基于霧氣分布的大氣光幕估計(jì)去霧算法

在霧天場(chǎng)景下，由于大氣中存在的懸浮粒子對(duì)成像過(guò)程有一定的干擾作用，使得成像設(shè)備捕獲到的圖像存在視覺效果差、對(duì)比度降低、細(xì)節(jié)丟失等問(wèn)題，導(dǎo)致一些計(jì)算機(jī)視覺系統(tǒng)難以正常工作，例如自動(dòng)車輛導(dǎo)航、戶外監(jiān)控、遙感以及目標(biāo)識(shí)別等。因此，對(duì)霧天等惡劣天氣下圖像的處理工作對(duì)后續(xù)的計(jì)算機(jī)視覺任務(wù)具有重要的意義。

目前現(xiàn)有的圖像去霧算法中，主要分為基于傳統(tǒng)方法的去霧算法和基于深度學(xué)習(xí)的去霧算法。在傳統(tǒng)去霧算法中，主要分為圖像增強(qiáng)類和圖像復(fù)原類。圖像增強(qiáng)類的算法有直方圖均衡算法、Retinex算法等，此類算法雖然能夠在一定程度上提高圖像對(duì)比度、改善圖像的視覺效果，但沒(méi)有考慮圖像退化的本質(zhì)原因，容易造成圖像信息丟失，并沒(méi)有做到真正的去霧。復(fù)原類圖像去霧算法通過(guò)研究霧天圖像退化的物理機(jī)制，建立霧天圖像退化模型，反演退化過(guò)程，補(bǔ)償退化過(guò)程中造成的損失以獲得無(wú)霧圖像的最優(yōu)估計(jì)值，從而改善霧天圖像質(zhì)量。相較而言，圖像復(fù)原類算法具有內(nèi)在的優(yōu)越性，已成為去霧領(lǐng)域的研究熱點(diǎn)。近年來(lái)，基于先驗(yàn)知識(shí)或假設(shè)的單幅圖像去霧技術(shù)得到了重大突破。He等人［1］通過(guò)對(duì)室外無(wú)霧圖像的大量觀察，提出暗通道先驗(yàn)（Dark Channel Prior， DCP）算法，對(duì)一般霧天場(chǎng)景均具有較好的處理效果，但在含有天空或高亮白色物體時(shí)由于對(duì)透射率估計(jì)不準(zhǔn)確，導(dǎo)致算法失效。Wang等人［2］提出有霧圖像與無(wú)霧圖像最小通道間存在線性關(guān)系的假設(shè)，構(gòu)建線性模型來(lái)估計(jì)透射率，該算法運(yùn)行速度較快，但存在復(fù)原結(jié)果整體較暗的問(wèn)題。Yang等人［3］為避免最小濾波的弊端，提出一種用邊緣保持函數(shù)代替最小濾波擬合暗通道的去霧算法，同時(shí)對(duì)透射率進(jìn)行基于對(duì)數(shù)冪律變換的優(yōu)化，進(jìn)而得到了較為準(zhǔn)確的透射率，但該算法對(duì)于一些景深躍變大的圖像會(huì)產(chǎn)生一定的失真現(xiàn)象。雖然復(fù)原類算法各有局限性，但從復(fù)原成本與質(zhì)量效果方面分析，此類算法仍具有較大的研究意義［4］。

近年來(lái)，基于數(shù)據(jù)驅(qū)動(dòng)的去霧算法也取得了快速發(fā)展。Li等人［5］基于卷積神經(jīng)網(wǎng)絡(luò)提出一種圖像去霧模型AOD-Net（All-in-One Dehazing Net），通過(guò)線性變換將大氣光與透射率整合為一個(gè)變量，并將其代入大氣散射模型得到無(wú)霧圖像，但參數(shù)估計(jì)會(huì)使誤差相互放大，影響去霧效果。Chen等人［6］提出一種端到端的門控上下文聚合網(wǎng)絡(luò)（Gated Context Aggregation Network， GCANet ）來(lái)恢復(fù)退化圖像，該網(wǎng)絡(luò)采用平滑擴(kuò)張卷積消除網(wǎng)格偽影，引入門控子網(wǎng)絡(luò)來(lái)融合多層次特征。該模型得到的效果較好，網(wǎng)絡(luò)訓(xùn)練時(shí)間較短。Qin等人［7］提出了一種端到端的特征融合注意力機(jī)制網(wǎng)絡(luò)，該網(wǎng)絡(luò)融合通道與像素注意力機(jī)制，構(gòu)建特征注意模塊，使得主網(wǎng)絡(luò)注重更有效的圖像信息?；谏疃葘W(xué)習(xí)的去霧算法往往需要利用現(xiàn)有數(shù)據(jù)集訓(xùn)練大量參數(shù)，對(duì)設(shè)備和數(shù)據(jù)集的要求較高，并且此類算法對(duì)于真實(shí)退化圖像的去霧效果較差，目前在去霧領(lǐng)域存在一定的局限性［8］。

