本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種結(jié)合HE和引導(dǎo)濾波的MSRCR交通圖像去霧霾方法。

背景技術(shù)：

近年來，環(huán)境污染日益嚴(yán)重，導(dǎo)致霧霾天氣經(jīng)常出現(xiàn)，這嚴(yán)重影響人們的日常生活。霧霾是由于大氣中懸浮的大量微小水滴、氣溶膠的散射作用，致使大氣能見度嚴(yán)重下降的現(xiàn)象^[1]。在實(shí)際應(yīng)用中，比如軍事技術(shù)，交通，法庭取證，甚至氣象學(xué)，天文學(xué)，經(jīng)常需要從戶外視頻序列中提出圖像特征。因此，圖像去霧已經(jīng)成為了一個(gè)緊迫而實(shí)用的研究課題。而去霧后的圖像因看上去更令人滿意，包含更多的信息，所以能被廣泛地用在許多領(lǐng)域。例如，去霧后圖像在計(jì)算機(jī)視覺中是一個(gè)有效的數(shù)據(jù)源。在圖像處理中，圖像去霧被當(dāng)作一個(gè)預(yù)處理方法。例如，Gibson等^[2]調(diào)查了去霧對(duì)監(jiān)測(cè)系統(tǒng)圖像和視頻編碼的影響；王等^[3]用去霧后圖像提高了圖像相關(guān)排序和圖像、視頻注釋的準(zhǔn)確性；而且，高等^[4]用去霧圖像進(jìn)行了三維目標(biāo)檢索和識(shí)別。因此，從被霧損壞的圖像中恢復(fù)真實(shí)圖像有重要的學(xué)術(shù)和應(yīng)用意義。霧霾使交通監(jiān)控設(shè)備采集到的圖像發(fā)生退化，這給交通的監(jiān)控管理帶來困難，嚴(yán)重影響道路交通行車安全。因此，對(duì)霧霾天氣引起的交通監(jiān)控圖像退化進(jìn)行恢復(fù)研究具有重大意義。

圖像去霧就是指用特定的方法和手段，使空氣中懸浮微粒對(duì)圖像的不良影響降低甚至消除^[5]。目前的霧霾圖像清晰化處理有很多方法，主要可以分為兩大類:第一類是基于物理模型的方法，這種方法通過研究大氣懸浮微粒對(duì)光的散射作用，建立大氣散射模型,解讀圖像退化的物理機(jī)理，然后反演復(fù)原出未降質(zhì)前的圖像^[6]。這是一類專門針對(duì)霧天圖像的圖像復(fù)原方法，復(fù)原出來的圖像圖像真實(shí)，接近降質(zhì)前的圖像，圖像信息得到較完整的保存。第二類是基于圖像增強(qiáng)的方法，這類方法是使用圖像增強(qiáng)的方法對(duì)被降質(zhì)的圖像進(jìn)行增強(qiáng),改善圖像的質(zhì)量。這類方法能有效地提高霧霾圖像的對(duì)比度，突出圖像中的某些細(xì)節(jié)。

基于圖像增強(qiáng)的方法主要有兩種：一種是直方圖均衡化方法，一種是Retinex方法^[7]。直方圖均衡化是一種較成熟的算法，實(shí)現(xiàn)也比較簡(jiǎn)單，常用于增強(qiáng)對(duì)比度,而霧霾圖像具有較窄的集中式單峰直方圖，對(duì)比度低，因此可以用直方圖均衡化方法使其成為直方圖分布均勻的形式,擴(kuò)大圖像動(dòng)態(tài)范圍，從而增強(qiáng)對(duì)比度，但這會(huì)損失部分細(xì)節(jié)。Retinex算法對(duì)圖像進(jìn)行增強(qiáng)，可以顯著提高暗區(qū)域的細(xì)節(jié)，但是會(huì)產(chǎn)生泛白、顏色失真和對(duì)比度低的現(xiàn)象。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明旨在提供一種結(jié)合HE和引導(dǎo)濾波的MSRCR交通圖像去霧霾方法，首先將圖像分別進(jìn)行HE和MSRCR增強(qiáng)，其中MSRCR增強(qiáng)用具有平滑保邊功能的引導(dǎo)濾波替換高斯函數(shù)估計(jì)光照分量，然后對(duì)增強(qiáng)后的兩幅圖像按照一定的圖像融合規(guī)則進(jìn)行加權(quán)融合。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種結(jié)合HE和引導(dǎo)濾波的MSRCR交通圖像去霧霾方法，包括如下步驟：

