基于暗通道先驗(yàn)與梯度導(dǎo)向?yàn)V波的圖像去霧算法

廖員 王成輝

摘要：針對(duì)現(xiàn)有圖像去霧算法中全局大氣光值和透射率估算不準(zhǔn)確導(dǎo)致圖像去霧后色彩失真、去霧效果差等問(wèn)題，提出一種結(jié)合暗通道先驗(yàn)與梯度導(dǎo)向?yàn)V波的圖像去霧算法。首先，通過(guò)初始濾波處理，獲取透射率的初始估計(jì)值，結(jié)合暗通道先驗(yàn)理論，引入多種控制因子，計(jì)算得到更準(zhǔn)確的透射率；其次，引入梯度導(dǎo)向?yàn)V波算法，進(jìn)一步優(yōu)化透射率圖；最后，通過(guò)大氣散射模型進(jìn)行恢復(fù)處理，得到去霧圖像。實(shí)驗(yàn)結(jié)果表明，研究算法相較其他暗通道先驗(yàn)算法而言，其PSNR與SSIM平均提升39.64%與32.74%，研究算法在主觀視覺(jué)效果和客觀評(píng)估指標(biāo)均優(yōu)于其他算法。

關(guān)鍵詞：圖像去霧；暗通道先驗(yàn)；梯度導(dǎo)向?yàn)V波；大氣散射模型；透射率

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）30-0027-06

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 引言

信息作為人類社會(huì)和科技發(fā)展的載體，信息質(zhì)量的優(yōu)劣對(duì)人類的日常生活和科學(xué)研究有著很大的影響。圖像作為信息的一種主要傳遞手段，圖像采集[1-2]也是人們?nèi)粘Ｉ罨蚩蒲兄胁豢苫蛉钡囊徊糠?。然而圖像設(shè)備在采集圖像時(shí)，常常會(huì)受到外部環(huán)境的影響，比如在大霧或者霧霾天的場(chǎng)景下，光線傳播途中遇到懸浮于大氣中粒徑較大的氣溶膠粒子，與之發(fā)生交互作用，光能的亮度、顏色等特性將發(fā)生改變，此特性不利于圖像的采集。在霧霾的影響下，視頻監(jiān)控、遠(yuǎn)程感應(yīng)、自動(dòng)駕駛等實(shí)際應(yīng)用場(chǎng)景容易受到干擾，檢測(cè)和識(shí)別等高級(jí)計(jì)算機(jī)視覺(jué)任務(wù)的難度也會(huì)增大。同時(shí)隨著無(wú)人駕駛汽車市場(chǎng)的飛速發(fā)展，未來(lái)智能車輛行業(yè)也亟待解決霧天導(dǎo)致的圖像降質(zhì)問(wèn)題。因此，圖像去霧成為一種愈來(lái)愈重要的技術(shù)，有著非常重要的研究?jī)r(jià)值和現(xiàn)實(shí)意義。

