畢篤彥 眭 萍 何林遠(yuǎn) 馬時(shí)平

?

基于Color Lines先驗(yàn)的高階馬爾科夫隨機(jī)場(chǎng)去霧

畢篤彥 眭 萍*何林遠(yuǎn) 馬時(shí)平

(空軍工程大學(xué)航空航天工程學(xué)院 西安 710038)

傳統(tǒng)的一階馬爾科夫隨機(jī)場(chǎng)在圖像先驗(yàn)信息表達(dá)和對(duì)圖像整體的約束上能力有限，同時(shí)基于暗通道的去霧算法在天空等大片白色區(qū)域處理效果存在偏差。針對(duì)以上問(wèn)題，該文提出一種基于Color Lines 的高階馬爾科夫隨機(jī)場(chǎng)去霧算法。該算法通過(guò)引入對(duì)顏色失真具有很好魯棒性的Color Lines 先驗(yàn)條件，初步校正經(jīng)暗通道獲取的傳輸圖，然后利用高階馬爾科夫隨機(jī)場(chǎng)優(yōu)化傳輸圖，獲取最終精確的去霧圖像。實(shí)驗(yàn)結(jié)果表明，與已有算法相比，該文算法具有更強(qiáng)的普適性，可提高霧天圖像的清晰度，同時(shí)恢復(fù)更多的圖像細(xì)節(jié)等信息。

圖像去霧；暗通道先驗(yàn)；高階馬爾科夫隨機(jī)場(chǎng)；Color Lines

1 引言

霧天條件下，空氣中存在大量顆粒懸浮物(如：雨滴、灰塵等)，光線到達(dá)傳感器前，會(huì)受到這些懸浮物的影響，發(fā)生光線的吸收和散射，使得獲取的室外圖像出現(xiàn)對(duì)比度下降、顏色失真等現(xiàn)象。目前的去霧算法主要分為基于非物理模型的圖像增強(qiáng)算法和基于模型的圖像復(fù)原算法。

基于非物理模型的方法有：直方圖均衡法[1]，對(duì)比度增強(qiáng)法[2]，基于顏色恒常性的Retinex方法[3]等。這些方法主要從人眼視覺(jué)特性出發(fā)，提升圖像對(duì)比度、校正顏色等。由于此類方法沒(méi)有考慮霧天圖像退化的成因，因此往往存在去霧不徹底、細(xì)節(jié)丟失和顏色失真等問(wèn)題。

基于模型的算法主要研究霧天圖像的退化機(jī)制，建立退化模型，求解圖像退化的逆過(guò)程來(lái)獲取無(wú)霧圖像。早先的圖像復(fù)原方法大多基于多幅圖像或其他輔助信息如：利用同一場(chǎng)景不同天氣下多幅圖像的方法[4]，加入景深信息，同時(shí)需要人機(jī)交互的方法[5]等。這些方法均取得了較好的去霧效果，但其條件苛刻，適用性窄。近年來(lái)，主流的去霧技術(shù)主要針對(duì)單幅圖像。文獻(xiàn)[6]基于無(wú)霧圖像對(duì)比度高于有霧圖像的事實(shí)，將圖像局部對(duì)比度最大化，利用馬爾科夫隨機(jī)場(chǎng)建立大氣光模型，通過(guò)求解大氣光進(jìn)而求得無(wú)霧圖像。該方法可以獲得較好的去霧效果，但其并不是甄別有霧和無(wú)霧的精準(zhǔn)先驗(yàn)，使得去霧圖像顏色失真。文獻(xiàn)[7]基于局部像素塊內(nèi)透射率為常量且與傳輸圖局部不相關(guān)的假設(shè)，利用獨(dú)立成分分析法(ICA)去霧。該方法能夠獲得顏色自然效果清晰的去霧圖像，但由于該方法基于局部像素塊的統(tǒng)計(jì)獨(dú)立假設(shè)，很大程度上，該算法的效果依賴于輸入圖像的統(tǒng)計(jì)特性，因此對(duì)于濃霧等不符合此特性的圖像，處理效果失真。文獻(xiàn)[8]提出了一種基于暗通道的去霧算法，通過(guò)求解傳輸圖的粗估計(jì)，并用軟摳圖優(yōu)化，得到去霧圖像。該算法對(duì)于多數(shù)室外圖像具有很好的去霧效果，但在不符合暗通道先驗(yàn)的圖像區(qū)域如天空等大塊白色區(qū)域，去霧效果存在偏差。

