毛祥宇,李為相,丁雪梅

(南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院,南京 211800) (*通信作者電子郵箱lwxlf@njtech.edu.cn)

基于天空分割的單幅圖像去霧算法

毛祥宇,李為相*,丁雪梅

(南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院,南京 211800) (*通信作者電子郵箱lwxlf@njtech.edu.cn)

針對(duì)暗通道先驗(yàn)算法在天空區(qū)域失效和復(fù)原圖像色彩變暗的問題,提出一種基于天空分割的圖像去霧算法。首先,采用基于邊緣檢測(cè)的分割算法將原始圖像區(qū)分為天空區(qū)域和非天空區(qū)域;其次,在暗通道先驗(yàn)算法的基礎(chǔ)上,改進(jìn)對(duì)大氣光和透射率的估計(jì)方法,進(jìn)而對(duì)非天空區(qū)域采用改進(jìn)的暗通道先驗(yàn)算法去霧；最后,利用基于成本函數(shù)的對(duì)比度增強(qiáng)去霧算法處理天空區(qū)域。實(shí)驗(yàn)結(jié)果表明,去霧后圖像在方差、平均梯度、信息熵等指標(biāo)上相對(duì)于暗通道先驗(yàn)算法均有較大提升,所提算法在保持較高運(yùn)行效率的同時(shí),能有效避免天空區(qū)域的 Halo效應(yīng),還原真實(shí)的景物色彩。

去霧;大氣散射模型;天空分割;暗通道先驗(yàn);對(duì)比度增強(qiáng)

0 引言

在霧霾天氣拍攝的圖像,由于空氣中的懸浮粒子對(duì)光線的散射、吸收等作用,會(huì)出現(xiàn)清晰度降低、色調(diào)偏移等退化現(xiàn)象,直接影響了許多圖像處理算法和戶外視覺采集系統(tǒng)的效果[1]；因此,霧天圖像的清晰化處理對(duì)于圖像處理和機(jī)器視覺等領(lǐng)域具有較高的研究?jī)r(jià)值[2]。

目前,針對(duì)霧天降質(zhì)圖像的處理方法主要可以分為兩類:一類是基于圖像增強(qiáng)的方法,通過提高圖像的對(duì)比度使圖像清晰化[3],如直方圖均衡化(Histogram Equalization, HE)方法[4]、Retinex算法[5]等。該類方法雖能在一定程度上提高圖像的清晰度,但缺少對(duì)圖像降質(zhì)原因的分析,容易造成圖像部分信息的丟失。另一類是基于圖像退化模型的復(fù)原方法,首先分析大氣散射規(guī)律并建立物理模型,再補(bǔ)償圖像退化造成的信息損失,復(fù)原出的無霧圖像較為自然,同時(shí)減少了信息丟失。Tan等[6]通過提高有霧圖像的局部對(duì)比度,在一定程度上恢復(fù)了圖像的紋理和結(jié)構(gòu)。Fattal[7]根據(jù)物體表面反射與介質(zhì)傳輸?shù)木植拷y(tǒng)計(jì)無關(guān)性的約束,利用獨(dú)立成分分析(Independent Component Analysis, ICA)和馬爾可夫隨機(jī)場(chǎng)(Markov Random Field, MRF)進(jìn)行圖像復(fù)原,該方法的效果取決于輸入數(shù)據(jù)的統(tǒng)計(jì)特性,對(duì)于濃霧圖像的去霧能力不足。He等[8]通過對(duì)大量戶外無霧圖像的研究統(tǒng)計(jì),提出了暗通道去霧算法,取得了很好的去霧效果,但其仍存在缺陷:該方法對(duì)透射率進(jìn)行細(xì)化時(shí)采用的軟摳圖算法復(fù)雜度較高,難以實(shí)現(xiàn)圖像的實(shí)時(shí)去霧;由于圖像的天空區(qū)域不滿足暗通道先驗(yàn),復(fù)原圖像在天空區(qū)域容易出現(xiàn)噪聲和色彩失真;此外,經(jīng)過暗通道先驗(yàn)算法去霧后的圖像色調(diào)偏暗,降低了部分視覺效果。為解決上述問題,王一帆等[9-10]分別提出了快速雙邊濾波和引導(dǎo)濾波來代替軟摳圖方法,提高了暗通道算法效率,但易出現(xiàn)去霧不徹底現(xiàn)象。Wang等[11]用引導(dǎo)濾波與最小值濾波相結(jié)合的方法來改進(jìn)透射率的細(xì)化處理,復(fù)原后的圖像色彩豐富,但在處理含大量天空的有霧圖像時(shí)仍易產(chǎn)生Halo效應(yīng)。李加元等[12]提出了一種天空識(shí)別算法,通過改進(jìn)對(duì)天空區(qū)域的透射率估計(jì)方法,較好地抑制了噪聲,但提出的亮度閾值計(jì)算公式需要手動(dòng)調(diào)節(jié),且運(yùn)行效率較低。

