孫啟隆, 郭 鑫, 司振惠, 于 萍

(1. 吉林師范大學(xué) 管理學(xué)院, 吉林 四平 136000; 2. 吉林師范大學(xué) 計(jì)算機(jī)學(xué)院, 吉林 四平 136000;3. 四平市教育技術(shù)裝備中心, 吉林 四平 136000)

圖像增強(qiáng)的目的是使降質(zhì)圖像(如沙塵圖像和有霧圖像)恢復(fù)其清晰原貌, 進(jìn)而有效觀察并提取圖像中的重要信息. 對于有霧圖像的增強(qiáng)算法一般可分為兩類： 一是利用暗通道和大氣散射模型恢復(fù)無霧圖像； 二是通過提高圖像的對比度提高圖像的清晰度. 兩類算法各有優(yōu)缺點(diǎn), 文獻(xiàn)[1-9]屬于第一類算法, 其中文獻(xiàn)[1]提出了暗通道的概念進(jìn)而估計(jì)大氣光值和透射率, 利用大氣散射模型求出無霧圖像, 但由于對透射率和大氣光的估計(jì)不準(zhǔn)確, 導(dǎo)致圖像在明亮區(qū)域易出現(xiàn)光暈效應(yīng), 文獻(xiàn)[2-9]則針對暗通道算法的缺陷提出了各種改進(jìn)算法, 雖然解決了部分問題, 但去霧后的圖像在色彩和對比度恢復(fù)方面仍有待提高. 第二類算法主要包括直方圖均衡算法(histogram equalization, HE)及基于其改進(jìn)的自適應(yīng)直方圖均衡算法(adaptive histogram equalization, AHE)、 限制對比度自適應(yīng)直方圖均衡化算法(limited contrast adaptive histogram equalization, CLAHE)和基于Retinex的各種算法等, 這類算法雖然可以恢復(fù)圖像的色彩和對比度, 但常由于過度增強(qiáng)導(dǎo)致圖像出現(xiàn)顏色失真現(xiàn)象. 沙塵圖像與有霧圖像不同, 沙塵圖像有色差問題, 因?yàn)槠涑上襁^程中有大量的沙土參與, 所以其整體色調(diào)偏黃棕色, 降低了圖像色彩飽和度. 利用傳統(tǒng)的去霧算法處理沙塵圖像時(shí), 通常會忽略調(diào)整圖像色差. 因此, 沙塵圖像增強(qiáng)算法[10-17]主要包含調(diào)整色差和提高圖像清晰度兩部分, 但算法在圖像色彩和清晰度恢復(fù)方面都有待提高.

為解決上述問題, 本文提出一種新的圖像增強(qiáng)算法, 將有霧圖像和調(diào)整色差后的沙塵圖像轉(zhuǎn)換到HSV顏色空間, 分別調(diào)整飽和度和明亮度, 前者用于恢復(fù)圖像色彩, 后者則利用CLAHE算法提高圖像對比度, 考慮到圖像的模糊程度不同, 因此對于模糊程度較高的圖像, 進(jìn)一步利用基于加權(quán)最小二乘(WLS)濾波去除模糊, 提高圖像的清晰度, 同時(shí)WLS濾波也可以平滑圖像噪聲.

1 調(diào)整沙塵圖像色差

沙塵圖像與有霧圖像不同, 在提高對比度和恢復(fù)圖像色彩前需先解決圖像色差問題. 沙塵圖像在成像過程中由于有大量風(fēng)沙灰塵等雜質(zhì)加入, 導(dǎo)致圖像整體色調(diào)偏黃棕色, 降低了圖像的飽和度和可見度. 調(diào)整色差方法一般選取自動(dòng)白平衡算法, 該算法可解決色彩還原等問題, 自動(dòng)白平衡算法主要包括灰度世界法(gray world, GW)、 動(dòng)態(tài)閾值法(dynamic threshold, DT)和完美反射法(perfect reflector model, PRM). GW算法基于RGB顏色空間, 并基于假設(shè)： 圖像三通道的平均值相等時(shí)圖像呈灰色. DT算法基于YCbCr顏色空間, 主要分為： 尋找白色參考點(diǎn)和利用參考點(diǎn)實(shí)現(xiàn)圖像的白平衡兩部分. PRM算法主要通過提取圖像中純白色區(qū)域并獲得光源信息, 然后按一定比例調(diào)整圖像三通道的值到最大化(純白色), 進(jìn)而實(shí)現(xiàn)調(diào)整圖像色差, 該算法可基于RGB顏色空間或YCbCr顏色空間. 其中GW算法應(yīng)用最廣泛. 圖1為不同算法調(diào)整色差的對比結(jié)果.

