1、第 31 卷 第 3 期厦门理工学院学报Journal of Xiamen University of TechnologyVol.31 No.32023 年 6 月Jun.2023暗通道先验结合直方图均衡的阴雾图像处理方法汪昌晨，刘虹*（厦门理工学院光电与通信工程学院，福建 厦门 361024）摘 要为解决暗通道先验对低亮度阴雾图像去雾后的图像亮度较暗，图像内的物体较模糊，不易识别的问题，提出暗通道先验结合直方图均衡的阴雾图像处理方法；利用数学软件，分别测试单独利用暗通道先验、单独利用直方图均衡、暗通道先验结合直方图均衡这3种方法处理阴雾图像的效果。结果表明，相较于单独使用暗通道先验与直方图
2、均衡处理的阴雾图像，所提出的暗通道先验结合直方图均衡方法处理的阴雾图像平均梯度分别为前2种方法的2.18倍与1.63倍，信息熵分别为前2种方法的1.12倍与0.99倍，采用所提方法处理的阴雾图像综合指标，比单独使用暗通道先验与直方图均衡处理的阴雾图像综合指标更高。关键词图像处理；图像去雾；暗通道先验；直方图均衡中图分类号TP391.4 文献标志码A 文章编号1673-4432（2023）03-0050-08Image Dehazing Using Dark Channel Prior with Histogram EqualizationWANG Changchen,LIU Hong*(Sch
3、ool of Optoelectronics&Communications Engineering,Xiamen University of Technology,Xiamen 361024,China)Abstract:To address the difficult recognition of low-light hazy images because of dark and vague state after dehazing,an image dehazing approach using dark channel prior combined with histogram equa
4、lization is proposed in this paper.Mathematical software is also used to test the performance of hazy images processed by dark channel prior alone,histogram equalization alone and dark channel prior combined with histogram equalization.The results show that the average gradient of the low-brightness
5、 hazy images processed by this method is 2.18 times and 1.63 times higher than that of the low-brightness hazy images processed by the dark channel prior and histogram equalization alone,its information entropy is 1.12 times and 0.99 times higher,and its composite index is higher too.Key words:image
6、 processing;image dehazing;dark channel prior;histogram equalization由于大气中含有各类气溶胶，如灰尘、烟雾、阴霾等，所以，室外场景拍摄的图像质量会因此而下降。由大量浑浊介质引起的雾霾天气会造成太阳光线被吸收与散射，进而引起光敏摄像机所拍摄的阴雾图像存在对比度与颜色保真度降低的问题1。在阴雾天气中拍摄的图像不利于交通监控系统与卫doi:10.19697/ki.1673-4432.202303008收稿日期：2022-05-14 修回日期：2022-06-14通信作者：刘虹，女，副教授，硕士，研究方向为信号处理，Email：。引文
7、格式：汪昌晨，刘虹.暗通道先验结合直方图均衡的阴雾图像处理方法 J.厦门理工学院学报，2023，31（3）：50-57.Citation：WANG C C，LIU H.Image Dehazing using dark channel prior with histogram equalization J.Journal of Xiamen University of Technology，2023，31（3）：50-57.（in Chinese）第 3 期汪昌晨，等：暗通道先验结合直方图均衡的阴雾图像处理方法星监控系统的运作，不清晰的阴雾图像会降低交通安全事故的发现概率，影响卫星对自然灾害的
8、预警，给人们的生命安全带来一定的潜在威胁2。因此，图像去雾具有一定的研究意义。现有的图像去雾方法大致可分为3类，分别是基于非物理模型的去雾算法、基于物理模型的去雾算法，以及基于深度学习的去雾算法3。基于非物理模型的去雾算法主要是以图像增强的方法强化图像中的物体特征，从而达到去雾效果。主流的图像增强去雾算法有直方图均衡算法4、Retinex去雾算法5、小波变换和同态滤波算法等6。其中，直方图均衡算法较为简单高效，可以增加图片亮度与对比度，所以得到了广泛的应用，但它易造成图片过饱和与失真，所以不适合应用于高亮度与过低像素的图像处理。基于物理模型的去雾算法是以雾图形成模型作为研究对象的去雾算法，主要
