1 車載視頻清晰化算法的研究意義

    能見度在氣象學(xué)中指物體能夠被清楚識別的最大距離，它與當(dāng)時的天氣情況密切相關(guān),。當(dāng)出現(xiàn)霧,、霾和沙塵等惡劣天氣時， 大氣透明度降低,能見度一般小于1.0 km,。低能見度條件下拍攝的圖像其對比度和顏色在天氣影響下被改變,，圖像蘊含的許多特征被掩蓋，景物可辨識度大大降低,。
    目前國內(nèi)外研究最多的清晰化算法是圖像的去霧技術(shù),，主要有兩種思路，一種是基于大氣退化物理模型的方法,需要求得深度信息[1-2],這對硬件系統(tǒng)的要求過高,；另一種是基于圖像增強的方法[3],運算量很大,不適合實時處理,。2009年，He等提出的暗原色先驗去霧技術(shù)對一般帶霧圖像取得了很好的效果[4],它無需深度信息,，簡單有效,，實時性高，但是通過實驗表明,，該算法處理其他天氣類型圖像的效果不佳,。本文在該算法基礎(chǔ)上進行了改進,使其適用于恢復(fù)各種低能見度天氣下的交通圖像,。

    


    通過式(6)可粗略估算出透射率t，為了提高精度,，應(yīng)用一種軟摳圖算法[5]來完善透射率分布函數(shù),。大氣光線強度A的估計方法為：先取暗原色中0.1％亮度最大的像素,然后取這些像素對應(yīng)在原圖中的最大值作為A的值。
2.3直方圖均衡
    暗原色先驗算法對雨,、雪,、霾和沙塵等低能見度天氣圖像處理效果不佳的原因主要有兩方面，第一,，該算法建立在暗原色假設(shè)之上,，對不滿足這一假設(shè)的天空、白色物體和水面等明亮區(qū)域,，算法估計的透射率偏小,，如圖1(a)的雨水和白色車輛，圖1(b)的雪花和白色地面,。這些區(qū)域的像素值很大,，暗原色直方圖分布偏高(如圖2(a))，區(qū)域內(nèi)找不到像素值接近于0的暗原色點,，暗原色假設(shè)不成立,，造成結(jié)果失真。另一方面,，如圖1(c)和圖1(d)所示的霾和沙塵天氣圖像,，其主要特點是整體畫面昏暗，暗原色直方圖的像素值絕大部分偏低(如圖2(c)),，若直接利用暗原色先驗算法估測透射率和大氣光線強度,恢復(fù)效果很不理想,。

    解決上述問題的關(guān)鍵是在用暗原色先驗算法之前改善退化圖像的直方圖分布，使其既滿足暗原色假設(shè),，又能增強圖像對比度,。圖像增強算法種類很多，考慮到算法的實時性,，選擇最簡單有效的直方圖均衡,。它以概率論為基礎(chǔ)，通過灰度的映射來修正圖像的直方圖,，使之具有平坦的分布,，增加灰度值的動態(tài)范圍，從而達到增強圖像整體對比度的效果,。圖2(a)和 圖2(b)分別為雪天圖像（即圖1(b)）的暗原色直方圖及其均衡后的結(jié)果,；圖2(c)和圖2(d)為沙塵圖像（即圖1(d)）的暗原色直方圖及其均衡后的結(jié)果。
2.4 HSV顏色模型
    在對彩色圖像進行直方圖均衡后,，經(jīng)常會產(chǎn)生顏色偏差,。因此,，在均衡前先將圖像的顏色模型轉(zhuǎn)換成HSV模型。該模型將亮度(Value)與反映色彩本質(zhì)特性的色度(Hue)和飽和度(Saturation) 分開,，比較符合人的視覺感受,。在恢復(fù)圖像時只需處理其中的亮度分量，最后再將其與色度分量和飽和度分量整合,，可大大減少圖像的顏色失真,。另外，由于恢復(fù)過程中只處理了亮度信息,，算法速率也得到提高,。
3 實驗結(jié)果分析
    實驗選取四種低能見度天氣條件下的交通圖像，分別用本文算法和參考文獻[4]算法進行恢復(fù),。圖3~圖6給出了對比結(jié)果,，其中圖3(a)~圖6(a)分別為暴雨、大雪,、霾和沙塵天氣下的低能見度圖像，圖3(b)~圖6(b)為參考文獻[4]算法結(jié)果,，圖3(c)~圖6(c)為本文算法結(jié)果,。可以看出對于上述各種低能見度天氣圖像,，本文算法能夠更好地提高圖像對比度,，達到清晰辨識目標(biāo)物和路面交通情況的目的。但是圖像的色彩仍有一定程度失真,，如圖5(c)很多色彩細節(jié)沒有恢復(fù),，圖6(c)的天空部分則出現(xiàn)不規(guī)則的光暈。

    本文在暗原色先驗去霧算法的基礎(chǔ)上提出改進,，使其適用于恢復(fù)各種低能見度天氣下的交通圖像,。它將降質(zhì)圖像轉(zhuǎn)換到HSV空間后，提取其中的亮度分量進行直方圖均衡和基于暗原色先驗的恢復(fù),。多種實驗表明,，改進算法可以更好地恢復(fù)各種低能見度天氣造成的圖像模糊，對比度明顯提高,，路面交通狀況清晰可辨,，并且算法實時性較高。下一步的工作是在保證算法時效性的同時,，進一步改善圖像恢復(fù)過程中的顏色失真,，以及完成算法的硬件實現(xiàn)。
參考文獻
[1] OAKLEY J P, SATHERLEY B L. Improving image quality in poor visibility conditions using a physicalmodel for contrast degradation[J]. IEEE Transactions on Image Processing, 1998,7(2):167-179.
[2] NARASIMHAN S G, NAYAR S K. Removing weather effects from monochrome images[A]. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001:186-193.
[3] Zhu Pei,，Zhu Hong,，Qian Xueming. An image clearness method for fog[J].Journal of Image and Graphics,2004,9(1):124-128.
[4] He Kaiming,，Sun Jian，Tang Xiaoou． Single image haze removal using dark channel prior[C]．CVPR, 2009:1956-1963．
[5] LEVIN A,，LISCHINSKI D,，WEISS Y． A closed form solution to natural image matting[C].CVPR, 2006:61-68．