目前圖像去霧算法的研究主要有三個(gè)方向[3-4]：基于圖像增強(qiáng)的去霧算法、基于圖像復(fù)原的去霧算法與基于深度學(xué)習(xí)的去霧算法。基于圖像增強(qiáng)的去霧算法有使圖像像素分布更加均勻的直方圖均衡化算法（HLE）[5]、消除反射分量影響的Retinex算法[6]和放大可識(shí)別區(qū)域的小波變換算法[7]等。基于圖像復(fù)原的去霧算法是以大氣散射模型為基礎(chǔ)，通過(guò)規(guī)律解得其未知因子的值，從而得到去霧圖像。He等[8]研究了一種基于暗通道先驗(yàn)性規(guī)律的去霧技術(shù)，克服了圖像失真等問(wèn)題，取得了良好的圖像去霧效果。然而，在灰色與白色區(qū)域，該方法存在失效的可能性，使圖片顏色變得扭曲，表現(xiàn)出不同色塊、色斑、光暈等現(xiàn)象；此外，該方法還存在被暗化的可能。Tan等[9]發(fā)現(xiàn)無(wú)霧圖像由于受霧霾影響小，物體色彩呈現(xiàn)更豐富多樣、對(duì)比度更高，利用這一特征，他們采用了提高霧霾區(qū)域去霧處理后圖像的局部對(duì)比度的方法。然而，由于對(duì)霧霾區(qū)域計(jì)算可能不準(zhǔn)確，該方法存在圖片局部區(qū)域色彩過(guò)度飽和的問(wèn)題。Fattal[10]帶領(lǐng)的隊(duì)伍基于在一個(gè)物體表面光滑的陰影部分與曲折凹陷的陰影部分與光線的透射率局部不相關(guān)的假設(shè)，提出了估算估計(jì)物體的輻射與照明程度，從而算出透射率圖像的方法。然而，由于在團(tuán)霧的情況下，有霧區(qū)域呈現(xiàn)純灰或純白色，不能可靠地獲得透射率圖像，該方法存在圖像失真較大的問(wèn)題。Tarel等[11]通過(guò)中值濾波的變形方式估計(jì)圖像的透射率，結(jié)合大氣光參數(shù)恢復(fù)無(wú)霧圖像。然而，中值濾波不能去除強(qiáng)邊緣附近的霧，因此該方法無(wú)法適應(yīng)所有場(chǎng)景。Wang等[12]提出了一種多尺度深度融合（MDF）方法對(duì)單幅圖像進(jìn)行去霧處理，可是存在運(yùn)行效率低等問(wèn)題。基于深度學(xué)習(xí)的去霧算法主要分為兩類：一類是使用神經(jīng)網(wǎng)絡(luò)模型對(duì)大氣退化模型中的參數(shù)進(jìn)行估算，另一類是使用神經(jīng)網(wǎng)絡(luò)模型（例如生成對(duì)抗網(wǎng)絡(luò)）直接將輸入的有霧圖像輸出為無(wú)霧圖像。然而，基于深度學(xué)習(xí)的去霧算法需要依賴大量測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練，導(dǎo)致成本太高，難以廣泛應(yīng)用到實(shí)際環(huán)境。因此基于圖像增強(qiáng)或圖像復(fù)原的去霧算法仍是目前最主流的研究方向。

針對(duì)上述問(wèn)題，本文結(jié)合暗部透射通道和大氣散射模型理論，選取多種控制因子，采取粗略圖像透射比率圖進(jìn)行估算，同時(shí)結(jié)合梯度導(dǎo)向?yàn)V波法獲取更加準(zhǔn)確的數(shù)據(jù)信息，計(jì)算出空氣中大氣光照度的平均值，再將已完成簡(jiǎn)化處理的透射速率圖與大氣光照值納入大氣散射模型中，提出了一種效果更好的去霧方法。最后，評(píng)估與驗(yàn)證了本文去霧方法的實(shí)現(xiàn)效果。

2 理論背景

2.1 大氣散射模型

大氣成像可看作一個(gè)對(duì)視覺(jué)信號(hào)的編碼過(guò)程。大氣光在到達(dá)人眼之前，會(huì)先受到空氣中懸浮粒子的類型、規(guī)模和稠密程度的影響，也就是說(shuō)大氣光會(huì)受到散射、折射、吸收等影響。在一些嚴(yán)重惡劣天氣，例如：霧、霾、沙塵暴等，大氣散射對(duì)圖像呈現(xiàn)的效果都會(huì)有重要的影響，并且光傳播的距離越遠(yuǎn)，大氣散射的影響就越不能忽視。在晴朗的天氣，空氣中懸浮粒子基本能夠忽略不計(jì)，對(duì)大氣光的散射影響極小。霧天時(shí)，由于空氣中大量懸浮粒子的存在，被觀察物體最終到達(dá)人眼或者圖像采集設(shè)備時(shí)，往往會(huì)呈現(xiàn)能見(jiàn)度降低、對(duì)比度差和色彩灰度等特征。

在計(jì)算機(jī)視覺(jué)領(lǐng)域，大氣散射表現(xiàn)為室外視覺(jué)系統(tǒng)所捕獲的場(chǎng)景圖像其對(duì)比度、顏色和分辨率等特征衰減明顯。散射模型主要分為兩種：1）入射光衰減模型；2）大氣光成像模型。它的數(shù)學(xué)描述[13-14]表示如下：

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

式中：[Ix]是觀察到的霧景退化圖像；[A]為大氣光照值；[Jx]是待取得的清晰無(wú)霧圖像；[tx]為大氣傳輸中的透射率，它是０到１之間的值。[J（x）tx]表示目標(biāo)景物的直接衰減；[A（1-t（x））]表示大氣光經(jīng)過(guò)衰減到達(dá)傳感器的能量。由此模型可知：在通常的霧景圖像中，圖像距離相機(jī)越遠(yuǎn)，圖像的退化程度越高，其亮度也隨之變高。

