基于受限光值与透射率修正的图像去雾算法

张俊林, 石冬阳, 杨慧敏, 聂玲, 刘天光, 武正萍

张俊林, 石冬阳, 杨慧敏, 聂玲, 刘天光, 武正萍. 基于受限光值与透射率修正的图像去雾算法[J]. 红外技术, 2023, 45(6): 613-621.
引用本文: 张俊林, 石冬阳, 杨慧敏, 聂玲, 刘天光, 武正萍. 基于受限光值与透射率修正的图像去雾算法[J]. 红外技术, 2023, 45(6): 613-621.
ZNANG Junlin, SHI Dongyang, YANG Huimin, NIE Ling, LIU Tianguang, WU Zhengping. Image Defogging Algorithm Based on Limited Light Value and Transmittance Correction[J]. Infrared Technology , 2023, 45(6): 613-621.
Citation: ZNANG Junlin, SHI Dongyang, YANG Huimin, NIE Ling, LIU Tianguang, WU Zhengping. Image Defogging Algorithm Based on Limited Light Value and Transmittance Correction[J]. Infrared Technology , 2023, 45(6): 613-621.

基于受限光值与透射率修正的图像去雾算法

基金项目: 

重庆市自然科学基金面上项目 cstc2020jcyj-msxmX0927

国家级大学生科技创新训练计划项目 202111551009

重庆市重庆科技学院研究生科技创新计划项目 YKJCX2120421

重庆市重庆科技学院研究生科技创新计划项目 YKJCX2020408

重庆市重庆科技学院研究生科技创新计划项目 YKJCX2020416

详细信息
    作者简介:

    张俊林(1974-),男,副教授,博士,硕士生导师,研究方向为无线通信、无线传感器网络、图像处理。E-mail:Zhangjlwj@126.com

  • 中图分类号: TP391

Image Defogging Algorithm Based on Limited Light Value and Transmittance Correction

  • 摘要: 针对暗通道先验去雾算法在滤波窗口较小时得到的去雾后图像存在颜色失真、对引入因子的选择及明亮区域透射率的计算存在误差、去雾后图像的抗噪性能较弱等问题,提出基于受限光值与透射率修正的图像去雾算法。首先对大气光值A设定阈值上限;其次通过建立引入因子与结构相似度的对应关系以获得最佳引入因子;并在引入容差机制的基础上进一步提出透射率优化方法;最后在所提去雾算法基础上融入高斯滤波算法,并调整去雾图像亮度以提升可视化效果。仿真结果表明,运用所提算法得到的图像PSNR值、SSIM值、Entropy值相对于改进前分别平均提升9.9964 dB、8.57%、0.3732,验证了所提算法的有效性与优越性。
    Abstract: In this study, an image demist algorithm based on limited light value and transmittance correction is proposed. The aim of the study was to address the issues of color distortion in the demist image obtained by dark channel prior demist algorithm when the filtering window is small, error in the selection of introduction factor and calculation of the transmittance of the bright area, and weak anti-noise performance of the demist image. First, the upper threshold of atmospheric light value A was set. Second, the best introduction factor was obtained by establishing the corresponding relationship between the introduction factor and structural similarity. On the basis of introducing the tolerance mechanism, the transmission optimization method was further proposed. Finally, based on the proposed defogging algorithm, a Gaussian filtering algorithm was incorporated, and the brightness of the defogging image was adjusted to improve the visualization effect. The simulation results showed that the PSNR and SSIM values and entropy value of the image obtained by the proposed algorithm were 9.9964 dB, 8.57%, and 0.3732 higher than those before the improvement, respectively; thus, the effectiveness and superiority of the proposed algorithm were verified.
  • 根据红外制导的原理,舰船红外隐身技术的实质就是降低船体表面的红外辐射强度或者改变舰船表面的发射率,以削减其被敌人红外探测设备侦查到的部分或减小与海天背景间的辐射对比度,无法被敌人侦测识别定位,达到隐身目的。红外辐射的波长大致范围为0.76~1000 μm[1],侦测系统接收到的舰船红外辐射强度经过大气传输的衰减作用后存在两个易被侦查的波段:3~5 μm和8~14 μm。研究发现,3~5 μm波段的红外辐射主要是由舰船的高温局部引起的,如舰船的排烟尾流、烟囱等[2];8~14 μm波段的红外辐射主要来自于舰船外表面在太阳辐射作用下与海天背景产生的热物性差异[3]

