一种优化透射率的无人机影像去雾算法研究

摘要：无人机获取的影像出现不均匀雾，使得传统算法的去雾结果出现细节丢失、色彩失真等问题，很大程度上限制了影像的应用价值。针对该问题，本文提出一种改进透射率的无人机影像去除不均匀雾算法。首先，结合颜色衰减模型和大气散射模型计算透射率，通过改进引导滤波细化透射率；其次，加强图像边缘信息；最后，对去雾后的影像进行增强处理，提高图像的清晰度和对比度。实验结果表明，本文提出的算法对去除不均匀雾取得了较好的效果。计算同幅影像有雾区域和无雾区域的透射率，来去除无人机影像不均匀雾的方法，不仅可以推动去雾算法的理论发展，也可以促进无人机应用于雾天的灾害快速监测和救援。

关键词：无人机影像；不均匀雾；透射率；混合先验；引导滤波

中图分类号：TP751；P237文献标志码：A无人机航拍影像可以及时获取地质灾害体相关空间信息与地貌特征［1］，在快速评估灾情、搜救救援、监测预警以及灾后重建评估中发挥重要作用。滑坡等山地灾害发生时，往往伴随着大雾等不良天气，因雾天的影响，无人机拍摄的影像会出现模糊、不清晰的情况［2］，影响观测和分析的准确性。因此，无人机影像去雾处理具有重要研究价值。图像去雾主要是基于图像复原和基于图像增强的去雾方法。

基于图像复原的去雾方法的目的是分析大气散射模型、探究图像退化的本质原因。例如TAN［3］利用无雾图像的对比度来验证大气光与景深的关系，实验结果表明，虽然改善了图像视觉效果，但是去雾后的图像颜色过于饱和［4］；HE等［5］利用暗通道计算大气光值和透射率，结果表明当影像出现不均匀雾时，处理结果严重失真［6］；ZHU等［7］研究发现亮度、饱和度之间存在一定关系，并建立与场景深度有关的线性模型进行去雾，但去雾后的图像颜色过于饱和，恢复的图像仍有残留的雾［8］。

基于图像增强的去雾算法是针对图像中像素点的灰度值进行运算，通过增强原始有雾图像的对比度、饱和度［9］等参数，达到去雾效果。常用的图像增强的去雾方法有Retinex算法［10］、直方图均衡化法［11］等。例如：曲艺［12］改进了直方图均衡化的移动模板，但是去雾结果还是会出现失真现象；许凤麟等［13］改进引导滤波的加权值并结合Retinex算法，加强了图像的对比度，但去雾后图像的纹理细节不够清晰。

目前，去雾算法均可实现较好的效果，但是当地区出现不均匀雾，传统的去雾算法会导致去雾结果的部分区域过度增强，因此，研究如何去除无人机影像中的不均匀雾、提高图像的质量和清晰度具有重要的价值。针对上述问题，本文提出一种去除无人机影像不均匀雾的去雾算法。首先，利用自适应窗口优化暗通道，对图像的大气光值进行估计和修正；其次，利用暗通道模型和颜色衰减模型求大气透射率，优化引导滤波，使透射率更加精确，复原出效果更佳的去雾图像；最后，调整去雾结果的亮度，提高影像的细节和对比度。通过实验对比，本文算法能够改善不均匀雾对图像质量的不利影响，提高无人机影像的应用价值。

1图像去雾的先验模型

1.1大气散射模型

1.2暗通道先验模型

1.3颜色衰减先验模型

2一种优化透射率的去雾算法

2.1自适应滤波窗口的暗通道研究

2.2大气光值的修正

2.3基于先验知识模型的透射率优化

2.4引导滤波改进

2.5图像复原

3.1主观评价

3.2客观评价

3.2.1峰值信噪比（PSNR）

3.2.2信息熵（IE）

3.2.3平均梯度（AG）

4结论

本文针对去除影像的不均匀雾问题，提出一种优化透射率的去雾算法。通过计算影像中有雾区域和无雾区域的透射率，实现了区域性均匀地去雾处理，解决了传统算法导致去雾的结果出现明暗不一致的问题。实验证明，经过该算法处理后，影像信息熵、峰值噪声比和平均梯度均有显著增加，同时影像的清晰度和对比度也得到了提升。去除不均匀雾不仅可以提高影像的清晰度和对比度，而且有助于改善无人机影像的视觉质量。这一优化后的影像为后续目标检测、地物识别等应用提供了更可靠的输入数据。尽管算法在实验中表现良好，但为适应不同场景，仍需进一步优化算法参数，后续将融合深度学习的图像去雾模型，提升算法的自适应性和泛化性能。参考文献：

[1]郭晨， 许强， 董秀军， 等. 无人机在重大地质灾害应急调查中的应用［J］. 测绘通报， 2020（10）： 6-11， 73.

