22、基于CLAHE的高效单图像去雾方法

最新推荐文章于 2025-10-03 20:38:00 发布

c8d9e0f1

最新推荐文章于 2025-10-03 20:38:00 发布

阅读量107

点赞数

CC 4.0 BY-SA版权

分类专栏：探索多媒体物联网（IoMT）的前沿技术与应用文章标签： CLAHE DCP 图像去雾

本文链接：https://blog.youkuaiyun.com/c8d9e0f1/article/details/149872307

探索多媒体物联网（IoMT）的前沿技术与应用专栏收录该内容

28 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

基于CLAHE的高效单图像去雾方法

1. 图像去雾概述

图像去雾在许多计算机视觉任务中具有重要作用，能显著提升任务性能。通常，图像去雾可分为白天去雾和夜间去雾。白天的雾天图像只有一个光源，即太阳，针对这类图像有多种处理方案。而夜间雾天图像存在多个不同的光源，研究界也有不同的处理方法。不过，目前这些方法对图像质量的提升仍不够理想。

在处理白天雾天图像时，我们重点关注Dark Channel Prior（DCP）方法。该方法将户外图像中的非天空区域的一些像素视为特殊的“暗像素”，这些像素在至少一个颜色通道中的强度值极低。由于雾天图像中的大气光比去雾后的图像亮很多，在浓雾区域，雾天图像的暗通道像素强度较高。利用这一特性，去雾方法会重点关注暗通道像素。但如果图像的颜色强度分布不均，去雾后的图像可能会出现伪影。为解决这一问题，我们提出使用自适应直方图均衡化对雾天图像进行预处理，以提高处理后图像的整体质量。

2. 高效多媒体处理与IoMT

在IoMT（医疗物联网）中，由于物联网传感器的组件较为轻量级，因此对多媒体处理进行优化十分必要。例如，基于传感器的视频监控系统需要快速处理大量图像，这就要求多媒体处理技术在满足时间限制的同时，不能显著降低处理后图像的质量。

本文分析了图像去雾中图像质量和计算复杂度之间的权衡关系，重新审视了一些知名的图像去雾方案，旨在提高图像质量和优化处理时间。主要贡献如下：
- 分析了DCP方法，并提出使用对比度自适应有限直方图均衡化（CLAHE）对其进行进一步改进。
- 使用DehazeNet模型对500张图像进行测试，深入分析了DCP的去雾效果。
- 提出基于调整大小的暗通道优化方法，提高了处理速度，相比现有方法有显著提升。

3. 背景与相关工作

过去，人们提出了多种利用多幅输入图像特征的图像去雾方案。例如，基于对比度恢复的方法，通过在不同天气条件下拍摄同一场景的多幅图像，以清晰天气的图像作为参考进行去雾；基于偏振的方法，则利用不同偏振度拍摄的多幅图像进行去雾。近年来，也出现了一些仅需单幅图像作为参考的去雾方法，这些方法依赖有效的先验知识。

在单图像去雾方面，Tan等人、Fattal和Tarel等人的方法取得了一定成果，但处理时间较长。而He等人提出的DCP方法简单有效，但在图像强度突变区域会产生伪影。为解决这一问题，需要进行细化处理，本文对此进行了分析和改进。

3.1 Dark Channel Prior（DCP）

图像去雾的目的是从拍摄的图像中去除雾的影响，恢复图像的原始细节，包括颜色强度、光照和辐射度。雾天图像模型可表示为：
[I(x) = J(x)t(x) + A(1 - t(x))]
其中，$I$ 是拍摄的雾天图像，$J$ 是场景光，$A$ 是大气光，$t$ 是介质传输率，表示未散射并到达相机的光的比例。去雾方法的目标是从 $I$ 中恢复 $J$、$A$ 和 $t$。