    对于8~14 μm波段的红外辐射,其红外隐身的主要技术手段为水幕喷淋隐身、水雾遮蔽隐身以及红外隐身涂层等[4]。水幕喷淋技术是利用喷淋在目标表面形成的水膜来降温,从而达到降低红外特征的一种技术;而水雾遮蔽技术则是通过在目标与探测器间施放水雾遮蔽层来衰减红外信号的一种技术[5]。近年来,水幕水雾隐身系统依靠其独特的经济性与高效性,逐渐在各国军舰上应用,如美国的DDG-51和DDG-67驱逐舰、英国的“海魂”护卫舰和俄罗斯的现代级驱逐舰等都已装备了水雾红外隐身系统,几秒钟内便可在舰船周围形成全笼罩的水雾层,取得很好的隐身效果[6-7]。国内外学者对水幕水雾隐身技术也展开了深入研究。2013年,杜永成等[8]建立8~14 μm的红外辐射在细水雾中的传输模型,计算并分析了如体积分数、几何均值粒径等几种辐射透射率的影响因素。2014年,Yong-Cheng Du等[9]用蒙特卡洛方法研究了水雾对激光制导的双向衰减过程,建立了一种新的确定散射光子方向的方法,发现常用范围的水雾半径适合衰减10.6 μm的激光。2017年,赵世明[6]等推导出更通用的辐射衰减计算公式,计算水雾层的光谱散射系数、衰减系数、吸收系数,分析了水雾参数对光谱消光性能的影响,经优化后得出具有最佳光谱消光性能的水雾参数。2019年,刘晓敏[10]对舰船水雾水膜隐身技术进行了研究,对水雾隐身和水膜隐身分别建立了根据雾滴最佳消光粒径来定其尺寸谱分布函数和降低液膜表面温度来降低辐射出射度的技术模型,并研究了几种粒子参数对红外仿真结果的影响,确定了最佳水雾参数。万新斌和于姝雯[11]对舰船水幕系统设计方法展开了研究,介绍了水幕系统耗水量计算、喷水量设计、分区设计、管路设计、系统阻力计算建模和优化设计等方法。2020年,Hiroki Gonome等[12]以屏蔽火灾热辐射为背景,对薄雾层进行了辐射传输分析,确定了有效屏蔽热辐射的最佳水滴尺寸。同年,李慧子等[13]试验分析了压力参数对复合喷头和水膜喷头的红外降温特性的影响,结果表明,气助式复合喷头能够有效降低目标的红外可探测性,缩短目标的红外降温时长。2021年,Hiroki Gonome等[14]在原先的基础上又研究了烟灰烟雾对水雾热辐射屏蔽性能的影响,发现一次或二次烟灰颗粒的直径影响了水滴的光谱反射率,当水粘着烟灰时,辐射屏蔽性能将会减弱。王振等[5]设计了旋流式复合喷头,通过对比试验,分析了不同压力下旋流式复合喷头与传统水膜喷头的红外降温特性,结果表明,旋流式复合喷头能够有效控制目标的红外降温时长,提高降温效果。此外,付健等[15]设计了一种在舰船表面不同分区施加水幕来对抗红外成像反舰导弹的策略,采用建模仿真的方式开展了水幕对红外成像导引头干扰效果的研究。

    上述水幕水雾的研究主要集中于理论分析,从建模仿真和数值计算角度研究了水幕水雾隐身技术,而针对该技术的试验研究甚少。已有的试验对气助式复合喷头和旋流式复合喷头的水幕水雾复合喷淋红外降温速率展开研究,尚未对壁式喷头红外降温特性进行试验,也未对目标钢板与喷头不同距离下冷却特性开展研究。

    为了提高舰船的红外隐身能力,降低其被红外设备侦测到的概率,本文搭建了壁式喷头试验台,开展了壁式喷头喷射特性、雾化效果和红外降温特性试验,探究壁式喷头在舰船上的使用方法。

    试验用壁式喷头由3个喷孔组成,喷射时形成扇形区域,覆盖范围为190°,其中位于中间的单喷孔在平面内角度为68°,两侧喷孔为65°,中间喷孔与侧面喷孔在工作时存在4°的重叠区域,重叠区域内水雾量较大。壁式喷头实物图如图 1所示。通过试验测试获得喷头的压力-流量特性曲线,如图 2所示。

    图  1  壁式喷头实物图
    Figure  1.  Physical picture of wall attached nozzle
    图  2  壁式喷头的压力-流量特性曲线
    Figure  2.  Pressure-flow characteristics curve of wall attached nozzle