S1采用基于引導(dǎo)濾波的MSRCR算法對(duì)原始圖像進(jìn)行處理，即：

其中，I(x,y)為原始圖像，(x,y)為原始圖像的像素坐標(biāo)；N為引導(dǎo)濾波的濾波半徑的尺度總數(shù)，f_n[I(x,y)]為原始圖像第n個(gè)尺度下的引導(dǎo)濾波函數(shù)；ω_n為第n個(gè)尺度的結(jié)果的權(quán)數(shù)，滿足歸一化條件其中：

f_n[I(x,y)]＝a_kI(x,y)+b_k；

b_k＝μ(1-a_k)；

w_k為濾波窗口，k為濾波窗口w_k的中心像素，a_k和b_k為濾波窗口w_k中的線性因數(shù)，在一個(gè)窗口中為固定值；μ_k分別為濾波窗口w_k中I(x,y)的方差與均值，ε為平滑因子；原始圖像I(x,y)作為引導(dǎo)圖像；

S2采用直方圖均衡化的方法對(duì)原始圖像I(x,y)進(jìn)行處理；

S3將步驟S1處理得到的圖像和步驟S2處理得到的圖像進(jìn)行融合，得到最終的處理圖像。

需要說明的是，步驟S2中，具體以圖像各灰度級(jí)概率的累積分布函數(shù)作為變換函數(shù)，累積分布函數(shù)表示為：

其中，0，1，2，...，L-1表示灰度級(jí)范圍，r_m為變換前的灰度級(jí)，T(r_m)為變換函數(shù)，s_m為變換后的灰度級(jí)，n_j為原始圖像中第j級(jí)灰度級(jí)的像素個(gè)數(shù)，n為原始圖像中像素的總數(shù)，p_r(r_j)為原始圖像取第j級(jí)灰度值的概率；

步驟S2的輸出圖像通過所述變換函數(shù)將原始圖像中灰度級(jí)為r_m的各像素映射到輸出圖像中灰度級(jí)為S_m的對(duì)應(yīng)像素得到。

需要說明的是，步驟S3中，設(shè)A(x,y)表示步驟S2處理得到的圖像，R(x,y)表示步驟S1處理得到的圖像，則采用下式對(duì)步驟S1和步驟S2的圖像進(jìn)行融合：

C(x,y)＝λA(x,y)+(1-λ)R(x,y)；

其中，λ為加權(quán)系數(shù)，且0≤λ≤1。

進(jìn)一步需要說明的是，加權(quán)系數(shù)λ取0.6～0.8。

需要說明的是，步驟S1中，對(duì)引導(dǎo)濾波的濾波半徑c取大、中、小三個(gè)尺度。

進(jìn)一步需要說明的是，c＜50為小尺度，50≤c<100為中尺度，c≥100為大尺度。

需要說明的是，步驟S1中，ω_n＝1/3。

本發(fā)明的有益效果在于：

1、為了解決傳統(tǒng)Retinex圖像增強(qiáng)算法在高對(duì)比度邊緣區(qū)域存在光暈偽影的問題，本發(fā)明采用具有平滑保邊功能的引導(dǎo)濾波代替?zhèn)鹘y(tǒng)Retinex算法中的高斯濾波對(duì)光照強(qiáng)度進(jìn)行估計(jì)，以消除光暈偽影現(xiàn)象，更好地突出圖像細(xì)節(jié)，提高運(yùn)算效率，且相比于采用具有邊緣保持功能的雙邊濾波代替Retinex中的高斯濾波作為環(huán)繞函數(shù)來估計(jì)光照分量，效率更高。

2、本發(fā)明先用直方圖均衡化算法和基于引導(dǎo)濾波的彩色恢復(fù)多尺度Retinex算法(MSRCR)分別對(duì)圖像進(jìn)行處理，然后把處理后的圖像按照一定的比例加權(quán)平均之后，融合成新的圖像，在一定比例范圍之內(nèi)得到了很好的去霧圖像。