圖1 不同算法調(diào)整色差的對比結(jié)果Fig.1 Comparison results of different algorithms for adjusting chromatic aberration

由圖1可見, GW算法實(shí)驗(yàn)效果更好, DT和PRM算法由于都是利用圖像中局部白色參考區(qū)域?qū)崿F(xiàn)圖像整體的白平衡, 所以導(dǎo)致圖像白平衡出現(xiàn)兩極化, 參考區(qū)域內(nèi)白平衡過度, 而參考區(qū)域外依然存在色差問題. 實(shí)驗(yàn)表明, 由于RGB顏色空間中三通道是互相關(guān)聯(lián)的, 用GW算法白平衡后的圖像易出現(xiàn)顏色失真和亮度降低等問題, 結(jié)果如圖1(B)所示. 為解決該問題, 文獻(xiàn)[16]將調(diào)整色差工作轉(zhuǎn)換到Lab顏色空間進(jìn)行, 只對色彩分量a和b應(yīng)用灰度世界算法, 可有效解決上述問題, 結(jié)果如圖1(E)所示.

在Lab顏色空間調(diào)整色差的公式可表示為

(1)

其中GA和GB分別表示調(diào)整色差后的色彩分量a和b的值, mean表示求平均值的函數(shù).

2 在HSV顏色空間增強(qiáng)有霧圖像和沙塵圖像

2.1 圖像飽和度的增強(qiáng)

HSV顏色空間由色調(diào)(H)、 飽和度(S)和明度(V)構(gòu)成, 與RGB顏色空間不同, 它是根據(jù)人類視覺系統(tǒng)的特征而提出的顏色空間, 所以在該顏色空間增強(qiáng)圖像, 增強(qiáng)結(jié)果會更符合人類對色彩的感知. 日常生活中的各種顏色是指色調(diào), 如藍(lán)色和紫色等； 飽和度表示色彩的純度, 其值越高, 圖像色彩越鮮明; 明度則表示色彩的明暗, 其值越大, 圖像色彩越明亮. 有霧圖像和沙塵圖像由于存在霧和沙塵, 導(dǎo)致圖像色彩的飽和度降低, 進(jìn)而影響了圖像的清晰度, 所以增強(qiáng)有霧圖像和沙塵圖像的色彩飽和度十分必要. 過程如下: 首先將有霧圖像或沙塵圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間[18], 轉(zhuǎn)換公式為

V1=max{R,G,B},V2=min{R,G,B},

(2)

(3)

(4)

其中：R,G,B分別為降質(zhì)圖像的三通道; max和min表示求最大值和最小值的函數(shù). 然后對飽和度S進(jìn)行增強(qiáng), 公式表示為

S=bS, 1≤b≤3,

(5)

其中b為增強(qiáng)系數(shù), 其值并不固定, 可根據(jù)圖像模糊程度手動(dòng)調(diào)節(jié).通常圖像模糊程度越高, 圖像飽和度中消色成分(灰色)所占比例越大, 圖像色彩越暗淡, 增強(qiáng)系數(shù)的值也越高, 二者之間成正比, 但增強(qiáng)系數(shù)也有最高限制, 如果其值過高, 則圖像顏色容易過度飽和進(jìn)而失真, 且與原圖像顏色差異值會越來越大.