    为了测试壁式喷头的喷射特性,搭建了壁式喷头试验系统,该系统由水箱、变频增压泵、前置过滤器、球阀、流量计、温度传感器、壁式喷头、目标钢板、红外热像仪和计算机等组成,系统原理图如图 3所示。

    图  3  壁式喷头试验台原理图
    Figure  3.  Schematic diagram of the test bench of the wall attached nozzle

    图 2中试验对象为一块750 mm×750 mm×12 mm的钢板,使用红外热像仪实时监控钢板表面温度,以得到钢板表面温度二维图像。试验所用温度传感器为PT100热电阻,测温范围为0℃~100℃,A级精度。红外热像仪VarioCAM hr的光谱范围为7.5~14 μm,分辨率为320×240,测温范围-40~600℃,测温精度±1.5℃。试验过程中喷头保持水平安装。

    为了探究喷嘴高度对喷射半径和覆盖范围的影响和喷嘴喷射时不同距离下的地面流量情况,本文选取喷嘴高度H为0.4 m,0.6 m,0.8 m作为试验点,通过调节喷嘴夹具的升降来调整喷嘴高度,并用卷尺测量壁式喷头工作时的喷射半径和覆盖范围如表 1所示。

    表  1  不同高度下喷嘴喷射范围
    Table  1.  Nozzle spray range at different heights
    No. H/m Minimum injection radius/m Maximum injection radius/m Coverage area/m
    1 0.4 1.3 3.4 2.1
    2 0.6 2.1 4.8 2.7
    3 0.8 2.2 5 2.8
    Note: H is the vertical distance between the middle spray hole and the ground.
    下载: 导出CSV 
    | 显示表格

    同时,在中间喷孔正前方,与喷头在地面投影点距离分别为0.5 m,1 m,1.5 m,2 m,2.5 m,3 m,3.5 m,4 m,4.5 m,5 m布置了流量监测点,喷嘴工作180 s后,测得的固定时间水量如图 4所示。喷嘴喷射范围示意图如图 5所示。

    图  4  流量特性曲线
    Figure  4.  Flow characteristic curves
    图  5  喷射范围示意图
    Figure  5.  Schematic diagram of spray range

    图 4图 5并结合表 1可知,喷嘴喷射存在中空区域,在中空区域内存在总体积较小的水雾,这部分水雾在喷射过程中受重力和风场的影响在中空区域内飘浮至地面。在覆盖范围的中心区域偏后,流量最大,随着喷嘴高度的提高,覆盖范围略有增大,导致覆盖范围内的流量最大值有所减小。

    雾滴粒径检测方法主要采用光学法直接测量或雾滴收集测量[16],本文采用雾滴收集测量法,通过水敏试纸收集雾滴,使雾滴撞击水敏试纸形成斑痕,再通过计算机图像处理算法得到雾滴粒径。

    利用雾滴收集测量法检测喷嘴雾化性能时,常以雾滴覆盖率和雾滴覆盖密度来衡量采样点的雾滴雾化情况,雾滴覆盖率用雾滴覆盖区域面积占统计总面积的百分比表示,如公式(1)所示:

    $$ C{\text{ = }}\frac{{{A_{\text{s}}}}}{{{A_{\text{p}}}}} \times 100{\text{% }} $$ (1)

    式中:C为喷雾覆盖率,%;As为雾滴区域像素数;Ap为水敏试纸统计区域总像素数。

    雾滴覆盖密度指水敏试纸单位面积上承接的雾滴个数,如公式(2)所示:

    $$ K=N / M $$ (2)

    式中:K为雾滴覆盖密度,个/cm2N为雾滴的总数;M为试纸的总面积,cm2

    在喷嘴高度H为0.8 m情况下,壁式喷头的中间喷孔正前方向,与喷头在地面投影点距离L为1 m,2 m,3 m,4 m布置水敏试纸,多次用水敏试纸采样,最后从中挑选4张试纸作为样本进行分析,水敏试纸图像样本灰度化处理后如图 6所示,经计算机图像处理后得到的壁式喷头雾化颗粒直径分布如图 7所示。

    图  6  水敏试纸灰度化
    Figure  6.  Grayscale of water sensitive test paper
    图  7  壁式喷头雾化颗粒直径分布
    Figure  7.  Atomized particle diameter distribution of wall attached nozzle