針對(duì)暗原色先驗(yàn)算法的不足,本文提出了一種基于天空分割的去霧方法。首先基于邊緣檢測(cè)的方法分割出有霧圖像中的天空和非天空區(qū)域,再分別采用改進(jìn)的基于引導(dǎo)濾波的暗通道去霧算法和基于代價(jià)函數(shù)的對(duì)比度增強(qiáng)算法對(duì)兩區(qū)域進(jìn)行去霧處理,從而有效避免天空區(qū)域的Halo現(xiàn)象和色彩失真,去霧后圖像整體細(xì)節(jié)清晰,色彩更真實(shí),同時(shí)算法保持了較高的運(yùn)行效率。

1 暗通道先驗(yàn)去霧算法

1.1 大氣散射模型

在機(jī)器視覺以及計(jì)算機(jī)圖像處理領(lǐng)域,常用以下方程[13]來描述有霧環(huán)境下大氣光散射的物理模型:

I(x)=J(x)t(x)+A(1-t(x))

(1)

其中:I(x)為霧天條件下采集到的圖像;J(x)為景物表面的反射光,即期望得到的無霧圖;A表示大氣光強(qiáng)度;t(x)表示霧氣的通透程度,即透射率。若能從預(yù)先假設(shè)的先驗(yàn)信息中估計(jì)出A和t,代入式(1)即可得到去霧后的圖像J。

1.2 暗通道先驗(yàn)理論

He等[8]通過大量的統(tǒng)計(jì)研究,發(fā)現(xiàn)在戶外圖像非天空區(qū)域的任一局部小塊中,某些像素點(diǎn)至少有一個(gè)顏色通道的亮度值很低,且近似于0?；诖颂岢隽税低ǖ老闰?yàn)?zāi)Ｐ?即對(duì)于任意一幅無霧圖像J,定義暗通道Jdark滿足如下規(guī)律:

(2)

其中:Jc表示彩色圖像J的RGB通道;Ω(x)是以像素x為中心的局部鄰域。

將式(1)變形為:

(3)

(4)

根據(jù)前述的暗通道先驗(yàn)理論,可知:

(5)

代入式(4),可得:

(6)

為保留圖像深度感,有必要保留一定程度的霧,引入系數(shù)ω(0lt;ωlt;1)將式(6)重新表述為:

(7)

此時(shí)I、A和t都已知,即可求出J:

(8)

(9)

2 本文方法

本文方法步驟如下:1)天空區(qū)域識(shí)別與分割,將圖像分為天空和非天空兩部分;2)采用改進(jìn)的暗通道先驗(yàn)算法處理非天空區(qū)域;3)對(duì)于天空區(qū)域,采用基于成本函數(shù)的對(duì)比度增強(qiáng)算法去霧;4)結(jié)合兩區(qū)域的去霧結(jié)果,獲得最終的去霧圖像。