2.2 圖像對比度的增強(qiáng)

直方圖均衡是用于提高圖像全局對比度的增強(qiáng)算法, 對圖像局部對比度的提高效果不理想.通過觀察得知, 人眼習(xí)慣從圖像的局部上下文區(qū)域評估其內(nèi)容[19], 因此, 提出了其改進(jìn)算法自適應(yīng)直方圖均衡, 該算法將圖像分成多個(gè)不重疊的局部區(qū)域分別進(jìn)行直方圖均衡化, 雖然圖像的局部可見度得到了提高, 但圖像中的噪聲也被放大.限制對比度自適應(yīng)直方圖均衡化算法通過對局部圖像直方圖高度的限制有效解決了該問題.

步驟1) 將圖像分成大小為X×Y的不重疊塊區(qū)域, 實(shí)驗(yàn)結(jié)果表明其取值為8時(shí), 圖像處理效果最好.

步驟2)求解每個(gè)塊的直方圖, 并設(shè)置限制值Cliplimit, 該值與圖像對比度成正比關(guān)系, 其作用是防止對比度過度放大. 直方圖裁剪以及重分配過程如圖2所示. 首先將直方圖中高于Cliplimit的數(shù)值設(shè)置成Cliplimit, 并將高于Cliplimit的部分進(jìn)行求和均分給每個(gè)灰度等級, 然后觀察重分配后的直方圖是否仍高于Cliplimit, 如果是, 則繼續(xù)迭代上述過程, 直到直方圖高度不超過Cliplimit.

圖2 直方圖裁剪以及重分配圖Fig.2 Histogram cropping and redistribution map

步驟3) 為消除塊之間的效應(yīng), 利用雙線性插值算法實(shí)現(xiàn)各塊的鏈接, 如圖3所示. 由圖3可見： 對于區(qū)域1內(nèi)的灰度值, 只需用對應(yīng)塊的累積分布函數(shù)映射成新的灰度值即可: 對于區(qū)域2內(nèi)的灰度值, 需要鄰近兩個(gè)子塊的累積分布函數(shù)映射成新的灰度值, 然后對兩個(gè)新的灰度值做線性插值; 對于區(qū)域3內(nèi)的灰度值, 則需要對其周圍鄰近的4個(gè)子塊映射的灰度值做雙線性插值. 以區(qū)域3內(nèi)的點(diǎn)P(x,y)為例,A,B,C,D為其4個(gè)鄰近點(diǎn),P對應(yīng)的新灰度值P1的雙線性插值表達(dá)式為

P1=(1-y)[(1-x)g(a)+xg(b)]+y[(1-x)g(c)+xg(d)],

(6)

其中g(shù)(a),g(b),g(c),g(d)為4個(gè)鄰近點(diǎn)映射后的灰度值,x和y分別為點(diǎn)P的橫、 縱坐標(biāo)值, 由于是鄰近點(diǎn), 所以相鄰兩點(diǎn)之間的距離為1.

圖3 線性插值的不同區(qū)域Fig.3 Different areas of linear interpolation

對比度是指圖像亮暗區(qū)域中最大值與最小值之間的差異, 其差異值越大, 對比度越大.在HSV顏色空間中,V表示圖像色彩的明暗度, 也可以近似用于表示圖像的明暗度, 所以利用限制對比度自適應(yīng)直方圖均衡化算法處理V, 可有效提高圖像的對比度, 同時(shí)也可避免CLAHE算法在RGB顏色空間處理圖像時(shí)出現(xiàn)的失真現(xiàn)象.

3 濾波增強(qiáng)

3.1 Laplace算子模糊檢測

對于低模糊程度的圖像在經(jīng)過飽和度和對比度增強(qiáng)后, 如果仍繼續(xù)增強(qiáng)圖像, 會導(dǎo)致圖像局部區(qū)域因過度增強(qiáng)使圖像細(xì)節(jié)模糊, 為避免這種情況, 本文利用Laplace算子對圖像進(jìn)行模糊檢測, 過程如下： 首先利用Laplace算子檢測圖像的邊緣, 求解邊緣檢測圖的方差, 對于模糊程度較低的圖像, 可見邊緣信息更多, 所對應(yīng)的方差也越大, 而模糊程度較高的圖像對應(yīng)的方差則會很小, 如果圖像邊緣檢測圖的方差低于設(shè)定的閾值, 則認(rèn)為該圖像模糊程度較高, 需進(jìn)一步增強(qiáng)處理. 實(shí)驗(yàn)表明, 閾值的結(jié)果設(shè)為0.02時(shí)圖像效果較好.