    图 6图 7可知,采样距离为1 m时,即处于中空区内,雾滴覆盖密度为129.04个/cm2,统计得到的有效颗粒总数量为2044个,其中直径小于200 μm的颗粒占比69.6%,并且结合图 4可知,该区域内液滴总体积较小,因此,基于上述数据说明该区域雾化效果好。在中空区与覆盖区交界处,液滴颗粒直径与中空区内相比,整体呈现增大趋势,颗粒数量减少,雾滴覆盖密度为61.17个/cm2。从中空区进入覆盖区后,雾滴覆盖率显著增大,与中空区相比增加了2.14%;在覆盖区的中心,即流量最大值附近,雾滴覆盖率最大为8.427%,单个液滴直径最大值超过2000 μm,没有形成良好的雾化效果。

    由上述可知,壁式喷头在喷射中空区内有一定雾化效果,其雾化效果不如文献中提及的气助式复合喷头和旋流式复合喷头。结论表明,壁式喷头的雾化效果一般,但其在喷射覆盖区域,雾化颗粒大,可以有效在目标表面形成水膜来降温,从而降低红外特征。

    为了探究喷射距离L(喷头在地面投影点与钢板前缘距离)对壁式喷头红外降温特性的影响,本文在喷嘴高度H为0.8 m时选取喷射距离L分别为1.25 m、1.75 m、2.25 m、2.75 m、3.25 m、3.75 m、4.25 m作为试验点,通过改变目标钢板位置,并用红外热像仪记录壁式喷头工作时目标钢板的温度图像。此时,壁式喷头喷水温度为32℃,工作压力为0.5 MPa,对应喷射总流量为1.42 L/s。

    目标钢板采用水浴法加热,将目标钢板置于容器中后,给电加热棒通电,钢板升温过程如图 8所示。

    图  8  钢板水浴加热图
    Figure  8.  Water bath heating diagram of steel plate

    图 8可知,目标钢板加热时存在局部高温区域,产生高温区域的原因为该处底部为电加热棒,为减少该现象,在试验过程中,不停搅拌水池,同时在温度试验测试时会待钢板冷却数分钟,使其导热均匀。此外,钢板其他位置温度分布较为均匀。

    目标钢板加热后取出置于待测位置,再次进行温度检测,如图 9所示。

    图  9  钢板加热后热成像图
    Figure  9.  Temperature map after the steel plate is heated

    图 9可知,钢板表面最高温度为56.4℃,最低温度为54.76℃,平均温度55.63℃,钢板整体温度均匀性较好。

    为了使目标钢板温度分布均匀和便于多次水幕降温效果试验结果对比,在钢板水浴加热后,取出置于环境中冷却,待温度稳定后(约49℃)进行试验。通过试验,得到不同位置的钢板表面温度如图 10所示。

    图  10  不同距离下钢板表面温度对比
    Figure  10.  Comparison of surface temperature of steel plate at different distances

    图 10可知,工况1钢板处于中空区,钢板上的液滴较少,多为空中飘浮的微小液滴附着,钢板温度随时间变化不均,前后温差较小,产生上述现象的主要原因是,该钢板处于水幕覆盖范围外,钢板的冷却主要依赖空中漂浮的微小液滴,其冷却效果较差,当有风影响时,钢板附着液滴较多,液滴吸热蒸发带走热量,冷却速度加快,当没有风影响时,钢板附着液滴较少,自身热容的作用使得表面温度回升,降温速率约为2.03℃/min。

    工况2,钢板有部分处于中空区,另一部分处于覆盖区,然而由其对应的热成像图可知,并不存在明显的分界线,其主要原因是由于钢板的导热系数较大,且该工况下有较为稳定的液滴附着,处于中空区的钢板上受到直径小于1000 μm的液滴附着,覆盖区内钢板受液膜冲刷,总体降温速率约为3.31℃/min,与中空区相比提高了62.7%。

    工况3~7钢板完全处于覆盖区,液滴附着量较大,与工况1和工况2的情形相比,降温速率提升了2~3倍。此外,相对于钢板初始温度,当液滴附着到钢板上时,钢板表面温度会骤降,即钢板初始时刻的降温速率较大。

    工况3,在160 s内,钢板温度由49.08℃降至39.01℃,前后温差10.07℃,降温速率为3.78℃/min,前20 s内,钢板温度降低了5.8℃,降温速率为17.4℃/min,约为全时间段降温速率的4.6倍。