2.1 天空區(qū)域分割

通常情況下,若圖像中包含天空,則天空一般位于圖像上方,其灰度較為平坦,而且面積較大、亮度較高。針對(duì)以上特點(diǎn),采用一種邊緣檢測(cè)方法對(duì)圖像進(jìn)行分割。如圖1所示,分割方法如下:

1)將彩色圖像灰度化,并進(jìn)行直方圖均衡化操作,提高圖像中的邊緣信息量;

2)利用Canny算子獲得灰度圖像的邊緣特征,并進(jìn)行高斯羽化處理;

3)對(duì)邊緣檢測(cè)后的圖像采用形態(tài)學(xué)膨脹與腐蝕操作,獲得二值圖像,從中提取出天空區(qū)域和非天空區(qū)域。

圖1 天空區(qū)域分割

2.2 暗通道先驗(yàn)算法改進(jìn)

2.2.1 大氣光A的獲取

大多數(shù)暗通道先驗(yàn)算法都采取求最大值的方法來估計(jì)大氣光A,即對(duì)暗通道圖的亮度值進(jìn)行排序,提取亮度值最大的前0.1%的像素,將這些像素在原圖像I(x)中對(duì)應(yīng)點(diǎn)的最大值作為A的值。但該方法存在問題: 若非天空區(qū)域存在大塊白色的物體,則該方法求得的大氣光A明顯偏大,影響最終的去霧效果。

因此,本文對(duì)大氣光A的獲取方法為:統(tǒng)計(jì)整幅圖像中亮度最大的前1%的像素灰度值的平均值,設(shè)為A的估計(jì)值。這種方法不僅能夠避免圖像中可能存在的噪聲干擾,還可以在一定程度上抵消白色物體所造成的估值偏差。

2.2.2 透射率t的獲取

大多數(shù)暗通道先驗(yàn)去霧算法采用從像素點(diǎn)x周圍的局部鄰域Ω(x)中求R、G、B通道的最小值的方法來求取暗通道,即對(duì)圖像采用局部最小值濾波。在進(jìn)行局部濾波處理時(shí),局部塊中可能存在近遠(yuǎn)景交界,造成暗通道圖存在一定的塊效應(yīng),從而導(dǎo)致透射率的過估計(jì)而出現(xiàn)邊緣白邊現(xiàn)象[14]。

此外,在局部濾波的過程中,可能存在某些較暗或色彩特別鮮艷的像素點(diǎn),由于其暗通道值極低,直接影響了相鄰區(qū)域的濾波結(jié)果,造成透射率圖的塊效應(yīng),繼而影響復(fù)原圖像的處理效果。針對(duì)該問題,需增大暗通道Jdark的估計(jì)值以適當(dāng)減少透射率,因此本文把式(2)的前一個(gè)求最小值操作改為求中值操作:

(10)

由式(1)、式(7)可得改善后的透射率:

(11)

最后,采用文獻(xiàn)[10]中提出的導(dǎo)向?yàn)V波算法對(duì)透射率進(jìn)行細(xì)化處理。

2.2.3 色調(diào)調(diào)整

在霧霾天氣中,大氣光的作用會(huì)導(dǎo)致圖像總體像素值偏大,表現(xiàn)為圖像偏灰、發(fā)白,則去霧后得到的圖像通常會(huì)變暗。因此,需要對(duì)去霧后的圖像進(jìn)行色調(diào)調(diào)整, 以提高亮度,增強(qiáng)細(xì)節(jié)信息。本文采用如下步驟調(diào)整復(fù)原圖像:

1)將復(fù)原圖像J轉(zhuǎn)換到HSV顏色空間;

2)使用對(duì)比度有限的自適應(yīng)直方圖均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)算法[15],增強(qiáng)亮度分量;

