无人机侦察图像快速去雾算法

陆士猛，刘昌锦



无人机侦察图像快速去雾算法

陆士猛，刘昌锦

（陆军军官学院，安徽 合肥 230031）

无人机在进行情报侦察时，容易受到不良天候条件的影响，使得侦察图像模糊不清，对比度下降，但是现有较多算法解决此类问题的实时性较差，所以本文提出了基于暗通道原理的无人机侦察图像快速去雾算法。首先对图像进行降采样，根据大气物理模型和暗通道原理，利用最小值滤波和均值滤波分析出透射率和大气光强的求解方法并进行优化，最后求解出去雾图像。通过实验验证，本文算法简单有效，实时性极高，可以用于工程实现。而且算法对图像的亮度也有一定的调整功能，具有较强的鲁棒性。

无人机侦察；图像去雾；大气物理模型；暗通道；均值滤波

0 引言

当前无人机在进行侦察时由于受到不良天候条件下的影响，侦察图像会变得模糊不清。特别是在雾霾天气环境下，由于空气中的气溶胶、粉尘、颗粒物对光线的吸收、散射等影响，使“透过光”强度衰减，从而使得光电侦察设备接收到的光强度发生了改变，直接导致图像对比度降低，清晰度不够；这种环境下许多目标特征被覆盖，图像细节不明显，信息的可辨识度大大降低。因此研究图像去雾算法对于无人机侦察具有很重要的意义，尤其是在提高算法的实时性方面显得极为重要。

从近几年国内外对图像去雾处理的研究来看，图像去雾算法主要基于2个方面：一是基于图像增强[1]的处理方法，一是基于物理模型的复原方法。雾天图像的增强方法主要从空间域和频率域两个方面进行处理，其中空间域技术是以对图像像素的直接处理为基础的，而频率域技术是以修改图像的傅里叶变换为基础的。雾天图像复原是研究雾天图像降质的物理过程，并建立雾天图像退化模型，反演退化过程，补偿退化过程造成的失真，以便获得未经干扰退化的无雾图像或无雾图像的最优估计值，从而改善雾天图像质量。这种方法针对性强，得到的去雾效果自然，一般不会有信息损失。

本文主要从图像复原的角度来研究无人机侦察图像的去雾算法，因为不同的图像有不同的特点，无人机侦察图像的去雾算法也是基于单幅图像来研究的，而“Single Image Haze Removal Using Dark Channel Prior”[2]一文在大气物理模型的基础上，提出了暗通道原理，并将其用于图像去雾，取得了非常好的效果，但是该算法在去雾过程中，引入了软抠图算法，影响了算法的执行速度。文献[3]引入了导向滤波代替软抠图，使得算法的运行效率大大提高，但是还不能达到工程实现的要求；禹晶[4]等人在暗通道原理的基础上，利用双边滤波代替软抠图算法，有效恢复了场景的对比度和颜色，但对白色物体以及浓雾图像的恢复效果不理想。文献[5]通过对雾天图像退化物理模型的分析，利用均值滤波，来估计透射率和全局大气光，在执行速度上得到了很大提高，而且去雾效果也保持的很好，但是理论支撑不足。

本文即是在文献[2]和文献[5]的基础上对算法进行的改进。首先对原图像进行降采样，在暗通道原理的基础上，使用最小值滤波和均值滤波，求解透射图，给出透射率和全局大气光的估计方式，较之于原算法，其运行时间有了极大的提高，但去雾效果并没有降低，可以达到工程应用的实时性要求，并且本算法可以根据不同的雾天图像，调节去雾后图像的亮度，防止图像出现过度偏暗或偏亮的情况。

1 背景知识

1.1 大气物理模型

无人机侦察图像的成像原理同普通图像是一致的，而且也适用于目前通用的大气物理模型[6]，该模型是由McCartney提出的，主要揭示了大气光照条件下的目标成像原因，如图1所示。

由图1可以看出大气光照模型包含两部分，第一部分称为直接衰减项（Direct transmission），第二部分称为大气光照（Air light），用公式可以表示如下：

()＝()()＋(1－()) (1)

式中：是观测到的有雾图像；是景物反射光强度（也就是待恢复的无雾图像）；是全局大气光照强度；是透射率，用来描述光线通过介质透射到成像设备过程中没有被散射的部分。去雾的目标就是从中复原，也就是要通过求和。

1.2 暗通道原理

暗通道原理的提出是基于以下对清晰的户外图像观察的事实：对于图像的很多非天空场景区域，在某些像素点上至少存在一个色彩通道的亮度非常低。换句话说，这些区域的最小亮度应该有非常低的值。形式上，对于一幅图片，定义：

