【《雾图成像原理与图像去雾评价方法分析》3800字】

雾图成像原理与图像去雾评价方法分析目录TOC\o"1-3"\h\u13893雾图成像原理与图像去雾评价方法分析 1316311.1大气散射模型 1226861.1.1大气衰减模型 118871.1.2雾天图像成像物理模型 28341.2图像去雾的评价指标 6105811.1.1主观评价 649511.1.1客观评价 610981.1.3图像去雾的其他评价方法 61.1大气散射模型1.1.1大气衰减模型 在多雾环境中，大气中悬浮着水雾、尘埃等细小颗粒，使得成像设备拍摄的图像出现图像质量下降的问题。图像的成像原理是大气光照射在场景的目标物体表面，反射在目标物体表面的光到达成像系统留下的成像。然而，悬浮在大气中的微粒可以吸收和散射大气光,当一束光照射到粒子上时，粒子会根据入射光的大小、形状和波长向各个方向散射光，如图所示。一方面，物体表面发出的光会被雾吸收和散射，使只有少量的反射光到达成像设备;另一方面，环境中的大气光会被雾散射。雾化图像是物体反射到成像设备中的光与大气中的介质相互作用而形成的。其中散射起主导作用，其他效应较小。因此，为了简化处理过程，在讨论雾化图像的退化时，仅考虑散射。大气散射是一个复杂的物理过程。反射光通过大气传播时，会与粒径不同的材料的悬浮粒子散射，在光的传播路径中有多个悬浮粒子，这会导致传播光的多次反射，增加大气散射的复杂性。Mie散射理论可以更好地描述这种大气散射。后来，McCartney在此基础上，导出了大气散射模型。该模型是大气光学和图像处理领域常用的模型，简化了复杂的大气散射过程，准确揭示了雾化图像的机理。McCartney提出的大气散射模型由两部分组成，如图所示:一是大气中悬浮粒子直接引起的入射光衰减部分;另一个是成像设备的环境光部分，由于环境光和悬浮粒子的相互作用，经过多次反射和散射。两者都描述了大气散射模型，并解释了图像的雾化过程。1.1.2雾天图像成像物理模型大气中粒子的散射作用是产生雾霾的主要原因。无论是用人的肉眼观察，还是从拍摄获取的图像中观察，雾天的景象总是存在对比度和视野降低的问题。1925年，Keim&Nemnich[1]

H.Koschmieder,TheoriederhorizontalenSichtweite:KontrastundSichtweite.Keim&Nemnich,1925.等人提出雾天图像能见度较低是大气中的悬浮粒子对光的吸收和散射造成的。1976年，JohnWiley&Sons[2]E.J.McCartney,“Opticsoftheatmosphere:scatteringbymoleculesandparticles,”NewYork,JohnWileyandSons,Inc.,1976.421p.,vol.1,1976.等人提出粒子的散射作用造成目标和相机之间光在传输过程的衰减，并且增加了一层大气散射光（Airlight）。1999年，针对雾天能见度低的问题，SrinivasaG.Narasimhan[3]等人通过建立数学模型，解释了雾天图像的成像过程以及雾天图像包括的各个要素。该模型认为在强散射介质下，引起探测系统成像结果降质的主要原因有两种：一是目标反射光受大气中悬浮粒子的吸收和散射作用，造成目标反射光能量的衰减，这导致探测系统的成像结果亮度降低，对比度下降；二是太阳光等环境光受大气中散射介质的散射作用形成背景光，通常这部分背景光强度大于目标光，因而造成探测系统的成像结果模糊不清。下图介绍了雾天的成像模型：图中显示探测系统成像时接收到的光源主要来自两个部分，一是目标反射光经粒子衰减到达探测系统的光，而是来自于光源（本例为光照）经粒子散射形成的大气光。通过此物理模型建立得到雾天成像的数学模型为：式中，为探测系统所获得的雾天图像，表示需要恢复出的无雾图像；参数表示图像中的像素点的位置，表示光的波长；表示无穷远处的大气光值；表示传输函数，其物理意义为经过粒子衰减能够达到探测系统的那部分光的比例。大多数团队和学者在通过探测系统获得含雾图像并对其进行去雾图像处理时均以上述大气散射模型作为雾天成像的理论模型。其主要思路是根据各种先验知识或者图像处理手段，从含雾图像中估计传输函数或大气光，将求解得到的参量代入到大气散射模型中，即可恢复出目标图像。Nayar和Narasimhan[3][3]

S.K.NayarandS.G.Narasimhan,“Visioninbadweather,”inIEEEInt’lConf.ComputerVision,1999.认为在强散射介质下，引起探测系统成像质量下降的原因主要包括以下两种：目标反射光在传输的过程中受到介质中悬浮粒子的吸收和散射作用，导致能量衰减，通常会降低图像亮度，造成图像对比度下降；太阳光、天空光等环境光受到介质中粒子的散射作用而形成杂散光，通常会使图像模糊，造成图像色彩不自然。以浑浊大气环境下目标成像为例，成像系统获得的图像主要由两部分构成，一是由大气散射和吸收作用导致衰减的目标反射光，二是由于大气散射形成的大气光。

