暗通道和改進(jìn)導(dǎo)向?yàn)V波的農(nóng)業(yè)圖像去霧方法

樊湘鵬 周建平,2 許 燕,2

(1.新疆大學(xué)機(jī)械工程學(xué)院， 烏魯木齊 830047;2.新疆維吾爾自治區(qū)農(nóng)牧機(jī)器人及智能裝備工程研究中心， 烏魯木齊 830047)

0 引言

隨著傳感器和通信技術(shù)的發(fā)展，農(nóng)業(yè)機(jī)器人裝備能夠快速獲取高通量的大田作物生長(zhǎng)信息[1]并對(duì)作物長(zhǎng)勢(shì)和生理脅迫響應(yīng)進(jìn)行有效動(dòng)態(tài)監(jiān)測(cè)，已成為精準(zhǔn)農(nóng)業(yè)中的研究熱點(diǎn)[2]和重要手段。在天氣晴朗、能見度高、天頂角小的情況下，農(nóng)業(yè)機(jī)器人視覺系統(tǒng)可以獲得最佳效果的圖像，然而在實(shí)際環(huán)境中，受空氣污染加劇、自然霧霾和農(nóng)田非正常活動(dòng)(如焚燒)等的影響，理想天氣次數(shù)減少，大氣介質(zhì)對(duì)地面反射光線的散射和吸收導(dǎo)致空氣能見度降低，使得農(nóng)田圖像中的地物信息模糊不清，甚至出現(xiàn)顏色的偏移和失真，直接影響圖像信息的真實(shí)性[3]，給圖像的解譯和后續(xù)使用帶來了極大困難。研究農(nóng)田圖像除霧技術(shù)并進(jìn)行復(fù)原處理是圖像信息解析的重要前提，對(duì)提升圖像數(shù)據(jù)精確度、促進(jìn)農(nóng)業(yè)機(jī)器人的推廣和農(nóng)業(yè)信息化進(jìn)程有著重要的作用[4]。

圖像去霧主要有兩類方法，一類是基于圖像增強(qiáng)的方法，通過調(diào)整圖像的對(duì)比度和亮度等指標(biāo)來突出圖像的細(xì)節(jié)，可在一定程度上增強(qiáng)視覺效果，但容易丟失信息、引入噪聲，造成圖像顏色失真，如基于直方圖均衡化[5]和Retinex理論的算法[6]等；另一類是基于霧天退化模型的方法[7]，該類方法通過對(duì)環(huán)境光和透射率進(jìn)行分析，并根據(jù)一定的先驗(yàn)假設(shè)來逼近模型參數(shù)的真實(shí)值來實(shí)現(xiàn)去霧。HE等[8]基于統(tǒng)計(jì)規(guī)律提出了暗原色通道先驗(yàn)去霧模型，據(jù)此估計(jì)圖像的透射率和大氣光來去霧。該類方法直觀地表示了含霧圖像的成因，可通過反演得到未降質(zhì)前的圖像，效果良好。近年來，不同學(xué)者圍繞暗通道先驗(yàn)理論，利用大氣與光線相互作用的物理模型，開展了一系列圖像去霧研究。王澤勝等[9]在暗通道基礎(chǔ)上對(duì)原始圖像映射處理，結(jié)合多維導(dǎo)向?yàn)V波方法優(yōu)化透射率后自適應(yīng)調(diào)整色階得到清晰化的交通場(chǎng)景圖像；張晨等[10]將形態(tài)學(xué)梯度和暗通道圖像線性融合，引入自適應(yīng)高斯權(quán)重參數(shù)對(duì)融合后暗通道圖像逐像素處理得到粗透射率，并用正則化抑制光暈現(xiàn)象。向文鼎等[11]、韓昊男等[12]利用四叉樹分解方法估計(jì)大氣光值，分別采用自適應(yīng)閾值分割和引導(dǎo)濾波算法減少色彩失真和光暈現(xiàn)象。辛嬌嬌等[13]采用改進(jìn)的自適應(yīng)局部閾值分割和自適應(yīng)參數(shù)優(yōu)化相結(jié)合算法對(duì)透射率進(jìn)行細(xì)化，提高了大氣光強(qiáng)的魯棒性，得到清晰自然的恢復(fù)圖像。楊燕等[14]建立無霧圖像暗通道圖的平面扇形模型，引入均值不等關(guān)系式來逼近扇形模型的邊界，去霧后視覺效果好，但對(duì)于遠(yuǎn)景圖像來說容易失真。李雅梅等[15]利用Canny算子對(duì)不同天空區(qū)域分割得到不同景深的亮度透射率，利用快速引導(dǎo)濾波對(duì)透射率進(jìn)行優(yōu)化，有效抑制光暈現(xiàn)象，但容易出現(xiàn)過飽和現(xiàn)象。安冬等[16]提出了一種自適應(yīng)超像素區(qū)分不同景深物體的暗通道先驗(yàn)去霧算法，有效提高了去霧精度。