馬爾科夫隨機(jī)場(chǎng)能夠簡(jiǎn)潔地刻畫(huà)圖像像素的空間相關(guān)性，與傳統(tǒng)一階馬爾科夫隨機(jī)場(chǎng)相比，高階馬爾科夫隨機(jī)場(chǎng)在先驗(yàn)信息表達(dá)以及對(duì)全局約束能力上都更具優(yōu)勢(shì)[9]。因此本文在暗通道的基礎(chǔ)上，提出了一種基于Color Lines的高階馬爾科夫隨機(jī)場(chǎng)去霧算法。首先利用暗通道獲取傳輸圖，由于天空等大塊白色區(qū)域不符合暗通道先驗(yàn)，因此需要對(duì)這些區(qū)域的傳輸圖進(jìn)行校正。自然圖像的局部塊內(nèi)，像素點(diǎn)在RGB顏色空間中的分布服從1維分布，即Color Lines。這種基于RGB顏色空間的統(tǒng)計(jì)先驗(yàn)對(duì)于顏色失真以及退化具有很好的魯棒性，本文利用此先驗(yàn)獲取第2幅傳輸圖，然后利用此傳輸圖對(duì)暗通道傳輸圖進(jìn)行校正，最后利用高階馬爾科夫隨機(jī)場(chǎng)優(yōu)化傳輸圖，得到最終去霧圖像。實(shí)驗(yàn)結(jié)果表明，本文算法可以獲得細(xì)節(jié)清晰，并且魯棒性更好的去霧效果。

2 模型及先驗(yàn)

2.1霧天模型

計(jì)算機(jī)視覺(jué)中，常用的霧天模型為

(2)

2.2暗通道先驗(yàn)

(4)

2.3 Color Lines先驗(yàn)

光線散射場(chǎng)景中，場(chǎng)景的傳輸圖可表示為

由上假設(shè)條件，式(1)可表示為

圖像的局部塊內(nèi)的像素點(diǎn)服從以上模型，像素點(diǎn)間的區(qū)別僅在于的不同，因此它們的值在RGB顏色空間中分布在一條1維直線上，即Color Line，如圖1。不同像素塊內(nèi)Color Line分布不同，如圖2。

圖2 不同像素塊內(nèi)Color Lines

Color Lines先驗(yàn)是基于局部像素塊平滑的假設(shè)，因此圖像的邊緣以及紋理變化明顯的區(qū)域，像素點(diǎn)在RGB顏色空間的分布較為分散不服從該先驗(yàn)條件，如圖3所示。

圖3 不服從Color Lines 區(qū)域

3 本文算法

3.2基于Color Lines先驗(yàn)的傳輸圖粗校正

(10)

(12)

對(duì)于一個(gè)8 bit的灰度圖像，方差為

3.3利用高階馬爾科夫隨機(jī)場(chǎng)優(yōu)化介質(zhì)傳輸圖

高階項(xiàng)利用質(zhì)量敏感一致性勢(shì)函數(shù)定義，由區(qū)域內(nèi)和區(qū)域間相似度評(píng)價(jià)優(yōu)化結(jié)果，勢(shì)函數(shù)為

(15)

優(yōu)化傳輸圖時(shí)，方差敏感勢(shì)函數(shù)可視為對(duì)比度保持勢(shì)函數(shù)的高階泛化[12]。傳輸圖優(yōu)化結(jié)果如圖4。

4 實(shí)驗(yàn)結(jié)果與分析

本文使用Intel(R)Core(TM)i3-4150CPU@ 3.50 GHz 3.41 GB內(nèi)存的處理器，通過(guò)對(duì)比本文算法與暗通道和一階MRF去霧效果，證明本文算法的有效性。其中對(duì)比的暗通道結(jié)果為文獻(xiàn)[8]的去霧結(jié)果，一階MRF去霧效果為本文算法直接去掉二階MRF能量項(xiàng)僅留一階能量項(xiàng)的去霧結(jié)果。