綜上所述，本文提出一種基于霧氣分布的大氣光幕估計(jì)去霧算法。首先將Fade方法得到的霧氣分布圖像進(jìn)行閾值分割與細(xì)化處理得到較為精確的霧氣分布，通過(guò)分析景深、霧濃度、大氣光幕之間的關(guān)系，建立大氣光幕估計(jì)模型。其次，通過(guò)亮度權(quán)重圖與自適應(yīng)大氣光閾值選取大氣光區(qū)域，獲取較為準(zhǔn)確的大氣光，進(jìn)而恢復(fù)退化場(chǎng)景。算法不涉及透射率計(jì)算，避免了透射率估計(jì)不足帶來(lái)的失真問(wèn)題。

2 相關(guān)理論

在圖像去霧領(lǐng)域，常用的霧天場(chǎng)景成像模型為大氣散射模型［9］：

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

 ， （1）

式中：x表示像素位置索引；I(x)代表退化場(chǎng)景：J(x)表示復(fù)原場(chǎng)景；t(x)表示介質(zhì)透射率；A表示大氣光，一般將其選取在無(wú)窮遠(yuǎn)處；J(x)t(x)為直接衰減成分，描述場(chǎng)景輻射在大氣介質(zhì)中的衰減；A(1?t(x))是大氣光幕，描述了粒子對(duì)大氣光的散射作用，其表達(dá)式為：

V(x)=A(1?t(x))

 ， （2）

由式（1）可得，大氣光幕V(x)小于退化場(chǎng)景I(x)，并且為正值。即：

{V(x)≤W(x)V(x)>0

 ， （3）

其中：W(x)=minc∈{r,g,b}(Ic(x))為退化場(chǎng)景最小通道值，c表示RGB顏色通道。在均勻介質(zhì)中，透射率與場(chǎng)景深度的關(guān)系為：

t(x)=e?βd(x)

 ， （4）

式中：β為大氣散射系數(shù)，d(x)為場(chǎng)景深度，將式（4）代入式（2）可得：

V(x)=A(1?e?βd(x))

 . （5）

Zhu等人［10］通過(guò)分析得到，景深可反映霧濃度信息，并且與霧濃度存在正相關(guān)關(guān)系。通過(guò)對(duì)大量退化場(chǎng)景的觀察發(fā)現(xiàn)，景深越大的區(qū)域往往霧濃度較大，圖像亮度較高，紋理信息幾乎不可見。故Zhu等人以亮度與飽和度之間的差異近似表示霧濃度，建立線性模型估計(jì)景深?；诖髿馍⑸淠Ｐ停芍苯庸烙?jì)透射率和大氣光達(dá)到去霧目的[11-13]，也可從估計(jì)大氣光幕與大氣光的角度進(jìn)行圖像復(fù)原[14]。但由于此模型自身的缺陷，所得復(fù)原結(jié)果偏暗，故提出一系列改進(jìn)大氣散射模型的去霧算法[15-16]。

3 本文算法

根據(jù)顏色衰減先驗(yàn)（Color Attenuation Prior，CAP）以及大氣成像物理模型分析，霧氣分布與景深存在正相關(guān)關(guān)系，并且根據(jù)推導(dǎo)可發(fā)現(xiàn)景深與大氣光幕存在指數(shù)正相關(guān)關(guān)系。綜合上述特性以及相關(guān)理論，本文對(duì)霧氣分布與大氣光幕進(jìn)行建模，直接用霧氣分布信息估計(jì)大氣光幕，減小了算法復(fù)雜度。并提出一種亮度權(quán)重結(jié)合自適應(yīng)閾值的大氣光求取方法，進(jìn)而得到復(fù)原場(chǎng)景。算法流程框圖如圖1所示。

