王效靈，胡志杰，徐帥帥，黃浩如

（浙江工商大學(xué) 信息與電子工程學(xué)院，杭州 310018）

0 概述

霧霾是常見的大氣污染現(xiàn)象，是由空氣中的灰塵硫酸還有硝酸等顆粒物組成的溶膠系統(tǒng)造成的視覺障礙，導(dǎo)致霧霾天成像結(jié)果低質(zhì)，不利于計(jì)算機(jī)視覺的后續(xù)研究，因此圖像去霧具有重要的研究意義。

目前，圖像去霧領(lǐng)域大致有基于圖像增強(qiáng)、基于深度學(xué)習(xí)和基于圖像復(fù)原三大研究方向?；趫D像增強(qiáng)的方法有直方圖均衡［1］、基于Retinex 理論［2-4］等，雖然霧圖的對比度等得到了增強(qiáng)，也改善了視覺效果，但無法真實(shí)地實(shí)現(xiàn)圖像去霧?；谏疃葘W(xué)習(xí)的方法是通過訓(xùn)練網(wǎng)絡(luò)模型實(shí)現(xiàn)端到端去霧，缺點(diǎn)是訓(xùn)練耗時(shí)，且目前合成的霧數(shù)據(jù)集多而自然霧數(shù)據(jù)集少。ZHANG等［5］提出DCPD 模型，結(jié)合語義分割的生成器和判別器實(shí)現(xiàn)去霧。CHEN等［6］提出一種基于生成對抗網(wǎng)絡(luò)的無監(jiān)督學(xué)習(xí)訓(xùn)練去霧模型GCANet。REN等［7］提出一種多尺度特征的CNN 模型來訓(xùn)練霧圖的透射率進(jìn)行去霧。ZHAO等［8］提出兩階段弱監(jiān)督RefineDNet 模型，一階段采用暗通道恢復(fù)可見性，二階段使用未配對的霧狀清晰圖像進(jìn)行對抗性學(xué)習(xí)提高復(fù)原真實(shí)性。YANG等［9］提出可實(shí)現(xiàn)自增強(qiáng)的去霧網(wǎng)絡(luò)框架，但對過亮區(qū)域的透射率估計(jì)偏高，引起深度網(wǎng)絡(luò)對這些區(qū)域的深度預(yù)測值偏低。LI等［10］提出一種沙漏式結(jié)構(gòu)且基于殘差網(wǎng)絡(luò)的Hourglass-DehazeNet，在多尺度上進(jìn)行靈活的信息交互和聚合?；趫D像復(fù)原的方法是使用特定物理成像模型實(shí)現(xiàn)霧氣的退化，是目前流行的真實(shí)去霧方法。LIU等［11］根據(jù)亮度和飽和度呈正相關(guān)的規(guī)律估計(jì)透射率，但對于景深處的去霧效果差。HE等［12］提出經(jīng)典的暗通道先驗(yàn)（Dark Channel Prior，DCP）去霧算法，利用統(tǒng)計(jì)先驗(yàn)知識并結(jié)合大氣散射模型高效復(fù)原無霧圖，但出現(xiàn)了一定的光暈偽影、色彩偏移等問題，且在天空區(qū)域中會失效。RAIKWAR等［13］將透射率估計(jì)問題映射為模糊圖像與無霧圖像間最小值通道差的估計(jì)問題。JU等［14］在大氣散射模型中增加光吸收系數(shù)來提升恢復(fù)圖像的可見度，但其拉伸策略的全局性較差。何濤等［15］利用可自動調(diào)整的霧氣保留參數(shù)和容差機(jī)制改進(jìn)了暗通道先驗(yàn)算法，改善對天空區(qū)域的處理，但容差系數(shù)的固定選擇無法適用于不同場景的霧圖。LI等［16］和王碩等［17］運(yùn)用暗通道置信度的理論，自適應(yīng)修正了DCP 不適用區(qū)域的透射率，但處理后圖像的景深處去霧效果差。王國棟等［18］利用散射介質(zhì)成像模型，基于低秩分解并結(jié)合像素置亂方法進(jìn)行去霧，但對霧氣分布不均勻的圖像處理不佳。吳向平等［19］利用深度學(xué)習(xí)模型得到霧圖的物理景深估計(jì)模型，基于景深信息進(jìn)行自適應(yīng)圖像Retinex 操作實(shí)現(xiàn)去霧。

