基于黑色通道先验知识的图像去雾研究(5)
2.2 图像去雾效果的客观评价标准及不同方法的去雾效果比较
2.2.1图像去雾效果的客观评价标准
图像去雾中有待进一步研究的问题还很多，特别是图像去雾效果的客观、定量评价问题尚未得到很好解决。这主要是因为大多数的图像质量评价方法均为完全参考(full-reference)方法，即需要知道同一场景在晴天下的图像作为评价的参考图像[35]。但在实际应用中，这一条件往往过于苛刻而难以满足，因此盲评方法更为实用。目前，针对图像去雾效果的盲评方法主要是由Hautiere等人所提出的可见边梯度法［36］。该方法根据由Jourlin和Pinoli所提出的对数图像处理(Logarithmic Image Processing,LIP)模型，采用原有雾图像与去雾图像的新可见边集合数目比(e) 、平均梯度比( )和黑色像素点所占图像大小百分比(σ)三个指标，从不同角度客观评价图像的去雾效果。
其中: 和 分别表示原有雾图像和去雾复原图像中可见边的数目， 表示去雾图像的平均梯度， 表示原有雾图像的平均梯度， 表示采用koheler图像分割方法[37]后变为黑色像素点的像素数目， 和 分别表示图像的宽和高。
对于每种算法，其目标都是尽可能地提高清晰化的速度，并在不丢失视觉信息的同时，增加图像的对比度。因此，算法运行时间越短，去雾效率越高; e和 值越大，σ值越小，去雾效果越好。
2.2.2去雾效果比较
为了直观地考查各种去雾算法的去雾效果和客观的去雾性能，采用Matlab6.5在Pentium(R)D，3.00 GHz，2GB内存的PC机上对几种典型的基于图像处理的雾天图像增强方法和最新提出的基于物理模型的雾天图像复原方法进行大量的实验仿真[43]，并使用算法的运行时间和其客观评价指标值e、 和σ来评估其去雾性能。实验数据库主要是从国外研究者的网站上下载，例如Tan，Fattal和He等研究者的个人网站均给出了对比实验的图像数据库。表1是对图2中原有雾图像(a)进行清晰化处理的评估结果示例。
表一 几种典型去雾方法的性能比较（图像大小576×768）
类别 去雾方法名称 运行时间/s e
σ/%
基于图像处理的雾天图像增强方法 直方图均衡化
小波变换
多尺度Retinex 8.5470
1.5630
211.8910 0.48
基于物理模型的雾天图像复原方法 文献[7]方法
文献[9]方法
文献[10]方法
文献[34]方法 需人工参与
由表可以看出，就算法运行时间而言，在增强方法中运行时间最短的是小波变换，而在复原算法中所需时间最短的则是文献[34]方法。此外，从客观评价指标来看，依据图像的不同，增强方法中的多尺度Retinex算法和复原方法中的文献[9]方法比同类的其他几种去雾算法能够得到更多的可见边。如果用平均梯度这一指标来衡量，则各算法的平均梯度的比值按递减的顺序依次为:文献[9]方法、文献[34]方法、多尺度Retinex算法、直方图均衡化算法、文献[7]方法、文献[10]方法和小波变换算法。而如果用去雾图像的黑色像素点所占图像大小的百分比来评估，则文献[34]方法和直方图均衡化算法的 值最小。从图2 的视觉效果中也可以证实以上规律，但不难发现文献[9]方法尽管 和 值较大，其去雾图像的颜色却显得过于饱和，且有光晕伪影出现。相比之下，文献[34]方法结果自然，复原后图像的对比度、清晰度和颜色逼真度均要明显优于其他去雾方法，且无光晕伪影现象。数据库中其他图像的清晰化处理结果大多与该图具有相似的规律。