基于改進暗通道先驗的圖像去霧算法

摘"要：本文針對傳統暗通道先驗算法在透射率估計中存在的粗糙性及其在天空區域失效的問題，提出了一種基于改進暗通道先驗的圖像去霧算法。該算法在經典暗通道先驗理論的基礎上，采用了大氣散射模型求解透射率，利用快速導向濾波技術對透射率進行細化處理，從而提高了圖像去霧的精度。此外，通過加入容差機制對透射率進行動態修正，有效解決了暗通道先驗在天空區域失效的局限性。實驗結果表明，該算法在定性和定量測試中均表現優異，去霧效果優于對比算法，能夠在復雜場景下提供更加清晰、自然的圖像復原效果。

關鍵詞：圖像去霧；暗通道先驗；導向濾波

1"概述

隨著計算機視覺的發展，智能視頻監控已廣泛應用于安全與交通管理，通過圖像分析提升了監控的效率和準確性，實現了自動化。該技術依賴于計算機視覺與模式識別，能夠實時提取關鍵信息并預警。然而，惡劣天氣如大霧會降低圖像質量，影響系統性能與穩定性。因此，研究高效的圖像去霧技術以提升清晰度具有重要意義。

2"研究現狀

近年來，圖像去霧技術成為計算機視覺領域的研究熱點，主要分為基于圖像增強和基于物理成像模型兩類方法。

基于圖像增強的方法通過提高圖像對比度和細節來減輕霧霾影響。其優勢在于操作簡便、效果直觀，但由于未考慮物理退化機制，存在過度增強的風險。參考文獻［1］中結合了對比度增強和曝光度融合，充分保留了去霧圖像的細節信息；李旺等人［2］基于Retinex理論實現精細的圖像復原；而參考文獻［3］中采用重疊子塊同態濾波，提升不均勻光照下的圖像清晰度。

基于物理成像模型的去霧方法依托大氣散射模型，分為先驗知識和深度學習兩種策略。先驗知識法利用圖像中的暗通道［4］、顏色衰減［5］等信息進行去霧；深度學習法通過學習有霧與清晰圖像的映射關系，如參考文獻［6］中提出了一種多尺度卷積神經網絡實現了端到端的去霧。孟紅記等人［7］的基于注意力特征融合的去霧算法則引入了注意力機制，進一步提高了去霧效果。

總之，盡管現有技術在去霧領域取得了一定進展，但仍需進一步優化和改進。

3"改進暗通道先驗算法

3.1"暗通道先驗理論

暗通道先驗理論認為，在大多數非天空的局部區域，至少有一個顏色通道的某些像素會具有非常低的亮度值，這個規律可以描述為：

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

其中Jc代表彩色圖像中的c顏色通道，Ω（x）是以x為中心的圖像塊，min代表取最小值操作。

根據暗通道先驗理論，清晰無霧的圖像對應的暗通道圖的像素強度接近于零，即：

Jdark→0（2）

利用暗通道先驗可以有效估計霧圖像中的透射率，進而用于圖像去霧。

3.2"基于快速導向濾波的透射率細化

由圖1（b）所示，利用暗通道先驗估計的粗透射率圖存在嚴重的塊效應，無法直接用于去霧處理。因此，本文采用一種快速導向濾波（Fast"Guided"Filter，FGF）算法［8］進行透射率細化。具體地，對于給定的輸入圖像I和導向圖像p，FGF旨在輸出一個濾波后的圖像q，以滿足以下線性關系：

qi=akIi+bk，i∈ωk（3）

其中，i是像素的索引，ak和bk是第k個局部窗口ωk內的線性系數，它們通過最小化重構誤差的平方和來求解：

minak，bk∑i∈ωk（akIi+bk-pi）2+εa2k（4）

這里，ε是正則化參數，用以控制平滑程度。

求解ak和bk后，輸出圖像q的每個像素值可以通過上述線性關系計算得到。如圖1（c）所示，細化的透射率不僅保留了圖像的細節信息且更加平滑。

3.3"天空區域透射率修正

本文通過容差機制進行透射率修正。傳統的暗通道算法［4］將大氣光值取值于圖像中最亮的區域，因此，可以引入一個容差參數K，將圖像中像素值與大氣光值的差值大于K的區域，定義為高亮區域，即對I-A＜K的區域內的透射率進行修正。相反的，當I-A＞K時，使用原始的透射率進行估計。因此，可以將透射率修正函數定義為：