上述研究雖然取得了較好的結(jié)果，但是將上述算法直接用于農(nóng)田圖像去霧效果并不理想。目前去霧效果較為理想的算法往往存在計(jì)算量大、運(yùn)算速度偏慢的缺點(diǎn)，難以適合對(duì)實(shí)時(shí)性要求較高的精準(zhǔn)農(nóng)業(yè)航空領(lǐng)域；另外，農(nóng)業(yè)機(jī)器人視覺獲取的農(nóng)田遙感圖像是向下成像，包含不同作物、雜草、裸地等色彩豐富的目標(biāo)，有豐富的邊緣和紋理細(xì)節(jié)而不涉及到天空區(qū)域。對(duì)精準(zhǔn)農(nóng)業(yè)而言，去霧的目的不僅是要提高圖像的清晰度，更重要的是能夠還原植被的真實(shí)色彩，避免信息偏差。因此，本文從農(nóng)業(yè)機(jī)器人視覺圖像的特點(diǎn)出發(fā)，在超像素級(jí)別應(yīng)用暗通道先驗(yàn)原理，改進(jìn)導(dǎo)向?yàn)V波算法并優(yōu)化透射率，加入自適應(yīng)容差機(jī)制來得到精細(xì)的透射率，最后結(jié)合局部大氣光估計(jì)方法得到高質(zhì)量的農(nóng)業(yè)場(chǎng)景圖像。

1 去霧原理

1.1 大氣散射模型

非成像物點(diǎn)光線中因大氣介質(zhì)發(fā)生散射進(jìn)入成像設(shè)備的光線成為大氣光。大氣光通常隨成像物點(diǎn)與成像設(shè)備間距離的增加而增加，假設(shè)成像設(shè)備與成像物點(diǎn)之間的距離為d，距離成像設(shè)備x處的單位體積內(nèi)，大氣光參與成像的過程如圖1所示。

由圖1可知，在戶外成像過程中，入射光經(jīng)成像點(diǎn)反射后，在傳輸過程中與大氣介質(zhì)相互作用會(huì)發(fā)生衰減，根據(jù)Mie散射理論[17]，最終到達(dá)設(shè)備的入射光可以分為經(jīng)大氣衰減的入射光和來自周圍環(huán)境的大氣光，此時(shí)大氣光散射模型可表示為

I(x)=J(x)t(x)+A(1-t(x))

(1)

式中I(x)——大氣散射后含霧圖像

J(x)——原始圖像A——大氣光值

t(x)——圖像透射率

基于大氣散射物理模型的圖像去霧，實(shí)際上是

根據(jù)已知的含霧圖像I(x)及強(qiáng)力的先驗(yàn)條件計(jì)算出相應(yīng)的透射率t(x)及大氣光值A(chǔ)，得到原始圖像J(x)，即

(2)