圖1  算法流程框圖

Fig.1  Algorithm flow block diagram

下載: 原圖 | 高精圖 | 低精圖

3.1　霧氣分布

在霧天場(chǎng)景退化過(guò)程中，場(chǎng)景反射光受懸浮顆粒影響不同，會(huì)使退化圖像產(chǎn)生不同程度的霧氣。而對(duì)于不同的霧濃度，圖像飽和度、亮度、紋理等特征也不盡相同。Choi等人利用在自然有霧和無(wú)霧圖像上觀察到的統(tǒng)計(jì)規(guī)律的可測(cè)量偏差，結(jié)合圖像銳度、對(duì)比度能量、信息熵等12個(gè)特征設(shè)計(jì)了一個(gè)可估計(jì)圖像霧濃度的霧感知密度評(píng)估器［17］：

Dmap1=FADE(I(x))

 ， （6）

式中：I(x)為輸入有霧圖像，Dmap1為輸入圖像1/8尺寸的霧濃度評(píng)估圖。由于初始霧氣分布圖Dmap1的尺寸不利于后續(xù)操作，因此對(duì)Dmap1進(jìn)行放大處理，將其放大為與輸入圖像相同的尺寸，結(jié)果如圖2（b）所示?？梢钥闯?，Dmap1在整體上反應(yīng)出了霧氣的分布特點(diǎn)，濃霧區(qū)域具有較大的值，薄霧區(qū)域具有較小的值。但Dmap還是較為粗糙并伴有噪聲，因此，本文將對(duì)其進(jìn)行后續(xù)細(xì)化處理。

圖2  霧濃度分布圖

Fig.2  Distribution of haze concentration

下載: 原圖 | 高精圖 | 低精圖

由于霧氣的存在，人類可以通過(guò)其感知到景深，因此在去霧過(guò)程中，往往會(huì)保留部分遠(yuǎn)處的霧氣以獲得更自然的視覺效果。本文選擇閾值θ對(duì)Dmap1進(jìn)行分割處理。將Dmap1中大于θ的值置為θ，意味著這些區(qū)域霧濃度較高；小于θ的值不變，認(rèn)為此區(qū)域的霧氣隨景深變化。具體映射操作如下：

Dmap2={Dmap1,θ,Dmap1<θDmap1≥θ

 . （7）

參考Androutsos等人［18］對(duì)自然界圖像亮度分量在HSV顏色空間中75%的劃分，本文將θ取0.75時(shí)效果最好。從圖2（c）可以看出，霧氣分布圖中還包含較多紋理信息，對(duì)其聯(lián)合雙邊濾波操作進(jìn)行細(xì)化，如圖2（d）所示。對(duì)霧氣分布處理的實(shí)驗(yàn)結(jié)果如圖3所示，圖3（a）為有霧圖像，圖3（b）為未對(duì)Dmap1進(jìn)行處理的復(fù)原結(jié)果，圖3（c）為處理后的實(shí)驗(yàn)結(jié)果?？梢钥闯觯磳?duì)Dmap1處理的復(fù)原結(jié)果存在很大缺陷，尤其在天空區(qū)域出現(xiàn)嚴(yán)重的失真現(xiàn)象。而對(duì)Dmap1處理之后的復(fù)原結(jié)果展示出較好的去霧效果與色彩保真度。

圖3  霧氣分布處理的實(shí)驗(yàn)結(jié)果對(duì)比。（a）霧霾圖像；（b）初始霧氣分布復(fù)原結(jié)果；（c）處理后霧氣分布復(fù)原結(jié)果。

Fig.3  Comparison of experimental results of haze distribution treatment.（a） Haze imagets；（b） Recovery results of initial hazed istribution；（c） Rrecovery results of initial haze distribution aftert reatment.

