基于雾气分布的大气光幕估计去雾算法

在雾天场景下，由于大气中存在的悬浮粒子对成像过程有一定的干扰作用，使得成像设备捕获到的图像存在视觉效果差、对比度降低、细节丢失等问题，导致一些计算机视觉系统难以正常工作，例如自动车辆导航、户外监控、遥感以及目标识别等。因此，对雾天等恶劣天气下图像的处理工作对后续的计算机视觉任务具有重要的意义。

目前现有的图像去雾算法中，主要分为基于传统方法的去雾算法和基于深度学习的去雾算法。在传统去雾算法中，主要分为图像增强类和图像复原类。图像增强类的算法有直方图均衡算法、Retinex算法等，此类算法虽然能够在一定程度上提高图像对比度、改善图像的视觉效果，但没有考虑图像退化的本质原因，容易造成图像信息丢失，并没有做到真正的去雾。复原类图像去雾算法通过研究雾天图像退化的物理机制，建立雾天图像退化模型，反演退化过程，补偿退化过程中造成的损失以获得无雾图像的最优估计值，从而改善雾天图像质量。相较而言，图像复原类算法具有内在的优越性，已成为去雾领域的研究热点。近年来，基于先验知识或假设的单幅图像去雾技术得到了重大突破。He等人［1］通过对室外无雾图像的大量观察，提出暗通道先验（Dark Channel Prior， DCP）算法，对一般雾天场景均具有较好的处理效果，但在含有天空或高亮白色物体时由于对透射率估计不准确，导致算法失效。Wang等人［2］提出有雾图像与无雾图像最小通道间存在线性关系的假设，构建线性模型来估计透射率，该算法运行速度较快，但存在复原结果整体较暗的问题。Yang等人［3］为避免最小滤波的弊端，提出一种用边缘保持函数代替最小滤波拟合暗通道的去雾算法，同时对透射率进行基于对数幂律变换的优化，进而得到了较为准确的透射率，但该算法对于一些景深跃变大的图像会产生一定的失真现象。虽然复原类算法各有局限性，但从复原成本与质量效果方面分析，此类算法仍具有较大的研究意义［4］。

近年来，基于数据驱动的去雾算法也取得了快速发展。Li等人［5］基于卷积神经网络提出一种图像去雾模型AOD-Net（All-in-One Dehazing Net），通过线性变换将大气光与透射率整合为一个变量，并将其代入大气散射模型得到无雾图像，但参数估计会使误差相互放大，影响去雾效果。Chen等人［6］提出一种端到端的门控上下文聚合网络（Gated Context Aggregation Network， GCANet ）来恢复退化图像，该网络采用平滑扩张卷积消除网格伪影，引入门控子网络来融合多层次特征。该模型得到的效果较好，网络训练时间较短。Qin等人［7］提出了一种端到端的特征融合注意力机制网络，该网络融合通道与像素注意力机制，构建特征注意模块，使得主网络注重更有效的图像信息。基于深度学习的去雾算法往往需要利用现有数据集训练大量参数，对设备和数据集的要求较高，并且此类算法对于真实退化图像的去雾效果较差，目前在去雾领域存在一定的局限性［8］。

综上所述，本文提出一种基于雾气分布的大气光幕估计去雾算法。首先将Fade方法得到的雾气分布图像进行阈值分割与细化处理得到较为精确的雾气分布，通过分析景深、雾浓度、大气光幕之间的关系，建立大气光幕估计模型。其次，通过亮度权重图与自适应大气光阈值选取大气光区域，获取较为准确的大气光，进而恢复退化场景。算法不涉及透射率计算，避免了透射率估计不足带来的失真问题。

2 相关理论

在图像去雾领域，常用的雾天场景成像模型为大气散射模型［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)代表退化场景：J(x)表示复原场景；t(x)表示介质透射率；A表示大气光，一般将其选取在无穷远处；J(x)t(x)为直接衰减成分，描述场景辐射在大气介质中的衰减；A(1−t(x))是大气光幕，描述了粒子对大气光的散射作用，其表达式为：

V(x)=A(1−t(x))

 ， （2）

由式（1）可得，大气光幕V(x)小于退化场景I(x)，并且为正值。即：

{V(x)≤W(x)V(x)>0

 ， （3）

其中：W(x)=minc∈{r,g,b}(Ic(x))为退化场景最小通道值，c表示RGB颜色通道。在均匀介质中，透射率与场景深度的关系为：

t(x)=e−βd(x)

 ， （4）

式中：β为大气散射系数，d(x)为场景深度，将式（4）代入式（2）可得：

V(x)=A(1−e−βd(x))

 . （5）

Zhu等人［10］通过分析得到，景深可反映雾浓度信息，并且与雾浓度存在正相关关系。通过对大量退化场景的观察发现，景深越大的区域往往雾浓度较大，图像亮度较高，纹理信息几乎不可见。故Zhu等人以亮度与饱和度之间的差异近似表示雾浓度，建立线性模型估计景深。基于大气散射模型，可直接估计透射率和大气光达到去雾目的[11-13]，也可从估计大气光幕与大气光的角度进行图像复原[14]。但由于此模型自身的缺陷，所得复原结果偏暗，故提出一系列改进大气散射模型的去雾算法[15-16]。

3 本文算法

根据颜色衰减先验（Color Attenuation Prior，CAP）以及大气成像物理模型分析，雾气分布与景深存在正相关关系，并且根据推导可发现景深与大气光幕存在指数正相关关系。综合上述特性以及相关理论，本文对雾气分布与大气光幕进行建模，直接用雾气分布信息估计大气光幕，减小了算法复杂度。并提出一种亮度权重结合自适应阈值的大气光求取方法，进而得到复原场景。算法流程框图如图1所示。