1.2 暗原色通道先驗(yàn)理論

HE等[8]借助自然場(chǎng)景下5 000多幅無霧圖像進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)其暗通道圖的像素值中有86%分布在[0,16]的灰度范圍，基于此概率統(tǒng)計(jì)值，提出了暗原色通道先驗(yàn)理論模型。無霧和含霧圖像的暗通道之間存在顯著區(qū)別，因而暗通道的區(qū)別可以反映含霧圖像中霧的分布狀況。圖2中分別展示了含霧圖像、暗通道圖和直方圖的情況。含霧圖像的像素值大多集中在75～175之間，極大地影響了圖像中有效信息的獲取和解析。

對(duì)于任意一幅圖像，原始圖像為J(x)，其暗原色圖像Jdark可表示為

(3)

式中JC(y)——原始圖像的某個(gè)像素值通道

Ω(x)——以x為中心的局部圖像塊，對(duì)原始圖像做等尺寸劃分得到

(4)

式中IC(y)——含霧圖像的某個(gè)像素值通道

AC——大氣光通道

當(dāng)透射率t接近于0時(shí)，J將會(huì)對(duì)噪聲非常敏感，此時(shí)常用做法是給t的取值限定下限tmin，結(jié)合式(2)可得最終的去霧圖像模型為

(5)

1.3 先驗(yàn)暗通道算法存在的問題分析

暗通道先驗(yàn)理論基于“在以x為中心的方形區(qū)域Ω(x)內(nèi)的透射率t(x)保持不變”這一假設(shè)[8]，但是t(x)是關(guān)于場(chǎng)景深度的函數(shù)，與景物深度信息相關(guān)，景物越近，暗通道的值越低，景物越遠(yuǎn)，暗通道的值越高[18]。由于農(nóng)田圖像含有豐富的色彩和紋理信息，且圖像中的景深信息變化強(qiáng)烈，當(dāng)濾波器滑窗遍歷到景深變化區(qū)域時(shí)，會(huì)導(dǎo)致復(fù)原出的無霧圖像光強(qiáng)增大，引起Halo效應(yīng)[19]，如果選取的鄰域窗口過小，則會(huì)因?yàn)檩^多區(qū)域不存在暗通道使復(fù)原圖像出現(xiàn)色彩偏移。當(dāng)在暗通道算法中引入軟摳圖對(duì)透射率進(jìn)行細(xì)化，雖然去霧圖像Halo效應(yīng)得到了較好的解決，但是因?yàn)檐洆笀D涉及大型矩陣的計(jì)算，算法效率低下，而在農(nóng)田中獲取的圖像預(yù)處理往往具有大批量、實(shí)時(shí)性要求高的特點(diǎn)，難以滿足實(shí)際應(yīng)用。因此，本文提高農(nóng)業(yè)場(chǎng)景圖像去霧效果和性能的重點(diǎn)在于如何保證以x為中心的區(qū)域內(nèi)只包含同一個(gè)景深物體，得到精細(xì)的透射率傳播圖，同時(shí)提升去霧的速度以滿足實(shí)時(shí)性要求。

2 暗通道先驗(yàn)去霧算法改進(jìn)

由于暗通道先驗(yàn)去霧算法是在假定局部區(qū)域內(nèi)透射率相同這一條件，使用傳統(tǒng)的方形窗口在景深突變區(qū)域時(shí)該假設(shè)不再成立，導(dǎo)致對(duì)局部透射率錯(cuò)誤估計(jì)，因而需要對(duì)透射率進(jìn)行優(yōu)化和細(xì)化，以獲得精確度高的復(fù)原圖像。本文利用超像素分割對(duì)遙感圖像進(jìn)行分塊細(xì)化估計(jì)透射率，同時(shí)采用改進(jìn)的引導(dǎo)濾波優(yōu)化透射率，并加入自適應(yīng)容差機(jī)制對(duì)透射率進(jìn)行補(bǔ)償，選擇帶有自適應(yīng)調(diào)整的局部大氣光估計(jì)方法得到良好的大氣光，最終復(fù)原得到清晰圖像，本文圖像去霧算法流程如圖3所示。