本文提出基于結(jié)構(gòu)相似性（Structural Similarity，SSIM）指標(biāo)和側(cè)重因子的穩(wěn)定透射率擬合算法和結(jié)合非線性規(guī)劃（Non-Linear Programming，NLP）模型和偏度知識的新大氣光值確定方法，結(jié)合并調(diào)整置信度解決DCP 在天空區(qū)域的失效問題，同時(shí)對圖像進(jìn)行策略性的增強(qiáng)融合。

1 算法基礎(chǔ)

1.1 大氣散射模型

計(jì)算機(jī)視覺和圖形圖像領(lǐng)域一般利用大氣散射模型來描述霧天圖像降質(zhì)的過程，可表示如下：

其中：x表示圖像像素；I(x)表示霧圖；J(x)表示無霧圖；A表示全局大氣光值；t(x)表示透射率；A[1-t(x)]表示大氣光幕［20］。在均勻介質(zhì)中，t(x)可表示如下：

其中：θ表示介質(zhì)散射系數(shù)；d(x)表示成像景深。

因此，根據(jù)大氣散射模型，輸入霧圖、大氣光值和透射率就能反解方程得到去霧圖。

1.2 暗通道先驗(yàn)原理

除室外無霧圖像的非天空區(qū)域外，圖像的其他部分至少有一個(gè)顏色通道強(qiáng)度趨近于0，對于霧圖I(x)，暗通道可表示如下：

其中：Jdark(x)表示暗通道；Ω(x)表示最小值濾波窗口；c表示R、G、B顏色通道。

結(jié)合式（1）和式（3），對于給定的全局大氣光值A(chǔ)，計(jì)算出霧圖的透射率t(x)：

其中：ω表示霧氣保留系數(shù)，一般取為0.95，維持圖像的少量霧氣以保證真實(shí)性。

根據(jù)大氣散射模型，得出最終的去霧圖像J(x)可表示如下：

其中：tω設(shè)置為0.1，避免分母為0。

1.3 結(jié)構(gòu)相似性

結(jié)構(gòu)相似性［21］從亮度、對比度、結(jié)構(gòu)化3 個(gè)層面，對A、B進(jìn)行相似性的客觀評估，可表示如下：

其中：Lig(A，B)表示亮度相似度；Con(A，B)表示對比度相似度；Str(A，B)表示結(jié)構(gòu)化相似度。A、B兩圖SSIM 的值域?yàn)閇0，1]，SSIM(A，B)越大，說明圖像A、B整體越相似。

2 改進(jìn)暗通道先驗(yàn)和策略性融合的圖像去霧算法

改進(jìn)暗通道先驗(yàn)和策略性融合的圖像去霧算法流程如圖1 所示。首先，獲取多窗口下DCP 算法的透射率ti(x)和相應(yīng)大氣光值A(chǔ)i；接著，使用基于SSIM 的調(diào)節(jié)因子αi和側(cè)重因子βi擬合透射率；然后，假設(shè)一個(gè)非線性規(guī)劃模型，通過系數(shù)約束和偏度約束，從Ai組中計(jì)算A，繼續(xù)引入并調(diào)整置信度補(bǔ)償天空區(qū)域的透射率，并快速引導(dǎo)濾波細(xì)化；最后，反解大氣散射模型，轉(zhuǎn)換為HSV 模型增強(qiáng)亮度V，結(jié)合置信度特點(diǎn)進(jìn)行增強(qiáng)前后圖像的策略性融合，得到最終的去霧圖。

2.1 多窗口透射率擬合

暗通道先驗(yàn)算法去霧效果如圖2 所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。選擇15×15 像素的最小值濾波窗口對最小值通道進(jìn)行處理，具有較好的去霧能力且復(fù)原度高，但透射率精細(xì)度較低、信息丟失導(dǎo)致去霧圖存在光暈現(xiàn)象，如圖2（c）所示。通過逐漸縮小最小值濾波窗口的尺寸，雖然透射率越來越高，但復(fù)原效果越來越差，圖像失真、過飽和嚴(yán)重，如圖2（i）所示。

根據(jù)不同尺寸的最小值濾波窗口，基于暗通道先驗(yàn)算法可得到不同效果傾向的復(fù)原圖。因此，本文提出一種基于SSIM 指標(biāo)的調(diào)節(jié)和側(cè)重因子并用于擬合多窗口透射率的算法。

