1、第 1 期2023 年1 月电子学报ACTA ELECTRONICA SINICAVol.51 No.1Jan.2023基于超像素图像分割的暗通道先验去雾改进算法金天虎1，陶砚蕴1，3，李佐勇2（1.苏州大学轨道交通学院，江苏苏州 215137；2.福建省信息处理与智能控制重点实验室（闽江学院），福建闽江 350108；3.南京大学计算机软件新技术国家重点实验室，江苏南京 215311）摘要：本文针对暗通道先验去雾算法在天空等明亮区域存在明显的噪声放大和色彩失真的问题，从大气散射模型和暗通道先验理论出发修正大气光值和非暗通道区域透射率，提出了基于超像素图像分割的暗通道先验去雾改进算法.本文算法
2、基于大气散射模型和暗通道先验理论建立雾天成像模型；通过超像素阈值分割算法将图像分为暗通道区域和非暗通道区域，暗通道区域（Dark Channel Region，DCR）即图像中符合暗通道先验理论的部分，非暗通道区域（Non-Dark Channel Region，NDCR）即图像中不符合暗通道先验理论的部分；再分别通过非暗通道区域和暗通道区域的超像素，估计全局大气光值，修正非暗通道区域透射率；最终根据大气散射模型恢复无雾图像.本文算法提高了全局大气光值的准确性，有效抑制了天空等非暗通道区域的失真，复原图像更加清晰自然，增强了视觉效果.主观和客观评价的实验表明，本文算法能够取得比传统算法更优的去
3、雾效果.关键词：图像去雾；暗通道先验；超像素图像分割；全局大气光值和透射率修正；暗通道区域基金项目：福建省信息处理与智能控制重点实验室（闽江学院）开放课题（No.MJUKF-IPIC202104）；计算机软件新技术国家重点实验室（南京大学）开放课题（No.KFKT2021B40）中图分类号：TP391 文献标识码：A 文章编号：0372-2112(2023)01-0146-14电子学报URL:http:/ DOI:10.12263/DZXB.20211566An Improved Dark Channel Prior Dehazing Algorithm Based on Superpixel
4、 Image SegmentationJIN Tian-hu1,TAO Yan-yun1,3,LI Zuo-yong2(1.School of Rail Transportation,Soochow University,Suzhou,Jiangsu 215137,China;2.Fujian Provincial Key Laboratory of Information Processing and Intelligent Control,MinJiang University,Minjiang,Fujian 350108,China;3.State Key Laboratory for
5、Novel Software Technology,Nanjing University,Nanjing,Jiangsu 215311,China)Abstract:In view of the obvious noise amplification and color distortion of dark channel prior defogging algorithm in bright areas such as sky,this paper proposes an improved dark channel prior defogging algorithm based on sup
6、erpixel image segmentation.Based on the atmospheric scattering model and dark channel prior theory,the atmospheric light value and the transmittance of non-dark channel region are modified.Firstly,a foggy imaging model is established based on atmospheric scattering model and dark channel prior theor
7、y.Then,the image is divided into dark channel region and non-dark channel region through the super pixel threshold segmentation algorithm.Dark channel region(DCR)is the part of the image conforming to the dark channel prior theory.Non-dark channel region(NDCR)is the part of the image that does not c
8、onform to the dark channel prior theory.Then the global atmospheric light value is estimated by the superpixels of the non-dark channel region and the dark channel region,respectively,and then the transmittance of the non-dark channel region is corrected.Finally,the fog-free image is restored accord