2.1 超像素分割細(xì)化透射率

在暗通道去霧算法中，計(jì)算暗通道圖時(shí)鄰域窗口尺寸的選取對(duì)圖像去霧的效果有重要影響。由于超像素分割的超像素塊區(qū)域色相、飽和度和亮度等屬性上具有極強(qiáng)的一致性，各個(gè)像素塊在景深以及透射率上也具有很高的一致性，因此可將超像素塊區(qū)域F(x)替換原來暗通道算法中的固定方形窗口，并利用暗通道先驗(yàn)理論在超像素級(jí)尺度來估計(jì)透射率。在超像素分割算法中，簡(jiǎn)單線性迭代聚類分割(Simple linear iterative clustering，SLIC)是對(duì)顏色相似度和空間距離關(guān)系進(jìn)行聚類的超像素分割算法，便于控制超像素分割緊密度，且運(yùn)行效率高[20]，因此選擇SLIC算法對(duì)輸入圖像進(jìn)行超像素分割，分割效果如圖4所示(圖像分辨率為1 200像素×800像素)，K代表分割超像素塊數(shù)量。經(jīng)多次試驗(yàn)，當(dāng)K=4 000時(shí)，可兼顧去霧效果和運(yùn)算速度。

當(dāng)對(duì)超像素塊區(qū)域F(x)提取暗通道時(shí)，可以得到魯棒性和精確性更好的透射率估計(jì)值，避免由于景深變化導(dǎo)致的錯(cuò)誤估計(jì)，也能有效降低噪聲干擾。此時(shí)式(4)可變?yōu)?/p>

(6)

直接利用暗通道先驗(yàn)算法得到的粗略估計(jì)透射率效果和利用超像素分割得到的細(xì)化透射率圖像效果如圖5所示，可以發(fā)現(xiàn)超像素級(jí)暗通道先驗(yàn)算法得到的透射率效果明顯優(yōu)于暗通道先驗(yàn)算法粗略估計(jì)得到的透射率。在實(shí)際環(huán)境下，即便處于晴朗天氣，大氣中依然存在一定數(shù)量的顆粒。因此，在航拍距離較遠(yuǎn)的地面目標(biāo)時(shí)，圖像中依然存在一定的“輕微霧化”現(xiàn)象。如果對(duì)這些區(qū)域進(jìn)行徹底去霧，不僅會(huì)導(dǎo)致圖像失真，還會(huì)使圖像的深度信息弱化。通常的選擇是對(duì)遠(yuǎn)處成像物體維持微弱的霧化效果。具體做法是在式(6)中引入一個(gè)常參數(shù)ω(0<ω<1)，依據(jù)應(yīng)用場(chǎng)景的不同ω可適應(yīng)性地進(jìn)行選擇，此時(shí)透射率估計(jì)值為

(7)

2.2 改進(jìn)導(dǎo)向?yàn)V波優(yōu)化透射率

超像素分割得到的區(qū)域與傳統(tǒng)的方形區(qū)域相比，其穩(wěn)健性和細(xì)致性都有所提高，在邊緣細(xì)節(jié)和平滑性上仍然略顯不足。為了彌補(bǔ)這一方面的不足，將導(dǎo)向?yàn)V波算法引入并利用自適應(yīng)平滑參數(shù)進(jìn)行改進(jìn)，以獲得更細(xì)致的透射率。引導(dǎo)濾波算法計(jì)算速度快、運(yùn)行效率高[21]，有助于快速提高圖像的品質(zhì)[22]，導(dǎo)向?yàn)V波過程示意圖如圖6所示，p為濾波輸入圖像；在導(dǎo)向?yàn)V波操作時(shí)需要一幅引導(dǎo)圖像I，q為濾波輸出圖像。q則是p和I共同作用的產(chǎn)物，可以使輸出圖像與引導(dǎo)圖像的邊緣保持一致并且減少運(yùn)算時(shí)間。