    工况4,钢板上的流量比工况3有所增加,在160 s内,钢板温度由49.2℃降至36.51℃,前后温差12.69℃,降温速率为4.76℃/min。

    工况5~7,钢板处于覆盖区中心,降温速率分别为5.97℃/min,6.18℃/min和6.09℃/min,工况6处于流量最大值处,液膜冲刷效应最强,降温速率最大,钢板前后温差16.49℃,前20 s内,钢板温度降低了10.37℃,降温速率为31.11℃/min,与工况3相比,前20 s降温速率提升78.8%,160 s总时间内降温速率提升63.5%。因此为实现快速降温冷却,在壁式喷嘴安装过程中,目标钢板的位置应处于喷射覆盖区中间或中间偏后区域。

    与中空区存在液滴不同的是,在超过喷射最大半径后,没有液滴存在,所以不考虑超过最大半径后的位置的降温效果。

    从红外成像探测角度,一般红外伪装设计时将目标与背景温差控制在4℃以内,以将目标辐射信号淹没在背景中,使探测器无法很好地成像,从而达到隐蔽的目的[17]。因此,从目标钢板温度降低至与水温差不超过4℃时,即认为目标达到了红外降温要求,对应的时间为红外降温时长。图 9中36℃等温线与各曲线的交点即为红外降温时长。由图 9可见,在试验时间段内,工况5~7与等温线有交点,红外降温时长分别为84 s,72 s,80 s。

    为了探究壁式喷头不同喷水流量下对目标钢板降温速率的影响,本节在喷嘴高度H为1 m时选取喷水总流量分别为0.64 L/s(0.1 MPa)、1.08 L/s(0.3 MPa)、1.42 L/s(0.5 MPa)作为试验工况点,喷水温度为29℃。用热电偶记录壁式喷头工作时目标钢板的温度数值。

    通过试验得到不同喷射总流量下温度随时间的变化特性曲线如图 11所示。

    图  11  不同喷射总流量下温度随时间的变化特性曲线
    Figure  11.  Variation curves of temperature with time at different total spray flow rates

    图 11可知,在60 s内,喷射总流量为0.64 L/s时,降温速率为10.37℃/min;喷射总流量为1.08 L/s时,降温速率为12.77℃/min;喷射总流量为1.42 L/s时,降温速率为13.51℃/min。随着喷射总流量的增加,钢板在60 s内的温度降低。随着喷射总流量的增加,喷头的降温速率提升30.28%。并且从红外成像探测的角度来说,红外目标与背景的温差需控制在4℃以内。在60 s内,喷头工作压力为0.5 MPa时,目标钢板和喷水温度的温差可降至4℃以内,而喷水温度为0.1 MPa和0.3 MPa时不满足此要求。

    本节对初始温度为60℃、50℃及40℃的钢板进行对照试验,进而探索钢板初始温度对降温速率的影响。此时,壁式喷头工作高度H为1 m,水温为29℃,工作压力为0.5 MPa,对应喷射总流量为1.42 L/s。

    图 12所示为不同温度钢板下温度随时间变化特性曲线。

    图  12  不同温度钢板下温度随时间变化特性曲线
    Figure  12.  Variation curves of temperature with time at different temperatures of steel plate

    图 12可见,60 s内,对60℃钢板的降温速率为24.37℃/min;对50℃钢板的降温速率为17.67℃/min;对40℃钢板的降温速率为11.17℃/min。此外,在喷淋前30 s内,钢板的初始温度越高,喷头对其的降温速率越快;喷淋30 s后,不同温度下钢板的降温速率趋于一致。结果表明,钢板的初始温度对喷淋前期的降温速率具有显著影响。

    进一步,在覆盖区内,由于喷嘴是3条直线缝的结构形式,中间喷孔与侧面喷孔在工作时存在4°的重叠区域,重叠区域喷雾液滴量较大,因此为得出喷嘴喷射口重叠部分的降温速率,在距离L为3.75 m的工况下,即工况6,进行了喷射重叠区的同半径距离试验,试验得到的钢板表面温度冷却曲线如图 13所示。

    图  13  非重叠区与重叠区钢板表面温度对比
    Figure  13.  Comparison of surface temperature of steel plate in non-overlapping zone and overlapping zone

