李尧羿,杜宇超,顾振飞
1.南京邮电大学 贝尔英才学院,南京 210003
2.西交利物浦大学 计算机科学与软件工程系,江苏 苏州 215123
3.南京邮电大学 物联网学院,南京 210003
4.南京信息职业技术学院 电子信息学院,南京 210023
雾霾天气下,大气中广泛存在的悬浮粒子势必对光线产生一定程度的吸收及散射作用,从而导致户外图像的视觉效果大幅下降,出现图像内容模糊、对比度下降及色彩衰减等退化现象。鉴于计算机视觉中有关目标识别[1-3]、安全监控[4-6]、智能交通[7-9]等领域的很多方法都是基于输入的图像具备较好的可视性这一前提,消除雾霾天气所导致的图像负面效果而恢复出相应的晴天图像有着显著的研究意义及应用价值。
近年来,基于大气散射模型的单幅图像去雾技术有了显著发展。此类技术利用大气散射模型反演雾天图像的降质过程,预测出模型中相关参数的最优估计值,从而恢复出相应的清晰图像。Tan[10]方法基于晴天图像的对比度高于雾天图像这一假设,并通过马尔科夫随机场来决策透射率,方法简单易行,但恢复效果往往趋于过饱和。Tarel[11]构建了大气耗散函数并使用中值滤波器来进行近似估计,经色调调整后获取相应的清晰图像,该方法具备了线性复杂度从而可以近似实现实时去雾,但由于中值滤波器并不具备边缘保持性能,因此所恢复的图像在景深跳变处往往会出现“光晕效应”。类似的,Jiang等人[12]构建了一个高效的基于分层的透射图估计方法来进行雾天图像恢复,但由于该方法用来调整引导图的均值滤波器也无法保持边缘信息,因此在景深跳变处无法完全避免“光晕效应”。Zhu等人[13]提出了颜色衰减先验,并基于该先验构建了线性的雾天降质图像的深度结构模型,但由于该方法在估计大气散射系数时使用了全局一致的人工检验参数,因此该方法的鲁棒性不佳且只适用于雾气浓度空间分布一致的图像。He等人[14]基于大量统计实验提出了著名的暗通道先验及相关去雾方法,该方法首先利用暗通道先验估计出粗略的全图透射率,然后利用软抠图技术或者导向滤波器对透射率进行细化,该方法能够有效去除图像中一般区域的雾气并恢复出其中的场景细节。在暗通道先验的基础上,为了提高去雾效果或去雾处理效率,多种改进方案也被相继提出。Meng等人[15]通过增加透射率函数的边界约束有效提高了雾气消除力度,但该方法无法完全区分图像中与雾气相近似的色彩,因此所恢复的图像容易产生一定的色偏现象。Gibson等人[16]提出了中值暗通道先验,利用该先验进行透射率估计可以不再对透射图进行优化处理,因此大幅提高了去雾处理的效率,但该方法所恢复的图像并不具备较好的视觉效果且易于在所恢复的图像中产生“黑点”现象。上述方法存在两个共同的缺点:(1)即去雾后图像在天空区域容易产生严重的色偏或过增强现象;(2)上述方法所恢复的图像普遍视觉偏暗,而在处理弱光照雾天降质图像时则易于出现暗区(近似黑色)。
经过分析可以发现,上述方法对天空区域失效的主要原因是:(1)天空区域本身就是由浓密的“雾气”所构成的,因此对天空区域进行去雾处理本质上是不合理的,也不可能通过消除天空区域的“雾气”而揭示出隐藏在其后的场景细节。(2)现有的成像数学模型以及相关的去雾技术手段,目标都是消除像素中所包含的过量的大气光(近似白色)分量,从而通过提高饱和度、对比度等方式实现信息增益,考虑到天空区域应当具备光滑、缺乏纹理的特征,因此对天空区域引入不适度的信息增益则势必会引起过增强、色偏等负面效应。(3)在对图像进行去雾处理的过程中势必会消除一定程度的大气光分量,因此图像全局视觉偏暗在所难免,而且上述方法都是针对大气光照绝对均匀的雾天图像的,因此在处理弱光照有雾图像时,势必导致弱光照区域趋于不可见。