附圖說明

圖1為本發(fā)明的原理示意圖；

圖2為霧霾天氣下鐵路路口指示燈的原始圖像，圖3為圖2經(jīng)過直方圖均衡化去霧后的圖像，圖4為圖2經(jīng)過MSRCR算法去霧后的圖像，圖5和圖6分別為圖2經(jīng)過基于雙邊濾波的單尺度Retinex算法和基于引導(dǎo)濾波的單尺度Retinex算法去霧后的圖像，圖7為圖2經(jīng)過本發(fā)明方法去霧后的圖像；

圖8為霧霾天氣下交警道路指揮的原始圖像，圖9為圖8經(jīng)過直方圖均衡化去霧后的圖像，圖10為圖8經(jīng)過MSRCR算法去霧后的圖像，圖11為圖8經(jīng)過基于雙邊濾波的單尺度Retinex算法去霧后的圖像，圖12為圖8經(jīng)過基于引導(dǎo)濾波的單尺度Retinex算法去霧后的圖像，圖13為圖8經(jīng)過本發(fā)明方法去霧后的圖像；

圖14為霧霾天氣下車輛行駛的原始圖像，圖15為圖14經(jīng)過直方圖均衡化去霧后的圖像，圖16為圖14經(jīng)過MSRCR算法去霧后的圖像，圖17和圖18分別為圖14經(jīng)過基于雙邊濾波的單尺度Retinex算法和基于引導(dǎo)濾波的單尺度Retinex算法去霧后的圖像，圖19為圖14經(jīng)過本發(fā)明方法去霧后的圖像。

具體實(shí)施方式

以下將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的描述，需要說明的是，本實(shí)施例以本技術(shù)方案為前提，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍并不限于本實(shí)施例。

如圖1所示，一種結(jié)合HE和引導(dǎo)濾波的MSRCR交通圖像去霧霾方法，包括如下步驟：

S1采用基于引導(dǎo)濾波的MSRCR算法對(duì)原始圖像進(jìn)行處理，即：

其中，I(x,y)為原始圖像，(x,y)為原始圖像的像素坐標(biāo)；N為引導(dǎo)濾波的濾波半徑的尺度總數(shù)，f_n[I(x,y)]為原始圖像第n個(gè)尺度下的引導(dǎo)濾波函數(shù)；ω_n為第n個(gè)尺度的結(jié)果的權(quán)數(shù)，滿足歸一化條件其中：

f_n[I(x,y)]＝a_kI(x,y)+b_k；

b_k＝μ(1-a_k)；

w_k為濾波窗口，k為濾波窗口w_k的中心像素，a_k和b_k為濾波窗口w_k中的線性因數(shù)，在一個(gè)窗口中為固定值；μ_k分別為濾波窗口w_k中I(x,y)的方差與均值，ε為平滑因子；原始圖像I(x,y)作為引導(dǎo)圖像；

S2采用直方圖均衡化的方法對(duì)原始圖像I(x,y)進(jìn)行處理；

S3將步驟S1處理得到的圖像和步驟S2處理得到的圖像進(jìn)行融合，得到最終的處理圖像。

需要說明的是，步驟S2中，具體以圖像各灰度級(jí)概率的累積分布函數(shù)作為變換函數(shù)，累積分布函數(shù)表示為：

其中，0，1，2，...，L-1表示灰度級(jí)范圍，r_m為變換前的灰度級(jí)，T(r_m)為變換函數(shù)，s_m為變換后的灰度級(jí)，n_j為原始圖像中第j級(jí)灰度級(jí)的像素個(gè)數(shù)，n為原始圖像中像素的總數(shù)，p_r(r_j)為原始圖像取第j級(jí)灰度值的概率；

步驟S2的輸出圖像通過所述變換函數(shù)將原始圖像中灰度級(jí)為r_m的各像素映射到輸出圖像中灰度級(jí)為S_m的對(duì)應(yīng)像素得到。