式中：J是图片的一个颜色通道（即、、三颜色中的一种）；()是中心在处的一个局部图像模块。文献[1]提到对于一幅没有雾霾的户外景物图像，除了天空区域，dark的亮度非常小，经常趋于零。因此，称dark为图像的暗原色通道，并且称以上的统计观察知识为暗通道原理。用公式可以表示如下：

dark()®0 (3)

2 基于暗通道原理的快速算法

2.1 透射率的获取

对大气物理模型进行变换，可得下式：

对方程(4)两边进行两次最小值滤波，可以得到：

根据暗通道原理，结合方程(2)、(3)、(5)，可得：

图1 大气物理模型示意图

Fig.1 The schematic diagram of atmospheric physics model

这就是通过暗通道原理求出的透射率的粗略值。

2.2 透射率的优化

根据暗通道原理求取原图像的透射图使用的是最小值滤波，但是最小值滤波并不符合雾气在大部分区域连续均匀分布的特征，也不利于对景物深度变化较大的边缘透射率进行区分。而均值滤波恰好能够符合雾气在同一深度均匀分布这一特征，所以本文采用均值滤波求取雾天图像的暗通道图。

首先，利用最小值滤波求取原图像的最小通道图，设为()，则有：

其次，对最小通道图进行均值滤波，设为ave()，则有：

式中：d表示均值滤波窗口的尺寸，则经过均值滤波后得到的透射率公式如下：

实际上，根据方程(1)求得的真实透射率应该为：

故：

所以：

min()≥average() (13)

所以为了使利用均值滤波得到的透射率更加接近于真实透射率，则必须引入一个参数，即：

式中：0≤≤1，下面对的取值进行分析，在实际去雾过程中，的取值对图像的去雾效果会产生一定的影响，如果取值较小，则透射率的结果较大，最后恢复出的图像残留雾气较多，图像整体变白；如果取值较大，则透射率的结果较小，最后恢复出的图像整体较为暗淡。为了防止去雾后的图像出现整体画面过于偏暗或过于偏亮的情况，这里设置：

＝ave(15)

式中：为可调节的参数且0≤≤1/ave，ave是()中所有元素的均值，由于ave的取值与原图像整体灰度的分布相关，使得具有自动调节去雾后图像整体亮度的作用。原图像越暗，ave值越低，透射率相应增大，这使得去雾后的图像亮度不会过于暗淡，反之亦然。这里需要对的上限进行设置，上限设定为0.95，则：

＝min(ave, 0.95) (16)

基于此，我们可以求出雾图的透射率，该透射率能够较为精确地反应出图像的透过光强度，并且能够自动地调节图像的亮度，具有较强的鲁棒性。对天空区域也有一定的适应能力。下面就对大气光强度进行求取。

2.3 大气光值的获取

对于大气光值的选取，许多文献给出了不同的处理方法，也各有优缺点。其中文献[2]在暗通道去雾中首先选取最亮的0.1%比例的像素，然后在原输入图像中找出对应像素所具有的最大灰度值作为全局大气光，这种处理方式更为合理有效，但暗通道的获取过程较为耗时；文献[7]中选取输入图像中亮度最大的点的灰度值作为全局大气光，虽然步骤简单但不合理，本文将采取以下方式来估计全局大气光。

对最小通道图进行均值滤波后获得ave()，通过求取ave()中的最大值作为大气光强，即：

＝max(ave()) (18)

利用此方法求得的大气光强相比于文献[7]具有更高的精度，相比于文献[2]具有更快的速度，因此更适合于本文算法。

在求得透射率和大气光强后，利用大气物理模型结合方程(17)，(18)即可求得去雾后的图像，用公式表示如下：

关于上式中0的取值，针对不同的图像应该有所不同，文献[8]中将0设定为自适应参数，在场景图像具有大面积天空区域或者出现大范围的白色物体时较为适用，但是却牺牲了一定程度的透雾效果，就无人机侦察图像而言，因是从天空拍摄地面的场景，所以这样设定0并不是十分合理，而且也在一定程度上增加了算法的时间消耗，故本文仍将0设定为0.1。既为了给远景图像一点雾气，保留图像的真实感，也简化了计算，避免了分母为0。

2.4 算法优化

为了进一步提高算法的执行速度，在不影响图像去雾效果的前提下，本文对算法进行了进一步优化，在求取透射率的时候不是对原图进行求取，而是先对原图进行下采样，计算出小图的透射率，之后再通过插值的方式获取原图大概的透射率。实验证明，这种方式在一定程度上提高了算法的执行速度，而且效果和原始的方案基本一致。但是，需要合理选择这个下采样率，因为如果缩小系数较小，比如采样率选择1/2倍，可能两次缩放所用的耗时还抵消了计算小图的透射率图所换来的盈利；反之，如果采样率过大，也会对图像的去雾效果造成严重影响。基于此，经过实验验证，本算法中，统一采用1/9的缩放。