在圖6中，濾波輸入圖像pi和濾波輸出圖像qi之間的約束條件關(guān)系為qi=pi-ni，pi為qi受到霧氣ni影響的退化圖像。假設(shè)引導(dǎo)圖像Ii和濾波輸出圖像qi在超像素塊區(qū)域F(x)內(nèi)存在局部線性關(guān)系，即

qi=aIi+b(?i∈F(x))

(8)

式中，a和b是在超像素塊區(qū)域F(x)中的線性不變系數(shù)，根據(jù)圖像復(fù)原的方法可以轉(zhuǎn)換為求a和b的最優(yōu)化問題。為了求取a和b的最優(yōu)解，且最小化濾波輸入圖像p和濾波輸出圖像q之間的差異性，構(gòu)建超像素塊區(qū)域F(x)中的代價(jià)函數(shù)

(9)

式中ε為正則化參數(shù)，其作用是將a控制在合理范圍內(nèi)。此時(shí)利用線性回歸求解代價(jià)函數(shù)可得

(10)

(11)

式中 |F|——超像素塊區(qū)域F(x)內(nèi)的像素總數(shù)

μ——I在F(x)內(nèi)的平均值

σ2——I在F(x)內(nèi)的方差

計(jì)算每個(gè)超像素區(qū)域的線性系數(shù)時(shí)，由于像素i包含在不同區(qū)域內(nèi)，超像素區(qū)域中對(duì)應(yīng)的a與b也不一樣。引導(dǎo)圖像I和濾波輸出圖像q在超像素塊區(qū)域F(x)內(nèi)存在局部線性關(guān)系，因此，需要對(duì)所有包含該像素i的窗口F(x)鄰域的輸出結(jié)果求取均值，此時(shí)導(dǎo)向?yàn)V波的最終表達(dá)式為

(12)

文中濾波輸入圖像p選擇2.1節(jié)中超像素分割細(xì)化得到的透射率，引導(dǎo)圖像I選擇含霧圖像的灰度圖，通過引導(dǎo)濾波所得到的濾波輸出圖像q為優(yōu)化后的透射率圖像，如圖7a所示。

2.3 自適應(yīng)容差補(bǔ)償透射率

為了解決俯拍場(chǎng)景中的霧氣濃度變化問題并有效改善圖像去霧后地面白亮區(qū)域出現(xiàn)失真的現(xiàn)象，在處理地面明亮區(qū)域時(shí)加入自適應(yīng)容差補(bǔ)償算法，使其能夠根據(jù)明亮區(qū)域的尺寸對(duì)透射率進(jìn)行自適應(yīng)補(bǔ)償修正，從而得到質(zhì)量更高的復(fù)原圖像[23]。自適應(yīng)容差對(duì)透射率的補(bǔ)償過程中首先對(duì)容差調(diào)節(jié)圖Map0進(jìn)行定義[24]

Map0(x)=I(x)-αA

(13)

式中α——大氣光調(diào)節(jié)參數(shù)，取0.95

在容差調(diào)節(jié)圖中計(jì)算像素大于0的元素集合S0為

S0={Map0(x)|Map0(x)>0}

(14)

此時(shí)容差參數(shù)T可表示為

(15)

式中Snum——集合S0中元素的總數(shù)

I(x)num——輸入圖像中所有元素的個(gè)數(shù)

為避免容差參數(shù)過大對(duì)明亮區(qū)域的誤判，對(duì)容差參數(shù)取上限值0.28。將容差機(jī)制引入透射率的計(jì)算表達(dá)式為

(16)

