基于改进暗通道先验的图像去雾算法

摘"要：本文针对传统暗通道先验算法在透射率估计中存在的粗糙性及其在天空区域失效的问题，提出了一种基于改进暗通道先验的图像去雾算法。该算法在经典暗通道先验理论的基础上，采用了大气散射模型求解透射率，利用快速导向滤波技术对透射率进行细化处理，从而提高了图像去雾的精度。此外，通过加入容差机制对透射率进行动态修正，有效解决了暗通道先验在天空区域失效的局限性。实验结果表明，该算法在定性和定量测试中均表现优异，去雾效果优于对比算法，能够在复杂场景下提供更加清晰、自然的图像复原效果。

关键词：图像去雾；暗通道先验；导向滤波

1"概述

随着计算机视觉的发展，智能视频监控已广泛应用于安全与交通管理，通过图像分析提升了监控的效率和准确性，实现了自动化。该技术依赖于计算机视觉与模式识别，能够实时提取关键信息并预警。然而，恶劣天气如大雾会降低图像质量，影响系统性能与稳定性。因此，研究高效的图像去雾技术以提升清晰度具有重要意义。

2"研究现状

近年来，图像去雾技术成为计算机视觉领域的研究热点，主要分为基于图像增强和基于物理成像模型两类方法。

基于图像增强的方法通过提高图像对比度和细节来减轻雾霾影响。其优势在于操作简便、效果直观，但由于未考虑物理退化机制，存在过度增强的风险。参考文献［1］中结合了对比度增强和曝光度融合，充分保留了去雾图像的细节信息；李旺等人［2］基于Retinex理论实现精细的图像复原；而参考文献［3］中采用重叠子块同态滤波，提升不均匀光照下的图像清晰度。

基于物理成像模型的去雾方法依托大气散射模型，分为先验知识和深度学习两种策略。先验知识法利用图像中的暗通道［4］、颜色衰减［5］等信息进行去雾；深度学习法通过学习有雾与清晰图像的映射关系，如参考文献［6］中提出了一种多尺度卷积神经网络实现了端到端的去雾。孟红记等人［7］的基于注意力特征融合的去雾算法则引入了注意力机制，进一步提高了去雾效果。

总之，尽管现有技术在去雾领域取得了一定进展，但仍需进一步优化和改进。

3"改进暗通道先验算法

3.1"暗通道先验理论

暗通道先验理论认为，在大多数非天空的局部区域，至少有一个颜色通道的某些像素会具有非常低的亮度值，这个规律可以描述为：

Jdark（x）=miny∈Ω（x）（minc∈{r，g，b}Jc（y））（1）

其中Jc代表彩色图像中的c颜色通道，Ω（x）是以x为中心的图像块，min代表取最小值操作。

根据暗通道先验理论，清晰无雾的图像对应的暗通道图的像素强度接近于零，即：

Jdark→0（2）

利用暗通道先验可以有效估计雾图像中的透射率，进而用于图像去雾。

3.2"基于快速导向滤波的透射率细化

由图1（b）所示，利用暗通道先验估计的粗透射率图存在严重的块效应，无法直接用于去雾处理。因此，本文采用一种快速导向滤波（Fast"Guided"Filter，FGF）算法［8］进行透射率细化。具体地，对于给定的输入图像I和导向图像p，FGF旨在输出一个滤波后的图像q，以满足以下线性关系：

qi=akIi+bk，i∈ωk（3）

其中，i是像素的索引，ak和bk是第k个局部窗口ωk内的线性系数，它们通过最小化重构误差的平方和来求解：

minak，bk∑i∈ωk（akIi+bk-pi）2+εa2k（4）

这里，ε是正则化参数，用以控制平滑程度。

求解ak和bk后，输出图像q的每个像素值可以通过上述线性关系计算得到。如图1（c）所示，细化的透射率不仅保留了图像的细节信息且更加平滑。

3.3"天空区域透射率修正

本文通过容差机制进行透射率修正。传统的暗通道算法［4］将大气光值取值于图像中最亮的区域，因此，可以引入一个容差参数K，将图像中像素值与大气光值的差值大于K的区域，定义为高亮区域，即对I-A＜K的区域内的透射率进行修正。相反的，当I-A＞K时，使用原始的透射率进行估计。因此，可以将透射率修正函数定义为：

t′（x）=minmaxK|I（x）-A|，1·maxt*（x），t0，1（5）

其中t0是一个接近于零的常数，保证最终的透射率值大于零。

因此，当求得的透射率t′和大气光值A，利用大气散射模型［4］可求得去雾后的图像J为：

J（x）=I（x）-Amax（t（x），t0）+A（6）

如图2所示，利用修正后的透射率得到的去雾图像避免了天空区域的过度增强问题。

4"实验结果与分析

4.1"实验环境及对比方法

通过综合应用定性与定量分析方法，对不同类别的图像去雾技术进行了对比测试。所选对比技术包括基于先验知识的去雾方法（CAP［5］）、基于图像增强的去雾方法（CEEF［1］、FADE［9］），以及基于深度学习的去雾方法（MSCNN［6］）。定性分析使用自然有雾图像进行测试，定量分析则使用公开的合成图像数据集RESIDE［10］。测试指标选择常用的峰值信噪比（PSNR）和结构相似度（SSIM）来评估图像质量。所有测试均在配置为i79700F处理器（@3.00GHz）和24GB内存的电脑上，通过MATLAB"R2019a软件执行，确保测试结果的准确性与可重复性。