9、有暗通道先验去雾7、颜色衰减先验去雾8、交互式去雾9与基于偏振特性图像去雾等10。其中，暗通道先验算法最为稳定与高效，故成为当前应用最广泛的基于物理模型的去雾算法。暗原色先验是对大量无雾图像的统计结果，如果图像内存在与大气光环境类似的物体如明亮雪地、洁白的背景等，则无法得到较好结果。并且，通过实验发现，暗通道先验处理低亮度阴雾图像会使图像亮度进一步降低，影响图像内物体的识别。基于深度学习的去雾算法主要是由神经网络估计大气散射模型的参数来进行图像去雾的方法，近年来，较出色的深度学习去雾算法有DehazeNet算法11与GCANet算法12。深度学习去雾算法的去雾图像细节还原好，但算法参数多，对数
10、据集要求高，实用性低。单一算法去雾的弊端较明显，以组合方式可发挥不同算法的优势13-16。2017年，张宝山等17结合直方图均衡与暗通道先验进行图像去雾，但其方法是使用直方图均衡处理暗通道先验过程中的最小颜色分量图像，进而影响暗通道先验去雾算法的速度与效果。为此，本文以增大阴雾图像内物体识别度为目标，针对阴雾图像雾气较浓与颜色较暗的特点，先使用高效、稳定的暗通道先验对原始图像去雾，再使用简单、高效的直方图均衡将去雾后的图像亮度拉高，增强图像对比度，进而增大阴雾图像内物的体识别度。1去雾算法的原理1.1雾图像形成模型暗通道先验算法使用的物理模型为大气散射模型18-19，它是一种描述雾图像形成过程
11、的物理模型，可描述为I(x)=J(x)t(x)+A(1-t(x)。（1）式（1）中：x代表像素；I为未处理的含雾图像；J为无雾图像，对图像去雾就是要求解J；A为大气光线；t为透射率。已知的参数为I，要确定唯一的J，就需要确定t与A的值，暗通道先验就是一种用来确定上述参数的方法。1.2暗通道先验暗通道先验的中心思想是：一幅彩色图像具有RGB 3个颜色通道，存在像素值非常小的通道，如绿油油的大草原图像中，R通道与B通道的像素值就非常小。并且，在最小像素值通道内还存在最小单点像素值。一个局部区域内往往存在一个光强度很小的值，可表示为Jdark(x)=miny (x)(minc r,g,b Jc(y)
12、。(2)式（2）中：Jdark表示无雾图像的暗通道；Jc表示无雾图像的单个颜色通道，c表示RGB中的一个通道；(x)表示以像素x的位置为几何中心的窗口；y表示窗口内的像素。He等7 1956对大量数据进行观测得到，若J为室外不含天空的薄雾图像，Jdark的值趋近于0，这被称为观测暗通道先验，即Jdark 0。(3)将式（1）两边同时除以大气光线Ac，得到51厦门理工学院学报2023 年Ic()xAc=t(x)Jc(x)Ac+1-t(x)。(4)在暗通道先验理论中，大气光线Ac为可提前确定的常数，可先从暗通道图Jc中取前0.1%较高像素值的点，再在原始含雾图像Ic中找到与这些像素对应位置点的最高
13、亮度像素值作为Ac。透射率t(x)为待求常数，假设其为t(x)。对式（4）两边求两次最小值并化简，得到miny ()x(minc r,g,b Ic()yAc)=t()xAcminy ()x()minc r,g,b Jc(y)+1-t(x)。（5）由式（2）式（3）、式（5）可知，透射率预估值t(x)可表示为t(x)=1-miny (x)(minc r,g,b Ic()yAc)。（6）在实际中，晴朗的大气中依然存在微小的粉尘，这导致拍摄的远处物体依然存在一定的模糊。为了保证处理后的图像更加符合实际，故在式（6）中引入常参数(0 1)，得到t(x)=1-miny (x)(minc r,g,b Ic
14、()yAc)。（7）式（7）中：的值常取0.95。由上述内容，原始含雾图像I、大气光线A、透射率t都已确定，将其代入式（1）即可求得无雾图像J为J(x)=I()x-At(x)+A。（8）当透射率t较小时，J就会偏大，从而使得复原的无雾图像像素值过高，影响人眼的观感。故设置一个阈值t0，当透射率t小于阈值t0时，令t=t0，得到J(x)=I()x-Amax(t()x,t0)+A。（9）式（9）为最终的恢复公式。1.3直方图均衡一幅数字图像的直方图离散函数20定义为h(rk)=nk。（10）式（10）中：rk代表其中第k级灰度级的像素；nk是图像中像素rk的个数。为了便于运算，故将直方图归一化，具
15、体过程为p(rk)=h()rkn=nkn ,k=0,1,L。（11）式（11）中：p(rk)为灰度级为k的像素rk出现的频数；n为图像的像素总数。设灰度级为归一化于 0，1 的连续量，pr(r)为图像灰度级的概率密度函数，r指输入图像的像素，对输入灰度级进行变换，得到输出灰度级s为s=T(r)=0rpr(r)d。（12）式（12）中：是积分虚设变量。因为对灰度级进行了归一化，所以输出灰度级概率密度函数Ps(s)是均匀的，即有Ps(s)=1,0 s 1,0,其他。（13）因为实际像素点是离散的，故结合式（11）式（12），并将直方图均衡化转换为52第 3 期汪昌晨，等：暗通道先验结合直方图均衡的
16、阴雾图像处理方法sk=T(rk)=j=1kpr(rj)=j=1knjn,k=0,1,L。(14)式（14）中：pr(rj)为输入图像的灰度级相关直方图；rk为输入图像像素；sk为图像做直方图均衡后由rk转换得到的输出图像像素。因为式（14）采取了归一化，所以最终输出的灰度图像需要再乘以灰度级数L。即sk=L T(rk)=L(j=1kpr()rj)=L(j=1knjn),k=0,1,L。（15）1.4暗通道先验结合直方图均衡经暗通道先验处理后的图像为J(x)，x是图像中的像素，将暗通道先验处理后的像素x作为直方图均衡中输入图像的像素r，故结合式（9）、式（15），有sk=L T(xk),k=0,1,L。(16)图1为各流程图像。其中：图1（a）是一幅637 px422 px灰度阴雾图像原图，为说明式（16）的结合方法；图1（b）是经过暗通道先验处理后的灰度图像；图1（c）是在图1（b）基础上再进行直方图均衡处理后的灰度图像。图2为结合方法示意图，其中：图2（a）为所选点的坐标，以（行，列）的格式表示，共取9个点；图2（b）用于表示所取像素点坐标对应的像素值，其中x代表像素，xk则表示像素