DCP方法基于这样的统计规律：在图像的非天空区域，一些像素在至少一个颜色通道中的强度值极低，即这些区域的最小像素强度接近零，因此 $J$ 的暗通道强度也较低且趋于零，这就是暗通道先验。由于大气光的加入，雾天图像比无雾图像亮很多，浓雾区域的暗通道强度更高。DCP方法的步骤如下：

graph LR
    A[输入雾天图像] --> B[计算暗通道]
    B --> C[估计大气光]
    C --> D[计算介质传输率]
    D --> E[恢复场景光]
    E --> F[输出去雾图像]

3.2 Contrast-Limited Adaptive Histogram Equalization（CLAHE）

直方图均衡化是一种用于调整图像对比度的图像处理技术，它通过分散常见的强度值来提高图像的对比度。Zuiderveld提出的CLAHE方法是一种自适应直方图均衡化方法，与传统直方图均衡化不同，它会为图像的不同区域计算多个直方图，并利用这些直方图重新分配图像的亮度值，从而提高图像的局部对比度和边缘清晰度。CLAHE通过在计算累积分布函数之前对直方图进行裁剪，限制了图像中伪影的出现。在本文中，我们使用CLAHE对雾天图像的每个颜色通道进行单独处理，然后将处理后的通道合并成一幅增强的彩色图像。CLAHE的步骤如下：

graph LR
    A[输入图像] --> B[将图像划分为多个子块]
    B --> C[为每个子块计算直方图]
    C --> D[对直方图进行裁剪]
    D --> E[计算累积分布函数]
    E --> F[对每个子块进行直方图均衡化]
    F --> G[合并子块]
    G --> H[输出增强图像]

4. 自适应对比度增强与DCP及其优化

4.1 自适应对比度增强与DCP

我们的主要目标是在使用DCP方法去雾的同时，尽量减少伪影的出现。具体做法是先使用CLAHE对雾天图像进行对比度增强预处理，然后再使用DCP方法进行去雾。具体步骤如下：
1. 使用CLAHE以自适应的方式调整原始雾天图像的对比度。
2. 对经过对比度调整的雾天图像使用DCP方法恢复其辐射度。

通过对比可以发现，经过对比度调整后再使用DCP方法得到的去雾图像视觉效果更好。

4.2 计算优势优化

在DCP方法中，He等人使用软抠图技术对计算得到的传输图进行细化，但这种方法计算成本高，处理时间长。为解决这一问题，我们使用Guided Image Filtering（GIF）来细化传输图。GIF速度快、效率高，处理结果与软抠图技术相当。

为进一步减少计算时间，我们在调整大小后的输入图像上计算暗通道和大气光估计，然后在恢复场景辐射度之前将其恢复到原始图像的大小。这种基于调整大小的暗通道优化方法显著提高了处理速度，相比现有方法有明显优势。虽然这种方法会使处理后图像的颜色效果略有下降，但图像质量仍优于现有方法，且处理速度的提升足以弥补这一微小差异。

5. 结果与讨论

为了评估我们提出的改进方法（CLAHE和优化）的效果，我们使用了O-Haze图像数据集进行测试。该数据集包含45张户外图片，分别在有雾和正常条件下拍摄，图像大小为5456×3632，格式为JPG和ARW（RAW），深度为24位。我们使用SSIM和FADE两个图像质量指标，将CLAHE-DCP方法与八种先进的去雾方法进行对比。