为克服上述缺陷,本文提出一种结合天空区域识别和暗通道先验的单幅图像去雾方法。主要贡献如下:(1)提出新的图像先验知识,从而识别出图像中的天空区域,并在此基础上对天空区域和非天空区域进行独立的处理,在消除图像中雾气的同时避免了天空区域出现色偏、过增强等负面效应。(2)基于天空区域识别的结果,提出一种基于天空区域的大气光估计策略,提高了大气光估计的准确性。(3)提出一种邻域自适应的基于明亮通道先验的Retinex方法对去雾处理所恢复的图像进行亮度调节,通过提高明亮通道先验的有效性改善了所恢复图像的视觉效果。
在计算机视觉领域中,大气散射模型[17-18]被普遍用来描述雾天图像的降质机理:
其中,I(x,y)代表所采集到的雾天降质图像,大气光L∞描述了场景所受到的环境光辐照量,是一个全局恒定的、包含三通道(R,G,B)像素强度的矢量,ρ(x,y)是场景反照率,β是大气散射系数,d(x ,y)是像素景深。大气散射系数和像素景深的联合关系称为透射率,描述了光线在大气介质中的衰减程度。因此,公式(1)可以简写为:
基于大气散射模型的图像去雾过程可以表述为:利用已知的I(x ,y)来估计出模型中的各项参数,进而恢复出相应的清晰图像:
He在文献[14]中提出了著名的暗通道先验:户外清晰图像的非天空的局部区域中,至少有一个颜色通道内的某些像素的强度值近似为零,即:
其中,Ω(x ,y)是以像素点(x ,y)为中心的一个邻域,c代表RGB色彩空间,Jdark(x ,y)是清晰图像J(x ,y)所对应的暗通道图。利用该先验,假设大气光L∞已知,局部区域Ω(x ,y)内的透射率近似一致,则基于大气散射模型的雾天降质图像的透射率估计过程可以表述为:
其中,ω∈(0,1]是考虑到空间透视现象的存在,为了保持图像的真实度而引入的调节因子。
由暗通道先验的定义可知,该先验并不适用于天空区域。文献[14]的处理方法是将透射率的全局下限认定设定为一个较小的值(0.1),但这样处理不仅缺乏物理依据,且效果并不理想。图1展示了直接利用暗通道先验进行去雾处理的效果,可以看出所恢复的天空区域出现了严重的色偏和过增强现象。为了解释这一现象,将公式(2)进行改写如下:
从公式(5)中可见,即使t(x,y)=0.1,则天空区域任一像素点与大气光的任何差异度都会在去雾处理后被放大10倍,且随着透射率的下降,差异度的放大效应也将越明显。这显著压缩了天空区域的色彩空间,且违背了天空区域颜色较亮且平滑这一特点,因此势必引入色偏、过增强等负面效应。事实上,不仅暗通道先验不适用于天空区域,天空区域的处理问题一直是长期困扰图像去雾领域的难题[13,19-22]。
在图1中选择两幅包含天空区域的有雾图像(图1的A和图2的A),并使用四个当前主流方法进行处理(图B至图E分别为He方法[14]、Gu方法[20]、Tarel方法[11]和Meng方法[15]的处理效果)。从图中可以看出,现有方法所恢复的图像中的天空区域均出现了显著的色偏、过增强现象以及光晕效应。
图1 包含天空区域的雾天图像及现有方法的处理效果
为克服上述缺陷,本文提出一个结合天空区域识别和暗通道先验的单幅图像去雾方法。首先,在大量统计分析的基础上,提出新的天空区域特征先验。然后,利用所提先验知识将雾天降质图像分割为天空与非天空区域。然后,提出一种具备更好准确率的大气光估计方法,在天空区域内进行大气光估计。进而,利用所估计出的大气光,基于暗通道先验对非天空区域的透射率进行粗略估计,并使用导向全变分模型[23-24]对透射率进行优化。最后,使用一种邻域自适应的基于明亮通道先验的Retinex方法[22-23],对去雾处理所恢复的清晰图像进行亮度调节。本文所提方法的主要流程如图2所示。
针对图像中天空区域的识别问题,现有文献展开了大量研究并分别给出了解决方案[19-22]。其中,文献[19]利用高斯混合模型基于图像的亮度、饱和度和梯度分量对图像进行场景分割,并在分割所得的子场景集合中依据天空区域的面积占比阈值和天空区域特征阈值进行二次筛选,从而定位出天空区域。文献[20]通过构建雾天降质图像的雾气浓度特征图,并在此基础上进行聚类操作将图像分割为多个互不联通的子区域,然后再依据各区域的雾气浓度、亮度、面积占比等特征进行天空区域识别。此类方法的天空区域识别准确率缺乏鲁棒性,且算法效率势必受制于聚类操作。文献[22]引入边缘跟踪方法勾勒出可能的天空区域,并综合利用图像的亮度特征和梯度特征对相关区域进行筛选,该方法只能识别出面积占比较大的天空区域,而在处理具有大片灰白色场景物体时存在一定的误判可能性。