3.2 基于WLS濾波的增強(qiáng)算法

濾波在圖像增強(qiáng)領(lǐng)域廣泛應(yīng)用, 其具有平滑圖像、 減少噪聲及保護(hù)圖像邊緣的功能, 避免圖像丟失邊緣信息, 常用的濾波器主要有高斯濾波、 雙邊濾波及基于加權(quán)最小二乘濾波[20], 其中基于加權(quán)最小二乘濾波可以基于任何尺度提取圖像細(xì)節(jié)層, 并可以很好地保留圖像的邊緣減少偽影的存在.

濾波的保持邊緣平滑功能就是要平滑輸入圖像的同時(shí)也能很好地保留其邊緣信息, 如果用g表示輸入圖像, 用u表示輸出圖像, 則u在很大程度上與g是相似的, 兩者之間的關(guān)系可表示為

(7)

其中p表示像素點(diǎn)的坐標(biāo).第一項(xiàng)(up-gp)2的作用是最小化u和g之間的差異, 第二項(xiàng)則實(shí)現(xiàn)平滑圖像, 主要通過最小化u的偏導(dǎo)數(shù)完成.平滑度取決于g的平滑度權(quán)重ax和ay在空間上的變化,λ的主要作用是平滑兩個(gè)數(shù)據(jù)項(xiàng), 其值越大, 圖像u越平滑.式(7)也可以用矩陣的形式表示為

(8)

其中Ax和Ay分別表示ax和ay的對角矩陣,Dx和Dy則為離散微分算子.u是使式(8)取最小值被確定的唯一線性系統(tǒng)解, 其數(shù)學(xué)表達(dá)式為

(I+λLg)u=g,

(9)

(10)

其中:L為輸入圖像g的亮度通道; 參數(shù)β決定了對g的梯度;ε為一個(gè)非常小的值(取值為0.000 1), 防止在梯度為零的區(qū)域內(nèi)g是恒定的.

文獻(xiàn)[20]基于WLS框架提出了一種新的保持邊緣的多尺度圖像分解算法, 同時(shí)也證明了WLS框架在色調(diào)映射、 細(xì)節(jié)增強(qiáng)及圖像抽象等應(yīng)用方面的有效性, 證明了其具有很好的健壯性和通用性. 在上述研究的基礎(chǔ)上, 本文將WLS框架應(yīng)用于處理有霧圖像和沙塵圖像的增強(qiáng). 實(shí)驗(yàn)表明, 如果利用多尺度提取圖像細(xì)節(jié)的增強(qiáng)算法處理有霧圖像和沙塵圖像, 會導(dǎo)致圖像噪聲被放大和失真, 所以本文提出一種基于WLS框架的單尺度提取圖像模糊特征的濾波增強(qiáng)算法, 減少了算法復(fù)雜度.

步驟1) 利用WLS濾波平滑輸入圖像獲取圖像的基礎(chǔ)層: 文獻(xiàn)[20]中處理的是清晰圖像, 所以其輸入圖像為其亮度通道, 考慮到有霧圖像和沙塵圖像的清晰度較低, 本文通過改變?yōu)V波參數(shù)值對輸入圖像本身進(jìn)行平滑進(jìn)而提取其表面模糊層, 即輸入圖像的基礎(chǔ)層. 利用式(10)平滑圖像的數(shù)學(xué)表達(dá)式為

uc∈{R,G,B}=wlsFilter(gc∈{R,G,B},r,s,log(gc∈{R,G,B})),

(11)

其中：u表示濾波后的圖像, 即基礎(chǔ)層; wlsFilter表示W(wǎng)LS濾波算子;g表示輸入圖像;R,G,B表示g的3個(gè)顏色通道;r和s為濾波參數(shù),r值越大, 圖像越趨于平滑,s表示對梯度的非線性縮放,s值越大, 保留的圖像邊緣越清晰； log表示對數(shù)函數(shù).