下載: 原圖 | 高精圖 | 低精圖

3.2　大氣光幕與霧濃度的關(guān)系

式（5）中景深與大氣光幕的指數(shù)相關(guān)關(guān)系如圖4（a）所示?？梢钥闯觯?dāng)A與β確定時(shí)，大氣光幕與景深存在非線性的正相關(guān)關(guān)系，并且這種關(guān)系在中景區(qū)域變化較為劇烈。考慮到景深在一定程度上可以反映霧濃度信息，即對(duì)于霧天圖像，場(chǎng)景深度越大，霧濃度分布越高，反之亦然［19-20］。故利用霧濃度分布信息直接估計(jì)大氣光幕，以減小累計(jì)誤差與算法復(fù)雜度。同樣地，霧濃度與景深類似具有與大氣光幕呈正相關(guān)的關(guān)系曲線，具體關(guān)系為：

圖4  景深、霧濃度與大氣光幕關(guān)系曲線。

Fig.4  Relationship curve of the depth of field， haze concentration and atmospheric light veil.

下載: 原圖 | 高精圖 | 低精圖

V(x)=αβDmap(x)????????√

 ， （8）

式中：α直接控制著去霧程度，當(dāng)α較大時(shí)，得到的復(fù)原結(jié)果往往對(duì)比度高、較為飽和，較小的α得到的結(jié)果則存在去霧不徹底問(wèn)題，因此，一個(gè)合適的α對(duì)復(fù)原結(jié)果至關(guān)重要。根據(jù)實(shí)驗(yàn)，本文將α取為0.75，具體實(shí)驗(yàn)結(jié)果如圖5所示。

圖5  參數(shù)α選取效果圖

Fig.5  Effect of parameter α selection

下載: 原圖 | 高精圖 | 低精圖

參數(shù)β控制估計(jì)曲線的增長(zhǎng)速率，直接影響大氣光幕的大小，如圖6所示。大氣光幕在一定程度上可反應(yīng)霧濃度。通常情況下，遠(yuǎn)景區(qū)域的霧濃度大，大氣光幕應(yīng)具有較大的值；在中近景區(qū)域，霧氣分布較少，大氣光幕也較小。因此，參數(shù)β應(yīng)能夠根據(jù)景深變化調(diào)節(jié)大氣光幕大小?？紤]采用最小值通道構(gòu)建調(diào)節(jié)函數(shù)。

圖6  參數(shù)β對(duì)大氣光幕影響曲線

Fig.6  Influence curve of parameter β on the atmospheric veil

下載: 原圖 | 高精圖 | 低精圖

通常情況下，在景深較大的區(qū)域，霧氣分布濃密，圖像亮度較高，因此該區(qū)域最小通道值也較大，這導(dǎo)致估計(jì)的光幕過(guò)大，使復(fù)原圖像出現(xiàn)過(guò)飽和問(wèn)題。因此，為了能夠調(diào)節(jié)β的值，獲得較為準(zhǔn)確的大氣光幕，選取對(duì)數(shù)函數(shù)對(duì)最小值通道進(jìn)行處理，將標(biāo)準(zhǔn)對(duì)數(shù)函數(shù)左移1恰好能夠映射所有歸一化像素，不存在溢出情況，具體定義為：

β(x)=log(Imin(x)+1)+0.1[0,1]

 ， （9）

其中：Imin(x)為退化場(chǎng)景最小顏色通道。

大氣光幕的估計(jì)有效避免了透射率估計(jì)不準(zhǔn)確問(wèn)題。隨機(jī)選取兩張室外退化圖像進(jìn)行大氣光幕估計(jì)復(fù)原，并與Tarel方法［21］進(jìn)行效果對(duì)比，復(fù)原效果如圖7所示。可以看出，Tarel所得大氣光幕整體偏亮，對(duì)大氣光幕估計(jì)過(guò)高，故得到的結(jié)果存在過(guò)飽和現(xiàn)象，并且在兩幅圖中都存在較為嚴(yán)重的偽影問(wèn)題。本文估計(jì)大氣光幕得到的結(jié)果很好地描述了霧氣分布情況，并且去霧程度適中，較為自然。

圖7  大氣光幕估計(jì)復(fù)原圖

Fig.7  Recovery results by atmospheric light veil

下載: 原圖 | 高精圖 | 低精圖

3.3　大氣光估計(jì)