3)將HSV圖像轉(zhuǎn)換回RGB空間,得到調(diào)整后的圖像。

2.3 基于成本函數(shù)的對(duì)比度增強(qiáng)算法

為了避免天空區(qū)域因?yàn)檫^分增強(qiáng)而出現(xiàn)噪聲和顏色失真等現(xiàn)象,對(duì)天空區(qū)域采用一種基于成本函數(shù)的對(duì)比度增強(qiáng)算法[16],該方法同樣基于式(1)中的大氣散射模型。通常有霧圖像的對(duì)比度較低,因此提高對(duì)比度可以起一定的去霧效果。但對(duì)比度得到增強(qiáng)的同時(shí),可能會(huì)導(dǎo)致部分像素的調(diào)整值偏差過大,這樣就會(huì)造成圖像細(xì)節(jié)的損失以及視覺上的瑕疵。通過設(shè)置一個(gè)關(guān)于對(duì)比度和細(xì)節(jié)信息損失的成本函數(shù),可以在盡可能減少信息損失的同時(shí),最大限度地提高對(duì)比度,實(shí)現(xiàn)圖像去霧。算法的步驟如下:

1)大氣光值的獲取。

將輸入圖像等分成四塊,并選擇像素值最大的區(qū)域繼續(xù)分為四塊,重復(fù)上述過程直到被選定區(qū)域的面積小于預(yù)設(shè)的閾值。在被選定的區(qū)域內(nèi)計(jì)算像素點(diǎn)與純白點(diǎn)的距離‖(R,G,B)-(255,255,255)‖,將距離值最小的像素點(diǎn)作為大氣光A值。

2)估計(jì)透射率。

設(shè)分塊后的某一圖像塊為B,則將每個(gè)圖像塊B的RGB通道的均方誤差對(duì)比度和的相反數(shù)即為對(duì)比度成本:

(12)

對(duì)比度提升的同時(shí),會(huì)造成信息損失Eloss:

Eloss=∑{(min{0,Jc(p)})2+

(max{0,Jc(p)-255})2}

(13)

其中:c∈r,g,b;p∈B。

定義成本函數(shù):

Ecost=Econtrast+λLEloss

(14)

其中:λL為設(shè)定的閾值,用于衡量對(duì)比度成本和信息損失之間的相對(duì)重要性。給定適當(dāng)約束,對(duì)成本函數(shù)進(jìn)行最小化處理即可得到最優(yōu)化的透射率t:

t=

(15)

在此基礎(chǔ)上,可采用邊緣保留濾波器對(duì)t進(jìn)行細(xì)化。

3)圖像去霧。

將上述方法得到的大氣光A和透射率t代入式(1),可計(jì)算獲得去霧圖像J。

3 實(shí)驗(yàn)與分析

為驗(yàn)證本文算法的效果,從網(wǎng)絡(luò)中選取多張去霧領(lǐng)域包含天空的經(jīng)典霧霾圖像進(jìn)行仿真實(shí)驗(yàn),并將本文算法與文獻(xiàn)[8]的暗通道先驗(yàn)算法以及文獻(xiàn)[10]的暗原色先驗(yàn)結(jié)合導(dǎo)向?yàn)V波算法進(jìn)行比較。實(shí)驗(yàn)平臺(tái)為64位Windows 10操作系統(tǒng)的計(jì)算機(jī),處理器為Intel Core i5- 6300HQ,主頻為2.3 GHz CPU,內(nèi)存為8 GB。軟件平臺(tái)為Matlab 2012a。實(shí)驗(yàn)結(jié)果如圖2～3所示。

3.1 主觀評(píng)價(jià)

由去霧圖像主觀視覺上可以看出,文獻(xiàn)[8]算法和文獻(xiàn)[10]算法在圖像的非天空區(qū)域均取得了一定的去霧效果,圖像的清晰度、對(duì)比度都有明顯的提升,但是兩種算法在天空區(qū)域的處理效果較差,局部放大圖如圖3所示。從圖2中的圖B可看出,文獻(xiàn)[8]算法去霧后的圖像在天空區(qū)域出現(xiàn)了色彩失真,并且在圖像景深較大的情況下去霧效果不明顯;文獻(xiàn)[10]算法采用的導(dǎo)向?yàn)V波雖然提高了去霧的速度,但同時(shí)也擴(kuò)大了邊緣白邊現(xiàn)象,導(dǎo)致去霧圖像在天空和景深突變處出現(xiàn)了Halo效應(yīng)。此外,從圖2中的圖C、圖D和圖E還可以看出,兩種算法去霧后的圖像總體色調(diào)偏暗,在一定程度上降低了視覺效果。