图2 本文方法的主要流程
利用图像先验知识[13-14,20,24-25]对降质图像进行恢复或增强是当前计算机视觉领域的主流思想。提炼图像先验知识的基本流程可以总结为:收集大量相关图像构建实验样本;获取并收集样本图像中的特征数据;对特征数据进行整理分析,并总结出针对某类图像的具备鲜明统计规律的特征。
受上述文献思想的启发,本文利用相似的方法,在互联网上随机选取2 000幅包含天空区域的雾天降质图像做为实验样本,并将每张图像手动分割为天空区域和非天空区域。基于上述实验样本,分别统计了天空区域和非天空区域中各像素的梯度分量、亮度分量与图像全局亮度均值1.2倍的比值(为方便描述,定义该比值为BR),以及饱和度分量,相关统计结果的累积概率如图3所示。
从图3中可以发现,图像中的天空区域具有如下特征:
(1)非天空区域像素的梯度分量,只有约10%的概率低于0.005;相反,天空区域像素的梯度分量则依据极大概率低于0.005。
(2)非天空区域像素的BR值,只有约15%的概率大于1;相反,天空区域像素的BR值则有约80%的概率大于1倍。
(3)非天空区域像素的饱和度分量,只有约18%的概率低于0.04;相反,天空区域像素的饱和度分量则有超过75%的概率低于0.04。
依据上述分析,本文提出天空区域特征先验,即:当雾天降质图像中某像素的梯度分量低于0.005,亮度分量高于图像全局亮度均值的1.2倍,饱和度分量低于0.04时,该像素依据较大概率属于天空区域。进而,依据所提先验,提取图像中各像素的天空特征F(x,y)如下:
进而,利用所构建天空特征图F(x ,y)进行天空区域判定,即:当某像素的天空特征值F(x ,y)大于全图的天空特征均值的一定倍数(默认1.2倍)时,判定该像素属于天空区域Isky,否则属于非天空区域Inon-sky。
为验证所提先验的有效性,选择一组包含天空区域的雾天降质图像(见图4),并利用所提方法进行天空区域识别(为突出识别结果,将识别为天空区域的像素标记为红色,非天空区域标记为黑色)。由图4可以看出,图像中所有的天空区域都可以被有效识别,这证明了所提先验具有较好的有效性。然而,从图4中也可以发现,图像中高亮场景物体中的一些点也被误判为天空区域中的点。消除此类干扰,可以进一步提高天空区域判定的鲁棒性。
图3 实验样本图像各项特征的累积概率曲线图
为此,考虑到图像形态学[26-27]中的开运算消除小物体、在纤细点处分离物体,在平滑较大物体的边界的同时并不明显改变其面积。所以,对天空特征图F(x,y)进行开运算处理如下:
图5给出了利用Fopen(x ,y)进行天空区域识别的效果(图像中红色的部分为识别出的天空区域Isky,黑色为非天空区域Inon-sky),可以看出天空区域基本被完整识别,且高亮噪声带来的误判效应也被有效消除,这证明了所提方法具备了一定的鲁棒性。
图4 包含天空区域的雾天降质图像及粗略的天空区域识别结果
图5 对应于图4中各雾天降质图像优化后的天空区域识别结果
由大气散射模型可知,雾天降质图像的恢复效果很大程度上取决于大气光的估计准确率。现有的去雾方法中,大气光的估计方法均存在一定的改进空间[28],如过程繁琐而不利于自动化执行的人机交互大气光定位方法[29];文献[30]直接利用全图最亮像素点来估计大气光,而忽略了全图最亮像素点极有可能归属于高亮噪声点或者干扰物(如白色物体);He方法[14]先利用暗通道先验获取有雾图像的暗通道图,然后定位出暗通道图中的最亮的0.1%的像素点,最后选择这些像素中具有最高强度的像素作为大气光;Zhu方法[13]利用颜色衰减先验获取有雾图像的深度图,然后定位出深度图中最亮的0.1%的像素点,并将这些像素中具有最高强度的像素作为大气光。虽然He方法和Zhu方法已经很大程度上提高了大气光的估计精确性,但是其可靠性仍然严重依赖于所用先验知识的有效性,因而在特定条件下存在一定失效的可能性。为进一步改进大气光的估计准确率,本文通过考虑大气光的视觉特征,在识别天空区域的基础上估计大气光,具体流程如下:
(1)考虑到大气光理应存在于天空区域中(对于无天空区域的图像,则应存在于具有较高天空特征的像素集中),因此选择已识别出的天空区域作为大气光估计的候选场景。
(2)考虑到大气光理应具备低饱和度的特征[19],在候选场景中定位出邻域(15×15)饱和度均值最高的前1%的像素,并将其定义为大气光参考像素集。
(3)分别计算出中大气光参考像素集各像素的R、G、B三通道均值,并将相应的均值定义为所估计出的大气光L∞的三通道像素强度值。
表1给出了对图4中的各幅有雾图像进行大气光估计的结果。从表1可以看出,简单认定全图中具备最高亮度的像素为大气光显然并不合理(各幅图像中天空区域的整体亮度并不高,而具备最高亮度的像素几乎都接近纯白色);如果直接认定候选场景中的像素均值为大气光,仍然可能受到候选场景中高亮噪声的干扰(估计值仍然过高,而可能导致所恢复的图像过暗);大气光参考像素集中的像素均值,即所提方法估计的大气光值则较为合理。
为进一步验证所提方法的有效性,图6选择了两幅挑战性的有雾图像(为增加实验难度已进行一定的亮度调节)进行测试,并与现有方法(Shwartz方法[30]、He方法[14]和Zhu方法[13])进行实验对比。从图6可以看出,只有本方法准确定位出了候选大气光(如红色曲线所圈出区域),而对比方法则都定位在了干扰物上(如蓝色、紫色和绿色点所示)。
至此,雾天降质图像中的天空区域已经被识别,且大气光也已知。在此基础上,对图像中的天空区域予以保留,而利用暗通道先验对非天空区域Inon-sky内的透射率进行粗略估计。
在获得粗略的透射图后,为提高透射图的边缘特性,文献[14]利用软抠图或导向滤波器[31]对粗略透射图进行保边平滑优化。然而,软抠图方法计算代价大,处理时间长,而导向滤波器对于滤波窗口的尺寸较为敏感[32-33]。因此,本文采用文献[23]所提的导向全变分模型对透射图进行优化处理:
其中,trefine是优化后的透射图,公式(9)右部第一项是保真项,第二项可以保证优化后的透射图的局部平滑特性(平滑项),第三项可以保持优化后的透射图的中的重要边缘特性(边缘保持项),G是输入图像的灰度图,∂1=3,∂2=300,∂3=4是各项的权重因子[24]。边缘保持项权重调节函数,其主要作用是利用输入图像的灰度图中的梯度信息对像素的边缘重要性进行评估,并进而利用像素的边缘重要性来调节边缘保持项的权重。具体而言,如果输入图像所对应的灰度图中某像素点(x ,y)的梯度分量具有较大的值,则认为该点具备了重要的边缘特征,因而为该点分配较大的边缘保持项权重值∂3⋅W(x ,y)。此外,考虑到平滑项权重的调整力度是1-W,因此该函数还可以依据像素的边缘重要性来调整优化处理时的平滑力度。
表1 大气光估计数值结果(三通道数值分别是R、G、B)
图6 大气光估计实验对比图
如图7,给出了图4中各雾天降质图像的灰度图(第一排),对应的灰度图梯度信息的三维数值显示图(第二排),以及对应的边缘保持项权重值的三维数值显示图(第三排)。从图7可以看出,所构建的边缘保持项权重图确实能够准确反映输入图像中的边缘重要性分布,从而在对透射图进行优化处理时保留其中的重要边缘特征。图7中还给出了对应于图4中各雾天降质图像的透射图,以及消除雾气后的清晰图像。从优化前后的透射图(及其对应的三维数值显示图)中可以看出,利用公式(9)对透射图进行优化处理,确实消除了不必要的透射率突变,保留了重要的边缘信息对透射率的影响,同时有效保持了天空区域的透射率维持恒定(避免了由去雾处理而引入的过增强效应),从而实现了较好的雾气消除效果,同时避免了出现过增强、色偏等负面视觉效果。