在退化場(chǎng)景復(fù)原過(guò)程中，大氣光直接影響著復(fù)原結(jié)果，它反映了場(chǎng)景的亮度信息。Kim等［22］提出一種結(jié)合四叉樹分解的大氣光值估計(jì)方法，通過(guò)分層策略不斷分割選取標(biāo)準(zhǔn)差最小區(qū)域進(jìn)而獲得最終大氣光值。但此方法會(huì)受大片白色物體影響而錯(cuò)選大氣光位置，使復(fù)原結(jié)果發(fā)生嚴(yán)重偏色。根據(jù)大氣散射模型與景深公式可以推導(dǎo)出大氣光一般取在景深無(wú)窮遠(yuǎn)的平滑區(qū)域。一般情況下，景深無(wú)窮遠(yuǎn)處的霧氣分布較為密集，亮度較高，因此，為獲得較為準(zhǔn)確的大氣光，定義亮度權(quán)重圖如式（11）所示：

Lweight(x)=L(x)Lmax?Lmin

 ， （10）

其中：L(x)為提取HSV顏色空間的亮度分量，Lmax為亮度分量的最大值，Lmin為亮度分量的最小值。可以看出，亮度權(quán)重圖能夠反映像素點(diǎn)相對(duì)于有霧圖像的亮度水平。在此基礎(chǔ)上，用閾值T進(jìn)行大氣光區(qū)域的選取。相對(duì)于清晰圖像，霧氣的存在影響了圖像亮度，為獲取準(zhǔn)確的閾值，考慮在獲取閾值時(shí)引入亮度偏差，閾值T具體表達(dá)如式（11）所示：

T=Lmean+δLm

 ， （11）

式中，Lmean為亮度分量的均值，Lm為亮度分量中大于Lmean的像素均值。δ為亮度分量的標(biāo)準(zhǔn)差。δLm即為亮度偏差，選擇一個(gè)具有較高亮度水平的Lm與亮度分量標(biāo)準(zhǔn)差δ的乘積來(lái)衡量此參數(shù)，可以自動(dòng)識(shí)別不同退化場(chǎng)景的亮度偏差。至此，在獲取亮度權(quán)值與大氣光閾值后，用閾值T對(duì)亮度權(quán)重的像素進(jìn)行篩選，大于閾值的像素被篩選為大氣光區(qū)域，并將這些像素映射到原有霧圖像的像素均值作為最終的大氣光。

3.4　退化場(chǎng)景復(fù)原

根據(jù)公式（1）、（2）可推導(dǎo)出利用大氣光幕與大氣光復(fù)原退化場(chǎng)景的公式：

J(x)=AI(x)?V(x)A?V(x)

 . （12）

根據(jù)大氣光幕恢復(fù)退化場(chǎng)景，可以避免透射率估計(jì)不準(zhǔn)確帶來(lái)的誤差，獲得更好的去霧效果。

4 實(shí)驗(yàn)結(jié)果與分析

為充分驗(yàn)證本算法的有效性，本文將進(jìn)行主觀評(píng)價(jià)與客觀評(píng)價(jià)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。本文選擇2個(gè)傳統(tǒng)算法與3個(gè)深度學(xué)習(xí)算法進(jìn)行評(píng)價(jià)對(duì)比。傳統(tǒng)算法選擇He等人［1］的DCP算法和Yang等人［3］的PDCP算法，深度學(xué)習(xí)算法選擇Li等人［5］的AOD-Net算法、Qin等人［7］的FFA-Net算法和Chen等人［6］的GCANet算法。

4.1　主觀評(píng)價(jià)

主觀評(píng)價(jià)可以直觀地從視覺效果方面展示出各算法的差異性。本文主要通過(guò)真實(shí)退化場(chǎng)景復(fù)原效果與合成退化場(chǎng)景復(fù)原效果進(jìn)行對(duì)比，真實(shí)退化場(chǎng)景選取含天空及白色物體類霧霾圖像與景深突變類霧霾圖像進(jìn)行效果對(duì)比，合成退化場(chǎng)景選取公開測(cè)試集RESIDE里的部分圖像。