在天空和大片白色區(qū)域的校正上，圖4(a)輸入圖像和圖4(d)天空分割圖紅框區(qū)域中，可以看到圖中除天空外，存在白色區(qū)域塊，由Color Lines先驗(yàn)獲取的介質(zhì)傳輸圖在相應(yīng)區(qū)域存在和天空一樣的暗區(qū)域塊，而由暗通道獲取的介質(zhì)傳輸圖中相應(yīng)的區(qū)域卻不存在或者是存在現(xiàn)象不明顯的類似暗區(qū)域塊，由此表明，Color Lines先驗(yàn)可獲取不同于暗通道先驗(yàn)的一些其他顏色信息，圖4(e)最終優(yōu)化介質(zhì)傳輸圖和圖4(c)暗通道介質(zhì)傳輸圖紅框區(qū)域內(nèi)對(duì)比表明，Color Lines先驗(yàn)對(duì)于暗通道先驗(yàn)有明顯的校正作用。圖5(a)天空區(qū)域紅框內(nèi)對(duì)比同樣可以發(fā)現(xiàn)，文獻(xiàn)[8]的暗通道處理結(jié)果存在部分顏色失真，而本文算法相對(duì)于暗通道去霧算法在天空區(qū)域的處理上存在明顯優(yōu)勢(shì)。

圖4 優(yōu)化介質(zhì)傳輸圖

紋理細(xì)節(jié)保持上，圖5(a)-圖5(d)除天空外的紅框區(qū)域內(nèi)以及圖5(e)-圖5(h)對(duì)比圖中，一階MRF與高階MRF處理結(jié)果對(duì)比表明，高階MRF在細(xì)節(jié)紋理保持上效果更好，圖像邊緣線條更清晰，同時(shí)對(duì)比高階MRF和文獻(xiàn)[8]算法，高階MRF也稍具優(yōu)勢(shì)，圖像局部處理也優(yōu)于暗通道去霧結(jié)果。表1、表2為去霧圖像細(xì)節(jié)處理定量對(duì)比結(jié)果，本文利用圖像的熵及峰值信噪比對(duì)圖像性質(zhì)進(jìn)行表征，對(duì)比顯示，本文算法較文獻(xiàn)[8]和一階MRF去霧算法，兩個(gè)值都相對(duì)較高，表明本文算法不僅在定性對(duì)比上，在定量對(duì)比中較兩種算法也具優(yōu)勢(shì)。

圖5 不同算法去霧結(jié)果

表1圖5中各算法的熵

表2 圖5中各算法的峰值信噪比

5 結(jié)束語(yǔ)

本文提出了一種基于Color Lines的高階馬爾科夫隨機(jī)場(chǎng)去霧算法，該算法通過(guò)Color Lines先驗(yàn)校正由暗通道獲取的傳輸圖的天空區(qū)域，使傳輸圖的粗估計(jì)更具魯棒性，然后利用高階馬爾科夫隨機(jī)場(chǎng)優(yōu)化傳輸圖，獲取最終清晰圖像。實(shí)驗(yàn)結(jié)果表明，本文算法對(duì)于天空等大片白色區(qū)域具有很好的適用性，而且在圖像邊緣細(xì)節(jié)保持上更具優(yōu)勢(shì)。然而，由于本文引入了馬爾科夫隨機(jī)場(chǎng)的高階能量項(xiàng)來(lái)約束全局先驗(yàn)，使得本文算法運(yùn)算費(fèi)時(shí)，這是我們今后需要繼續(xù)研究和改進(jìn)的方向。

[1] 周妍, 李慶武, 霍冠英. 基于非下采樣Contourlet變換系數(shù)直方圖匹配的自適應(yīng)圖像增強(qiáng)[J]. 光學(xué)精密工程, 2014, 22(8): 2214-2222. doi: 10.3788/OPE.20142208.2214.

ZHOU Yan, LI Qingwu, and HUO Guanying. Adaptive image enhancement based on NSCT coefficient histogram matching [J].,2014, 22(8): 2214-2222. doi: 10.3788/OPE.20142208.2214.