2.4 局部大氣光估計(jì)與適應(yīng)性調(diào)整

去霧的另一個(gè)關(guān)鍵過程是對(duì)大氣光值A(chǔ)的估計(jì)，若選取的大氣光值大于真實(shí)值，最終復(fù)原出的圖像會(huì)偏暗，細(xì)節(jié)顯示不完整，反之則導(dǎo)致圖像亮度過大。文獻(xiàn)[8]采用暗通道中亮度前0.1%的像素值對(duì)應(yīng)的原圖像素作為大氣光值，但是容易出現(xiàn)高估A的情況。另外，由于俯拍圖像具有取景位置高、作業(yè)天氣變化大等特點(diǎn)，需要使大氣中的粒子干擾具有更強(qiáng)的魯棒性。文獻(xiàn)[25]提出的局部大氣光估計(jì)方法可以消除因全局大氣光估計(jì)不準(zhǔn)確導(dǎo)致的過亮或過暗現(xiàn)象，因此選擇局部大氣光估計(jì)方法得到良好的大氣光值A(chǔ)。利用式(5),將得到的大氣光值結(jié)合前文中得到的精細(xì)透射率圖t(x)，代入已知的含霧遙感圖像I(x)，即可得高質(zhì)量的復(fù)原圖像J(x)。

3 試驗(yàn)與結(jié)果分析

為了驗(yàn)證所提方法的有效性，選取6幅含不同程度霧霾的農(nóng)業(yè)場(chǎng)景圖像進(jìn)行一系列的對(duì)比試驗(yàn)，引導(dǎo)濾波半徑設(shè)為65像素，透射率調(diào)節(jié)參數(shù)ω設(shè)為0.95，正則化參數(shù)ε為0.000 5。試驗(yàn)環(huán)境為Matlab 2016a，運(yùn)行系統(tǒng)為Windows 10，處理器型號(hào)為Inter Core i7-7700@3.6 GHz，計(jì)算機(jī)內(nèi)存為8 GB。分別與全局平衡直方圖算法(Global histogram equalization algorithm，GHEA)、文獻(xiàn)[8]暗原色通道先驗(yàn)算法和文獻(xiàn)[22]基于引導(dǎo)濾波的暗原色通道先驗(yàn)算法進(jìn)行復(fù)原結(jié)果對(duì)比。為了建立更全面系統(tǒng)的分析過程，分別利用主觀視覺效果和客觀指標(biāo)依次進(jìn)行評(píng)價(jià)。

3.1 主觀評(píng)價(jià)方法

分別選取不同含霧程度的不同場(chǎng)景下植被圖像進(jìn)行試驗(yàn)，各算法的去霧效果和含霧原圖如圖8所示。通過圖8可以看出，利用全局平衡直方圖算法得到的去霧圖像顏色偏差大，失真嚴(yán)重，而基于暗通道先驗(yàn)理論的3種方法去霧效果均優(yōu)于采用全局平衡直方圖算法的去霧效果，表明暗通道先驗(yàn)理論在圖像去霧中具有一定的普適性。在利用文獻(xiàn)[8]中的暗通道先驗(yàn)算法時(shí)，圖像整體偏暗，而加入引導(dǎo)濾波算法后的暗通道方法，雖然去霧后的圖像整體亮度有所提升，但是白色區(qū)域過亮失真，且出現(xiàn)藍(lán)色現(xiàn)象。這2種方法在面對(duì)低濃度的霧氣時(shí)，可實(shí)現(xiàn)去霧，但是當(dāng)霧濃度較高時(shí)，去霧效果不明顯。本文提出的基于超像素級(jí)分割和暗通道先驗(yàn)理論及濾波優(yōu)化后的算法，圖像明亮清晰，恢復(fù)效果好，有助于后續(xù)的圖像分析研究。本文方法在面對(duì)濃度較大霧時(shí)，也可去除絕大部分的霧氣，對(duì)于遠(yuǎn)處成像的物體維持微弱的霧化效果，既可保持圖像的真實(shí)性，又保留遙感圖像的深度信息。

3.2 客觀評(píng)價(jià)指標(biāo)