圖像去霧的目標(biāo)就是通過(guò)一定的手段獲得大氣光值[A]和透射率[tx]，然后代入大氣散射模型即可得到無(wú)霧圖像[Jx]：

[Jx=Ix-A / tx+A]? ? ? ? （2）

2.2 暗通道先驗(yàn)理論

He[6]等通過(guò)對(duì)大量無(wú)霧圖像進(jìn)行觀察發(fā)現(xiàn)，在非天空區(qū)域中，總會(huì)存在一部分局域圖像，其像素中的R、G、B三個(gè)通道至少有一個(gè)通道的值接近于零。

根據(jù)這些統(tǒng)計(jì)數(shù)據(jù)，暗通道用公式表達(dá)為：

[Jdarkx=miny∈Ωxminc∈r，g，bJcy → 0]? ? ? ? （3）

式中：[Jx]為待取得的清晰無(wú)霧圖像；[Jdarkx]為清晰無(wú)霧圖像的暗通道值；[Ωx]是以像素[x]充當(dāng)中心的起點(diǎn)窗口。暗通道先驗(yàn)去霧方法的提出是圖像去霧領(lǐng)域的一個(gè)重要突破，為研究人員在進(jìn)行圖像去霧研究時(shí)提供了一個(gè)新思路。

2.3 暗通道先驗(yàn)去霧算法

上文表達(dá)式（3）的物理意義是指：先計(jì)算出各像素分量對(duì)應(yīng)最小值，將其保存在一幅和原始純灰度相同的彩色圖像中（要求灰度一致），接著對(duì)彩色原始灰度圖像中各個(gè)像素點(diǎn)采取最低值濾波處理，濾波閾值將通過(guò)窗口的各大小角度決定，通常要求滿足如下條件：

[WindowSize=2*Radius+1]? ? ? ? ? ? ? ? ? ? ?（4）

其中，暗通道先驗(yàn)相應(yīng)理論認(rèn)為：

[Jdark→0]? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

接著，將（1）式作變形得到：

[Ic（x）Ac=t（x）Jc（x）Ac+1-t（x）]? ? ? ? ? ? ? ? ? ? （6）

由此可見(jiàn)，上標(biāo)[c]是指R/G/B三個(gè)通道。若假設(shè)各個(gè)窗口中透射率函數(shù)[t（x）]屬于常數(shù)，看成為[t（x）]，同時(shí)[A]值屬于定值，接著對(duì)上式等式兩邊的透射率函數(shù)分別進(jìn)行兩次最低值求解，便變成如下表達(dá)式：

[miny∈Ω（x）mincIc（y）Ac=t（x）miny∈Ω（x）mincJc（y）Ac+1-t（x）]? ? ? ? ? ? ? （7）

其中，[J]指待求無(wú)霧的圖像，結(jié)合暗原色先驗(yàn)知識(shí)，發(fā)現(xiàn)：

[Jdark（x）=miny∈Ω（x）（minc∈{r，g，b}Jc（y））=0]? ? ? ? ? ? ? ? ? ? ?（8）

由此得到：

[miny∈Ω（x）=mincJc（y）Ac=0]? ? ? ? ? ? ? ? ? ? ?（9）

再將（9）式代入（7）式中，隨之得到：

[t（x）=1-miny∈Ω（x）mincIc（y）Ac]? ? ? ? ? ? ? ? ? ? ?（10）

以上結(jié)果可以看成是透射率[t（x）]的預(yù)估值。

在日常生活中，即便是藍(lán)天白云的好天氣，空氣中往往也有微量顆粒出現(xiàn)。這些霧在使圖片純凈度變低的同時(shí)，也能使拍攝中構(gòu)造出更美的意境，因此，在對(duì)圖像進(jìn)行去霧處理時(shí)也需要適當(dāng)保留相應(yīng)的霧。通過(guò)表達(dá)式可知，對(duì)應(yīng)的因子是[ω]。則將式子（10）修正為：