步驟2) 獲取圖像的細(xì)節(jié)層： 細(xì)節(jié)層等于輸入圖像減去基礎(chǔ)層, 本文算法由于處理的是模糊圖像, 如果增強(qiáng)細(xì)節(jié)會放大圖像噪聲進(jìn)而導(dǎo)致圖像失真, 所以不對細(xì)節(jié)層進(jìn)行增強(qiáng).

步驟3) 獲取增強(qiáng)圖像： 通常利用濾波增強(qiáng)細(xì)節(jié)獲得的增強(qiáng)圖像, 等于細(xì)節(jié)層和基礎(chǔ)層的加和, 但通過實(shí)驗(yàn)觀察發(fā)現(xiàn), 基礎(chǔ)層圖像經(jīng)過WLS濾波平滑后, 圖像的清晰度會低于平滑前的圖像, 所以本文最后的增強(qiáng)圖像E是細(xì)節(jié)層和輸入圖像的融合結(jié)果, 其數(shù)學(xué)表達(dá)式為

E=(g-u)+g.

(12)

本文算法流程如圖4所示.

智慧課堂最本質(zhì)的目的是促成學(xué)生的智慧生成，其充分利用信息技術(shù)帶來的教學(xué)模式上的轉(zhuǎn)變，對教師來說是一個(gè)嚴(yán)峻的挑戰(zhàn)，對成人學(xué)生來說又是一個(gè)全新的體驗(yàn)?！白屩腔刍貧w教育，讓智慧喚醒課堂，讓智慧引領(lǐng)教師專業(yè)成長。它是時(shí)代的呼喚，是教師專業(yè)成長的需要，是課堂教學(xué)煥發(fā)生機(jī)與活力的契機(jī)，是新時(shí)期教育教學(xué)改革的重大使命。”［1］

圖4 本文算法流程Fig.4 Flow chart of proposed algorithm

4 實(shí)驗(yàn)結(jié)果與討論

實(shí)驗(yàn)在Windows7環(huán)境中進(jìn)行, 處理器為Intel?CoreTMi7-6700 CPU @3.40 GHz, 運(yùn)行軟件為MATLAB R2016a, 實(shí)驗(yàn)中的圖像來源于網(wǎng)絡(luò), 名字分別為Florence_input.png, Beijing3.png, 1.jpg和2.jpg. 算法的評價(jià)主要采用主觀視覺感受和客觀參數(shù)相結(jié)合, 主觀視覺感受主要指圖像的整體視覺效果, 客觀參數(shù)選取峰值信噪比(peak signal-to-noise ratio, PSNR)、 均方誤差(mean-square error, MSE)和方差(variance, Var), 其中PSNR用于表示原圖像與增強(qiáng)圖像之間的相似性, 可用于判斷增強(qiáng)圖像是否存在失真, 其值越大, 表明增強(qiáng)圖像質(zhì)量越好, 但不適用于評價(jià)對比度較低的圖像, 因?yàn)槠渲翟礁? 證明增強(qiáng)算法恢復(fù)圖像的可見度較低. MSE表示原圖像與增強(qiáng)圖像之間的均方誤差, 其值越小, 表明圖像質(zhì)量越好. 方差可用于表示圖像的對比度, 其值越高, 表明圖像可見邊緣越多, 圖像的清晰度也越高. PSNR,MSE,Var的數(shù)學(xué)表達(dá)式分別為

(13)

(14)

(15)

其中,M和N分別表示圖像的長和寬,I表示處理后的圖像,P表示原圖像, MAXI=255,Im表示圖像I的平均值.處理RGB圖像時(shí), 只需計(jì)算亮度分量Y(YCbCr顏色空間)的PSNR值即可.

