第3章-基于图像增强的去雾方法

第3章基于图像增强的去雾方法第3章基于图像增强的去雾方法3.1引言图像增强是数字图像处理技术中最为基本的内容之一。在实际应用中，无论采用何种装置采集的图像，由于噪声、光照、天气等原因，获取的图像视觉效果不理想。例如，雾天获取的图像模糊不清，难以提取细节信息；一幅户外自然风景图像色彩失真严重，视觉效果较差；夜间拍摄的图像，由于光线较暗，图像对比度低，暗处景物难以辨识等。图像增强技术的目的是将图像转化为一种更适合于人或计算机进行分析处理的形式，通过相关算法的处理，使图像的动态范围扩大，拉伸图像对比度，突出图像中研究者感兴趣区域的细节信息，为图像的进一步处理和分析奠定基础。雾天图像可以看作是清晰图像中引入了低频噪声，图像的灰度集中分布在某个区域，图像的对比度低，视觉效果较模糊。图像去雾的目的主要是去除图像中的噪声(即雾)，提高图像的对比度，从而恢复出清晰的无雾图像。基于图像增强的去雾技术以其方法简单、有效而得到较为广泛的应用。本章主要研究图像增强技术中常用的直方图均衡、同态滤波、小波变换方法在图像去雾中的应用，重点研究基于Retinex理论的图像去雾算法，介绍Retinex算法中的单尺度、多尺度以及带彩色恢复的Retinex算法。通过对各算法原理的研究和实验结果对比分析，总结各算法的优势与不足。3.2基于直方图均衡化的雾天图像增强技术直方图是多种空间处理技术的基础。图像的直方图是图像的重要统计特征，是表示一幅数字图像中每一灰度级与该灰度级出现的频数间的统计关系。直方图均衡化是传统的图像增强理论中常用的方法，图像中原本灰度级集中的区域经直方图均衡处理后均匀分布，从而增大反差，使图像细节清晰，它的根本目的是改善图像的对比度。直方图均衡分为全局直方图均衡和局部直方图均衡。全局直方图均衡主要是通过拉伸图像灰度值的动态范围达到图像整体对比度增强，局部直方图均衡化是针对图像内部细节进行增强处理从而达到图像局部对比度增强。直方图在软件中计算简单，而且有助于商用硬件的实现，因此已成为实时图像处理的一种流行工具。3.2.1直方图均衡化直方图均衡化是把一幅已知灰度概率分布的图像经过变换，使之变成灰度概率分第3章基于图像增强的去雾方法布均匀的新图像。它是以累积分布函数变换法为基础的直方图修正方法，其计算过程如下：(1)首先通过对原始图像的研究分析，列出其灰度级fj，j=0,1,…k,…L-1，其中，L是原始图像中灰度级的总数量。(2)根据原始图像的灰度级分布，统计出分布在不同灰度级的像素个数nj，其中j=0,1,…k,…L-1。(3)计算原始图像的直方图，即各个灰度级中的像素个数占图像中像素总数的比重(),0,1,...,...,1jfjnPfjkLn，其中，n为原始图像中像素总个数。(4)计算原始图像的累积直方图0()(),0,1,...,,...,1kfjjCfPfjkL。(5)利用灰度变换函数计算变换后图像的灰度值gi，i=0,1,…k,…P-1，其中，P为变换后图像灰度级的总个数，并四舍五入取整：maxminmin=[(-)()+g+0.5]igINTggCf(3.1)式(3.1)中，INT为取整符号。(6)确定灰度变换关系j→i，据此将原始图像的灰度值f(m,n)=j修正为g(m,n)=i。(7)统计经灰度变换后的各灰度级的像素个数ni，其中i=0,1,…k,…P-1。(8)计算变换后图像的直方图(),0,1,...,,...1iginPgikPn。经直方图均衡处理后的图像直方图趋向于平坦，灰度级减少，灰度合并；变换后含有像素较多的灰度级间隔被拉大，像素少的灰度级被压缩，实际视觉能够接收的信息量得以增加。直方图均衡化算法实现简单，能够扩大灰度值的动态范围，提高图像的对比度，但是仍存在一定的缺陷。直方图是近似的概率密度函数，所以直方图均衡处理只是近似的，由于数字图像灰度取值的离散性，计算过程中用到四舍五入的方法使变换后的新图像中的灰度级数量会比原图像中的灰度级数量少，从而造成新图像中的部分信息丢失。