[2] SEOW M J and ASARI V K. Ratio rule and homomorphic filter for enhancement of digital color image[J]., 2006, 69(7/9): 954-958. doi: 10.1016 /j.neucom.2005.07.003.

[3] 趙宏宇, 蕭創(chuàng)柏, 禹晶. 馬爾科夫隨機(jī)場(chǎng)模型下的Retinex夜間彩色圖像增強(qiáng)[J]. 光學(xué)精密工程, 2014, 22(4): 1048-1055. doi: 10.3788/OPE.20142204.1048.

ZHAO Hongyu, XIAO Chuangbo, and YU Jing. A Retinex algorithm for night color image enhancement by MRF[J].2014, 22(4): 1048-1055. doi: 10.3788/OPE.20142204.1048.

[4] NARASIMHAN S G and NAYAR S K. Chromatic frame-work for vision in bad weather[C]. IEEE Conference on Computer Vision & Pattern Recognition, South Carolina, USA, 2000, 1: 598-605.

[5] NARASIMHAN S G and NAYAR S K. Interactive (de) weathering of an image using physical models[C]. IEEE Workshop on Color and Photometric Methods in Computer Vision, Nice, France, 2003: 1-8.

[6] TAN R T. Visibility in bad weather from a single image[C]. IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, AK, USA, 2008: 1-8. doi: 10.1109/ CVPR.2008.4587643.

[7] FATTAL R. Single image dehazing[J]., 2008, 27(3): 1-9. doi: 10.1145/1360612.1360671.

[8] HE K, SUN J, and TANG X. Single image haze removal using dark channel prior[J]., 2011, 33(12): 2341-2353. doi: 10.1109/ TPAMI.2010.168.

[9] 余淼, 胡占義. 高階馬爾科夫隨機(jī)場(chǎng)及其在場(chǎng)景理解中的應(yīng)用[J]. 自動(dòng)化學(xué)報(bào), 2015, 41(7): 1213-1234. doi: 10.16383/ j.aas.2015.c140684.

YU Miao and HU Zhanyi. Higher-order Markov random fields and their applications in scene understanding[J]., 2015, 41(7): 1213-1234. doi: 10.16383/ j.aas.2015.c140684.

[10] FATTAL R. Dehazing using color-lines[J].2014, 34(1): 1-14. doi: 10.1145/2651362.

[11] CHAO S and TSAI D. An improved anisotropic diffusion model for detail and edges-preserving smoothing[J]., 2010, 31(13): 2012-2023. doi: 10.1016/ j.patrec.2010.06.004.

[12] ANDREW B, PUSHMEET K, and Carsten R. Markov Random Fields for Vision and Image Processing[M]. Massachusetts London, England, The MIT Press, Cambridge, 2011: 311-328.

Higher-order Markov Random Fields Defogging Based on Color Lines

BI Duyan SUI Ping HE Linyuan MA Shiping

(Institute of Aeronautics and Astronautics, Air Force Engineering University, Xi’an 710038, China)

Compared with the first-order Markov random fields, higher-order Markov random fields could incorporate more statistical priors, thus have much expressive power of modeling. And the defogged images which based on dark channel prior have much error in sky regions and big white blocks. To solve those problems, this paper proposes a Markov random fields defogging method based on Color Lines. This method corrects the dark channel prior, according to the color lines which has a good robustness to color distortion, then uses the higher-order Markov random fields to optimize the transmission image to obtain final defogged image. The experimental results show that this method could improve the image resolution, while maintaining more image details.

Image defogging; Dark channel prior; Higher-order Markov random fields; Color Lines

TP391

A

1009-5896(2016)09-2405-05

10.11999/JEIT151308

2015-11-25；

2016-04-27；

2016-06-16

國(guó)家自然科學(xué)基金(61372167, 61379140)

The National Natural Science Foundation of China (61372167, 61379140)

眭萍 ziwuningxin@163.com

畢篤彥： 男，1962年生，教授，研究方向?yàn)橹悄軋D像處理.

眭 萍： 女，1991年生，碩士，研究方向?yàn)橹悄軋D像處理.

何林遠(yuǎn)： 男，1983年生，講師，研究方向?yàn)橹悄軋D像處理.

馬時(shí)平： 男，1976年生，副教授，研究方向?yàn)橹悄軋D像處理.