從圖8~圖10可以看出，6種算法對(duì)于真實(shí)退化場(chǎng)景的處理效果存在一定程度的差異。對(duì)于真實(shí)退化場(chǎng)景（圖8、圖9），He算法去霧徹底，但整體處理效果偏暗，這是因?yàn)榇髿馍⑸淠Ｐ偷墓逃腥毕?，并且在景深突變處出現(xiàn)光暈偽影問(wèn)題。Yang算法在中近景區(qū)域去霧徹底，但遠(yuǎn)景還留有部分霧氣。Li算法的整體去霧不徹底，并且在天空區(qū)域存在偏色問(wèn)題。Chen算法對(duì)于景深變化緩慢的圖像去霧效果較好，但在其他圖像中存在去霧不徹底問(wèn)題，并且在天空區(qū)域出現(xiàn)較為嚴(yán)重的偏色現(xiàn)象。Qin算法的整體霧氣殘留較多，在天空處出現(xiàn)了嚴(yán)重的偏色問(wèn)題。本文算法去霧程度適中，顏色鮮艷，紋理信息豐富。對(duì)于合成退化場(chǎng)景（圖10），He算法的整體去霧效果較好，但對(duì)于天空區(qū)域的處理仍存在一定的缺陷。Yang算法對(duì)于合成圖像處理效果較好，復(fù)原圖像飽和度適中，視覺效果較好。Li算法的復(fù)原結(jié)果霧氣殘留較多。Chen算法的復(fù)原結(jié)果在天空區(qū)域存在嚴(yán)重偏色問(wèn)題。Qin算法的復(fù)原結(jié)果在天空處出現(xiàn)偏色現(xiàn)象，并且有霧氣殘留。本文算法得到的復(fù)原結(jié)果去霧徹底，顏色自然，細(xì)節(jié)信息豐富。

圖8  含天空及白色物體的場(chǎng)景復(fù)原結(jié)果對(duì)比

Fig.8  Comparison of recovery results of scenes with sky region and white objects

下載: 原圖 | 高精圖 | 低精圖

圖9  景深變化劇烈場(chǎng)景的復(fù)原結(jié)果對(duì)比

Fig.9  Comparison of recovery results of real degradation scenes with depth of field change sharp

下載: 原圖 | 高精圖 | 低精圖

圖10  合成退化場(chǎng)景的復(fù)原結(jié)果對(duì)比

Fig.10  Comparison of recovery results of synthetic degradation scenes

下載: 原圖 | 高精圖 | 低精圖

4.2　客觀評(píng)價(jià)

主觀評(píng)價(jià)能從視覺效果上對(duì)比各算法的差異性，但仍然較為片面。為了進(jìn)一步說(shuō)明本算法的有效性，以客觀指標(biāo)評(píng)價(jià)作為輔助評(píng)價(jià)。對(duì)于真實(shí)退化場(chǎng)景，本文選取新增可見邊率（e）、平均梯度（r）、信息熵（s）、運(yùn)行時(shí)間（t）4個(gè)指標(biāo)進(jìn)行對(duì)比。4個(gè)指標(biāo)中，運(yùn)行時(shí)間越小越好，其他指標(biāo)越大越好。對(duì)于合成退化場(chǎng)景，選擇結(jié)構(gòu)相似度（Structural Similarity， SSIM）與峰值信噪比（Peak Signal Noise Ratio， PSNR）2個(gè)有參考指標(biāo)進(jìn)行對(duì)比，2個(gè)指標(biāo)都是越大越好。隨機(jī)選取RESIDE數(shù)據(jù)集中的4張圖片求取指標(biāo)平均的方式進(jìn)行各算法對(duì)比。

無(wú)參考評(píng)價(jià)指標(biāo)對(duì)比如表1和表2所示?？梢钥闯?，本文算法具有較高的新增可見邊率和信息熵評(píng)價(jià)，表明本文算法恢復(fù)結(jié)果細(xì)節(jié)信息豐富、顏色鮮艷。Yang算法獲得了較好的平均梯度和運(yùn)行時(shí)間評(píng)價(jià)，說(shuō)明Yang算法在算法速度上有較大的優(yōu)勢(shì)，但本文運(yùn)行時(shí)間與平均梯度超越了4種對(duì)比算法，表明本算法具有較高的有效性與可行性。Chen算法在Image3中，新增可見邊率出現(xiàn)了負(fù)值，這說(shuō)明該算法恢復(fù)細(xì)節(jié)信息能力存在一定不足。有參考指標(biāo)評(píng)價(jià)對(duì)比如表3所示，本文算法在PSNR與SSIM上超越了4個(gè)對(duì)比算法，獲得了較高的指標(biāo)值。Qin算法雖然具有最高的PSNR與SSIM，但結(jié)合主觀效果對(duì)比發(fā)現(xiàn)，其復(fù)原結(jié)果霧氣殘留過(guò)多，視覺效果較差。這是由于在其網(wǎng)絡(luò)訓(xùn)練時(shí)，存在過(guò)擬合問(wèn)題，基于深度學(xué)習(xí)的去霧算法往往難以避免此問(wèn)題[23-24]，這也說(shuō)明單一的指標(biāo)對(duì)比并不能充分說(shuō)明算法的優(yōu)劣［25］。綜合主、客觀評(píng)價(jià)對(duì)比發(fā)現(xiàn)，本文算法在退化場(chǎng)景的復(fù)原處理中具有較高的可行性和有效性。