與上述方法相比,本文算法不僅能有效消除天空區(qū)域的Halo效應(yīng)和色彩失真現(xiàn)象,并且在非天空區(qū)域能夠獲得更好的清晰度和對(duì)比度;此外,由于采取了色調(diào)調(diào)整,去霧后的圖像色彩更接近真實(shí)場(chǎng)景,提高了視覺效果。如圖3所示,本文算法處理后的圖片在天空區(qū)域并未出現(xiàn)偏色,同時(shí)避免了文獻(xiàn)[10]算法處理后產(chǎn)生的邊緣白邊。對(duì)比圖2中的圖B～E可以看出,本文算法處理后的圖片在遠(yuǎn)景處的去霧效果更明顯,在近景處的色彩也更接近于原始的景物色彩,說明本文算法的色彩還原效果也優(yōu)于其他算法。因此,本文算法去霧圖像的主觀視覺效果好于對(duì)比算法。

3.2 客觀評(píng)價(jià)

為進(jìn)一步證實(shí)本文算法的有效性, 本文選取方差、平均梯度、信息熵等圖像質(zhì)量評(píng)價(jià)指標(biāo)對(duì)圖2各種算法的去霧結(jié)果進(jìn)行定量分析,各評(píng)價(jià)指標(biāo)數(shù)據(jù)如表1所示。方差的大小對(duì)應(yīng)圖像各個(gè)像素灰度相對(duì)于灰度平均值的離散情況,方差越大,說明圖像灰度分布范圍越豐富,場(chǎng)景中目標(biāo)更容易識(shí)別;平均梯度反映了圖像細(xì)節(jié),平均梯度越大,則圖像的輪廓越清晰;信息熵反映圖像平均信息量,信息熵值越高,則圖像內(nèi)含有的信息量越多[17]。

從表1中可以看出,在平均梯度和信息熵指標(biāo)數(shù)據(jù)上,本文算法均高于其他算法;在方差數(shù)據(jù)上,本文算法僅在對(duì)圖C的處理略次于文獻(xiàn)[10]算法,但仍優(yōu)于文獻(xiàn)[8]算法。各個(gè)評(píng)價(jià)指標(biāo)的提升,說明了本文算法去霧后的圖像對(duì)比度和清晰度更高,圖像細(xì)節(jié)信息更加明顯,色彩更加飽和。在算法效率上,本文算法和文獻(xiàn)[10]算法的運(yùn)行時(shí)間遠(yuǎn)遠(yuǎn)少于文獻(xiàn)[8]算法,處理速度較快。本文算法在天空分割和天空區(qū)域去霧兩個(gè)階段并未引入太多時(shí)間開銷,因此在總運(yùn)行時(shí)間上稍高于文獻(xiàn)[10]算法,但仍具有較高的運(yùn)行效率。

實(shí)驗(yàn)結(jié)果同時(shí)表明,所提算法也可用于不含有天空區(qū)域的圖像去霧。從圖2中的圖D和圖E可看出：在主觀視覺上,本文算法獲得的去霧圖像在清晰度上高于文獻(xiàn)[8]算法,在色彩還原度方面更優(yōu)于文獻(xiàn)[10]算法;從表1所示的評(píng)價(jià)指標(biāo)上,本文算法所得數(shù)據(jù)也是最優(yōu)。實(shí)驗(yàn)結(jié)果說明,應(yīng)用本文算法進(jìn)行圖像去霧時(shí),無需先判斷原始圖像中是否包含天空,對(duì)兩種類型的霧化圖像均有良好的去霧能力。