[t（x）=1-ωminy∈Ω（x）mincIc（y）Ac]? ? ? ? ? ? ? ? ? ? ?（11）

經(jīng)實(shí)驗(yàn)測(cè)試，[ω]=0.95效果最佳。

由式（11）得，已知[A]，[I]，[t]，可計(jì)算得出[J]值。當(dāng)透射率[t]很小時(shí)，將造成[J]值增加，進(jìn)而導(dǎo)致圖像整體透射過(guò)度。此時(shí)對(duì)白場(chǎng)信號(hào)透射閾值[t0]進(jìn)行設(shè)置，當(dāng)[t]<[t0]時(shí)，視作[t=t0]，即以[t0=0.1]為標(biāo)準(zhǔn)實(shí)現(xiàn)圖像分析。

最終恢復(fù)公式如下：

[J（x）=I（x）-Amax（t（x），t0）+A]? ? ? ? ? ? ? ? ? ? （12）

利用上述理論進(jìn)行去霧處理后，得到以下效果：

由圖4可知，暗通道先驗(yàn)去霧算法的去霧效果比較明顯，但是圖2透射率圖中出現(xiàn)了摳圖不準(zhǔn)確的情況，所有物體都被識(shí)別成一個(gè)個(gè)方塊，導(dǎo)致在圖4去霧后圖片中，小汽車、燈柱、綠化帶、電線等物體都有一層灰色的輪廓，圖片的純凈度下降。因此，需要提高透視率，改進(jìn)色彩失真，從而提高圖片純凈度，增強(qiáng)圖片處理效果。

3 本文算法

3.1 暗通道先驗(yàn)改進(jìn)嘗試

針對(duì)暗通道先驗(yàn)去霧算法的不足之處，本文首先嘗試改進(jìn)色彩失真的問(wèn)題，實(shí)現(xiàn)的效果如下：

將圖7與圖4對(duì)比發(fā)現(xiàn)，改進(jìn)后的圖像，亮度更大，色調(diào)更統(tǒng)一。但在處理低亮度圖片時(shí)，改進(jìn)顏色會(huì)出現(xiàn)色彩偏淡的問(wèn)題，因此需要尋找其他更優(yōu)算法。

接著，嘗試采取Soft matting，結(jié)合軟摳圖對(duì)大氣透射率進(jìn)行優(yōu)化的方式進(jìn)行圖像去霧處理，得到的效果如下：

將圖11與圖4對(duì)比發(fā)現(xiàn)，通過(guò)使用Soft matting方法，霧圖的透射率更加精準(zhǔn)，圖片純凈度更高。但是天空中出現(xiàn)了紫色的色塊，綠化帶左右的天空顏色差別過(guò)大，橋上的路牌也模糊不清，圖片色彩失真非常嚴(yán)重。并且增加軟摳圖算法之后代碼變得冗長(zhǎng)，運(yùn)行過(guò)程中耗費(fèi)大量時(shí)間。這樣的方式顯然也無(wú)法達(dá)到去霧預(yù)期目標(biāo)，仍然需要探索更好的算法方式。

通過(guò)以上對(duì)暗通道先驗(yàn)算法的改進(jìn)嘗試后發(fā)現(xiàn)，采取暗通道先驗(yàn)算法處理圖片時(shí)，在運(yùn)算結(jié)果中會(huì)產(chǎn)生有塊效應(yīng)，圖片的純凈度下降，因此需要改進(jìn)色彩失真，提高透視率和圖片的純凈度。接著嘗試結(jié)合Soft matting算法，對(duì)大氣透射率進(jìn)行優(yōu)化處理發(fā)現(xiàn)，透射率更加精準(zhǔn)，圖片純凈度得到略微提升，然而由于軟摳圖實(shí)現(xiàn)方式的特性，代碼變得冗長(zhǎng)，圖片處理將進(jìn)行大量計(jì)算并消耗數(shù)據(jù)存儲(chǔ)時(shí)間，導(dǎo)致運(yùn)算效率下降。因此本文將采用梯度導(dǎo)向?yàn)V波的方法進(jìn)行研究。

3.2 梯度導(dǎo)向?yàn)V波的實(shí)現(xiàn)