4.1 有霧圖像

為證明本文算法去霧的有效性, 將本文算法與文獻(xiàn)[6-9]的去霧算法進(jìn)行比較, 給出原圖像以及各算法處理圖像對應(yīng)的邊緣檢測效果. 對于圖像可見邊緣的檢測, 主要利用Canny算子實(shí)現(xiàn), 其不僅可以平滑噪聲減少干擾, 還可以檢測更細(xì)的邊緣, 圖像可見邊緣越多, 證明圖像的清晰度越高. 圖像整體視覺實(shí)驗(yàn)結(jié)果如圖5和圖6所示, 邊緣檢測效果如圖7和圖8所示, 客觀參數(shù)結(jié)果列于表1和表2.

圖5 Florence_input.png實(shí)驗(yàn)結(jié)果Fig.5 Experimental results of Florence_input.png

圖6 Beijing3.png實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of Beijing3.png

圖7 Florence_input.png邊緣檢測結(jié)果Fig.7 Edge detection results of Florence_input.png

圖8 Beijing3.png邊緣檢測結(jié)果Fig.8 Edge detection results of Beijing3.png

由圖7可見, 對于原圖像的可見邊緣, 尤其是對原圖像黑色框內(nèi)樹木邊緣的顯示, 文獻(xiàn)[6-9]算法均存在不同程度的缺失, 文獻(xiàn)[8]算法由于在天空區(qū)域出現(xiàn)了較嚴(yán)重的色彩失真, 導(dǎo)致在圖像天空區(qū)域檢測到了部分邊緣, 本文算法在保證原有邊緣都完整保留的前提下, 又增加了由于有霧而不易顯示的邊緣, 證明了本文算法在提高清晰度方面的有效性. 由圖8可見, 文獻(xiàn)[6]和文獻(xiàn)[7]對原圖像遠(yuǎn)處恢復(fù)的可見邊緣數(shù)相對于本文算法較少, 表明其在圖像遠(yuǎn)處去除模糊不徹底, 文獻(xiàn)[6-9]算法恢復(fù)可見邊緣的總體數(shù)目明顯低于本文算法, 尤其是原圖像黑色矩形區(qū)域?qū)?yīng)的可見邊緣數(shù), 使圖像丟失了很多原有的細(xì)節(jié).

由表1和表2可見, 本文算法處理的兩張圖像客觀參數(shù)值都遠(yuǎn)高于其他算法, 證明了本文算法在提高圖像清晰度方面表現(xiàn)更好, 圖像質(zhì)量更高. 實(shí)驗(yàn)結(jié)果表明, 本文算法對降質(zhì)圖像的增強(qiáng)效果較好.

表1 Florence_input.png實(shí)驗(yàn)參數(shù)

表2 Beijing3.png實(shí)驗(yàn)參數(shù)

4.2 沙塵圖像

由于沙塵圖像有色差問題, 所以對沙塵圖像算法的評價(jià)主要包括兩部分： 一是色差問題是否得到徹底解決; 二是是否提高了圖像清晰度. 為證明本文算法在這兩方面的能力, 將本文算法與文獻(xiàn)[10,14,16-17]的算法進(jìn)行比較, 依然從視覺效果和客觀參數(shù)兩方面綜合評價(jià)算法性能, 視覺實(shí)驗(yàn)效果如圖9和圖10所示, 客觀參數(shù)實(shí)驗(yàn)結(jié)果列于表3和表4. 客觀參數(shù)除PSNR和MSE外, 還用到了結(jié)構(gòu)相似度(structural similarity, SSIM), SSIM從亮度l、 對比度c和結(jié)構(gòu)s三方面評價(jià)圖像的質(zhì)量, 其值越高, 表明圖像質(zhì)量越高, 數(shù)學(xué)表達(dá)式為

其中：x,y表示圖像像素點(diǎn)的坐標(biāo);I表示增強(qiáng)后的圖像;P表示原圖像;μI和μP分別為I和P的平均值;σI和σP分別表示I和P的方差;σIP為I和P的協(xié)方差;c1=(0.01T)2,c2=(0.03T)2,c3=c2/2,T為像素值的范圍.