圖3 不同算法去霧效果局部對(duì)比

表1 不同算法相關(guān)參數(shù)對(duì)比

4 結(jié)語

本文提出了一種基于天空分割的去霧算法,通過對(duì)分割后的天空區(qū)域使用基于成本函數(shù)的對(duì)比度增強(qiáng)算法去霧,有效地避免了Halo效應(yīng);使用改進(jìn)的暗通道算法處理非天空區(qū)域,保留了暗通道算法較好的去霧效果,同時(shí)避免了噪聲和邊緣白邊現(xiàn)象,實(shí)現(xiàn)了去霧圖像亮度的提升。實(shí)驗(yàn)結(jié)果表明,該算法具有較高的運(yùn)行效率,復(fù)原后的圖像具有較好的清晰度和色彩還原度。

References)

[1] 吳迪, 朱青松.圖像去霧的最新研究進(jìn)展[J]. 自動(dòng)化學(xué)報(bào), 2015, 41(2): 221-239. (WU D, ZHU Q S. The latest research progress of image dehazing[J]. Acta Automatica Sinica, 2015, 41(2): 221-239.)

[2] 宋穎超, 羅海波, 惠斌, 等.尺度自適應(yīng)暗通道先驗(yàn)去霧方法[J]. 紅外與激光工程, 2016, 45(9): 1-12. (SONG Y C, LUO H B, HUI B, et al. Haze removal using scale adaptive dark channel prior[J]. Infrared and Laser Engineering, 2016, 45(9): 1-12.)

[3] 代書博, 徐偉, 樸永杰, 等.基于暗通道先驗(yàn)的遙感圖像去霧方法[J]. 光學(xué)學(xué)報(bào), 2017, 37(3): 0328002. (DAI S B, XU W, PU Y J, et al. Remote sensing images defogging based on dark channel prior[J]. Acta Optica Sinica, 2017, 37(3): 0328002.)

[4] 楊驥, 楊亞東, 梅雪, 等.基于改進(jìn)的限制對(duì)比度自適應(yīng)直方圖的視頻快速去霧算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(1): 221-226. (YANG Y, YANG Y D, MEI X, et al. Fast video dehazing based on improved contrast limited adaptive histogram equalization[J]. Computer Engineering and Design, 2015, 36(1): 221-226.)

[5] 馬忠麗, 文杰.融合邊緣信息的單尺度Retinex海霧去除算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2015, 27(2): 218-225. (MA Z L, WEN J. Single-scale Retinex sea fog removal algorithm fused the edge information[J]. Journal of Computer-Aided Design amp; Computer Graphics, 2015, 27(2): 218-225.)

[6] TAN R T. Visibility in bad weather from a single image[C]// CVPR 2008: Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2008: 1-8.

[7] FATTAL R. Single image dehazing[J]. ACM Transactions on Graphics, 2008, 27(3): Article No. 72.

[8] HE K M, SUN J, TANG X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353.

[9] 王一帆, 尹傳歷, 黃義明, 等.基于雙邊濾波的圖像去霧[J]. 中國(guó)圖象圖形學(xué)報(bào), 2014, 19(3): 386-392. (WANG Y F, YI C L, HUANG Y M, et al. Image haze removal using a bilateral filter[J]. Journal of Image and Graphics, 2014, 19(3): 386-392.)

[10] HE K M, SUN J, TANG X O. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.

[11] (王衛(wèi)星, 肖翔, 陳良琴. 結(jié)合最小濾波和引導(dǎo)濾波的暗原色去霧[J]. 光學(xué)精密工程, 2015, 23(7): 2100-2108.(WANG W X, XIAO X, CHEN L Q. Image dark channel prior haze removal based on minimum filtering and guided filtering[J]. Optics and Precision Engineering, 2015, 07: 2100-2108.)