需要說明的是，步驟S3中，設(shè)A(x,y)表示步驟S2處理得到的圖像，R(x,y)表示步驟S1處理得到的圖像，則采用下式對(duì)步驟S1和步驟S2的圖像進(jìn)行融合：

C(x,y)＝λA(x,y)+(1-λ)R(x,y)；

其中，λ為加權(quán)系數(shù)，且0≤λ≤1。

進(jìn)一步需要說明的是，加權(quán)系數(shù)λ取0.6～0.8。

需要說明的是，步驟S1中，對(duì)引導(dǎo)濾波的濾波半徑c取大、中、小三個(gè)尺度。

進(jìn)一步需要說明的是，c＜50為小尺度，50≤c<100為中尺度，c≥100為大尺度。

需要說明的是，步驟S1中，ω_n＝1/3。

以下將對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。

Reninex理論是由Edwin Land根據(jù)人類視覺系統(tǒng)的顏色恒常性提出來的，色彩恒常的含義是人眼對(duì)物體色彩的感知與物體表面的光反射特性有關(guān),而與實(shí)際到達(dá)人眼的光譜關(guān)系不大,這使人眼能夠獲得對(duì)物體色彩穩(wěn)定的視覺而不受環(huán)境光的光譜成分變化所影響。Reninex理論認(rèn)為一幅圖像可由照度分量和反射分量表示，表示關(guān)系為

I(x,y)＝L(x,y)R(x,y)；

其中，I(x,y)為原圖像，L(x,y)為照度分量，R(x,y)為反射分量。其中，反射分量代表頻域中的高頻成分，取決于物體表面的特性，不同物體表面材質(zhì)的反射率差異很大。照度分量代表頻域中的低頻成分，因?yàn)檎斩确至繌?qiáng)度一般變化緩慢。

Retinex算法是一種用于消除由光照變化給圖像帶來的負(fù)面影響的圖像增強(qiáng)算法。霧霾天氣下,大氣散射粒子對(duì)圖像的影響可以近似等效為照度分量L(x,y)的變化,而景物的原貌則是反射分量R(x,y)。因此,Retinex圖像增強(qiáng)算法可用于把有霧霾圖像中的照射分量L(x,y)和反射分量R(x,y)分離,消除以霧氣為主的照度分量對(duì)圖像的影響,復(fù)原景物的原貌。

Jobson等在Land提出的中心/環(huán)繞Retinex的基礎(chǔ)上,確定了高斯函數(shù),提出了單尺度Retinex算法(Single scale Retinex,SSR)，該算法可表示為

R(x,y)＝logI(x,y)-log[F(x,y)*I(x,y)]；

其中，I(x,y)和R(x,y)分別為Retinex算法處理前后的圖像；F(x，y)是高斯環(huán)繞函數(shù)，c為濾波半徑,K為常數(shù),由歸一化條件∫∫F(x,y)dxdy＝1來確定。

為了解決SSR中確定的尺度無法同時(shí)做到細(xì)節(jié)增強(qiáng)和得到較好的顏色保真度的問題,Rahman等又把此算法擴(kuò)展到多尺度,提出了多尺度Retinex(Multiple scale Retinex,MSR)算法。MSR算法可表示為

其中,N為尺度總數(shù),ω_n為第n個(gè)尺度的結(jié)果的權(quán)數(shù),滿足歸一化條件

僅利用單尺度Retinex算法對(duì)圖像進(jìn)行增強(qiáng)不能實(shí)現(xiàn)細(xì)節(jié)增強(qiáng)和較好顏色保真度之間的平衡，多尺度Retinex算法能夠改善這一問題^[9]。故應(yīng)利用多尺度Retinex模型對(duì)大、中、小尺度下SSR結(jié)果進(jìn)行綜合，從而充分地融合不同尺度下的優(yōu)點(diǎn)，使多尺度反射結(jié)果獲得細(xì)節(jié)保持和較好保真度相平衡的視覺圖像。

MSR處理后顏色有失真,主要是處理后圖像去飽和,色彩偏灰色調(diào)。為此,Rahman等和Jobson等又提出了色彩恢復(fù)多尺度Retinex(Multiple scale Retinex with color restoration,MSRCR)算法，引入彩色恢復(fù)因子來補(bǔ)償顏色失真。算法表達(dá)式為