依据公式(5),在分别估计出大气光L∞和透射图trefine后,便可获取雾天降质图像I(x ,y)所对应的清晰图像J(x ,y)。然而,由于在对图像进行去雾处理的过程中势必会消除一定程度的大气光分量,因此所恢复出的区域普遍视觉偏暗。此外,考虑到天空区域的亮度高于非天空区域,而由于天空区域未做去雾处理,这将导致恢复后的图像存在亮度不均现象。为消除此类现象,引入文献[22]所提出的基于明亮通道先验的Retinex方法,并对其进行改进,具体过程如下:
(1)依据Retinex模型[34-35],将有去雾后图像J分解为对应的光照图L及反射图R。并依据文献[23]中对明亮通道图的定义,对去雾后图像J、光照图L和反射图R分别提取亮度通道图,可得:
其中,Ω(x ,y)是提取亮度通道图时的邻域范围,该邻域以像素(x ,y)为中心、以为r的半径。由明亮通道先验[25]可知,固定的邻域半径在处理较暗的图像时并不能有效确保明亮通道的有效性。所以,本文舍弃了文献[24]所使用的固定邻域范围思想,而是将其重新调整为自适应的方式,即:
(3)利用导向滤波器[31]对所估计出的光照图L进行优化处理,消除其中过量的纹理细节。然后可以基于Retinex模型直接获得反射图R如下:
其中,Guided()⋅是以去雾后图像J的灰度图为引导图的导向滤波操作。在获取反射图R后,将其认定为所恢复出的最终图像。
如图8,给出了对图7中各图像进行亮度调节后的效果。从图8中可以看出,图像视觉偏暗的问题已经被有效克服,全图亮度均匀且揭示出了原本隐藏在弱光照区域中的场景物体,图像具备了更好的视觉效果。
为进一步验证所提方法的有效性及对比优势,本文重新选取4幅雾天降质图像作为实验图像(图9至图12,包括3幅含有天空区域的雾天降质图像,以及1幅弱光照雾天降质图像),与4种主流方法(Ancuti方法[36]、He方法[14]、Meng方法[15]、Tarel方法[11])分别进行主观和客观对比。实验所用软件为Matlab2014a,计算机配置为:64位Windows7,Intel Core i5 2.6 GHz,8 GB内存。本文算法所用参数已经在文中给出,为公平起见,对比方法的参数全部依据相关文献[11,14-15,36]进行设置。
图7 各雾天降质图像的灰度图、灰度图梯度信息图、边缘保持项权重图、透射图和消除雾气后的清晰图像
图8 对图7中各图像进行亮度调节时所获取的明亮通道图、光照图及反射图
图9 场景物体与天空区域差异较大的雾天图像及不同方法的去雾效果比较
图10 场景物体与天空区域较为相似的雾天图像及不同方法的去雾效果比较
图11 纹理细节较多的雾天图像及不同方法的去雾效果比较
图9 至图12展示了本文所提方法与4种现有主流方法对4幅雾天降质图像的恢复效果。从图10至图12的(b)可以看出,Ancuti方法[36]所处理的天空区域出现了一定程度的色偏现象,且图9至图12的(b)均可发现一定量的雾气残留,特别是图像中视觉偏暗的区域。这是因为该方法的有效性严重依赖于权重图的准确性,而权重图在信息匮乏区(天空区域或暗区)均难以有效构建。He方法[14]是基于“暗通道先验”的,因此该方法势必不能有效处理天空区域。此外,在图9(c)和图11(c)的景深跳变处出现了明显的“光晕效应”。即使He方法采用了导向滤波器来试图修正此问题,但由于导向滤波器是参数敏感的,因此效果并不稳定(图10(c)的修正效果较好而图9(c)修正效果较差)。Meng方法[15]是对He方法的改进,该方法虽然可以对透射率进行一定程度的修正,但是仍然不能有效处理天空区域(图9至图11的(d))。由图9至图12的(e)可见,Tarel方法[11]具备较强的雾气消除能力,但在景深跳变处存在雾气残留,而在对天空区域进行处理时出现了较为明显的过增强现象。综上所述,上述对比方法除了各自具有的缺陷以外,还具有两个共同的缺陷:(1)上述对比方法都不能稳定、有效处理图像中的天空区域;(2)上述对比方法处理后的图像普遍视觉偏暗,因此在处理弱光照图像(见图12)时会出现一定比例的暗区。