首先，選取3×3、6×6、9×9、12×12、15×15 像素的最小值濾波窗口，使用式（3）和式（4）處理霧圖，分別得到對應(yīng)的透射率t0(x)、t1(x)、t2(x)、t3(x)、t4(x)和大氣光值A(chǔ)0、A1、A2、A3、A4，其中，t0(x)精細(xì)度相對較高但復(fù)原度相對較低，t4(x)反之。

接著，結(jié)合式（6）定義調(diào)節(jié)因子αi：

其中：SSSIM[ti(x)，t0(x)]，i∈[0，4]為相對精細(xì)程 度；SSSIM[ti(x)，t4(x)]為相對復(fù)原程度；αi=1 表示第i幅霧圖的透射率在樣本組中沒有相對信息提供，αi越大，說明能提供越多的相對信息。

然后，計(jì)算全局側(cè)重?cái)?shù)β：

其中：N=4；β＞1 表示在擬合過程中側(cè)重于相對精細(xì)程度大的透射率，反之側(cè)重于相對復(fù)原效果好的透射率。側(cè)重因子βi可表示如下：

其中：若全局側(cè)重?cái)?shù)β＞1，當(dāng)透射率ti(x)對應(yīng)的相對精細(xì)程度大于相對復(fù)原程度，則令其側(cè)重因子βi=β，否則保持為1；若全局側(cè)重?cái)?shù)β≤1，當(dāng)ti(x)對應(yīng)的相對復(fù)原程度大于相對精細(xì)程度，則令側(cè)重因子否則保持為1。

結(jié)合式（7）～式（9），擬合得到新的透射率t(x)：

表1 給出了原始霧圖的各透射率，可以看出通過αi和βi擬合出的透射率相對信息最多，穩(wěn)定性更好。

表1 原始霧圖的透射性能Table 1 Transmission performance of the original hazy images

2.2 基于NLP 和偏度的大氣光值計(jì)算

利用暗通道先驗(yàn)算法得到大氣光值A(chǔ)0、A1、A2、A3和A4，因?yàn)槔碚摲€(wěn)定 或者波動幅度 不大，所以稱(A0，A1，A2，A3，A4)為大氣光值組。當(dāng)它們?nèi)肯嗟葧r(shí)，則認(rèn)為得到穩(wěn)定可靠的全局大氣光值；當(dāng)它們不完全相等時(shí)，則必然存在最大值、最小值導(dǎo)致大氣光值誤差。

因此，基于NLP 模型求取霧圖的全局大氣光值A(chǔ)，使A在一定約束條件下保持理論合理性，假設(shè)：

其中：Z是待求取符合約束條件的最大值，避免了過小的不準(zhǔn)確大氣光值；Amin、Aavg和Amax分別是(A0，A1，A2，A3，A4)中的最小值、平均值和最大值；通過差值步長比控制求和權(quán)重進(jìn)行系數(shù)約束，增加異常Amin或者Amax情況下的容錯(cuò)性；條件約束是計(jì)算偏度PZ并迫使其盡可能靠近0。亮通道原理［22］指出：霧圖的像素點(diǎn)的亮通道強(qiáng)度趨近于其無霧時(shí)的大氣光值強(qiáng)度。霧圖亮通道的所有強(qiáng)度值可視作一個(gè)大氣光值組。從目前規(guī)模較大的單幅圖像去霧數(shù)據(jù)集RESIDE［23］中隨機(jī)取4 000 幅霧圖，根據(jù)亮通道原理［22］求取各像素的亮通道強(qiáng)度組成大氣光值組，利用MATLAB 庫函數(shù)Skewness 計(jì)算各組的偏度值，4 000 幅隨機(jī)霧圖大氣光值組的偏度統(tǒng)計(jì)分布如圖3 所示。

圖3 4 000 幅霧圖大氣光值組的偏度統(tǒng)計(jì)分布Fig.3 Skewness statistical distribution of atmospheric light group in 4 000 hazy images

增加樣本繼續(xù)進(jìn)行統(tǒng)計(jì)，可以發(fā)現(xiàn)：對于不完全相等的隨機(jī)大氣光值組而言，理論成立的樣本光越多，其組元素值表現(xiàn)為相對均勻地分布在均值兩側(cè)，即偏度趨近于0。