R_MSRCR(x,y)＝C_i(x,y)R_MSR(x,y)；

其中，R_MSR(x,y)為MSR算法的結(jié)果，C_i(x,y)為彩色恢復(fù)因子，其表達(dá)式為

其中：α與β為調(diào)節(jié)參數(shù)，I_i(x,y)為原始圖像在i顏色通道的分布。

本發(fā)明基于色彩恢復(fù)多尺度Retinex算法(MSRCR)對(duì)交通霧霾圖像進(jìn)行處理。

為了解決傳統(tǒng)Retinex圖像增強(qiáng)算法在高對(duì)比度邊緣區(qū)域存在光暈偽影的問題，本發(fā)明采用具有平滑保邊功能的引導(dǎo)濾波代替?zhèn)鹘y(tǒng)Retinex算法中的高斯濾波對(duì)光照強(qiáng)度進(jìn)行估計(jì)，以消除光暈偽影現(xiàn)象，更好地突出圖像細(xì)節(jié)，提高運(yùn)算效率。

針對(duì)傳統(tǒng)Retinex圖像增強(qiáng)算法在高對(duì)比度邊緣區(qū)域存在光暈偽影的現(xiàn)象的問題，目前常見的方法是采用具有邊緣保持功能的雙邊濾波代替Retinex中的高斯濾波作為環(huán)繞函數(shù)來估計(jì)光照分量^[10]，雖然雙邊濾波在平滑的同時(shí)可以有效地保留圖像細(xì)節(jié)信息，但其時(shí)間復(fù)雜度較高，當(dāng)濾波窗口半徑較大或處理大分辨率圖像時(shí)計(jì)算時(shí)間會(huì)很長(zhǎng)。本發(fā)明采用同樣具有平滑與保邊功能的線性引導(dǎo)濾波代替Retinex中的高斯濾波估計(jì)照度分量，相比采用雙邊濾波估計(jì)照度分量效率較高。

引導(dǎo)濾波是一種邊緣保持平滑濾波器，它可以實(shí)現(xiàn)圖像細(xì)節(jié)增強(qiáng)以及圖像融合去噪等功能，是一種功能強(qiáng)大的濾波器。它的原理是通過一幅引導(dǎo)圖像I對(duì)輸入圖像p進(jìn)行濾波，輸出的圖像q在保留輸入圖像整體特征的同時(shí)，能充分獲取引導(dǎo)圖像的變化細(xì)節(jié)。引導(dǎo)濾波可以表示為局部線性模型：

式中w_k為濾波窗口；I為引導(dǎo)圖像；q_i為圖像I窗口w_k中i像素處的線性變換灰度值；k為窗口w_k的中心像素；a_k和b_k為窗口中的線性因數(shù)，在窗口中為固定值。局部線性系數(shù)a_k和b_k采用以下方式求解：

式中N為窗口w_k中的像素?cái)?shù)，μ_k分別為窗口w_k中I的方差與均值；為窗口中p的均值。

本發(fā)明中令引導(dǎo)圖像I和輸入圖像p相同，則上式寫為：

b_k＝μ(1-a_k)；

本發(fā)明根據(jù)彩色恢復(fù)多尺度Retinex模型對(duì)引導(dǎo)濾波的濾波半徑取低、中、高三個(gè)尺度，基于引導(dǎo)濾波的MSRCR算法的求解公式可表示為

其中,N為尺度總數(shù),f_n為第n個(gè)尺度下的引導(dǎo)濾波函數(shù)。ω_n為第n個(gè)尺度的結(jié)果的權(quán)數(shù),滿足歸一化條件

于Retinex的算法對(duì)光照變化引起質(zhì)量問題的圖像具有非常好的處理效果，但會(huì)降低圖像的對(duì)比度，而直方圖均衡可以有效地增強(qiáng)圖像的對(duì)比度，如果找到一種最佳的融合算法，把經(jīng)過直方圖均衡增強(qiáng)后的去霧圖像與經(jīng)過改進(jìn)的Retinex算法增強(qiáng)后的去霧圖像進(jìn)行融合，就會(huì)獲得非常好的圖像。