5.1 去雾质量评估

首先，我们从O-Haze数据集中选择了11张图像，通过计算其地面真值与CLAHE-DCP方法去雾结果之间的SSIM分数来评估去雾质量。实验结果表明，CLAHE-DCP方法处理后的图像在SSIM分数上优于He等人、Meng等人、Fattal、Cai等人、Ancuti等人、Berman等人和Ren等人提出的现有去雾方法。具体SSIM分数如下表所示：
| Image_Name | [19] | [29] | [23] | [20] | [30] | [31] | [32] | CLAHE-DCP |
| — | — | — | — | — | — | — | — | — |
| 01_Outdoor_hazy | 0.9933 | 0.77 | 0.73 | 0.58 | 0.75 | 0.76 | 0.81 | 0.9972 |
| 06_Outdoor_hazy | 0.9925 | 0.78 | 0.73 | 0.59 | 0.68 | 0.77 | 0.72 | 0.9975 |
| 10_Outdoor_hazy | 0.9941 | 0.76 | 0.75 | 0.71 | 0.73 | 0.72 | 0.8 | 0.9972 |
| 19_Outdoor_hazy | 0.9929 | 0.84 | 0.79 | 0.72 | 0.78 | 0.82 | 0.83 | 0.9988 |
| 20_Outdoor_hazy | 0.9846 | 0.72 | 0.62 | 0.5 | 0.78 | 0.72 | 0.63 | 0.9990 |
| 21_Outdoor_hazy | 0.9848 | 0.78 | 0.63 | 0.71 | 0.78 | 0.72 | 0.73 | 0.9992 |
| 27_Outdoor_hazy | 0.9881 | 0.68 | 0.67 | 0.64 | 0.77 | 0.7 | 0.71 | 0.9972 |
| 30_Outdoor_hazy | 0.9917 | 0.74 | 0.72 | 0.77 | 0.83 | 0.81 | 0.82 | 0.9981 |
| 33_Outdoor_hazy | 0.9948 | 0.74 | 0.76 | 0.81 | 0.61 | 0.66 | 0.88 | 0.9972 |
| 41_Outdoor_hazy | 0.9899 | 0.72 | 0.66 | 0.84 | 0.84 | 0.82 | 0.88 | 0.9958 |
| 42_Outdoor_hazy | 0.9914 | 0.82 | 0.73 | 0.58 | 0.74 | 0.82 | 0.72 | 0.9981 |
| Average | 0.9907 | 0.75 | 0.70 | 0.67 | 0.75 | 0.75 | 0.77 | 0.9977 |

此外，我们还使用FADE分数比较了CLAHE-DCP方法与原始DCP方法的去雾效果。结果表明，使用DCP方法去雾后，图像的FADE分数有所提高；而在使用CLAHE进行对比度增强预处理后，FADE分数进一步降低，说明CLAHE-DCP方法的去雾效果更好。具体FADE分数如下表所示：
| Image Name | FADE (Original Image) | FADE (CLAHE only) | FADE (DCP only) | FADE (CLAHE+DCP) |
| — | — | — | — | — |
| 01_outdoor_hazy | 2.391 | 1.4786 | 1.6269 | 1.1312 |
| 02_outdoor_hazy | 2.3114 | 1.7253 | 1.5407 | 1.2773 |
| 03_outdoor_hazy | 2.2171 | 2.2705 | 1.5551 | 1.491 |
| 04_outdoor_hazy | 2.7888 | 2.3868 | 1.8374 | 1.4727 |
| 05_outdoor_hazy | 3.0697 | 2.4232 | 2.0656 | 1.4404 |
| 08_outdoor_hazy | 2.9687 | 2.114 | 1.9769 | 1.3064 |
| 10_outdoor_hazy | 2.5178 | 1.7104 | 1.6622 | 1.1746 |
| 11_outdoor_hazy | 2.1238 | 1.3607 | 1.4886 | 1.0319 |
| 12_outdoor_hazy | 2.5568 | 1.4726 | 1.5037 | 1.0984 |
| 15_outdoor_hazy | 2.9995 | 2.5138 | 1.6398 | 1.6003 |
| 18_outdoor_hazy | 2.2567 | 1.5881 | 1.5191 | 1.1224 |
| 19_outdoor_hazy | 2.8408 | 1.5004 | 1.5438 | 1.0425 |
| 23_outdoor_hazy | 1.9271 | 1.1469 | 1.2932 | 0.8963 |
| 24_outdoor_hazy | 2.1471 | 1.4687 | 1.4306 | 1.1366 |
| 28_outdoor_hazy | 3.3212 | 2.249 | 1.764 | 1.4408 |
| 30_outdoor_hazy | 2.9045 | 1.5104 | 1.6806 | 1.0377 |
| 31_outdoor_hazy | 2.7284 | 1.4046 | 1.5404 | 1.0018 |
| 32_outdoor_hazy | 2.674 | 1.6629 | 1.6102 | 1.1701 |
| 33_outdoor_hazy | 3.2583 | 1.9596 | 1.8033 | 1.2454 |
| 34_outdoor_hazy | 2.6873 | 1.6228 | 1.6074 | 1.163 |
| 35_outdoor_hazy | 2.4791 | 0.936 | 1.0898 | 0.7177 |
| 36_outdoor_hazy | 2.4098 | 1.67 | 1.5659 | 1.2721 |
| 37_outdoor_hazy | 2.5491 | 1.5909 | 1.6569 | 1.1149 |
| 38_outdoor_hazy | 2.1283 | 1.6338 | 1.4772 | 1.239 |
| 39_outdoor_hazy | 2.1717 | 2.0699 | 1.5775 | 1.5282 |
| 40_outdoor_hazy | 3.0482 | 2.2119 | 1.7042 | 1.4641 |
| 41_outdoor_hazy | 3.078 | 1.885 | 1.8174 | 1.202 |
| 42_outdoor_hazy | 3.1244 | 1.6138 | 1.7833 | 1.1441 |
| 43_outdoor_hazy | 3.0318 | 1.8036 | 1.7441 | 1.3111 |
| 44_outdoor_hazy | 2.9087 | 1.7491 | 1.6422 | 1.179 |
| 45_outdoor_hazy | 2.4967 | 2.1832 | 1.6154 | 1.3905 |
| Average score | 2.6458 | 1.7835 | 1.6237 | 1.2257 |

