图像去雾与光照不足的处理方法优化

5.6.3.1　图像去雾

电子监控在生活中愈发普及，然而空气中的液滴和固体小颗粒大量悬浮于空气中，使大气能见度下降，户外图像颜色和对比度退化，造成监控图像模糊，影响后期监控画面的利用价值。此处选取了直方图均衡化和Retinex算法对雾天图像进行增强处理，下面进行详细介绍。

1)直方图均衡化

通过观察受到雾天影响的监控视频图像的直方图，可以发现它的灰度级基本集中在一个比较狭小的范围内，这就导致人眼无法直接识别雾天图像的具体细节。直方图均衡化操作可以通过使用累积分布函数将待处理图像直方图的灰度级范围进一步拉大，从而使处理后图像的直方图灰度级分布趋于均匀化，对比度上升，达到图像增强的目的，因此直方图均衡化恰好可以解决雾气影响图像质量的问题。原图像与直方图均衡化后得到的图像的效果对比如图5－37(a)(b)所示，由图可知，经直方图均衡化后的图像相比原图像而言，图像质量有了一定程度的提高，但经过直方图均衡化后的雾天图像会出现视觉失真的现象，因此在进行图像去雾时需根据其使用场景判断是否使用直方图均衡化方法进行图像去雾操作。

2)Retinex算法

Retinex算法进行图像去雾处理的步骤如下。首先将输入的RGB彩色图像放置在HSI彩色模型空间中进行处理，提取亮度I分量，对I分量进行图像增强，再转换回RGB空间进行合成。

结合物理学中的光学原理可知，人之所以能够看见物体是因为物体反射的光线进入了人的眼睛，由此可以推断物体成像的亮度与入射光线和反射光线的强弱有着密不可分的联系。因此，把所获得的监控视频图像分解为光照分量与反射分量，且将监控视频图像中每一像素点的光照分量乘以它所对应的反射分量就可以得到该像素点的像素值，具体公式为

式中:S(x，y)——采集到的雾天图像；

I(x，y)——输入图像的入射分量，对应图像的低频部分，反映图像的边缘细节信息；(www.xing528.com)

R(x，y)——输入图像的反射分量，代表图像的内在本质特性，对应图像的高频部分，反映图像的大多数局部细节信息与所有噪声。

本次实验借助MATLAB开发平台对上述两种算法进行实现，并统一对比，如图5－37所示，由图可知，直方图均衡化后的结果图像颜色失真较为明显，但对比度和亮度都良好，能够较好地处理受到雾天影响的监控视频图像；Retinex算法去雾后得到的图像中的物体的颜色更真实，细节处也更清晰，但是灰度值比较大的部分即图中天空的部分改善效果不佳，因为Retinex算法对高光区域较低光区域敏感度低，所以该区域的细节处理无法达到应有的效果。

图5－37　图像直方图均衡化前后、去雾前后的效果对比(附彩插)

(a)原始图像；(b)直方图均衡化后的图像；(c)Retinex算法去雾后的图像

5.6.3.2　光照不足图像处理

与雾天对安防监控视频图像的影响相似，由于光线不足所导致的监控视频图像也存在细节丢失、对比度低等一系列问题，被干扰后的图像往往使人眼难以识别，非常影响视觉效果。为了解决此类问题，使用和图像去雾操作同样的图像处理方法对监控视频中光照不足的照片进行图像增强处理，图5－38是用两种方法对光照不足的图像处理前后的效果对比，由图可知，直方图均衡化和Retinex算法作用于低照度图像与作用于雾天图像得到的结果有所区别，在对低照度图像的处理中，直方图均衡化操作对图像中道路区域的增强效果比Retinex算法更好，但Retinex算法对远处房屋的增强效果要略微优于直方图均衡化，由此可见，不同算法各有优劣，只是适用场景不同，灵活选择即可。

图5－38　低照度图像增强前后的效果对比(附彩插)

(a)原始图像；(b)直方图均衡化后的图像；(c)Retinex低照度图像增强后的图像