监控视频实时透雾技术及主要优势的分析

 　　目前已知的透雾算法大致可以分为两大类：一种是非模型的图像增强方法，通过增强图像的对比度，满足主观视觉的要求来达到清晰化的目的;另一种是基于模型的图像复原方法，它考查图像退化的原因，将退化过程进行建模，采用逆向处理，以最终解决图像的复原问题。

　　目前通过增强的方式来进行透雾处理典型的方法包括：直方图均衡化、滤波变换方法和基于模糊逻辑的方法。直方图均衡化方法，其中全局化方法运算量小但对细节的增强不够;局部均衡方法效果较好，但可能引入块状效应、计算量大、噪声被放大及算法效果不易控制的问题。滤波变换的透雾算法，通过局部处理能获得相对较好的处理结果，但它们的计算量巨大、资源消耗多、不适于实时性要求较高的设备。基于模糊逻辑的方法透雾的效果不够理想。

　　基于增强的方法能在一定程度上提高图像对比度，并通过增强感兴趣区域来提升可识别度。但该方法未能从图像退化过程的原因入手来进行补偿，因此它只能改善视觉效果而不能获得很好的透雾效果。

　　目前基于图像复原的方法主要有以下几类：滤波方法、最大熵方法与图像退化函数估计法等。滤波方法如卡曼滤波方法，整体而言计算量较大。最大熵法能获得较高的分辨率但是其非线性、计算量大、数值求解困难。

　　图像退化函数估计法大多依据一定的物理模型来设计，需要在不同的时间点采集多幅图像作为参考图像，以便确定物理模型中的多个参数，而最终求解得到无雾状态下的结果图像。这一点限制了此类方法在实时监控中的应用。

　　安防产品现已应用于各种复杂场景、恶劣天气，全天候实时监控对产品的便携性与功耗、处理效果、处理的自适应性等方面都提出了较为苛刻的要求。良好的视频透雾技术应当在大气透射模型的基础上融合图像增强与图像复原的技术优势，从而能够获得较为理想的图像效果并被实际工程化引用。

　　在图像处理中，一般用下述模型来表达所看到的有雾图像：

　　I(x)=J(x)t(x)+A(1-t(x))

　　I代表所看到的图像强度，J是景物光线强度，A是大气光成分，t是用来描述光线通过媒介时没有被散射掉的那部分。透雾的目标就是从I中恢复出J、A、t、J即对应于透雾后的结果图像。其中，J(x)t(x)称为直接衰减项，代表的是景物光线在媒介中经过衰减后的部分，A(1-t(x))为大气光成分，由前方散射引起。

　　在充分分析透雾理论的优势与不足，并进行深入的研究探索后，海康威视结合安防监控领域的视频图像透雾的特殊要求，开发了一种实时视频透雾技术。该技术基于大气光学原理，区分图像不同区域景深与雾浓度进行滤波处理，获得准确、自然的透雾图像。

　　该实时视频透雾技术能够根据雾况的变化自动调整从而适应各种场景应用，避免出现近景透雾过度发黑而远景模糊的情况;同时兼顾了实现的效率与复杂度，保证了整个透雾的实时性与可工程化。

　　同时，这项实时视频透雾技术不但可以有效去除雾气带来的影响，而且能够避免对某些场景的过渡处理导致的色彩误差，以及雾气过度去除带来的不真实感。如图1，其中a是包含薄雾的图像，b是传统透雾方法的效果，c则是实时透雾技术处理后的效果。可以看到，由于雾气本身不厚，传统透雾方法b中由于缺乏自适应能力，红框内出现了发黑及色彩失真现象，c中的红框内图像效果则自然真实。

　　实时视频透雾技术与其它透雾方法相比的优势主要体现在以下几方面：

　　 透雾能力强。实时视频透雾技术能够根据不同的景深准确的去除相应程度的雾气。传统图像增强的方法可能出现近景透雾效果较好而远景则仍残余朦胧雾气;而基于图像复原方法的透雾效果与选择成分的准确性有关，成分选择准确则透雾处理效果较好，如成分选择不准确则可能出现很糟的结果，因此该方法的透雾算法性能不够稳定。

　　通透性好。经过实时视频透雾技术处理后的图像很通透，有较好的对比度。而其它方法因为对景深估计不准确而残余了雾气,使透雾后的图像并不是很通透;

　　细节保留程度高。实时视频透雾技术中包含保持细节的特殊处理，因此透雾后的图像能把原来隐藏在雾气后的细节信息继续保留甚至部分增强，这也是其它方法难以达到的;

　　色彩的饱和度高、还原能力强。实时视频透雾技术不会改变图像的色调而仅仅是增加其色彩的饱和度，其它透雾方法则可能出现色调失真的问题;

　　不会引起图像偏暗现象。实时视频透雾技术由于包含有亮度提升性能，不会出现结果图像偏暗的现象。其他方法则可能引起对比度降低的问题;

　　应用范围广泛。实时视频透雾技术也可用于对无雾的图像进行处理，提高原图的对比度与饱和度，同时能够改善图像的通透感，起到提升图像视觉品质的作用。