    图 13可知,20 s内,在喷射非重叠区钢板前后温度为49.64℃和39.27℃,温差10.37℃,喷射重叠区钢板前后温度为49.53℃和37.87℃,温差11.66℃,20 s内,喷嘴喷射重叠区降温速率明显高于非重叠区;20~160 s,喷射重叠区和非重叠区钢板降温速率分别为2.39℃/min和2.62℃/min,造成非重叠区在此时间段内降温速率大于重叠区的主要原因是,在20 s时刻,重叠区的钢板温度比非重叠区低1.59℃,与冷却水小温差导致重叠区降温速率减缓。0~160 s,喷射非重叠区降温速率为6.18℃/min,喷射重叠区降温速率为6.54℃/min,提升了5.8%,喷射重叠区红外降温时长约为40 s,比非重叠区缩短了32 s。

    上述结果表明,在喷射开始的前20 s时间内,重叠区的冷却效果优于非重叠区,重叠区对钢板的短时间快速冷却有较好的效果。重叠区可有效缩短红外降温时长。

    此外,为了获得水幕的存在对钢板表面温度测量的影响,采用热电偶和红外热像仪同时测量的方式,表 2给出了不同时刻下热电偶测得的温度与红外热像仪在水幕外测得的温度。

    表  2  水幕内外钢板温度
    Table  2.  Steel plate temperature inside and outside the water curtain 
    Time Thermocouple/℃ Infrared thermal imaging camera/℃ Difference value/℃
    10 s 45 40.45 4.55
    20 s 43 38.28 4.72
    30 s 42.7 36.58 6.12
    40 s 41.3 34.91 6.39
    50 s 40.9 33.26 7.64
    60 s 40.4 31.91 8.49
    下载: 导出CSV 
    | 显示表格

    表 2可知,随着喷雾冷却过程的进行,不同时刻水幕内和水幕外的温度相差较大。壁式喷头能够有效降低舰船钢板的红外可探测性,实现水幕喷淋隐身,且随着水幕喷淋冷却的进行,水幕内外的钢板温差不断增加,最大可达8.49℃。水幕内外钢板温度对比结果表明,水幕对温度低于43℃的钢板遮掩效果较好。

    本文搭建了壁式喷头试验台,测试了壁式喷头的喷射特性、雾化特性及不同喷射距离下的红外降温特性,通过试验研究,得出如下结论:

    1)壁式喷头喷射时存在中空区与覆盖区,中空区内液滴雾化效果较好,直径小于200 μm的颗粒占比69.6%,覆盖区液滴雾化效果较差,单个液滴直径超过2000 μm。

    2)由不同喷射距离下的壁式喷头红外降温试验可知,喷射距离对红外降温速率影响较大,当钢板处于中空区时,钢板的冷却主要依赖受重力和风场影响落下的细水雾,降温速率为2.03℃/min,随着距离的增大,钢板处于中空区与覆盖区交界时,降温速率为3.31℃/min,比在中空区提高了62.7%,钢板完全处于覆盖区时,喷射存在非重叠区和重叠区,非重叠区降温速率最大为6.18℃/min,其同半径距离下的重叠区降温速率为6.54℃/min,此时重叠区红外降温时长约为40 s,比非重叠区缩短了32 s,为实现快速降温冷却,目标钢板的位置应处于喷射覆盖区中间或中间偏后区域。

    3)随着喷射总流量从0.64 L/s增加到1.42 L/s,喷头的降温速率提升30.28%,喷射总流量的增加对钢板的降温表现出明显的增益性。

    4)对不同温度钢板进行降温,结果表明,在喷淋前期,钢板的初始温度越高,壁式喷头对其的降温速率越快;钢板被降至一定温度后,降温速率趋于一致。

    5)壁式喷头在喷射的瞬间能极大降低红外热像仪测得的目标钢板表面温度,20 s可将测得温度降低10℃以上。壁式喷头能够有效降低舰船钢板的红外可探测性,实现水幕喷淋隐身。

  • 图  1   所提去雾算法流程

    Figure  1.   The process of the proposed defogging algorithm

    图  2   受限大气光值仿真实验

    Figure  2.   Simulation experiment of limited atmospheric light value

    图  3   引入容差机制实验

    Figure  3.   Introduction of tolerance mechanism experiment

    图  4   含有明亮区域图像的去雾结果

    Figure  4.   Defogging results of images with bright areas

    图  5   r在[0, 2]区间下各去雾性能的变化情况

    Figure  5.   Variation in defogging performance of r in the range of [0, 2]