圖像融合的目的是綜合同一個(gè)場(chǎng)景的多個(gè)算法結(jié)果圖像的信息，使合成后的圖像具有更多的信息，更易于人類視覺系統(tǒng)或計(jì)算機(jī)視覺系統(tǒng)的理解，以便更好地進(jìn)行后續(xù)處理。根據(jù)處理圖像的表征層不同，圖像融合技術(shù)一般可分為像素級(jí)融合、特征級(jí)融合和決策級(jí)融合^[11]。一般像素級(jí)圖像融合比較直觀,處理后可使觀察者更加容易地識(shí)別出潛在的目標(biāo)。常用的像素級(jí)圖像融合方法有平均和加權(quán)平均，平均是直接將兩幅圖像在空域內(nèi)進(jìn)行算術(shù)平均處理，這種平均可以提高圖像的信噪比，但降低了圖像的對(duì)比度；加權(quán)平均則是依據(jù)不同圖像的質(zhì)量，給出一組最佳的加權(quán)系數(shù)，然后對(duì)它們進(jìn)行加權(quán)平均處理，加權(quán)平均是一種簡(jiǎn)單的多幅圖像融合方法，也就是對(duì)多幅原圖像的對(duì)應(yīng)像素點(diǎn)進(jìn)行加權(quán)平均。

本發(fā)明先用直方圖均衡化算法和基于引導(dǎo)濾波的彩色恢復(fù)多尺度Retinex算法分別對(duì)圖像進(jìn)行處理，然后把處理后的圖像按照一定的比例加權(quán)平均之后，融合成新的圖像，在一定比例范圍之內(nèi)得到了很好的去霧圖像。

設(shè)A(x,y)表示經(jīng)過HE算法處理后的圖像，B(x,y)表示經(jīng)過基于引導(dǎo)濾波的彩色恢復(fù)多尺度Retinex算法處理后的圖像，則加權(quán)平均圖像融合算法可表示為

C(x,y)＝λA(x,y)+(1-λ)B(x,y)；

其中，λ為加權(quán)系數(shù)，且0≤λ≤1。通過對(duì)大量圖像進(jìn)行測(cè)試實(shí)驗(yàn)，得出加權(quán)系數(shù)λ最佳取值范圍為0.6～0.8。

以下將通過實(shí)驗(yàn)對(duì)本發(fā)明的性能作進(jìn)一步的分析。

在操作系統(tǒng)為Windows7，處理器主頻為2.5GHz，內(nèi)存為4G的PC上，采用Matlab 2014a軟件平臺(tái)實(shí)現(xiàn)本發(fā)明方法。

分別從主觀視覺圖像和客觀質(zhì)量評(píng)價(jià)兩方面對(duì)其進(jìn)行驗(yàn)證。

本發(fā)明將與具有增強(qiáng)對(duì)比度功能的直方圖均衡化、具有顏色保真功能的MSRCR算法、基于雙邊濾波的單尺度Retinex算法(B-SSR)和基于引導(dǎo)濾波的單尺度Retinex算法(G-SSR)進(jìn)行比較。

本發(fā)明把有霧交通圖像歸類為道路車輛交通圖像、交通指示燈圖像和交警指揮圖像，并分別對(duì)其進(jìn)行對(duì)比分析。相關(guān)參數(shù)的設(shè)置如下：(1)MSRCR的尺度參數(shù)設(shè)置為50，120，200。(2)B-SSR算法的雙邊濾波參數(shù)設(shè)置為w＝15，σ_S＝100，σ_R＝0.3。(3)G-SSR算法的濾波半徑為120，參數(shù)ε設(shè)置為0.01。

(4)本發(fā)明方法多尺度的尺度參數(shù)設(shè)置為50,120,200。

3.1定性分析

實(shí)驗(yàn)1為交通指示燈圖像的去霧效果。圖2為霧霾天氣下鐵路路口指示燈圖像，該圖像大小為341×512。圖3為經(jīng)過直方圖均衡化去霧后的圖像，可以明顯看到火車頭前照燈曝光嚴(yán)重，圖像前景部分偏暗。圖4為經(jīng)過MSRCR算法去霧后的圖像，火車頭前照燈及火車前方周圍草木顏色有失真。圖5、圖6分別為基于雙邊濾波的單尺度Retinex算法和基于引導(dǎo)濾波的單尺度Retinex算法去霧后的圖像，兩種算法相比其他算法去霧量不足。圖7為經(jīng)過本發(fā)明方法去霧后的圖像，道路指示燈以及火車前方很大范圍內(nèi)都清晰可見。