導(dǎo)向線性濾波器組件由一種比較局部線性化的濾波模型組件演變而來(lái)，是一種比較于傳統(tǒng)的導(dǎo)向?yàn)V波器及其組件，在計(jì)算時(shí)輸出數(shù)據(jù)效率較高，并且數(shù)據(jù)可直接進(jìn)行提取，得到相應(yīng)的線性方向?yàn)V波信息。導(dǎo)向累加濾波器必須滿足條件：任意一個(gè)相同方向的函數(shù)濾波器都必須可用。導(dǎo)向累加濾波即對(duì)一組方向相同的每個(gè)濾波器值進(jìn)行線性連續(xù)地導(dǎo)向累加。導(dǎo)向自動(dòng)濾波器不僅具備導(dǎo)向累加濾波的獨(dú)特優(yōu)勢(shì)和強(qiáng)大功能，同時(shí)它們幾乎可在任一濾波方向?qū)崿F(xiàn)自動(dòng)濾波處理。經(jīng)過(guò)濾波處理后的各個(gè)圖像中的某個(gè)像素[i]全部能夠表示成一個(gè)上下加權(quán)平均值，對(duì)應(yīng)表達(dá)式如下：

[qi=jwij（I）pj]? ? ? ? ? ? ? ? ? ? ? （13）

其中，[i]和[j]是指像素點(diǎn)，[wij]是指導(dǎo)向圖像[I]，[p]表示獨(dú)立變化的函數(shù)。實(shí)際上，濾波與[p]線性密切相關(guān)。

經(jīng)過(guò)對(duì)引導(dǎo)濾波算法相應(yīng)資料[15-16]進(jìn)行研究分析得到，若將像素[k]視作中心相應(yīng)窗口[ωk]區(qū)域內(nèi)，獲取的圖像與導(dǎo)向圖將呈現(xiàn)線性關(guān)系，是部分區(qū)域的線性關(guān)系模型，如式（14）所示：

[qi=akIi+bk，?i∈ωk]? ? ? ? ? ? ? ? ? ? ?（14）

式子中的[q]為一個(gè)輸入窗口像素的系數(shù)值，[I]是指一個(gè)輸入窗口圖像對(duì)應(yīng)像素?cái)?shù)據(jù)，[i]和[k]表示像素點(diǎn)，[a]和[b]表示窗口中全部中心點(diǎn)像素在[k]情況下特定像素系數(shù)特點(diǎn)。將式子（14）兩邊進(jìn)行求導(dǎo)計(jì)算，輸出的輸入像素梯度值和其他像素值間形成的梯度誤差將構(gòu)成相對(duì)線性化特征，因此它們之間達(dá)到了既能在圖像邊緣上充分保留圖像信息，又有利于平滑處理圖像的設(shè)計(jì)，此為濾波的主要特征。針對(duì)能充當(dāng)半徑的明確窗口[ωk]，[（ak，bk）]同時(shí)視作唯一明確的常數(shù)系數(shù)，確保在局部區(qū)域范圍內(nèi)，若圖像[I]存在邊緣情況，則其輸出圖像[q]會(huì)呈現(xiàn)固定值。由于對(duì)相鄰像素點(diǎn)而言，[?q等于a?I]，因此對(duì)參數(shù)[a]，[b]計(jì)算將間接獲取到[q]。同時(shí)把輸入圖像中非邊緣又不平衡區(qū)域看作噪點(diǎn)[n]，則存在[qi=pi-ni]。最終的目標(biāo)便是實(shí)現(xiàn)噪點(diǎn)最小化。

針對(duì)各個(gè)濾波窗口，可以采取相應(yīng)的最小二乘法進(jìn)行表示，表達(dá)式如下：

[argmini∈ωk（qi-pi）2]? ? ? ? ? ? ? ? ? ? ?（15）

[argmini∈ωk（akIi+bk-pi）2]? ? ? ? ? ? ? ? ? ?（16）

若在式子（16）中加入一個(gè)正則化參數(shù)[ε]來(lái)防止[ak]過(guò)大，需要建立損失函數(shù)，表達(dá)式如下：

[E（ak，bk）=i∈ωk（（akIi+bk-pi）2+εak2）]? ? ? ? （17）

通過(guò)線性回歸分析后，計(jì)算得到：

[ak=1ωi∈ωkIipi-μkpk）σ2k+ε]? ? ? ? ? ? ? ? ? ?（18）

[bk=p-k-akμk]? ? ? ? ? ? ? ? ? ? ? ? ?（19）

其中，[μk]與[σ2k]分別表示圖像[I]在窗口中的平均值與方差，[ω]指選取區(qū)域的像素點(diǎn)總數(shù)，[pk]是指經(jīng)過(guò)濾波處理圖像[p]在窗口[ωk]的平均值。