反射光在传播的过程中，随着传输距离的增加光强逐渐衰减，1975年McCarney给出了衰减模型，如上图所示，考虑到平行光数经过大气介质，假设光束具有单位横截面积，从位置，每传输一段距离强度变化量可以表示为：表示衰减后的光强，是散射系数，用于描述介质对不同波长光的散射能力，若输入光为平行光，且未衰减光束光强为时，通过对上述微分方程从到进行积分，即可得到平行光束在处衰减后的光强：若输入光为点光源，则其衰减后的光强表达式需要对上式进行修改。设未衰减光束的光强为，则同样对微分方程从到进行积分，即可得到点光源在处衰减后的光强：

探测器接受到的大气光成分主要包括太阳直射光、大气漫反射光和地面反射光，如上图所示，体积微元内的介质被看做成一个光源，其强度为，为光源常数。根据上述提及的点光源的损耗公式，到达探测器后的光强为，在 ，区间进行积分可以得到总的大气光强值为：由于光源来自于无穷远出的天空，所以表示无穷远处的大气光强值，令，则大气光强值表示为：成像系统获得的总光强为： 为了方便计算，令大气透射率为，目标反射光为，目标衰减反射光为，大气光为，所以最终的大气散射模型的数学表达式为：1.2图像去雾的评价指标图像去雾算法的评价指标并没有唯一的标准，研究者们也在不断探索能够广泛应用的标准。在探索过程中，逐渐积累了一些经典的评价指标，需要选择合适的评价指标来评价所提算法的除雾效果。首先，一个清晰的图像应该符合人类的视觉感官，在亮度、色彩、完整性等方面给观察者一种舒适的感觉。其次，回归图像本身可以通过一些指标反映肉眼无法观察到的细节。因此，图像去噪算法的评价指标主要形成了主观评价指标和客观评价指标两种评价指标。1.1.1主观评价主观评价:通过收集观察者的视觉感受来评价图像的除雾效果,它可以计算方面的输出图像的亮度是否自然,相对于输入图像是否清晰,是否颜色偏移发生相对于输入图像,以及是否引入了相对于输入图像的噪声。这种评价的优点是可以与输入的图像进行比较，判断客观评价指标的隐藏问题。例如，一些图像去雾算法产生明显的失真或引入噪声，这些负面影响通常对应于图像中的高频信息，从而提高了平均梯度、边缘强度或对比度等表征图像清晰度的指标。因此，客观评价指标需要结合主观评价来判断图像去雾算法的质量。1.1.1客观评价客观评价:通过对图像细节的客观统计来评价图像的清晰度。在RGB颜色空间中，图像可以抽象地看成三个二维矩阵。平均梯度、对比度等统计特征能够客观有效地反映出雾后图像的清晰度，在一定程度上能够代表去雾算法的效果，科学可靠，具有较强的说服力。主观评价也存在缺点是，评价结果会受到年龄、心理、情感、个人经验等因素的影响，导致评价结果主观意识太强，耗时长，成本高。然而，本文的主要改进方向是消除天空区域暗通道去雾算法造成的失真和噪声。主观评价是评价除雾方法是否会造成失真和噪声的重要手段，是不可忽视的问题。本文基于平均梯度、边缘强度和SSIM结构相似度这三个客观指标，对所提出的消雾算法的消雾效果进行了评价。1.1.3图像去雾的其他评价方法郭璠等[105]从完全参考和无参考两个方面提出了基于合成图像的评价方法和基于视觉感知的评价方法。在综合图像评价方法的基础上，采用整体参考法对图像消雾效果进行评价。利用3dmax或大气散射模型等虚拟现实技术模拟晴天拍摄的清晰图像，形成雾图。对雾图进行除雾处理后，以雾图对应的清晰图像作为参考图像，采用传统的图像质量指标对其进行评价。由于参考图像的存在，现有的许多评价方法都可以直接使用，而不需要设计专门的图像去雾评价方法。基于视觉感知评价方法和基于可见边缘对比度增强评价方法，提出了连续自然色彩综合评价系统。从对比度、色彩丰富度和色彩自然度三个方面对图像进行评价。定义为: 其中，n1和n2为调节参数，表示去雾后图像与去雾前图像的可见边数目的比值，反映了图像在对比度方面的变化情况；用来评价人类视觉对图像色彩自然度的感知[106]，数值在0和1之间。值越接近1，说明图像色彩越自然。反映图像色彩的鲜艳程度[106]。李大鹏等[107]提出了一种基于Halo效应对去雾前后图像边缘细节和颜色分布特征影响的图像去雾评价方法。基于照度反射模型的算法，分别使用分解后的照度图像和反射图像，进行光晕检测、色调检测和结构检测后，计算评价图像去雾性能的约简系数。Halo检测的目的是获得有效的图像边缘强度。结合边缘检测结果和明亮通道特征，将光晕效应对应边缘区域的细节从图像的总边缘细节强度中去除。从而消除了晕轮效应引起的虚假细节增强。色相检测是利用雾来影响图像的颜色直方图。通过对比去雾前后直方图的相似性，检测恢复图像的颜色保真度和性质。在假设场景结构独立于光照图像的前提下，采用联合方差和协方差运算比较复原前后反射图像的结构相似性。一些研究者将分类思想引入图像雾评价系统，提出了一些基于机器学习的图像雾评价方法，通过提取图像质量的多维特征，将图像雾质量评价问题引入到分类学习中.。如Mittal等[108]、Chen等都利用恢复图像中的亮度等特征训练相应的支持向量机(