4.2"定性测试结果

本文选取了两个场景下的自然有雾图像进行去雾效果对比测试，分别为城市场景（“Image"1”）和交通监控场景（“Image"2”）。由于自然有雾图像缺乏对应的真实无雾图，本文利用Photoshop"2023进行去雾处理作为对比图。图3的结果表明，不同去雾算法均显著提升了图像的对比度和清晰度，但效果差异明显。

在基于图像增强的去雾方法中，CEEF和FADE存在明显的过度增强现象，去雾后的图像不自然，明暗对比过于强烈。基于先验知识的去雾方法中，DCP去雾效果较佳，但在“Image"1”的天空区域出现过度增强现象，且图像整体偏暗，部分暗部细节丢失。CAP的去雾效果稍逊于DCP，尤其在处理如图3（c）“Image"2”的浓雾场景时表现较差。MSCNN作为基于深度学习的去雾方法，效果较为自然，但在“Image"2”中去雾后的图像出现饱和度降低的问题［见图3（f）］。相比之下，本文方法的去雾效果与Photoshop去雾结果较为接近，不仅保持了原始DCP算法较强的去雾能力，还有效避免了天空区域的过度增强。

4.3"定量测试结果

不同去雾方法在RESIDE数据集上的定量测试结果如下表所示，其中最优结果和次优结果分别用加粗和下划线标记。结果显示，CEEF和FADE算法由于过度增强问题，导致其定量测试表现不佳。本文算法在两个测试数据集的PSNR和SSIM指标上均取得了最佳表现，而次优结果则属于先验去雾方法（DCP和CAP）。此外，作为DCP算法的改进，本文算法在PSNR指标上平均提升了2dB，SSIM指标上平均提升约0.04，展现出显著的改进效果。

结语

本文提出了一种改进的暗通道先验去雾算法，先基于暗通道先验理论求解大气散射模型，完成粗透射率估计和大气光值的计算；然后采用快速导向滤波算法对粗透射率进行细化，并引入容差机制对细化后的透射率进行修正；最后通过大气散射模型还原无雾图像。实验结果表明，所提算法在提升去雾效率的同时，有效解决了暗通道先验在天空区域失效的问题。此外，与其他方法相比，本文算法在PSNR和SSIM指标测试中均获得了最佳结果。

参考文献：

［1］Liu"X，Li"H，Zhu"C.Joint"contrast"enhancement"and"exposure"fusion"for"realworld"image"dehazing［J］.IEEE"transactions"on"multimedia，2021，24：39343946.

［2］李旺，杨金宝，孙婷，等.基于Retinex的多尺度单幅图像去雾网络［J］.青岛大学学报（自然科学版），2022，35（04）：2632.

［3］Yu"L，Liu"X，and"Liu"G.A"new"dehazing"algorithm"based"on"overlapped"subblock"homomorphic"filtering［C］//Eighth"International"Conference"on"Machine"Vision（ICMV"2015），Barcelona：SPIE，2015：9875.

［4］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）：23412353.

［5］Zhu"Q，Mai"J，Shao"L.A"fast"single"image"haze"removal"algorithm"using"color"attenuation"prior［J］.IEEE"transactions"on"image"processing，2015，24（11）：35223533.

［6］Ren"W，Liu"S，Zhang"H，et"al.Single"image"dehazing"via"multi-scale"convolutional"neural"networks［C］//Computer"VisionECCV"2016：14th"European"Conference，Amsterdam，The"Netherlands，October"1114，2016，Proceedings，Part"II"14.Berlin：Springer"International"Publishing，2016：154169.

［7］孟红记，刘沛谚，胡振伟.基于注意力特征融合稠密网络的图像去雾算法［J］.东北大学学报（自然科学版），2022，43（12）：17171723.

［8］He"K，Sun"J.Fast"guided"filter［J］.arXiv"preprint"arXiv：1505.00996，2015.

［9］Li"Z，Zheng"X，Bhanu"B，et"al.Fast"RegionAdaptive"Defogging"and"Enhancement"for"Outdoor"Images"Containing"Sky［C］//Milan：2020"25th"International"Conference"on"Pattern"Recognition（ICPR）.2021：82678274.

［10］Li"B，Ren"W，Fu"D，et"al.Benchmarking"singleimage"dehazing"and"beyond［J］.IEEE"Transactions"on"Image"Processing，2018，28（1）：492505.

基金项目：2024大学生创新创业国家级项目（202413763009）；2024大学生创新创业福建省级项目（S202413763023、S202413763024）

作者简介：林锦泉（2003—"），男，汉族，福建福安人，本科在读，研究方向：计算机视觉和嵌入式系统应用；林锦成（2003—"），男，汉族，福建泉州人，本科在读，研究方向：计算机视觉和嵌入式系统应用；陈鸿鹏（2003—"），男，汉族，福建福安人，本科在读，研究方向：计算机视觉和嵌入式系统应用。

*通讯作者：魏建崇（1991—"），男，汉族，福建漳州人，博士研究生，讲师，研究方向：图像复原和增强、深度学习和计算机视觉。