［2］ 曾政祥， 何晶晶， 张婧. 融合激光点云的城市级高精度建模技术［J］. 测绘通报， 2023（3）： 133-138.

［3］ TAN R T. Visibility in bad weather from a single image［C］//2008 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage： IEEE， 2008： 1-8.

［4］ 胡莹洁. 雾天影像去雾方法研究［D］. 徐州：中国矿业大学， 2022.

［5］ HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）： 2341-2353.

［6］ 金仙力， 张威， 刘林峰. 基于引导滤波和自适应容差的影像去雾算法［J］. 通信学报， 2020， 41（5）： 27-36.

［7］ ZHU Q S， MAI J M， SHAO L. A fast single image haze removal algorithm using color attenuation prior［J］. IEEE Transactions on Image Processing， 2015， 24（11）： 3522-3533.

［8］ 杨燕， 张浩文， 张金龙. 结合天空分割和透射率映射的影像去雾［J］. 光学精密工程， 2021， 29（2）： 400-410.

［9］ 蒋华伟， 杨震， 张鑫， 等. 影像去雾算法研究进展［J］. 吉林大学学报（工学版）， 2021， 51（4）： 1169-1181.

［10］JIANG X F， WANG G， SHEN W M. A method of color image enhancement using color advanced retinex［J］. Journal of Optoelectronics， 2008， 19（10）： 1402-1404.

［11］汪志云， 黄梦为， 胡钋， 等. 基于直方图的影像增强及其MATLAB实现［J］. 计算机工程与科学， 2006， 28（2）： 54-56.

［12］曲艺. 基于移动模板的影像去雾方法研究［J］. 计算机工程与应用， 2013， 49（24）： 186-190.

［13］许凤麟， 苗玉彬， 张铭. 基于彩色加权引导滤波-Retinex算法的导航影像增强［J］. 上海交通大学学报， 2019， 53（8）： 921-927.

［14］何涛， 赵停， 徐鹤. 基于暗通道先验的单幅影像去雾新算法［J］. 计算机科学， 2021， 48（7）： 219-224.

［15］刘春辉， 齐越， 丁文锐. 基于大气光鲁棒估计的无人机影像去雾方法［J］. 北京航空航天大学学报， 2017， 43（6）： 1105-1111.

［16］余嘉昕， 王春媛， 韩华， 等. 基于融合代价和优化引导滤波的立体匹配算法［J］. 计算机工程， 2023， 49（3）： 257-262， 270.

（责任编辑：曾晶）

Research on a UAV Image Defogging Algorithm

with Optimized Transmittance

DING Zitian XI Wenfei SHI Zhengtao QIAN Tanghui

（1.Faculty of Geography， Yunnan Normal University， Kunming 650500， China;

2.Yunnan Key Laboratory of Plateau Geographical Processes amp; Environmental Changes， Kunming 650500， China）Abstract： The inhomogeneous fog in the images obtained by unmanned aerial vehicle（UAV） causes problems such as loss of detail and color distortion in the dehazing results of traditional algorithms， which greatly limits the application value of images. In order to address this problem， this paper proposes an inhomogeneous fog algorithm for UAV image defogging with improved transmittance. Firstly， the transmittance is calculated by combining the color attenuation model and the atmospheric scattering model， and then the transmittance is refined by improving the guided filtering， which in turn enhances the image edge information. Finally， the image after defogging is enhanced to improve the clarity and contrast of the image. The experimental results show that the algorithm proposed in this paper performs well in removing inhomogeneous fog. The method of removing inhomogeneous fog from UAV images by calculating the transmittance of foggy and fog-free regions of the same image not only promotes the theoretical development of de-fogging algorithms， but also facilitates the application of UAVs to the situation of rapid monitoring and rescue of disasters in foggy days.

Key words： UAV imager; inhomogeneous fog; transmittance; mixing prior; guided filtering