[12] 李加元, 胡慶武, 艾明耀, 等.結(jié)合天空識(shí)別和暗通道原理的圖像去霧[J]. 中國(guó)圖象圖形學(xué)報(bào), 2015, 20(4): 0514-0519. (LI J Y, HU Q W, AI M Y, et al. Image haze removal based on sky region detection and dark channel prior[J]. Journal of Image and Graphics, 2015, 20(4): 0514-0519.)

[13] NARASIMHAN S G, NAYAR S K. Contrast restoration of weather degraded images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(6): 713-724.

[14] 王雅婷, 馮子亮.基于暗原色先驗(yàn)的單幅圖像快速去霧算法[J]. 計(jì)算機(jī)應(yīng)用, 2016, 36(12): 3406-3410. (WANG Y T, FENG Z L. Single image fast dehazing method based on dark channel prior[J]. Journal of Computer Applications, 2016, 36(12): 3406-3410.)

[15] 鄭林濤, 俞衛(wèi)華, 董永生.基于暗通道先驗(yàn)和CLAHE的紅外圖像增強(qiáng)算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(12): 3297-3301. (ZHENG L T, YU W H, DONG Y S. Infrared image enhancement algorithm based on dark channel prior and CLAHE[J]. Computer Engineering and Design, 2015, 36(12): 3297-3301.)

[16] KIM J H, JANG W D, SIM J Y, et al. Optimized contrast enhancement for real-time image and video dehazing[J]. Journal of Visual Communication and Image Representation, 2013, 24(3): 410-425.

[17] 郭璠, 蔡自興.圖像去霧算法清晰化效果客觀評(píng)價(jià)方法[J]. 自動(dòng)化學(xué)報(bào), 2012, 38(9): 1410-1419. (GUO F, CAI Z X. Objective assessment method for the clearness effect of image defogging algorithm[J]. Acta Automatica Sinica, 2012, 38(9): 1410-1419.)

Singleimagedehazingalgorithmbasedonskysegmentation

MAO Xiangyu, LI Weixiang*, DING Xuemei

(CollegeofElectricalEngineeringandControlScience,NanjingTechUniversity,NanjingJiangsu211800,China)

To address the problem that dark channel prior algorithm is invalid for sky region and the problem that the color of the restored image became darker, a single image dehazing algorithm based on sky segmentation was presented. Firstly, the segmentation algorithm based on edge detection was used to divide the original image into sky region and non-sky region. Then, based on the dark channel prior method, the estimation method for atmospheric light and transmittance was improved for the dehaze of non-sky region. Finally, the sky region was processed by an optimized contrast enhancement algorithm based on cost function. The experimental results demonstrate that, compared with dark channel prior algorithm, many technical specifications of restored images such as variance, average gradient and entropy are greatly improved. The proposed algorithm can effectively avoid the Halo effect in sky region and restore the true scene color while maintaining high operating efficiency.

haze removal; atmospheric scattering model; sky segmentation; dark channel prior; contrast enhancement

2017- 04- 17;

2017- 06- 16。

江蘇省“六大人才高峰”項(xiàng)目(XXR-012)。

毛祥宇(1992—),男,安徽阜陽人,碩士研究生,主要研究方向:圖像處理、模式識(shí)別; 李為相(1973—),男,河南光山人,副教授,博士,主要研究方向:智能決策、社交網(wǎng)絡(luò)、圖像處理; 丁雪梅(1993—),女,江蘇揚(yáng)州人,碩士研究生,主要研究方向:模式識(shí)別、圖像處理。

1001- 9081(2017)10- 2916- 05

10.11772/j.issn.1001- 9081.2017.10.2916

TP391.41

A

This work is partially supported by the Six Talent Peaks Project in Jiangsu Province (XXR-012).

MAOXiangyu, born in 1992, M. S. candidate. His research interests include image processing, pattern recognition.

LIWeixiang, born in 1973, Ph. D., associate professor. His research interests include intelligent decision, social network, image processing.

DINGXuemei, born in 1993, M. S. candidate. Her research interests include pattern recognition, image processing.