因此，使用Z對(A0，A1，A2，A3，A4)隨機(jī)組進(jìn)行偏度校正。偏度PZ可表示如下：

其中：AZ，i表示新大氣光值組(A0，A1，A2，A3，A4，Z)元 素；λZ表示該組的標(biāo)準(zhǔn)差；AZ，avg表示該組的均值。

最后，將式（12）代入式（11）求解NLP 模型符合條件的最優(yōu)Z值，并取當(dāng)前組的AZ，avg為全局大氣光值A(chǔ)。

2.3 天空區(qū)域透射率優(yōu)化

暗通道先驗(yàn)算法不能處理天空區(qū)域，引入置信度［17］并調(diào)整，以補(bǔ)償這些區(qū)域的透射率。首先，結(jié)合二維高斯函數(shù)，利用HSV 模型的V、S空間信息，計(jì)算置信度C(x)：

其中：Vmin(x)、Smax(x)是分別對V、S分量進(jìn)行最小值和最大值濾波的結(jié)果；文獻(xiàn)［17］令V、S分量濾波窗口的大小等于其計(jì)算暗通道時(shí)的窗口大小，由于采用多窗口擬合透射率，為了穩(wěn)定尺寸，選取第2.1 節(jié)的中間窗口大小，即9×9 像素；C(x)設(shè)定閾值為0.5，防止透射率過補(bǔ)償；c是自適應(yīng)調(diào)節(jié)參數(shù)。c可表示如下：

其中：A為全局大氣光值，可自動調(diào)節(jié)c以取得更好的算法效果。

包含不同尺寸的天空區(qū)域的霧圖和對應(yīng)圖如圖4 所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML版）。觀察圖4（d）并結(jié)合像素點(diǎn)值可得一般區(qū)域的置信度非常大并接近1，利用該特點(diǎn)進(jìn)行透射率的快速補(bǔ)償［如式（15）所示］。采用快速引導(dǎo)濾波器進(jìn)一步細(xì)化得到最終的透射率，反解大氣散射模型得到去霧圖。對比圖4（b）和圖4（e）可以看出，在對置信度調(diào)整后，既能補(bǔ)償天空區(qū)域的透射率，又能維持一般區(qū)域的穩(wěn)定性，復(fù)原效果更佳。

2.4 圖像融合增強(qiáng)

基于暗通道先驗(yàn)算法的復(fù)原圖像往往整體偏暗，因此將復(fù)原圖轉(zhuǎn)換成HSV 模型，對亮度V空間進(jìn)行增強(qiáng)。

在V空間進(jìn)行對比度受限的自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE），將對比度限制為0.01 防止圖像過增強(qiáng)，使用2×2 像素的滑塊進(jìn)行局部均衡。

如圖5 所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版），對比圖像增強(qiáng)前后，非天空場景的視覺效果得到顯著提升，但天空區(qū)域出現(xiàn)了一定的偽影和紋理，CLAHE 造成天空失真，反觀增強(qiáng)前的天空場景保留完好，因此設(shè)計(jì)一種圖像融合策略。

圖5 圖像增強(qiáng)前后對比Fig.5 Comparison of images before and after enhancement

首先，將置信圖的天空部分（背景色）和非天空部分（前景色）天然粗分割，可直接用最大類間方差法快速進(jìn)行二值分割。對于置信圖C(x)，將非天空區(qū)域和天空背景的閾值記作k，屬于非天空區(qū)域的像素點(diǎn)數(shù)占C(x)總像素?cái)?shù)的比值為φ0，平均像素值為μ0。同理，天空背景有φ1和μ1。類間方差g可表示如下：

遍歷C(x)的像素值，得到使g最大情況下的最優(yōu)閾值k，分割置信圖得到二值圖K(x)，如圖6所示。

圖6 置信圖的二值分割Fig.6 Binary segmentation of confidence image

令CLAHE 前后的去霧圖分別為Jbef(x)和Jaft(x)，為了減弱K(x)的0-1 突變邊緣造成最終圖像J(x)在拼接處的明顯痕跡以及違和感，采用各向同性的高斯平滑核增加標(biāo)準(zhǔn)差σ來模糊置信度二值圖，可表示如下：

設(shè)置方形高斯平滑核的尺寸如下：

σ越小，拼接區(qū)域越突兀；σ越大，Jbef(x)天空區(qū)域的權(quán)值越不穩(wěn)定，且會弱化圖像整體增強(qiáng)效果，因此一般取15。最終圖像J(x)可表示如下：

