1 車載視頻清晰化算法的研究意義

    能見度在氣象學中指物體能夠被清楚識別的最大距離，它與當時的天氣情況密切相關。當出現(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。
    目前國內外研究最多的清晰化算法是圖像的去霧技術，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。本文在該算法基礎上進行了改進,使其適用于恢復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之上，對不滿足這一假設的天空、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)域內找不到像素值接近于0的暗原色點，暗原色假設不成立，造成結果失真。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,恢復效果很不理想。

    解決上述問題的關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，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，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果。
2.4 HSV顏色模型
    在對彩色圖像進行直方圖均衡后，經常會產生顏色偏差。因此，在均衡前先將圖像的顏色模型轉換成HSV模型。該模型將亮度(Value)與反映色彩本質特性的色度(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，由于恢復過程中只處理了亮度信息，算法速率也得到提高。
3 實驗結果分析
    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。圖3~圖6給出了對比結果，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]算法結果，圖3(c)~圖6(c)為本文算法結果。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，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上提出改進，使其適用于恢復各種低能見度天氣下的交通圖像。它將降質圖像轉換到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。多種實驗表明，改進算法可以更好地恢復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．