3.3 梯度導(dǎo)向?yàn)V波的圖像去霧計(jì)算

本文借助一張黑色像素通道圖中輸入的0.1%個(gè)黑色像素對(duì)應(yīng)的節(jié)點(diǎn)位置，接著在輸入圖像相同的兩個(gè)位置上，分別選擇最亮的一個(gè)黑色像素，將其作為節(jié)點(diǎn)進(jìn)行比對(duì)，再把整個(gè)大氣的平均光照強(qiáng)度值和透射率分別代入恢復(fù)公式（12）中，計(jì)算處理后即可得到一張無(wú)弱光霧化的大氣圖像[J（x）]，式子如下：

[J（x）=I（x）-Amax（t（x），t0）+A]? ? ? ? ? ? ? ? ? ?（20）

在[t（x）]逐漸趨近于0的情況下，直接衰減項(xiàng)也將趨向0，此時(shí)恢復(fù)圖像將含有噪點(diǎn)，因此將[t（x）]設(shè)置一個(gè)下限，[t0]通常當(dāng)作0.1。

3.4 梯度導(dǎo)向?yàn)V波的暗通道圖像去霧方法

結(jié)合暗部透射通道相關(guān)理論知識(shí)，本文算法選取多種控制因子，對(duì)圖像透射比率進(jìn)行估算；同時(shí)結(jié)合梯度導(dǎo)向?yàn)V波法獲取更加準(zhǔn)確的數(shù)據(jù)信息，計(jì)算出空氣中大氣光照度的平均值；再將已完成簡(jiǎn)化處理的透射比率與大氣光照值全部納入散射量模型中，從而更加準(zhǔn)確地實(shí)現(xiàn)圖像的去霧處理。

本文去霧處理的主要處理流程如表1所示。

本文使用Matlab軟件實(shí)現(xiàn)圖像的去霧處理過(guò)程。

4 結(jié)果分析

4.1 運(yùn)行環(huán)境

本文算法的運(yùn)行環(huán)境如下：

操作系統(tǒng)：Microsoft Windows 11 21H2。

CPU：Intel（R） Core（TM） i5-12500H 2.50 GHz。

GPU：NVIDIA GeForce RTX2050。

編程軟件：Matlab R2022a。

4.2 結(jié)果分析

在相同的硬件設(shè)備和Matlab軟件環(huán)境下，本文選取出圖像去霧領(lǐng)域中的四個(gè)經(jīng)典測(cè)試場(chǎng)景圖片，對(duì)本文所提方法進(jìn)行實(shí)驗(yàn)，最后從主觀和客觀兩方面評(píng)估本文方法的實(shí)現(xiàn)效果。

4.2.1 主觀評(píng)價(jià)

主觀評(píng)價(jià)是指通過(guò)對(duì)同一場(chǎng)景下不同算法處理所得圖片進(jìn)行觀察，在一定的評(píng)價(jià)標(biāo)準(zhǔn)下主要基于評(píng)價(jià)者對(duì)圖片的主觀感受對(duì)圖像進(jìn)行質(zhì)量評(píng)判。本節(jié)對(duì)所選取的四組場(chǎng)景分別進(jìn)行去霧處理，所得結(jié)果分別與暗通道先驗(yàn)算法的處理結(jié)果進(jìn)行主觀比較，直觀地判斷所得去霧圖像的優(yōu)劣。

首先比較兩組場(chǎng)景的透射率圖。由圖12可知，左側(cè)暗通道先驗(yàn)算法得到的透射率圖像出現(xiàn)了色塊，有較明顯的“馬賽克”感。右圖使用梯度導(dǎo)向?yàn)V波算法得到的透射率圖像則更加平滑，噪點(diǎn)更少，幾乎沒(méi)有色塊。