图12 弱光照有雾图像及不同方法的去雾效果比较
由图9至图12的(f)可见,本文所提方法有效避免了各类负面效应,这证明了所提天空区域特征先验的有效性和鲁棒性,因此可以准确识别出各类雾天降质图像中的天空区域,而对没有天空区域的图像(见图12)也不会出现误判。此外,本文所提方法可以更好地消除图像中的雾气,而这一点也可以从客观对比中得到验证,这证明了透射率估计的准确性。最后,本文所提方法的恢复效果具备了较好的视觉效果,特别是恢复出了弱光照图像(见图12)中阴影区内的大量物体,这证明了亮度调整流程的必要性和有效性。
为了客观评价本文方法并与对比方法进行比较,本文采用了3个经典的评价指标,包括新增可见边比Eˉ、平均对比度增益Rˉ和结构相似度SSIM 。依据文献[37],指标Eˉ用于量化去雾后新增的可见边的比例,指标Rˉ用于评估方法所获得的平均对比度增益。指标SSIM是由文献[38]所提出的,用以评估方法的结构信息保持能力。一般来说,较大的Eˉ值、Rˉ值和SSIM值可以验证对应方法具有较好的雾气消除能力、视觉效果提升能力和结构保持能力。具体计算方式如下。
(1)新增可见边比 Eˉ:
其中,n0表示雾天降质图像I0中的可见边缘数量,nr表示去雾处理后图像Ir中的可见边缘数量。
其中,ξr表示去雾处理后图像Ir中的可见边缘集合,VL0(x,y)表示ξr集合中各像素在去雾处理前的可视性,VLr(x,y)表示ξr集合中各像素在去雾处理后的可视性。
(3)结构相似度SSIM :
其中,μI0和μIr分别是雾天降质图像I0和去雾处理后图像Ir的亮度均值,σI0和σIr分别为对应的标准差,σI0,Ir为其协方差,C1和C2是为防止分母为零或接近于零而出现不稳定现象而取的很小的常数。
在表2至表4中,给出了各方法对图9至图12的去雾效果所对应的指标值。
表2 新增可见边比Eˉ对比结果
表3 平均对比度增益Rˉ对比结果
表4 结构相似度SSIM对比结果
从表2中可以看出,本方法对三幅图像取得了最高的Eˉ值,这证明了本文所提方法具有较好的雾气消除效果,从而恢复出了大量的场景细节。针对图9至图11,虽然其他对比方法也能取得了较高的Eˉ值,但这样的结果是由天空区域产生的过增强现象引起的,因为新增的虚假纹理可以产生大量的新增可见边。此外,对于弱光照雾天图像(图12),只有本文方法提供了可见边增益,而其他方法则一定程度上消除了可见边,这是由于去雾操作虽然恢复了一定量的可见边但也导致了大量暗区,而负面效应已经超越了增益,这也证明了亮度调整的必要性和有效性。由表3给出的平均对比度增益对比结果可以看出,本文方法对三幅图像取得了最高的Rˉ值。虽然Meng方法对于图10取得了最高的平均对比度增益,但是图10(d)中却存在显著的色偏,因此最高的Rˉ值可能是由色偏现象所引起的。综合表2和表3的结果,可以证实本文方法具有较好的雾气消除效果及视觉效果提升能力。各方法的边缘保持能力可以从表4中看出,本文方法对图9至图11取得了最高的SSIM值,这证明了所提方法具有较好的结构保持能力。本文方法对图12的结构保持能力相对较弱,而这可能是由于对图12进行了大幅度的亮度调节所引起的,虽然使其与原图具备了较大的结构差异性,但是也使其具备了较好的视觉效果和充分的信息增益。
本文提出一个结合天空区域特征先验和暗通道先验的单幅图像去雾方法,在消除图像中雾气的同时有效避免了在天空区域中引入色偏、过增强等负面效应的问题,并使用一种邻域自适应的Retinex方法有效提高了去雾处理后图像的视觉效果。本文所提出的天空区域特征先验知识,可以准确识别多种类型的雾天降质图像中的天空区域。作为天空区域识别的副产品,大气光估计的准确性也得到了一定程度的提高。然而,在处理特定的雾天降质图像时,少数像素点仍存在误判可能性。进一步的研究工作,包括如何进一步完善天空区域特征先验或引入机器学习的思想,以提高天空区域识别的准确性。