融合圖像的天空背景真實(shí)準(zhǔn)確，非天空場景得到很好的視覺性增強(qiáng)且融合效果不突兀。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提算法的有效性，搭建實(shí)驗(yàn)平臺進(jìn)行驗(yàn)證。硬件平臺配置為Intel Core i7-6700HQ@2.60 GHz，12 GB 內(nèi)存，Windows 10 專業(yè)版，軟件平臺為MATLAB R2019a。實(shí)驗(yàn)圖片來自去霧領(lǐng)域的相關(guān)論文和單幅圖像去霧數(shù)據(jù)集RESIDE［23］，混合主觀測試子集HSTS 包含了10 張真實(shí)霧圖以及10 張對應(yīng)的已知樣本真值圖片（合成），從主客觀角度與其他算法進(jìn)行比較分析。

3.1 主觀評價(jià)

通過主觀評價(jià)能直接快速對復(fù)原效果進(jìn)行分析，所提算法與其他去霧算法的復(fù)原效果比較如圖7所示（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。

圖7 不同算法的復(fù)原效果比較1Fig.7 Comparison 1 of restoration effects of the different algorithms

如7 圖所示，image 1、2、3 是不包含天空區(qū)域的霧圖，image 4、5、6 霧圖分別存在不同尺寸的天空場景。由圖7 可以看出：文獻(xiàn)［6］算法處理的image 4、5、6 天空區(qū)域效果不穩(wěn)定，其中，image 4 的天空嚴(yán)重失真，處理的image 1、2、3 存在一定的顏色偏移，視覺效果較差；文獻(xiàn)［12］算法由于較低的透射率導(dǎo)致image 3、5、6 存在明顯光暈效應(yīng)，因?yàn)閳D像中高亮像素的影響導(dǎo)致image 1 的顏色偏移、image 2、3 圖像過暗，image 4、5、6 的天空失真嚴(yán)重；文獻(xiàn)［15］算法引入容差機(jī)制但由于容差系數(shù)過大，導(dǎo)致image 1、2、3、4 的去霧效果不理想；文獻(xiàn)［17］算法用自適應(yīng)校正透射率算法進(jìn)行去霧，觀察image 1、3、5 存在景深突變區(qū)域霧氣殘留問題，image 2、6 顏色過暗，image 4 天空輕微失真。經(jīng)過大量霧圖的測試實(shí)驗(yàn)可知，所提算法對包含不同尺寸天空區(qū)域的霧圖表現(xiàn)良好，能夠復(fù)原并增強(qiáng)場景細(xì)節(jié)和色彩，同時(shí)不失去圖像去霧真實(shí)性。

3.2 客觀評價(jià)

相較于主觀評價(jià)，客觀評價(jià)可以更好地分析算法的性能表現(xiàn)。使用HAUTIèRE等［24］提出的可見邊增率（l）、信息熵（H）、平均梯度（G）3 個(gè)性能指標(biāo)進(jìn)行客觀評價(jià)。

l計(jì)算圖像的邊緣信息變化程度，值越大，圖像復(fù)原效果越好［25］，可表示如下：

其中：lr和lo分別為恢復(fù)圖像和原始圖像的可見邊數(shù)。

H計(jì)算圖像的信息量程度，值越大，包含的信息越多，可表示如下：

其中：M是不同像素點(diǎn)值ai的總數(shù)；R(ai)表示每個(gè)ai值在所有像素中出現(xiàn)的概率。

G計(jì)算圖像的紋理復(fù)雜程度，值越大，圖像越清晰，分辨率越高，可表示如下：

其中：m和n分別是圖像的總行數(shù)和總列數(shù)；G(x，y)為圖像第x行和第y列的灰度值。

根據(jù)圖7，各算法處理得到的圖像與各霧圖之間的l指標(biāo)如表2 所示，其中，最優(yōu)指標(biāo)值用加粗字體標(biāo)示。由表2 可以看出，所提算法對不同場景下的霧圖均有較高的l值，較其他算法提升約79%～131%，在保護(hù)霧圖強(qiáng)邊緣細(xì)節(jié)的同時(shí)，能夠恢復(fù)出大量被霧氣影響的邊緣信息。

表2 不同算法處理各霧圖的l 指標(biāo)比較Table 2 Comparison of l indexes for processing various hazy images using different algorithms