然后針對(duì)去霧領(lǐng)域文獻(xiàn)中四個(gè)經(jīng)典測(cè)試圖，將所得結(jié)果分別與暗通道先驗(yàn)算法結(jié)果進(jìn)行主觀比較。由圖13可知，采用暗通道先驗(yàn)算法處理的圖片，實(shí)例一中，小汽車、燈柱、綠化帶、電線等物體上都有一層灰色的輪廓，圖片的純凈度較低；實(shí)例二中，鐵塔處出現(xiàn)了白色輪廓；實(shí)例三中，圖片上部都有大片色塊，而且整體顏色偏暗；實(shí)例四中，樹木邊緣細(xì)節(jié)失真較多。相比之下使用本文提出的梯度導(dǎo)向?yàn)V波的暗通道圖像去霧方法處理得到的圖片，整體觀感更佳。實(shí)例一中，天空更加純凈，汽車、護(hù)欄、路牌等標(biāo)志十分清晰，圖片純凈度較高；實(shí)例二、三中，處理后的圖片對(duì)比原圖暗度基本沒(méi)有降低，更加真實(shí)；實(shí)例四中，導(dǎo)向?yàn)V波算法將透射率圖進(jìn)行了平滑處理，兼顧近處與遠(yuǎn)處的樹木邊緣細(xì)節(jié)，色彩更加真實(shí)飽滿，去霧效果更徹底。綜上，使用本文算法處理后的圖像，圖片的整體觀感更佳，去霧處理效果更好，符合預(yù)期去霧目標(biāo)。

4.2.2 客觀評(píng)估

然而主觀評(píng)價(jià)主要依據(jù)于人的視覺(jué)感知和主觀感受，這種方法雖然直觀快速，但是缺乏統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，會(huì)因評(píng)價(jià)者的個(gè)體感官差異而導(dǎo)致評(píng)價(jià)結(jié)果的歧義。為了進(jìn)一步驗(yàn)證本文所提算法的優(yōu)勢(shì)，本節(jié)采用了兩種客觀信噪評(píng)估檢驗(yàn)方法進(jìn)行評(píng)估，分別為：PSNR（峰值信噪百分比）和SSIM（結(jié)構(gòu)相似性）。PSNR（峰值信噪百分比）基于對(duì)應(yīng)像素點(diǎn)間的誤差敏感，是一種衡量信號(hào)失真程度的指標(biāo)，PSNR數(shù)值越大，代表圖像的失真越少；SSIM（結(jié)構(gòu)相似性）基于結(jié)構(gòu)信息的感知模型，是一種衡量圖片相似程度的指標(biāo)，SSIM數(shù)值越大，代表圖像失真越少。針對(duì)文中四個(gè)場(chǎng)景，分別對(duì)每個(gè)場(chǎng)景的四種去霧方法進(jìn)行檢測(cè)，檢測(cè)結(jié)果保留4位小數(shù)，如表2～表5所示。

由表2～表5算出，針對(duì)以上四個(gè)場(chǎng)景，本文提出的梯度導(dǎo)向?yàn)V波算法相較于傳統(tǒng)的暗通道先驗(yàn)算法，其兩種客觀信噪評(píng)估檢驗(yàn)方法：PSNR（峰值信噪比）和SSIM（結(jié)構(gòu)相似性）的提升率分別如表6所示。

由表6可知，使用PSNR與SSIM方法檢測(cè)后得到，本文所提出的梯度導(dǎo)向?yàn)V波算法在PSNR（峰值信噪比）和SSIM（結(jié)構(gòu)相似性）上都優(yōu)于其他三種暗通道先驗(yàn)改進(jìn)算法，與傳統(tǒng)的暗通道先驗(yàn)算法相比較，本文算法的PSNR與SSIM平均提升了39.64%和32.74%。與主觀評(píng)價(jià)結(jié)果保持一致，使用本文所提算法對(duì)霧景退化圖片進(jìn)行去霧處理后，所得無(wú)霧圖像的噪點(diǎn)更少、失真更小、更加清晰。

5 結(jié)束語(yǔ)

本文首先闡述了現(xiàn)有的圖像去霧技術(shù)和算法，并針對(duì)傳統(tǒng)的圖像去霧算法復(fù)雜度高、效率低、無(wú)法滿足特定場(chǎng)景下的圖像去霧等問(wèn)題，選取暗通道先驗(yàn)圖像去霧算法作為基礎(chǔ)，提出了建立梯度導(dǎo)向投射濾波模型的方法，從而實(shí)現(xiàn)優(yōu)化透射率的計(jì)算和處理。選擇一種自適應(yīng)自動(dòng)調(diào)整透射因子[ω]的計(jì)算方法，并結(jié)合暗通道先驗(yàn)性理論對(duì)透射率圖進(jìn)行估算，采取梯度導(dǎo)向?yàn)V波算法對(duì)圖像實(shí)現(xiàn)投射圖細(xì)化處理，再結(jié)合預(yù)測(cè)的大氣光值和投射比率，根據(jù)大氣散射模型獲得最終無(wú)霧圖像。通過(guò)對(duì)去霧領(lǐng)域的四個(gè)經(jīng)典場(chǎng)景進(jìn)行實(shí)驗(yàn)，所得結(jié)果與暗通道先驗(yàn)算法及其兩種改進(jìn)方式的實(shí)驗(yàn)結(jié)果分別進(jìn)行主觀和客觀（PSNR和 SSIM）分析對(duì)比，證明本文所提算法不僅具有更好的直觀視覺(jué)效果，在客觀指標(biāo)上也效果理想，提升了圖像去霧處理的精度和質(zhì)量。