表1  客觀評(píng)價(jià)指標(biāo)e和r

Tab.1  Objective evaluation on index e and r

He Yang Li Chen Qin Ours

e r e r e r e r e r e r

Image1 0.471 1.344 0.513 1.632 0.197 1.479 0.287 1.210 0.287 1.210 0.412 1.667

Image2 0.357 1.339 0.532 1.438 0.061 1.235 0.437 1.334 0.268 1.218 0.535 1.205

Image3 0.070 1.197 0.064 1.208 0.028 1.223 -0.009 0.989 -0.004 0.958 0.207 1.353

Image4 0.260 1.612 0.252 1.681 0.152 1.475 0.188 1.585 0.132 1.240 0.236 1.465

Image5 0.214 1.266 0.063 1.195 0.074 1.014 0.068 1.092 0.041 1.070 0.130 1.231

Average 0.274 1.352 0.285 1.431 0.102 1.285 0.194 1.242 0.145 1.139 0.304 1.384

下載: 導(dǎo)出CSV

表2  客觀評(píng)價(jià)指標(biāo)s和t

Tab.2  Objective evaluation on index s and t

He Yang Li Chen Qin Ours

s t/s s t/s s t/s s t/s s t/s s t/s

Image1 13.710 0.966 14.800 0.568 14.210 1.649 13.927 8.876 13.963 65.742 15.926 0.946

Image2 15.633 1.089 16.412 0.687 14.147 1.533 15.856 7.534 14.550 29.009 15.988 1.315

Image3 16.524 0.957 14.323 0.579 15.462 0.362 16.584 1.651 16.701 15.955 16.159 1.204

Image4 15.558 1.097 15.695 0.691 15.009 0.661 16.068 7.845 15.728 73.315 15.939 1.197

Image5 16.825 2.465 16.775 1.849 14.336 6.491 17.139 3.592 17.204 217.137 16.186 1.853

Average 15.650 1.315 15.601 0.875 14.633 2.139 15.915 5.899 15.629 80.232 16.040 1.303

下載: 導(dǎo)出CSV

表3  數(shù)據(jù)集測(cè)評(píng)指標(biāo)

Tab.3  Indicators of dataset

He Yang Li Chen Qin Ours

PNSR 14.673 18.641 18.761 18.993 24.900 20.851

SSIM 0.856 0.896 0.922 0.934 0.956 0.936

下載: 導(dǎo)出CSV

5 結(jié) 論

霧霾天氣下捕獲的降質(zhì)圖像對(duì)計(jì)算機(jī)視覺任務(wù)造成了較大的影響，對(duì)這些降質(zhì)圖像的復(fù)原算法研究一直是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)。為能夠快速、高效地復(fù)原退化場(chǎng)景，本文提出了一種霧氣分布下的大氣光幕估計(jì)算法。首先，將Fade方法提取到的初始霧氣分布圖進(jìn)行閾值分割與細(xì)化處理得到較為準(zhǔn)確的霧氣分布信息。其次，通過(guò)分析景深、霧濃度、大氣光幕之間的關(guān)系，建立大氣光幕估計(jì)模型。最后，通過(guò)亮度權(quán)重圖與自適應(yīng)大氣光閾值選取大氣光區(qū)域，獲取較為準(zhǔn)確的大氣光，進(jìn)而恢復(fù)退化場(chǎng)景。實(shí)驗(yàn)結(jié)果表明，本文算法恢復(fù)圖像清晰自然，去霧效果徹底，并且能夠保留圖像中的細(xì)節(jié)信息。