為了更加全面、客觀地評(píng)價(jià)上述不同方法對(duì)遙感圖像的去霧效果，本文選取平均值(Mean)、標(biāo)準(zhǔn)差(Standard deviation，SD)、信息熵(Information entropy，IENT)和平均梯度(Average gradient，AG)這4個(gè)指標(biāo)對(duì)圖像質(zhì)量進(jìn)行定量評(píng)價(jià)。均值反映了圖像的亮度，均值越大說明圖像亮度越大，反之越小。標(biāo)準(zhǔn)差反映了圖像像素值與均值的離散程度或像素值的波動(dòng)范圍，標(biāo)準(zhǔn)差在特定范圍內(nèi)可以反映圖像的質(zhì)量，標(biāo)準(zhǔn)差過小，圖像對(duì)比不明顯，不能凸顯有效信息；標(biāo)準(zhǔn)差過大時(shí)，圖像對(duì)比強(qiáng)烈，影響視覺效果?？陀^評(píng)價(jià)對(duì)試驗(yàn)選取的6幅含霧原圖及不同算法去霧后的圖像均值、標(biāo)準(zhǔn)差統(tǒng)計(jì)情況如表1、2所示。信息熵是指圖像中排除了冗余信息后的平均信息量，反映圖像的信息量，信息熵越大，圖像中包含的信息越豐富，則表明圖像的去霧效果越好?？陀^評(píng)價(jià)試驗(yàn)中得到的信息熵統(tǒng)計(jì)情況如表3所示。平均梯度可敏感地反映圖像對(duì)微小細(xì)節(jié)反差表達(dá)的能力，用于評(píng)價(jià)圖像的模糊程度時(shí)，平均梯度越大，圖像層次越多，圖像輪廓清晰度也越高?？陀^評(píng)價(jià)得到的平均梯度統(tǒng)計(jì)情況如表4所示。

表1 原圖及不同方法去霧后的圖像均值統(tǒng)計(jì)Tab.1 Mean statistics of original image and different algorithms after haze removal

表2 原圖及不同方法去霧后的圖像標(biāo)準(zhǔn)差統(tǒng)計(jì)Tab.2 Standard deviation statistics of original image and different algorithms after haze removal

由表1可知，原圖由于霧霾因素的存在，圖像均值均大于108，利用全局平衡直方圖GHEA方法增強(qiáng)后均值增大至127以上，因此圖像亮度過強(qiáng)。采用文獻(xiàn)[8]方法對(duì)圖像去霧后，均值大大降低，因此在圖8c中，圖像整體偏暗；采用文獻(xiàn)[22]方法對(duì)圖像去霧后，圖像出現(xiàn)白亮區(qū)域，整體均值增加；本文方法由于去除了大量霧氣，與采用文獻(xiàn)[22]方法去霧圖像相比均值有所下降，但高于文獻(xiàn)[8]方法對(duì)圖像去霧后的均值，這也是在圖8中采用

表3 原圖及不同方法去霧后的圖像信息熵統(tǒng)計(jì)Tab.3 Information entropy statistics of original image and different algorithms after haze removal

表4 原圖及不同方法去霧后的圖像平均梯度統(tǒng)計(jì)Tab.4 Average gradient statistics of original image and different algorithms after haze removal

GHEA方法和采用文獻(xiàn)[22]方法去霧后圖像亮度過強(qiáng)的原因。在表2中，6幅含霧原圖標(biāo)準(zhǔn)差大多集中在32.77～47.71范圍內(nèi)；利用全局平衡直方圖GHEA方法處理后，標(biāo)準(zhǔn)差穩(wěn)定在74.60～74.94之間，但過大的標(biāo)準(zhǔn)差使得圖像在視覺上對(duì)比強(qiáng)烈；采用本文方法得到的標(biāo)準(zhǔn)差較為穩(wěn)定，因此從視覺上觀察到的圖像視覺效果良好。由表3可知，本文方法去霧得到的圖像信息熵值最大，表明得到的圖像信息量最豐富，可以滿足后續(xù)的研究工作。由表4可知，本文方法平均梯度最高，更多地描述了圖像的細(xì)節(jié)信息，尤其是含有濃霧的圖像，經(jīng)本文方法處理后，平均梯度值增加效果最明顯，進(jìn)一步表明本文方法的有效性?？傮w而言，本文去霧方法對(duì)含霧圖像處理后質(zhì)量更佳。