    图  6   K=0.2时去雾性能随r的变化情况

    Figure  6.   The variation of defogging performance with r at K=0.2

    图  7   不同去雾算法下的去雾结果

    Figure  7.   Defogging results under different defogging algorithms

    图  8   图像去雾性能评价结果

    Figure  8.   Evaluation results of image defogging performance

    表  1   性能评价结果

    Table  1   Performance evaluation results

    Images PSNR/dB SSIM/(%) Entropy e
    c1 33.0013 79.67 7.4804 86.3424
    d1 33.2064 91.81 7.7137 135.9003
    c2 30.8008 56.39 6.8936 43.7727
    d2 31.0214 88.43 7.5737 110.1026
    c3 30.0753 73.85 7.1577 68.7799
    d3 30.0809 84.49 7.4044 135.0954
    下载: 导出CSV

    表  2   不同算法的性能评价结果

    Table  2   Performance evaluation results of different algorithms

    Algorithm PSNR/dB SSIM/(%) Entropy
    Reference [8] 23.6641 67.2913 7.6576
    Reference[13] 25.4908 72.1667 7.4214
    Reference [19] 27.6467 65.4867 7.1857
    Reference [21] 26.8452 56.9502 7.5639
    Ours 35.7859 85.6967 7.8846
    下载: 导出CSV
  • [1]

    Arif Z H, Mahmoud M A, Abdulkareem K H, et al. Comprehensive review of machine learning(ML) in image defogging: taxonomy of concepts, scenes, feature extraction, and classification techniques[J]. IET Image Processing, 2022, 16(2): 289-310. DOI: 10.1049/ipr2.12365

    [2] 王昊昱, 何明枢. 基于改进暗通道算法的红外图像去雾[J]. 红外技术, 2022, 44(8): 875-881. http://hwjs.nvir.cn/article/id/3069d73a-bcfb-4116-85fc-38c5b62163af

    WANG Haoyu, HE Mingshu. Infrared image defogging based on improved dark channel algorithm[J]. Infrared Technology, 2022, 44(8): 875-881. http://hwjs.nvir.cn/article/id/3069d73a-bcfb-4116-85fc-38c5b62163af

    [3] 王道累, 张天宇. 图像去雾算法的综述及分析[J]. 图学学报, 2020, 41(6): 861-870. https://www.cnki.com.cn/Article/CJFDTOTAL-GCTX202006001.htm

    WANG Daolei, ZHANG Tianyu. Overview and analysis of image defogging algorithms[J]. Journal of Graphics, 2020, 41(6): 861-870. https://www.cnki.com.cn/Article/CJFDTOTAL-GCTX202006001.htm

    [4] 张宝山, 杨燕, 陈高科, 等. 结合直方图均衡化和暗通道先验的去雾算法[J]. 传感器与微系统, 2018, 37(3): 148-152. https://www.cnki.com.cn/Article/CJFDTOTAL-CGQJ201803044.htm

    ZHANG Baoshan, YANG Yan, CHEN Gaoke, et al. Defogging algorithm combining histogram equalization and dark channel priori[J]. Sensors and Microsystems, 2018, 37(3): 148-152. https://www.cnki.com.cn/Article/CJFDTOTAL-CGQJ201803044.htm

    [5] 韦春苗, 徐岩, 李媛. 基于小波变换的迭代融合去雾算法[J]. 激光与光电子学进展, 2021, 58(20): 243-251. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202120025.htm

    WEI Chunmiao, XU Yan, LI Yuan. Iterative fusion defogging algorithm based on wavelet transform[J]. Progress in Laser and Optoelectronics, 2021, 58 (20): 243-251. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202120025.htm

    [6]

    CAI B, XU X, JIA K, et al. Dehazenet: an end-to-end system for single image haze removal[J]. IEEE Transactions on Image Processing, 2016, 25(11): 5187-5198. DOI: 10.1109/TIP.2016.2598681

    [7]

    REN W, LIU S, ZHANG H, et al. Single image dehazing via multi-scale convolutional neural networks[C]//European Conference on Computer Vision, 2016: 154-169.

    [8]

    Hassan N, Ullah S, Bhatti N, et al. A cascaded approach for image defogging based on physical and enhancement models[J]. Signal, Image and Video Processing, 2020, 14(5): 867-875. DOI: 10.1007/s11760-019-01618-x

    [9]

    Sharma N, Kumar V, Singla S K. Single image defogging using deep learning techniques: past, present and future[J]. Archives of Computational Methods in Engineering, 2021, 28(7): 4449-4469. DOI: 10.1007/s11831-021-09541-6

    [10]

    Singh S, Baba A M, Anwar M, et al. Visibility improvement in hazy conditions via a deep learning based image fusion approach[C]// International Conference on Advances in Computing and Data Sciences, 2021: 410-419.