在使用DehazeNet模型对SOTS数据集进行测试时，我们发现使用CLAHE作为预处理方法可以显著提高FADE分数。但需要注意的是，使用CLAHE后图像的结构相似性会略有下降，这表明DCP和CLAHE的组合是最佳选择。

5.2 性能评估

我们将优化后的计算时间与多种去雾技术进行了比较。结果表明，基于调整大小的暗通道计算方法相比原始DCP方法，计算效率提高了10倍。虽然处理后的图像质量相比直接在原始尺寸图像上使用DCP-CLAHE方法略有下降，但这种下降可以忽略不计，能够满足IoMT场景对实时性的要求。具体计算时间如下表所示：
| Method | Image name (O-Haze dataset) | 01 | 20 | 27 | 33 | 41 |
| — | — | — | — | — | — | — |
| He et al. [19] | | 33.67 | 70.13 | 22.07 | 98.17 | 25.39 |
| He et al. (DCP+GIF) [26] | | 7.53 | 10.89 | 4.45 | 12.99 | 5.76 |
| DCP + CLAHE | | 7.74 | 11.35 | 4.42 | 12.61 | 5.71 |
| DCP + CLAHE (Resized) | | 4.87 | 7.06 | 2.78 | 8.21 | 3.71 |

5.3 讨论

在IoMT场景下，我们提出的方法在图像质量和计算效率方面都有很好的表现。在图像质量方面，DCP-CLAHE组合的去雾效果优于七种现有去雾方案，处理后的图像视觉效果更好，对比度和颜色更优。在计算效率方面，基于低分辨率的暗通道处理方法将处理时间缩短了10倍，非常适合IoMT场景。虽然这种方法会使图像质量略有下降，但这种下降可以忽略不计，能够满足IoMT的即时需求。

综上所述，我们提出的方法在图像去雾方面具有显著优势，能够在提高图像质量的同时，优化处理时间，为IoMT等领域的图像去雾应用提供了一种有效的解决方案。

基于CLAHE的高效单图像去雾方法

6. 实际应用案例分析

为了更直观地展示基于CLAHE的高效单图像去雾方法在实际场景中的效果，我们选取了几个不同类型的实际应用案例进行分析。

6.1 交通监控场景

在交通监控系统中，雾天会严重影响监控摄像头拍摄图像的质量，导致无法清晰识别车辆和行人，给交通管理带来很大困难。我们使用该去雾方法对某交通路口在雾天拍摄的监控图像进行处理。
处理前的图像中，车辆和行人的轮廓模糊，道路标识也难以辨认。经过DCP + CLAHE方法处理后，图像的清晰度得到了显著提升，车辆和行人的细节清晰可见，道路标识也能清楚识别。这有助于交通管理部门及时掌握交通状况，做出准确的决策。