參考文獻(xiàn)：

[1] 李成勇，王莎，陳成瑞.基于CMOS圖像采集的車道偏移識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)測(cè)試，2022，48（6）：106-110.

[2] 邢志斌，王培毅，伍剛.無(wú)人機(jī)圖像采集技術(shù)在森林防火中的應(yīng)用研究[J].消防界（電子版），2022，8（12）：56-58.

[3] 蔣華偉，楊震，張?chǎng)?，?圖像去霧算法研究進(jìn)展[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2021，51（4）：1169-1181.

[4] 袁小平，陳艷宇，石慧.基于霧線暗通道先驗(yàn)改進(jìn)的圖像去霧算法[J].激光與光電子學(xué)進(jìn)展，2022，59（8）：181-188.

[5] 丁暢，董麗麗，許文海.“直方圖”均衡化圖像增強(qiáng)技術(shù)研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（23）：12-17.

[6] Provenzi E，F(xiàn)ierro M，Rizzi A，et al.Random spray Retinex：a new Retinex implementation to investigate the local properties of the model[J].IEEE Transactions on Image Processing：a Publication of the IEEE Signal Processing Society，2007，16（1）：162-171.

[7] 馬云飛，何文章.基于小波變換的霧天圖像增強(qiáng)方法[J].計(jì)算機(jī)應(yīng)用與軟件，2011，28（2）：71-72，95.

[8] He K M，Sun J，Tang X O.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（12）：2341-2353.

[9] Tan R T.Visibility in bad weather from a single image[C]//2008 IEEE Conference on Computer Vision and Pattern Recognition.Anchorage，AK，USA.IEEE，2008：1-8.

[10] Fattal R.Single image dehazing[J].ACM Transactions on Graphics，2008，27（3）：1-9.

[11] Tarel J P，Hautière N.Fast visibility restoration from a single color or gray level image[C]//2009 IEEE 12th International Conference on Computer Vision.Kyoto，Japan.IEEE，2009：2201-2208.

[12] Wang Y K，F(xiàn)an C T.Single image defogging by multiscale depth fusion[J].IEEE Transactions on Image Processing，2014，23（11）：4826-4837.

[13] 金仙力，張威，劉林峰.基于引導(dǎo)濾波和自適應(yīng)容差的圖像去霧算法[J].通信學(xué)報(bào)，2020，41（5）：27-36.

[14] Gao T，Li K，Chen T，et al.A novel UAV sensing image defogging method[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：2610-2625.

[15] 趙波，李洪平，金汝寧，等.一種基于自適應(yīng)大氣光和加權(quán)引導(dǎo)濾波的夜間圖像去霧算法[J/OL].[2022-08-30].工程科學(xué)與技術(shù).https：//t.cnki.net/kcms/detail？v=-pqffpTiTJMjF10czFFEry1Qx0k5Qd6VHYJEs7Rz3KCMCWd0ebSazvzKDHjzE9FeOEkj1G087BaMS_mIyymPhy1NF8oFu2omIN-NuXiKW440rhjbyRtczw==&uniplatform=NZKPT.

[16] 余嘉昕，王春媛，韓華，等.基于融合代價(jià)和優(yōu)化引導(dǎo)濾波的立體匹配算法[J/OL].[2022-07-02].計(jì)算機(jī)工程. https：//t.cnki.net/kcms/detail？v=-pqffpTiTJOcAL0ggQyyA6BO3h3YviITUCe_fPL99tfqoG5TCMmvuKSUh1wiY0PIHDeS0HmaXdTH 7jfR-tP0EkXFgP6C3sS-GBFgt61FNmcSAx7p-pNfmQ==&uniplatform=NZKPT.

【通聯(lián)編輯：謝媛媛】