姜慶偉 蘇興龍

（陜西工業(yè)職業(yè)技術(shù)學院 咸陽 712000）

1 引言

在受到不同程度污染后的陰霾天氣情況下，例如監(jiān)控系統(tǒng)、交通系統(tǒng)等采集的圖像常常呈現(xiàn)出對比度差、模糊不清的問題，無法發(fā)揮采集圖像系統(tǒng)的實時、準確處理信息的作用，對陰霾天氣下室外圖像進行對比度增強的清晰化處理顯得非常重要。

圖像增強方法多種多樣，基于頻域或空間域等傳統(tǒng)算法，或多或少存在對于處理圖像自身全局、局部和計算量之間的取舍問題。因此，研究者們也在尋找其他理論對圖像進行增強的手段。自1980年P(guān)al 算法提出以來，模糊集理論就一直被廣泛地應用于圖像增強領(lǐng)域，且針對某些類型圖像甚至取得了相比其他算法更好的結(jié)果。隨著圖像數(shù)據(jù)量的不斷增大和對增強效果要求的不斷提高，Pal 該算法剛性切削灰度、運算耗時長等問題逐漸明晰。

不少文獻作者都針對Pal 算法的不足，提出了對隸屬度函數(shù)或增強算子的多種改進方法，例如：對隸屬度函數(shù)的改進，解決了灰度值丟失問題；對增強算法的改進，解決了閾值選取的問題等，但要兼顧圖像質(zhì)量、算法計算耗時較大；兼顧快速、圖像在不同灰度范圍的增強效果難以保證?；谏鲜隹紤]，針對陰霾天氣下獲取的灰度圖像，提出了一種改進的快速自適應圖像模糊增強算法。

2 Pal模糊增強算法分析

2.1 算法原理

將一幅灰度級為L 的圖像X 表示為一個M×N的模糊矩陣。

Pal算法定義了模糊變換的隸屬度函數(shù)為

剛性選擇閾值XC為0.5，并設(shè)定模糊增強算子如下：

經(jīng)過對μ′ij的去模糊化μ′ij=T-1(μ′ij)，得到增強后的圖像X′。

2.2 缺陷分析

經(jīng)過分析經(jīng)典的模糊增強算法，存在一定的不足之處：

1）分析隸屬度函數(shù)，可知圖像中將許多低灰度值硬性切削為0，造成部分信息丟失。

2）閾值取0.5，對于不同圖像算法效果差異較大，自適應能力存在缺陷。

3）算法中浮點預算較多，在運行效率和時效性上不佳。

3 “S”型隸屬度模糊變換算法分析

3.1 隸屬度函數(shù)

利用正弦隸屬度函數(shù)（“S”型函數(shù)），滿射函數(shù)改造Pal算法中浮點運算的缺陷和灰度值丟失的問題。隸屬度函數(shù)如下：

此函數(shù)是參照Pal 算法得來，其中設(shè)定圖像中最小灰度值為xmin，最大灰度值為xmax，并給出一個取值范圍為［1，2］的常數(shù)參數(shù)K。

3.2 算法分析

經(jīng)過模糊逆變換，并適當調(diào)整K 值，可實現(xiàn)有針對性灰度需求的圖像對比度增強效果。但自適應的閾值選取困難。但對低對比度的圖像細節(jié)增強效果不好。

4 改進的模糊增強算法

針對Pal 算法自身存在的增強過程繁瑣、灰度硬性丟失和閾值選取剛性的問題，并在分析了“S”型函數(shù)雖解決了模糊域變換不丟失灰度、但閾值選取無法自適應對比度較低的陰霾天氣圖像基礎(chǔ)上，本文定義新的改進隸屬度函數(shù)和增強算子。

該隸屬度函數(shù)不僅保證了低灰度值不被硬性切削的問題，并以現(xiàn)行的計算方式極大提升了運行速度。

關(guān)于增強算子的改進，本文以不增加迭代次數(shù)的復雜運算為前提，提出如下增強算子：

在具體圖像的增強過程中，閾值的選取和增強的迭代次數(shù)息息相關(guān)，對應不同的圖像，選取合適的閾值更是圖像增強效果的重要參數(shù)。在上式中，設(shè)定分割點的隸屬度值為μc，本文算法利用OTSU最大類間方差法來自適應的確定最佳閾值。最后進行模糊逆變換，實現(xiàn)模糊圖像增強的結(jié)果。

可以看出，改進算法比經(jīng)典的Pal 算法執(zhí)行速度要快；改進算法的隸屬度函數(shù)不會丟失灰度值較低的灰度信息；改進算法以正弦函數(shù)作為增強算子，其在定義域具有良好連續(xù)性和凹凸性，本身就具備這增強效應；最后，改進算法通過最大類間方差法來自動選擇閾值，大大增強了算法針對不同圖像的處理能力。

5 改進算法實驗結(jié)果及結(jié)論

在上述理論分析的基礎(chǔ)上，選取陰霾環(huán)境下兩處不同地點和光線下的室外圖像在Matlab 軟件中分別予以驗證Pal算法、“S”型正弦隸屬函數(shù)算法和本文改進算法的增強效果和運行時間。圖1、圖2顯示了不同陰霾環(huán)境圖像的處理效果，表1 體現(xiàn)了三種算法在相同運行環(huán)境（Core i5，8GB）下，兩幅陰霾圖像增強的處理效率。

圖1 灰度值偏高陰霾圖像增強對比圖

圖2 灰度值較低陰霾圖像增強對比圖

從兩幅圖的增強效果看，經(jīng)典Pal 增強算法對圖像中的低灰度區(qū)過度切削，增強效果明顯衰減，使低灰度區(qū)域及整幅圖像均產(chǎn)生偏暗現(xiàn)象；“S”型正弦函數(shù)對低灰度區(qū)域增強的效果雖然明顯大有改觀，但仍可發(fā)現(xiàn)在偏高區(qū)域效果不佳的現(xiàn)象；本文改進算法在對圖像增強處理后，在低灰度區(qū)域得到相當明顯的改善，在圖1 中的偏高灰度區(qū)表現(xiàn)出較好的識別能力，但同時也在高灰度區(qū)的增強過程中發(fā)現(xiàn)了類似“S”型正弦函數(shù)過度增強的現(xiàn)象。

表1 三種算法灰度圖像模糊增強的運行時間（單位：s）

表1 中明顯可看出，本文改進算法在處理時效上遠優(yōu)于經(jīng)典Pal算法，且比“S”型正弦隸屬度模糊增強算法也有所提升。

5 結(jié)語

根據(jù)上述實驗證明，本文改進算法可以有效改善陰霾圖像的識別度，對于仍存在的問題，后續(xù)將針對圖像去模糊迭代處理階段的潛像估計和模糊核估計處理速度較低的問題，進一步加強對陰天和霧霾天氣條件下的室外圖像識別。