6.2 安防监控场景

在安防监控领域，雾天同样会影响监控效果，可能导致重要的安全信息被遗漏。我们对某小区在雾天的安防监控图像进行处理。
处理前的图像中，小区内的建筑和人员活动模糊不清。使用该去雾方法后，图像变得清晰，能够清楚地看到小区内的人员和车辆的活动情况，为安防工作提供了有力的支持。

6.3 遥感图像场景

在遥感领域，雾会降低卫星或无人机拍摄的图像质量，影响对地面目标的识别和分析。我们对一幅雾天的遥感图像进行处理。
处理前的图像中，地面的地形和建筑物模糊，难以进行准确的分析。经过去雾处理后，图像的细节更加丰富，地形和建筑物的轮廓清晰，有助于地质勘探、城市规划等领域的研究和应用。

7. 方法的局限性与改进方向

虽然基于CLAHE的高效单图像去雾方法在图像质量和处理速度方面取得了较好的效果，但仍然存在一些局限性。

7.1 局限性

复杂场景适应性不足 ：在一些复杂场景下，如存在大面积反光、强逆光或场景中存在特殊颜色分布时，去雾效果可能会受到影响，仍然会出现一定的伪影或颜色失真。
对图像噪声敏感 ：如果原始图像中存在较多噪声，CLAHE在增强对比度的同时可能会放大噪声，影响去雾后的图像质量。
模型泛化能力有限 ：该方法在某些特定类型的雾天图像上表现良好，但对于不同地区、不同季节、不同雾的浓度和类型的图像，其泛化能力还有待提高。

7.2 改进方向

结合多模态信息 ：可以考虑结合其他传感器的信息，如深度传感器、红外传感器等，获取更多的场景信息，以提高去雾方法在复杂场景下的适应性。
噪声预处理 ：在使用CLAHE进行对比度增强之前，先对图像进行噪声预处理，如使用滤波算法去除噪声，减少噪声对去雾效果的影响。
数据增强与模型优化 ：收集更多不同类型的雾天图像进行数据增强，训练更具泛化能力的去雾模型，提高方法对各种雾天场景的适应性。

8. 总结与展望

本文介绍了一种基于CLAHE的高效单图像去雾方法，该方法通过结合CLAHE的对比度增强和DCP的去雾原理，在图像质量和计算效率方面取得了较好的平衡。具体总结如下：
- 方法创新 ：提出使用CLAHE对雾天图像进行预处理，有效减少了DCP方法去雾后图像的伪影问题，提高了图像的整体质量。
- 性能优化 ：通过基于调整大小的暗通道优化方法，显著提高了处理速度，相比现有方法具有明显优势。
- 效果验证 ：通过多个数据集和多种评价指标的验证，证明了该方法在去雾效果和处理速度上的优越性。

展望未来，随着计算机视觉和物联网技术的不断发展，图像去雾技术将在更多领域得到广泛应用。我们可以进一步探索更先进的去雾算法和技术，结合深度学习、人工智能等方法，不断提高图像去雾的效果和效率，为各个领域的发展提供更有力的支持。同时，也可以将该方法与其他图像处理技术相结合，实现更复杂的图像处理任务，如目标检测、图像分割等，为计算机视觉领域的发展做出更大的贡献。

以下是一个简单的流程图，展示了整个基于CLAHE的高效单图像去雾方法的流程：

graph LR
    A[输入雾天图像] --> B[CLAHE对比度增强]
    B --> C[DCP去雾]
    C --> D[调整大小的暗通道优化]
    D --> E[输出去雾图像]

通过以上的分析和总结，我们可以看到基于CLAHE的高效单图像去雾方法具有很大的应用潜力和发展前景。希望本文的研究能够为相关领域的研究人员和开发者提供一些有益的参考和启示。