3.3 去霧方法實(shí)時(shí)性

去霧方法的運(yùn)行耗時(shí)直接影響著去霧的實(shí)時(shí)性，耗時(shí)越低，表明算法的效率越高。不同方法在去霧過程中的運(yùn)算耗時(shí)如表5所示。由表5可知，本文方法耗時(shí)與文獻(xiàn)[22]方法耗時(shí)相差不大，但遠(yuǎn)遠(yuǎn)低于文獻(xiàn)[8]方法耗時(shí)，高于CHEA方法的耗時(shí)。原因在于，文獻(xiàn)[8]在計(jì)算透射率時(shí)采用軟摳圖思路，利用大型拉普拉斯矩陣進(jìn)行運(yùn)算，數(shù)據(jù)量大，導(dǎo)致計(jì)算效率低，隨著圖像像素的增加，計(jì)算耗時(shí)急劇增加；加入引導(dǎo)濾波算法后，可大大降低圖像運(yùn)算量，本文在超像素分割基礎(chǔ)上采用引導(dǎo)濾波和自適應(yīng)容差機(jī)制細(xì)化透射率，因此運(yùn)行時(shí)間略高于文獻(xiàn)[22]

表5 不同去霧算法的運(yùn)算耗時(shí)對(duì)比Tab.5 Comparison of operation time of different defogging algorithms s

方法的運(yùn)行耗時(shí)。在田間遙感監(jiān)測(cè)研究中，圖像分辨率過大時(shí)并不能保證最優(yōu)的解析效果，將圖像分辨率控制在1 200像素×800像素左右時(shí)，對(duì)信息解析的結(jié)果影響不大，此時(shí)的去霧過程也具有一定的實(shí)時(shí)性，可以滿足機(jī)器人視覺監(jiān)測(cè)的應(yīng)用要求。

4 結(jié)束語

高質(zhì)量的農(nóng)田圖像對(duì)于信息獲取和解析至關(guān)重要。本文針對(duì)農(nóng)田霧霾圖像清晰化處理過程的不足，提出了一種基于超像素級(jí)暗通道先驗(yàn)和自適應(yīng)導(dǎo)向?yàn)V波算法的農(nóng)業(yè)場(chǎng)景圖像去霧方法。超像素分割算法可細(xì)化透射率，獲得穩(wěn)健細(xì)致的圖像，導(dǎo)向?yàn)V波算法可對(duì)圖像透射率進(jìn)一步優(yōu)化，在獲得更細(xì)致的透射率同時(shí)能夠加快圖像處理速度，加入自適應(yīng)容差機(jī)制后，可有效應(yīng)對(duì)俯視航拍場(chǎng)景中的霧氣濃度隨時(shí)間和位置發(fā)生變化的情況，實(shí)現(xiàn)自適應(yīng)精細(xì)去霧。試驗(yàn)結(jié)果表明，本文方法與GHEA方法、文獻(xiàn)[8]和文獻(xiàn)[22]中方法相比，對(duì)農(nóng)田圖像去霧有著更好的適用性，復(fù)原后的圖像質(zhì)量較好，保留了原圖的色彩信息和豐富的細(xì)節(jié)信息。當(dāng)圖像分辨率為300像素×200像素時(shí)，本文方法耗時(shí)僅為0.498 7 s，當(dāng)圖像分辨率為600像素×400像素時(shí)，耗時(shí)為0.691 9 s，具有良好的實(shí)時(shí)性，可為精準(zhǔn)農(nóng)業(yè)作物表型信息解析提供研究基礎(chǔ)。