實(shí)驗(yàn)2為交警指揮圖像的去霧效果。圖8為霧霾天氣下交警道路指揮的圖像，該圖像大小為384×512。圖9為經(jīng)過直方圖均衡化去霧后的圖像，可明顯看出交警眼部上方偏暗，臉部顏色失真。圖10為經(jīng)過MSRCR算法去霧后的圖像，交警臉部顏色以及汽車顏色過飽和，圖像整體對(duì)比度較原圖提高幅度較小。圖11為基于雙邊濾波的單尺度Retinex算法去霧后的圖像，圖像去霧量不足，而且在交警下半身周圍出現(xiàn)明顯的光暈現(xiàn)象。圖12為基于引導(dǎo)濾波的單尺度Retinex算法去霧后的圖像，相比于基于雙邊濾波的單尺度Retinex算法在交警下半身周圍出現(xiàn)明顯的光暈現(xiàn)象減少很多，說明引導(dǎo)濾波相比雙邊濾波有更好的邊緣保持功能，但仍有些許光暈偽影。而本發(fā)明方法去霧后的圖像(圖13)，較好的去除了霧霾對(duì)圖像的影響，交警臉部顏色清晰自然，并且消除了光暈偽影。

實(shí)驗(yàn)3為道路車輛交通圖像的去霧圖像。圖14為霧霾天氣下車輛行駛的圖像，該圖像大小為400×600。圖15為經(jīng)過直方圖均衡化去霧后的圖像，道路左邊標(biāo)志牌和草地顏色過飽和。圖16為經(jīng)過MSRCR算法去霧后的圖像，道路標(biāo)志牌、草木以及天空區(qū)域顏色嚴(yán)重失真。圖17、18分別為基于雙邊濾波的單尺度Retinex算法和基于引導(dǎo)濾波的單尺度Retinex算法去霧后的圖像，圖像顏色有些失真。但G-SSR圖像的細(xì)節(jié)要多于B-SSR圖像。圖19為經(jīng)過本發(fā)明方法去霧后的圖像，較好去除霧霾影響的同時(shí)保持圖像顏色和原圖基本一致。

從3個(gè)實(shí)驗(yàn)中可以看出，相對(duì)于其他算法本發(fā)明方法對(duì)霧霾交通圖像能獲得很好的去霧效果，去霧后圖像清晰自然，具有顏色保真性好，去霧后圖像細(xì)節(jié)突出等特性。

3.2定量分析

為了進(jìn)一步驗(yàn)證本發(fā)明方法的有效性，采用平均梯度、灰度熵、彩色熵以及對(duì)比度對(duì)本發(fā)明方法與直方圖均衡化、MSRCR、B-SSR和G-SSR進(jìn)行對(duì)比。而且對(duì)本發(fā)明方法與MSRCR、B-SSR進(jìn)行時(shí)間復(fù)雜度的對(duì)比。

平均梯度用于衡量圖像的清晰度?；叶褥赜糜谠u(píng)價(jià)圖像的細(xì)節(jié)表現(xiàn)能力，其值越大代表圖像中信息越豐富。彩色熵用于評(píng)價(jià)算法的顏色增強(qiáng)程度。表1、表2、表3分別是對(duì)上述實(shí)驗(yàn)1、實(shí)驗(yàn)2和實(shí)驗(yàn)3的客觀評(píng)價(jià)參量的統(tǒng)計(jì)。