9、ing to the atmospheric scattering model.The algorithm in this paper improves the accuracy of global atmospheric light values,and effectively inhibits the distortion of sky and other non-dark channel regions,making the restored image clearer and more natural,and also enhances the visual effect.Subjec
10、tive and objective evaluation experiments show that the proposed algorithm can achieve better defogging effect than the traditional algorithm.Key words:image dehazing;dark channel prior;super pixel image segmentation;global atmospheric light value and transmittance correction;dark channel region收稿日期
11、：2021-11-22；修回日期：2022-02-20；责任编辑：朱梅玉第 1 期金天虎:基于超像素图像分割的暗通道先验去雾改进算法Foundation Item(s):Open Fund Projects of Fujian Provincial Key Laboratory of Information Processing and Intelligent Control(Minjiang University)(No.MJUKF-IPIC202104);Open Fund Projects of State Key Laboratory for Novel Software Techno
12、logy(No.KFKT2021B40)1图像去雾相关工作当前环境污染日益严重，雾霾已经成为一种常见现象.受雾霾天气影响，成像设备获得的图像存在对比度下降、细节丢失以及饱和度偏移等问题1，2.这对室外导航3，4、视频监控5，6、图像取证7等视觉系统产生了极大的影响.因此学者们提出了许多图像去雾算法.其中，基于图像增强的去雾算法的核心思想是突出图像的某些特征；基于图像复原的去雾算法通过分析雾天图像降质的原因，建立雾天成像物理模型，估计模型参数，反推出无雾图像，由于不考虑图像退化原因，恢复效果往往不如基于图像复原的去雾算法效果好；此外，基于深度学习的图像去雾算法取得了显著的效果，然而其训练模型多集
13、中在合成雾霾图像上，算法复杂度高，运行效率慢，用于真实场景时性能下降.Tan8基于能见度较好的图像（或者晴天图像）比受恶劣天气影响的图像具有更高的对比度，通过最大化局部对比度达到去雾目的，但该方法不符合真实的雾天成像物理模型，去雾效果不自然.Fattle 9 提出了一种加入表面阴影的雾天图像成像模型，通过假设表面阴影和透射率在局部统计上是不相关的，估算出透射率，最终达到去雾的目的，但该方法在假设不成立时不能很好的去除图像中的雾霾.Zhu等 10 在颜色衰减先验理论基础上利用景深、亮度和对比度的关系来估计透射率，但该方法不能给出普适性的参数修正透射率导致复原图像留有残雾.He等11，12通过对大
14、量户外无雾图像的研究统计发现暗通道先验理论，提出经典的暗通道先验（Dark Channel Prior，DCP）去雾算法.该方法利用暗通道先验信息，去雾效果显著，边缘信息保持良好，已成为当下最流行的去雾算法之一.但由于天空、白色物体等非暗通道区域不符合该算法的暗通道先验理论，去雾后的图像在非暗通道区域出现色彩失真和噪声放大现象.有学者就此提出了改进方案.Wang等13认为室外图像中天空区域是一个大面积高强度的平滑区域，以此将图像分为天空区域和非天空区域，然后分别修正天空区域和非天空区域的透射率，最终达到不同区域的去雾目的，但该算法只适用于有大面积天空区域的室外图像，且给定的透射率修正方式不合实
15、际.蒋建国等14提出引入容差阈值修正明亮区域的透射率，但未能给出普适性的容差阈值.Zhu等15利用梯度对天空区域进行检测和分割，引入亮度容差和梯度容差修正天空透射率，最终达到去雾后保持非天空区域不失真的目的，该方法天空区域分割不完整，引入了较多参数.肖进胜等16将引导滤波用于天空区域的细化分割，解决了天空色彩失真等问题，取得了良好的去雾效果，但图像非暗通道区域不仅包括天空区域，还包括白色物体等高亮度区域.Hassan等17在暗通道先验基础上通过超像素分割图像，选择强度最大的超像素作为全局大气光值，利用滚动引导滤波修正透射率，最终达到去雾目的，但该方法全局大气光值的估计和透射率修正不准确，天空等
16、亮度较高区域去雾效果不理想.Kim等18利用暗通道先验理论估计全局大气光值，通过有雾图像的饱和度和拉伸函数估计清晰图像的饱和度，最终利用饱和度和透射率的关系估计透射率，最终达到去雾的目的，该算法去雾效果良好，但部分图像会出现偏色的现象.本文利用简单线性迭代聚类超像素（Simple Linear Iterative Clustering，SLIC）19阈值分割算法将图像区分出暗通道区域和非暗通道区域，分别由非暗通道区域和暗通道区域的最大强度超像素估计全局大气光值，然后利用到暗通道先验信息修正非暗通道区域透射率，最后通过大气散射模型得到复原图像.相比传统暗通道先验去雾算法，本文算法有效解决了天空等非暗通道区域颜色失真问题.通过实验观察，本文算法整体去雾效果良好，复原图像具有较好的视觉效果.2暗通道先验去雾算法2.1大气散射模型雾是由大量悬浮在空气中的微小水滴或冰晶组成的微小粒子.霾是由空气中的灰尘、硫酸、硝酸等颗粒物组成的微小粒子.雾霾的存在会降低空气透明度，户外的图像因此存在对比度降低和颜色偏移等问题.粒子对光的散射作用强度随粒子半径增大而增强.因此在晴天条件下，空气中的大气分子体积很小