不同的灰度变换后的灰度可能相同，造成伪轮廓。雾天采集到的图像亮度较高，呈现泛白发灰的状态且对比度较低，直方图分布较集中。直方图均衡法在处理场景处于同一深度的图像时能获得较好的处理效果，但实际获得的图像中景物的深度往往并非一致，直方图均衡法难以反映景深多变的图像中局部景深的变化，难以获得令人满意的视觉效果。第3章基于图像增强的去雾方法原始彩色图像全局直方图均衡化结果图a)原始雾天图像b)直方图均衡后的图像0200400600800100012001400原图像直方图050100150200250050010001500变换后的直方图050100150200250c)原始图像的直方图d)直方图均衡后的直方图图3.1直方图均衡化处理结果Fig.3.1Theresultsofhistogramequalization3.2.2局部直方图均衡化全局直方图均衡方法在某种意义上，像素被基于整幅图像的灰度分布的变换函数修改。虽然这种全局方法适用于整幅图像的增强，但是存在这样的情况，增强图像中小区域的细节也是需要的。这些区域中，一些像素的影响在全局变换的计算中可能被忽略了，因为全局变换没有保证期望的局部增强。解决方法是以图像中每个像素的邻域中的灰度分布为基础设计变换函数，即引入局部直方图均衡化方法。局部直方图均衡化，也称为块重叠直方图均衡化，是一种标准的自适应直方图均衡化方法(AHE)。局部直方图均衡化的基本思想是将直方图均衡化运算分散到图像的所有局部区域，通过局部运算的叠加自适应地增强图像局部信息。局部直方图均衡化的过程是定义一个邻域，并把该区域的中心从一个像素移至另一个像素。在每个位置，计算邻域中的点的直方图，并且得到的不是直方图均衡化，就是规定化变换函数。这个函数最终用于映射邻域中心像素的灰度。然后，邻域的中心被移至一个相邻像素位置，并重复该过程。局部直方图均衡化可以根据图像的局部信息进行直方图均衡化，处理后的图像增强效果往往比全局直方图均衡化好。雾天条件下采集的图像通常场景深度信息多变且第3章基于图像增强的去雾方法无法确定，采用局部直方图均衡化算法能够大幅度降低场景深度信息对图像增强处理过程中产生的影响，从而对图像中的局部区域进行较好的对比度增强，获得较大的动态范围，达到图像清晰化的目的。但是由于该方法在执行过程中需要进行逐点计算，所以耗时较长，且易产生块状效应。3.2.3实验结果分析本章实验的硬件环境为Intel(R)Core(TM)2DuoCPU，2.93GHz，内存2G；软件平台为MATLAB(R2008a)。局部直方图均衡算法中的邻域大小为7×7的窗口。A:原始彩色图像全局直方图均衡化结果图局部直方图均衡化结果图B:原始彩色图像全局直方图均衡化结果图局部直方图均衡化结果图a)原始图像b)全局直方图均衡c)局部直方图均衡图3.2直方图均衡方法的去雾结果Fig.3.2Theresultofdefoggingbyhistogramequalization从以上A、B两组实验结果图可以看出：A、B组处理后图像明显比原始雾天图像清晰，经全局直方图处理后的图像在景深多变处难以显示图像细节信息(如A组中房屋的窗户以及房屋前面的植物，B组图像中的植被)，经局部直方图均衡处理后的图像细节信息突出，但是易出现块状效应且算法耗时较长。3.3基于同态滤波的雾天图像增强同态滤波是一种在频域中将图像动态范围进行压缩并将图像对比度进行增强的方法，它以图像的入射/反射分量模型作为频率域处理的基础，主要通过压缩图像的亮度范围和增强图像的对比度从而达到改善图像质量的目的。同态滤波是基于图像的成像模型。第3章基于图像增强的去雾方法3.3.1同态滤波原理一幅图像f(x,y)可以用它的入射光分量和反射光分量来表示，其关系式如下：(,)(,)(,)fxyixyrxy(3.2)式(3.2)中，入射光分量i(x,y)由照明源决定，即它与光源有关，通常用来表示图像中变化缓慢的背景信息，可直接决定一幅图像中像素能达到的动态范围[40]。