表1

表2

表3

從表中可以看出，本發(fā)明方法有效提高了原始圖像的平均梯度、對(duì)比度、灰度熵和彩色熵。B-SSR和G-SSR算法處理后的圖像對(duì)比度過低，甚至低于原始圖像對(duì)比度。直方圖均衡化相對(duì)均勻分布像素值，使其有較大的對(duì)比度，但其他指標(biāo)均低于本發(fā)明方法，而且彩色熵低于其他算法，甚至低于原圖。MSRCR各項(xiàng)指標(biāo)皆低于本發(fā)明方法。表中數(shù)據(jù)表明本發(fā)明方法可以有效提高交通霧霾圖像的清晰度和對(duì)比度，有更好的細(xì)節(jié)表現(xiàn)能力和更好的復(fù)原顏色能力。證實(shí)了本發(fā)明方法的有效性和優(yōu)越性。

為了驗(yàn)證本發(fā)明方法的實(shí)時(shí)性，對(duì)實(shí)驗(yàn)2的384×512大小的圖像用不同算法進(jìn)行處理，比較時(shí)間復(fù)雜度的大小，表4為統(tǒng)計(jì)結(jié)果。

表4

不難發(fā)現(xiàn)，本發(fā)明方法的運(yùn)行時(shí)間明顯優(yōu)于B-SSR算法，實(shí)時(shí)性很好。同時(shí)也驗(yàn)證了本發(fā)明方法選擇的引導(dǎo)濾波要比雙邊濾波的效率高很多。

本發(fā)明通過對(duì)直方圖均衡化和Retinex理論處理效果的特點(diǎn)以及交通霧霾圖像特征的分析，提出了一種結(jié)合直方圖均衡化和多尺度Retinex彩色恢復(fù)的交通圖像去霧霾算法。為了解決傳統(tǒng)Retinex算法處理后圖像在高對(duì)比度邊緣區(qū)域會(huì)出現(xiàn)光暈偽影現(xiàn)象，提高運(yùn)算速度，本發(fā)明采用引導(dǎo)濾波作為環(huán)繞函數(shù)估計(jì)照度分量。實(shí)驗(yàn)結(jié)果表明，本算法處理后的交通圖像對(duì)比度高，圖像顏色清晰自然，圖像細(xì)節(jié)突出。

參考文獻(xiàn)：

[1]LI Y,MIAO Q,SONG J,et al.Single image haze removal based on haze physical characteristics and adaptive sky region detection[J].Neurocomputing,2016,182(221-234).

[2]K.B.Gibson,D.T.Vo,T.Q.Nguyen,An investigation of dehazing effects on

image and video coding,IEEE Trans.Image Process.21(2)(2012)662–673.

[3]M.Wang,Y.Gao,K.Lu,Y.Rui.View-based discriminative probabilistic

modeling for 3d object retrieval and recognition,IEEE Trans.Image Process.

22(4)(2013)1395–1407.

[4]Y.Gao,M.Wang,Z.J.Zha,J.Shen,X.Li,X.Wu.Visual–textual joint relevance

learning for tag-based social image search,IEEE Trans.Image Process.22(1)

(2013)363–376.

[5]吳迪，朱青松。圖像去霧的最新研究進(jìn)展。2015,41(2)：221-239.

[6]Jin-Bao Wang,Ning He,Lu-Lu Zhang,et al.Single image dehazing with a physical model and dark channel prior.Neurocomputing,2015,149(718-728).

[7]Yifan Wang,Hongyu Wang,Chuanli Yin,et al.Biologically inspired image enhancement based on Retinex.Neurocomputing,2016,177(373-384).

[8]Ning Liu，Dongxue Zhao.Detail enhancement for high-dynamic-range infrared images based on guided image filter.Infrared Physics & Technology,2014,67(138-147).

[9]Haoning Lin,Zhenwei Shi.Multi-scale retinex improvement for nighttime image enhancement.Optik-International Journal for Light and Electron Optics，2014,125(7143-7148).

[10]Yuecheng Li,Hong Zhang,Wenyan Jia,et al.Saliency guided naturalness enhancement in color images.Optik,2016,127(1326-1334).

[11]Shutao Li,Xudong Kan,Leyuan Fang,et al.Pixel-level image fusion:A survey of the state of the art.Information Fusion,2017,33(100-112).

對(duì)于本領(lǐng)域的技術(shù)人員來說，可以根據(jù)以上的技術(shù)方案和構(gòu)思，作出各種相應(yīng)的改變和變形，而所有的這些改變和變形都應(yīng)該包括在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。