方程(15)中的取值也很关键，因为参数与图像的去雾能力相关，取值越大，去雾能力越强，雾气就越少，图像越显得暗；取值越小，去雾能力减弱，图像偏白，雾气越浓。但是如何选取值才能获得最佳效果，这个并没有理论依据，需要根据具体图像进行测试，通过实验验证，一般取1.2到1.5之间，这样既能综合去雾，也能保持图像清晰。

2.5 算法整体流程

综上所述，本算法的流程如图2所示。

3 实验结果与分析

为了验证算法的有效性和实时性，本文利用Matlab R2013a在主频2.4GHz，内存2G的台式机上进行了实验。并将本文算法与文献[2]和文献[3]进行了对比分析，测试图像分别采用大小为690×517、640×480和320×240的，实验结果如下：

3.1 去雾效果比较分析

通过比较分析可以看出，文献[2]采用的算法在去雾效果可视性方面比文献[3]和本文算法要好一些，尤其是在细节处理方面显得更加细腻和平滑，本文算法和文献[3]比较来看，区别不是很大。在色彩亮度方面，本文算法要好于文献[3]。从整体上看，3种算法都能较好地达到去雾的效果，基本上不影响对目标特征的判断。

图2 本算法的流程图

Fig.2 Flow chart of algorithm

图3 结果对比

Fig.3 Comparison of results

3.2 实时性比较分析

从表1中可以看出文献[2]的算法时间复杂度最高，其次是文献[3]的算法，本文算法的时间复杂度最低，通过对比分析时间比例，可以得出本文算法只是文献[2]算法的1/500左右，是文献[3]算法的1/20左右，所以实验证明本文算法的实时性得到了非常高的提升。如果再对算法和程序进行进一步优化，完全可以达到工程应用的实时性要求。

表1 不同算法运行时间比较

4 结论

本文算法是在大气物理模型的基础上，结合文献[2]和文献[5]进行的改进算法，通过与已有的单幅图像去雾算法相比，本文算法在执行时间上有了极大的提高，而且并没有影响图像的去雾效果，达到了工程应用的实时性要求，不仅可以用于静态图像的去雾，而且可以用于视频去雾，具有广泛的应用前景。

[1] 冈萨雷斯. 数字图像处理[M].2版,阮秋琦, 阮宇智, 等, 译.北京: 电子工业出版社, 2010.

[2] He Kaiming, Sun Jian,Tang Xiaoou. Sing Image Haze Removal Using Dark Channel Prior[C]//, 2009: 1956-1963.

[3] He Kaiming, Sun Jian, Tang Xiaoou. Guided image filtering[J]., 2013, 35(6): 1397-1409.

[4] 禹晶, 李大鹏, 廖庆敏. 基于物理模型的快速单幅图像去雾方法[J]. 自动化学报, 2011, 37(2): 143-149.

[5] 刘倩, 陈茂银, 周东华. 基于单幅图像的快速去雾算法[C]//25th, 2013: 3780-3785.

[6] McCartney E J.[M]. New York: John Wiley and Sons, 1976.

[7] R.T. Tan. Visibility in Bad Weather from a Single Image[C]//2008: 1-8.

[8] 吴笑天, 鲁剑锋, 贺柏根,等. 雾天降质图像的快速复原[J]. 中国光学, 2013, 6(6):892-899

The Fast Haze Removal Algorithm for UAV Reconnaissance Image

LU Shi-meng，LIU Chang-jin

(,230031,)

When the UAV is processing the intelligence and surveillance, it is easily affected by the bad weather, leading to the decrease of image definition and contrast. This paper raises the fast haze removal algorithm based on the dark channel of UAV reconnaissance image. Firstly, down-sampling the image and according to the physical model of atmosphere and the dark channel theory, the algorithm analyzes the method that how to do with the transmissivity and the intensity of the atmospheric light by the mini-value filtering and average filtering, and then optimizes the method. At last it receives the de-hazing image. It is proved that the algorithm is simple and effective and has the high real-time performance by a lot of experiments. It can be used for the project realization. And to a certain extent it is able to adjust the brightness of the image and is with strong robustness.

UAV reconnaissance，haze removal，the physical model of atmosphere，darkchannel，average filter

TP391. 4

A

1001-8891(2015)10-0847-05

2015-06-15；

2015-09-24.

陆士猛（1985-），男，安徽六安人，硕士，研究方向为计算机视觉和图像处理等。