而反射光分量r(x,y)则是由物体本身特性决定的，它表示灰度的急剧变化部分，如两个不同物体的交界部分、边缘部分等。入射光分量与傅里叶平面上的低频分量相关，而反射光分量则与其高频分量相关。式(3.2)不能直接用于对照射和反射的频率分量进行操作，因为乘积的傅里叶变换不是变换的乘积，即：[(,)][(,)][(,)]FfxyFixyFrxy(3.3)然而，假设定义：(,)ln[(,)]ln[(,)]ln[(,)]zxyfxyixyrxy(3.4)则有[(,)][ln((,))][ln((,))][ln((,))]FzxyFfxyFixyFrxy(3.5)或(,)(,)(,)irZuvFuvFuv(3.6)式(3.6)中，Fi(u,v)和Fr(u,v)分别是ln(i(x,y))和ln(r(x,y))的傅里叶变换。可以用一个滤波器H(u,v)对Z(u,v)滤波，故有：(,)(,)(,)(,)(,)(,)(,)irSuvHuvZuvHuvFuvHuvFuv(3.7)在空域中，滤波后的图像是：111(,)[(,)][(,)(,)][(,)(,)]irsxyFSuvFHuvFuvFHuvFuv(3.8)由定义可知：1'(,)[(,)(,)]iixyFHuvFuv(3.9)1'(,)[(,)(,)]rrxyFHuvFuv(3.10)式(3.8)可以表示为如下形式：(,)'(,)'(,)sxyixyrxy(3.11)最后因为z(x,y)是通过取输入函数的自然对数形成的，可以通过取滤波后的结果的指数这一反处理来形成输出图像：(,)'(,)'(,)00(,)(,)(,)sxyixyrxygxyeeeixyrxy(3.12)其中，'(,)0(,)ixyixye表示输出图像的照射分量，'(,)0(,)rxyrxye表示输出图像的反射分量。同态滤波的步骤可以归纳如下图所示：第3章基于图像增强的去雾方法f(x,y)g(x,y)lnexp(DFT)-1H(u,v)DFT图3.3同态滤波增强处理流程图Fig.3.3Flowchartofhomomorphicfilteringalgorithm图像的照射分量通常以空间域的缓慢变化为特征，而反射分量往往引起突变，特别是当处理的图像是内容丰富多变的自然场景图。这些特性导致图像取对数后的傅里叶变换的低频成分与照射相联系，而高频成分与反射相联系。虽然这些联系只是粗略的近似，但是它们用在图像滤波中是有益的。根据这些特征可以把图像经过傅里叶变换后的低频部分与照射分量联系起来，高频部分与反射分量联系起来。使用同态滤波器可以更好的控制照射分量和反射分量。这种控制需要制定一个滤波器函数H(u,v)，它可选用不同的可控方法影响傅里叶变换的低频和高频分量。选取适当的滤波器函数H(u,v)对图像进行对比度增强和动态范围的压缩，H(u,v)的形式可以定义为如下所示：220((,)/)(,)()[1]cDuvDHLLHuve(3.13)其中，D(u,v)=[(u-M/2)2+(v-N/2)2]，M、N是滤波器的长宽。常数c控制函数坡度的锐利程度，它在L和H之间过度。若L1并且H1，则滤波器H(u,v)一般会减少低频的贡献，即照度的贡献，同时增加高频的贡献，即反射的贡献。基于同态滤波的图像去雾的思路是根据雾覆盖的信息通常在频率域分布在低频部分，通过傅里叶变换将图像转换到频率域，然后用高通滤波器对图像进行滤波，去除雾所在的低频信息，保留图像的高频(细节)信息，并对处理结果进行增强，以达到较好的视觉效果。3.3.2实验结果分析原始图像同态滤波与SSR结合的结果图a)原始雾天图像b)同态滤波处理结果图图3.4同态滤波结果图Fig.3.4Theresultimageofhomomorphicfiltering图3.4给出同态滤波算法去雾的效果图。从图像中可以看出，经同