基于分块和多尺度Retinex的图像去雾方法

（湖南科技学院，湖南永州市，425199）黄丽韶

1 背景及意义

随着社会科技进步，人类在跟自然相互作用的过程中引发了一些不良的天气，其中雾霾天气就是其中一种。一般而言，在雾霾天气条件下，受到空气中漂浮颗粒对光的折射、反射、自身吸收和自身成像等影响，使得图像采集系统在浓雾时所捕获的图像的对比度较低，并且还会影响色彩，色彩会有失真现象，甚至有时候会导致机器视觉系统无法正常工作。目前在各城市中面向公共安全应用的系统中，安装了很多的电子眼。这些电子眼可以精确地捕捉到人脸、车牌等信息，但受恶劣天气、大气污染的影响，捕捉的效率大大降低。所以，研究针对雾霾天气下抓拍到的浓雾图像进行去雾的方法是非常有意义的工作。

本文主要是研究雾霾天气下拍摄的单幅浓雾图像的清晰化工作。恶劣天气除了浓雾以外还有其他雪天雨天等。本文的研究对其他的一些相似情况也具有一定的借鉴作用。

2 相关原理与算法

近年来，专家学者对图像去雾进行了大量的研究，总结主要的去雾方法有四类。①暗通道去雾；②色阶调整去雾；③直方图均衡化；④Retinex算法。浓雾图像更适合使用增强方法进行处理。图像增强方法忽略图像降质原因，主要以提升图像细节来改善图像清晰度。针对图像的增强，在众多的方法中，总结出来主要有曲波变换、直方图均衡化算法和Retinex算法。针对浓雾图像进行去雾处理的方法中，Retinex算法获得了一定的成果。Retinex算法之所以获得成功，主要是因为它可以将三个方面进行平衡。其他的算法难以平衡颜色恒定、细节增强和灰度动态范围压缩，而Retinex算法可以做到。另外一个原因是，Retinex算法可以应用到不同背景下的雾天。因此长期以来，国内外专家学者进行了大量的关注和研究。

在众多的去雾算法中，非常有名的是暗通道去雾算法，是何凯明博士提出来的。主要提出，由于生活中的三个主要的原因会造成图像中的暗原色中低通道值现象。首先，来自现实中的一些阴影和投影。比如地面上的建筑物、公路上的汽车或者房间中的窗帘、餐椅等阴影，大自然中大山、大树和树叶的投影等；其次，在一些颜色比较鲜明的物体中，必然固有一些通道的值是比较低的，比如，颜色鲜明的红色玫瑰花、蓝色的海面和绿油油的树叶等。再次，本身颜色就比较暗沉的物体中，有暗原色中低通道值，阴雨天气下的大地，灰色的房屋等。在一些颜色鲜艳的物体或表面，还有一些暗沉的物体或环境下，会有一个有很低值的一个颜色通道，主要集中在一些非天空的局部区域里，而暗通道处理可以说是一个假设。

图像增强的方法主要有以下几种。①提高对比度；②Gamma校正；③直方图均衡化。选择一个模板，这个模板主要是由相邻的多个像素构成。均值滤波方法是将这多个像素模板的均值作为要处理像素的值。而中值滤波方法增加了一个排序的环节。不同点是需要将模板中的像素按照从小到大排好序，再利用中值来替换原来的像素值。也可以利用现有的图像处理库PIL来进行处理。比如，python中就有一个叫做ImageEnhance的模块。

3 基于分块和多尺度Retinex的图像去雾方法

作为雾霾图像增强技术研究的理论基础，在掌握雾霾的成因、基本特性及雾天图像形成过程的基础上，从图像增强角度分析图像去雾增强，采用包括直方图均衡、对比度受限自适应直方图均衡和单尺度Retinex等一些经典的图像增强方法对具有浓雾的图像进行相应的清晰化增强处理，然后通过对这些方法进行相应的实验，最后对清晰化的图像进行评价从而比较这些方法的优势和需要改进的地方。而传统的多尺度中心环绕Retinex算法在雾气浓度分布不均匀时，利用全局均值统计量来进行高频细节信息动态范围调整的适应性较差。据雾气浓度的规律性，把浓雾图像进行分块得到原始图像的多个子块。针对这多个子块采取汇总均值的方法进行截断值的计算。将对分块和计算处理后的图像进行局部最优的图像清晰化增强操作，增强后的图像进行融合处理。

将浓雾图像中的浓雾去掉，进行浓雾图像的清晰化操作，达到一定的去雾效果是本文的研究目标。①对浓雾图像中每个区域的均值进行计算，雾气在图像中分布不均匀的情况，最优动态截断范围并不一致，如何改进传统的多尺度Retinex算法，提高图像细节的可视度，增强图像全局对比度的同时，也增强图像高频信息部分。②在保持现有的运行速度的情况下，保证同一个子块尽量聚集不同浓度的有雾区域，解决如何将图像进行分块，划分多少子块不会影响动态截断效果的问题。③解决如何进行子块图像的融合，尽量在图像细节增强和图像过增强之间寻找平衡点，是否可以将多个局部最优的增强图像进行线性加权组合。

从最基础的全局直方图均衡化、局部直方图均衡化和Retinex增强处理入手，设计并实现GUI界面，为后续研究做好前期准备工作。采用分块和多尺度Retinex实现雾霾图像增强。首先，将图像进行高频细节信息分解，采用多尺度Retinex（Muhi-Scalde Retinex，MSR）思想，抑制光晕，获取高频细节分量；其次，将图像划分为多个子块，计算出适合不同雾霾的动态截断值；再次，利用这几个动态截断值对高频细节信息进行动态范围调整，得到多幅局部最优的图像；最后，融合多幅局部最优图像生成高质量的结果，从而实现雾霾图像每个区域细节的增强。如图1所示。

图1 基于分块和多尺度Retinex的图像去雾方法

4 总结

本文提出的分块和多尺度Retinex考虑了雾气不均匀的雾霾图像特征，针对每个局部的均值统计量不一致的情况，改进了多尺度Retinex量化拉伸的过程，增强Retinex算法的鲁棒性是主要的创新之处。