基于Retinex模型的雾天图像清晰化算法.docVIP

基于Retinex模型的雾天图像清晰化算法 　　摘 要：黄山风景区全年雨雾天气近200天，常规的视频监控系统在这种天气下，很难发挥作用。为了解决这个问题，黄山针对雾天图像对比度降低的退化现象，提出了一种快速的对比度增强算法。通过简单变换后发现，大气散射模型的数学表达式符合Retinex模型，因此采用Retinex算法来提高图像的对比度。同时提出了一种新的平滑保边滤波， 用来快速估计Retinex算法中的照度。它的每次迭代仅需要三次均值滤波，时间复杂度低。对于彩色图像，通过非线性指数增强图像的饱和度。实验结果表明，提出的清晰化算法能有效增强雾天图像的对比度（特别是降质严重的低对比度区域），改善彩色图像的色彩，同时较好的保持图像的边缘。 　　关键词：雾；Retinex；对比度；保边滤波；饱和度 　　1、引言 　　黄山，素以奇伟绝俗、灵秀多姿著称于世。其全年雨雾天气近200天，弥漫在空中的雾气模糊了人们的视线，使得景物的能见度大幅降低，图像中蕴含的许多特征都被覆盖或模糊。并且图像退化程度跟图像景物到摄像头的距离相关，距离越远，距离越远，退化越严重。因此，这种退化在空间上是不均匀的。 　　图像去雾算法主要经历了3个研究阶段： 　　传统图像增强方法，比如直方图处理[1][2]、小波方法[3]和retinex[4]等。由于雾天退化图像的空间不均匀，这类方法效果有限。 　　基于物理模型的多图像（或多数据源）复原方法。由于退化模型与成像距离密切相关，而基于单幅图像很难获得准确的深度信息。因此，这类方法通过多图像（或多数据源）得到图像深度信息后利用物理模型达到复原的目的。Narasimhna等人提出了多种提取场景深度信息的方法，有些需要用到不同天气状态下相同景物的图像[5]，有些利用偏振光的方法[6]。基于大气散射模型的方法能够在雾天图像增强上达到较好的效果，但要求多图像（或多数据源）， 因此在实际应用上具有一定的局限性。 　　基于物理模型的单幅图像复原方法。由于考虑了雾天成像的物理模型和仅使用单幅图像，这类方法是近年来研究的热点和难点，取得了很大的进展。与多图像（或多数据源）复原方法利用不同，这类方法根据假设条件从单幅图像中估计深度信息。相对于雾天图像，Tan[7]发现无雾图像的对比度更高，因此他提出了基于局部对比度最大化的单幅图像去雾算法；Fattal[8]假设光照传输和物体阴影是不相关进而估计场景的反射率；He[9]通过大量实验发现“暗通道先验”，提出一种简单有效的算法，获得很好的效果。但是，这些方法存在两个问题：首先，一些退化严重的区域得不到增强；其次，由于处理过程中使用空间滤波方法，结果往往存在边缘效应。 　　针对以上问题，本文将提出一种快速保边的单幅图像对比度增强算法。通过简单的变换发现，雾天降质模型的数学表达式和Retinex模型具有相同的乘性形式。因此采用Retinex算法来提高图像的对比度。为了保持图像的边缘，提出了一种快速的平滑滤波，用来估计Retinex算法中的照度。最后，对饱和度分量进行非线性指数调整，改善图像的色彩。 　　本文其余部分组织如下：第二部分介绍本方法使用的大气散射模型和Retinex模型；第三部分提出我们的方法，并在一些重要细节上给予具体讲述；第四部分是实验及分析比较；最后，第五部分作为全文的总结。 　　2、相关研究简介 　　2.1大气散射模型 　　在计算机视觉和图像处理领域广泛用于描述雾天图像形成的大气散射模型[5-11]如图1所示，具体数学表达式如下： 　　其中，P表示空间位置，E表示场景点的反射率，即：场景点在良好天气条件下的亮度。t是传输系数，与目标到摄像机的距离和雾的浓度相关。A表示天空环境光，认为是一个常量。 　　公式（1）中，方程未知数多于方程数，方程没有唯一解。为了解决该病态问题，需要通过其它信息先获得t，有以下几种方法：一是通过雷达等直接取得场景点的深度；二是通过获取多幅同一位置不同天气状况下的图像[5]；三是利用偏振光的方法[6]。 　　近年来，基于单幅图像的方法取得了很大的进展。这类方法都是根据假设先估计出t，再反解公式（1）。比如，Fattal假设光照传输和物体阴影是不相关进而估计场景的反射率；He提出“暗通道先验”，都获得很好的效果。 　　但这些方法一般采用滤波方法估计t，会造成边缘效应；另外，这些方法设置平衡系数，防止当t接近于零时结果图像失真，但这也使得某些退化严重的区域得不到足够的增强。 　　2.2Retinex模型 　　Retinex理论[4，12]是一种重要的图像增强技术，适用于处理光照不均问题，并且能有效的增强图像对比度和压缩动态范围。该理论有以下四个基本假设： 　　（1）每个色彩通道分别由独自的亮度值确定； 　　（2）中心像素