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

其中t0是一個接近于零的常數，保證最終的透射率值大于零。

因此，當求得的透射率t′和大氣光值A，利用大氣散射模型［4］可求得去霧后的圖像J為：

J（x）=I（x）-Amax（t（x），t0）+A（6）

如圖2所示，利用修正后的透射率得到的去霧圖像避免了天空區域的過度增強問題。

4"實驗結果與分析

4.1"實驗環境及對比方法

通過綜合應用定性與定量分析方法，對不同類別的圖像去霧技術進行了對比測試。所選對比技術包括基于先驗知識的去霧方法（CAP［5］）、基于圖像增強的去霧方法（CEEF［1］、FADE［9］），以及基于深度學習的去霧方法（MSCNN［6］）。定性分析使用自然有霧圖像進行測試，定量分析則使用公開的合成圖像數據集RESIDE［10］。測試指標選擇常用的峰值信噪比（PSNR）和結構相似度（SSIM）來評估圖像質量。所有測試均在配置為i79700F處理器（@3.00GHz）和24GB內存的電腦上，通過MATLAB"R2019a軟件執行，確保測試結果的準確性與可重復性。

4.2"定性測試結果

本文選取了兩個場景下的自然有霧圖像進行去霧效果對比測試，分別為城市場景（“Image"1”）和交通監控場景（“Image"2”）。由于自然有霧圖像缺乏對應的真實無霧圖，本文利用Photoshop"2023進行去霧處理作為對比圖。圖3的結果表明，不同去霧算法均顯著提升了圖像的對比度和清晰度，但效果差異明顯。

在基于圖像增強的去霧方法中，CEEF和FADE存在明顯的過度增強現象，去霧后的圖像不自然，明暗對比過于強烈。基于先驗知識的去霧方法中，DCP去霧效果較佳，但在“Image"1”的天空區域出現過度增強現象，且圖像整體偏暗，部分暗部細節丟失。CAP的去霧效果稍遜于DCP，尤其在處理如圖3（c）“Image"2”的濃霧場景時表現較差。MSCNN作為基于深度學習的去霧方法，效果較為自然，但在“Image"2”中去霧后的圖像出現飽和度降低的問題［見圖3（f）］。相比之下，本文方法的去霧效果與Photoshop去霧結果較為接近，不僅保持了原始DCP算法較強的去霧能力，還有效避免了天空區域的過度增強。

4.3"定量測試結果

不同去霧方法在RESIDE數據集上的定量測試結果如下表所示，其中最優結果和次優結果分別用加粗和下劃線標記。結果顯示，CEEF和FADE算法由于過度增強問題，導致其定量測試表現不佳。本文算法在兩個測試數據集的PSNR和SSIM指標上均取得了最佳表現，而次優結果則屬于先驗去霧方法（DCP和CAP）。此外，作為DCP算法的改進，本文算法在PSNR指標上平均提升了2dB，SSIM指標上平均提升約0.04，展現出顯著的改進效果。

結語

本文提出了一種改進的暗通道先驗去霧算法，先基于暗通道先驗理論求解大氣散射模型，完成粗透射率估計和大氣光值的計算；然后采用快速導向濾波算法對粗透射率進行細化，并引入容差機制對細化后的透射率進行修正；最后通過大氣散射模型還原無霧圖像。實驗結果表明，所提算法在提升去霧效率的同時，有效解決了暗通道先驗在天空區域失效的問題。此外，與其他方法相比，本文算法在PSNR和SSIM指標測試中均獲得了最佳結果。

參考文獻：

［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，楊金寶，孫婷，等.基于Retinex的多尺度單幅圖像去霧網絡［J］.青島大學學報（自然科學版），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］孟紅記，劉沛諺，胡振偉.基于注意力特征融合稠密網絡的圖像去霧算法［J］.東北大學學報（自然科學版），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.

基金項目：2024大學生創新創業國家級項目（202413763009）；2024大學生創新創業福建省級項目（S202413763023、S202413763024）

作者簡介：林錦泉（2003—"），男，漢族，福建福安人，本科在讀，研究方向：計算機視覺和嵌入式系統應用；林錦成（2003—"），男，漢族，福建泉州人，本科在讀，研究方向：計算機視覺和嵌入式系統應用；陳鴻鵬（2003—"），男，漢族，福建福安人，本科在讀，研究方向：計算機視覺和嵌入式系統應用。

*通訊作者：魏建崇（1991—"），男，漢族，福建漳州人，博士研究生，講師，研究方向：圖像復原和增強、深度學習和計算機視覺。