圖9 1.jpg實(shí)驗(yàn)結(jié)果Fig.9 Experimental results of 1.jpg

由圖9可見: 所有算法在調(diào)整色差方面效果都很好; 但文獻(xiàn)[10]算法降低了圖像色彩的亮度, 圖像整體色彩暗淡, 從而降低了圖像的可見度； 文獻(xiàn)[14]算法在恢復(fù)圖像色彩方面存在過度飽和問題, 導(dǎo)致圖像在色彩暗區(qū)域色彩逐漸變深, 在色彩明亮區(qū)域色彩逐漸變亮, 如圖中天空區(qū)域逐漸白化, 模糊了遠(yuǎn)處的圖像細(xì)節(jié)； 文獻(xiàn)[16]算法在色彩恢復(fù)方面效果較好, 但圖像整體清晰度較低; 文獻(xiàn)[17]算法雖然提高了圖像的亮度, 但卻導(dǎo)致圖像噪聲被放大, 存在局部失真現(xiàn)象； 本文算法在恢復(fù)圖像色彩飽和度方面處理較好, 既恢復(fù)了與原圖像相接近的色彩, 又不會導(dǎo)致色彩失真, 同時(shí)利用CLAHE算法和WLS濾波提高了圖像的整體清晰度.

由圖10可見: 文獻(xiàn)[10]算法雖然提高了圖像的清晰度, 但圖像整體亮度偏低, 色彩暗淡, 導(dǎo)致圖像細(xì)節(jié)丟失; 文獻(xiàn)[14]算法在色彩恢復(fù)方面效果較好, 但圖像色差問題未得到解決; 文獻(xiàn)[16]算法在清晰度恢復(fù)方面明顯低于其他算法; 文獻(xiàn)[17]算法處理的圖像存在過度曝光和噪聲被放大的問題, 過度曝光直接導(dǎo)致圖像色彩飽和度降低, 噪聲被放大導(dǎo)致圖像失真, 圖像整體清晰度下降. 除文獻(xiàn)[14]算法在去除色差方面不徹底外, 其他算法都取得了很好的成效, 但在圖像色彩恢復(fù)和清晰度提高方面, 與其他算法相比, 本文算法處理效果更好.

圖10 2.jpg實(shí)驗(yàn)結(jié)果Fig.10 Experimental results of 2.jpg

表3 1.jpg實(shí)驗(yàn)參數(shù)

表4 2.jpg實(shí)驗(yàn)參數(shù)

由表3和表4可見, 本文算法的PSNR和MSE值均高于其他算法, 證明了本文算法的有效性, 雖然文獻(xiàn)[16]算法的SSIM值略高于本文算法, 但其圖像視覺效果較差, 綜合圖9和圖10可見, 本文算法在保證與原圖像色彩接近的同時(shí)提高了圖像的清晰度, 使圖像整體視覺效果更好, 避免了圖像出現(xiàn)色彩失真等現(xiàn)象.

綜上所述, 本文針對霧和沙塵的存在使圖像的對比度和飽和度嚴(yán)重降低, 進(jìn)而影響圖像的清晰度, 對提取圖像中的信息產(chǎn)生困擾的問題, 提出了一種改進(jìn)的圖像增強(qiáng)算法. 該算法提高了圖像的色彩飽和度, 使其在接近原圖像色彩的同時(shí)又不失真; 在清晰度方面, 則利用限制對比度自適應(yīng)直方圖均衡化算法提高圖像對比度, 如果處理模糊程度較高的圖像, 則利用基于WLS框架的單尺度提取圖像模糊特征的濾波增強(qiáng)算法, 進(jìn)一步提高圖像的可見度. 本文算法簡單, 且具有一定的健壯性, 可以處理不同模糊程度的圖像. 實(shí)驗(yàn)結(jié)果表明, 無論是色彩恢復(fù)還是清晰度提高方面, 本文算法都具有很好的視覺效果.