    [11] 陈永, 郭红光, 艾亚鹏. 基于双域分解的多尺度深度学习单幅图像去雾[J]. 光学学报, 2020, 40(2): 71-82. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202002008.htm

    CHEN Yong, GUO Hongguang, AI Yapeng. Multi-scale deep learning single image defogging based on dual domain decomposition[J]. Acta Optica Sinica, 2020, 40(2): 71-82. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202002008.htm

    [12]

    YANG Y, LONG W, LI Y, et al. Image defogging based on amended dark channel prior and 4‐directional L1 regularisation[J]. IET Image Processing, 2021, 15(11): 2454-2477.

    [13]

    HE K, SUN J, TANG X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 33(12): 2341-2353.

    [14]

    Gibson K B, Vo D T, Nguyen T Q. An investigation of dehazing effects on image and video coding[J]. IEEE Transactions on Image Processing, 2011, 21(2): 662-673.

    [15]

    LONG C, Bao-long G U O, JUAN B I, et al. Algorithm of single image fog removal based on joint bilateral filter[J]. Journal of Beijing University of Posts and Telecommunications, 2012, 35(4): 19-23.

    [16]

    HE K, SUN J, TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 35(6): 1397-1409.

    [17]

    MENG G, WANG Y, DUAN J, et al. Efficient image dehazing with boundary constraint and contextual regularization[C]//Proceedings of the IEEE International Conference on Computer Vision, 2013: 617-624.

    [18]

    JIANG J G, HOU T F, QI M B. Image dehazing algorithm based on dark primary color prior[J]. Journal of Circuits and Systems, 2011, 16(2): 7-12.

    [19]

    LING Z, GONG J, FAN G, et al. Optimal transmission estimation via fog density perception for efficient single image defogging[J]. IEEE Transactions on Multimedia, 2017, 20(7): 1699-1711.

    [20] 高涛, 刘梦尼, 陈婷, 等. 结合暗亮通道先验的远近景融合去雾算法[J]. 西安交通大学学报, 2021, 55(10): 78-86. https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT202110009.htm

    GAO Tao, LIU Mengni, CHEN Ting, et al. Near and far range fusion defogging algorithm combining dark and bright channel priori[J]. Journal of Xi'an Jiaotong University, 2021, 55(10): 78-86. https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT202110009.htm

    [21]

    Salazar-Colores S, Moya-Sanchez E U, Ramos-Arreguin J M, et al. Fast single image defogging with robust sky detection[J]. IEEE Access, 2020, 8: 149176-149189.

    [22]

    CHEN Z, OO B, TIAN Q. An improved dark channel prior image defogging algorithm based on wavelength compensation[J]. Earth Science Informatics, 2019, 12(4): 501-512

    [23]

    LU J, DONG C. DSP-based image real-time dehazing optimization for improved dark-channel prior algorithm[J]. Journal of Real-Time Image Processing, 2020, 17(5): 1675-1684.

    [24] 陈书贞, 任占广, 练秋生. 基于改进暗通道和导向滤波的单幅图像去雾算法[J]. 自动化学报, 2016, 42(3): 455-465. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201603011.htm

    CHEN Shuzhen, REN Zhanguang, LIAN Qiusheng. Single image defogging algorithm based on improved dark channel and guided filtering[J]. Journal of Automation, 2016, 42(3): 455-465. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201603011.htm

    [25]

    WANG M, ZHU F, BAI Y. An improved image blind deblurring based on dark channel prior[J]. Optoelectronics Letters, 2021, 17(1): 40-46.

    [26]

    LI Z, LI G, NIU B, et al. Sea cucumber image dehazing method by fusion of retinex and dark channel[J]. IFAC-Papers OnLine, 2018, 51(17): 796-801.

    [27]

    JU M, DING C, ZHANG D, et al. Gamma-correction-based visibility restoration for single hazy images[J]. IEEE Signal Processing Letters, 2018, 25(7): 1084-1088.

    [28]

    CAO N, LYU S, HOU M, et al. Restoration method of sootiness mural images based on dark channel prior and Retinex by bilateral filter[J]. Heritage Science, 2021, 9(1): 1-19.

图(8)  /  表(2)
计量
  • 文章访问数:  164
  • HTML全文浏览量:  56
  • PDF下载量:  76
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-11-06
  • 修回日期:  2023-02-14
  • 刊出日期:  2023-06-19

目录

/

返回文章
返回