根據(jù)圖7，各算法處理得到的圖像與各霧圖之間的H、G指標(biāo)如表3、表4 所示，其中，最優(yōu)指標(biāo)值用加粗字體標(biāo)示。由表3、表4 可以看出：其他算法的處理導(dǎo)致一些霧圖的失真或是本該平滑的區(qū)域（如天空）出現(xiàn)過多紋理，存在拉高了H和G指標(biāo)的情況；所提算法的H、G表現(xiàn)優(yōu)勢明顯，較其他算法分別提升3%～9%、39%～81%，同時(shí)保留了平滑區(qū)域，符合主觀評價(jià)中圖像信息豐富、分辨率高、天空自然的復(fù)原效果。

表3 不同算法處理各霧圖的H 指標(biāo)比較Table 3 Comparison of H indexes for processing various hazy images using different algorithms

通過綜合比較分析可知，所提算法處理不同場景下的霧圖時(shí)去霧效果真實(shí)、細(xì)節(jié)豐富、圖像清晰，取得了很好的去霧效果。

3.3 定性與定量比較及消融實(shí)驗(yàn)

圖8 給出了文獻(xiàn)［8，10，19］以及所提去霧算法在HSTS 測試集上的定性結(jié)果（彩色效果見《計(jì)算機(jī)工程》官網(wǎng)HTML 版）。對照各樣本真值圖8（f）可以看出：文獻(xiàn)［8］算法在天空區(qū)域有云團(tuán)和圖像陰暗處的處理效果不佳；文獻(xiàn)［10］算法的沙漏式多尺度操作會引起一些場景細(xì)節(jié)的丟失；文獻(xiàn)［19］算法的整體色彩還原度欠佳，采用雙線性插值映射法減弱塊與塊間的不連續(xù)邊緣能力有限。

SSIM 和峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）是兩種廣泛使用的評價(jià)去霧圖像質(zhì)量的指標(biāo)。各算法處理得到的圖像與各霧圖樣本真值之間的SSIM、PSNR 指標(biāo)定量比較如表5 所示，其中，最優(yōu)指標(biāo)值用加粗字體標(biāo)示。由表5 可以看出：文獻(xiàn)［8，10］算法在若干圖上取得了較高的SSIM 或PSNR 指標(biāo)，該結(jié)果是符合預(yù)期的，因?yàn)槲墨I(xiàn)［8］算法使用場景數(shù)據(jù)集ITS 的全部樣本進(jìn)行訓(xùn)練，在一定程度上增強(qiáng)了模型對測試子集HSTS 的有效性，文獻(xiàn)［10］算法也是類似的；所提算法雖然基于暗通道先驗(yàn)理論，但是對于基于深度學(xué)習(xí)去霧常用的開源數(shù)據(jù)集，也具有一定的性能優(yōu)勢。

表5 不同算法處理各霧圖的定量比較Table 5 Quantitative comparison for processing various hazy images using different algorithms

為了驗(yàn)證改進(jìn)模塊的有效性，進(jìn)行消融實(shí)驗(yàn)。消融實(shí)驗(yàn)進(jìn)行如下分組：組1（DCP），組2（DCP+透射率擬合模塊），組3（DCP+天空區(qū)域優(yōu)化模塊），組4（DCP+透射率擬合模塊+天空區(qū)域優(yōu)化模塊），組5（DCP+透射率擬合模塊+天空區(qū)域優(yōu)化模塊+策略性融合模塊，即所提算法）。消融實(shí)驗(yàn)結(jié)果如表6 所示，可以看出：設(shè)置對照組1、2 和3，透射率擬合模塊（增加透射率的相對信息）和天空區(qū)域優(yōu)化模塊（解決DCP 不適用于天空、明亮區(qū)域的問題）均能提升DCP 算法的性能；設(shè)置對照組2、3 和4，模塊級聯(lián)疊加使用效果更佳；設(shè)置對照組4 和5，增加策略性融合模塊能顯著提升l指標(biāo)（視覺表現(xiàn)），同時(shí)維持SSIM 和PSNR 在較高水平上，驗(yàn)證了所提算法能在策略性融合過程中盡可能地減少圖像增強(qiáng)環(huán)節(jié)帶來的失真，提高復(fù)原質(zhì)量。

表6 消融實(shí)驗(yàn)結(jié)果Table 6 Ablation experimental results

4 結(jié)束語

為了解決基于暗通道先驗(yàn)去霧算法存在的不足，本文提出一種改進(jìn)暗通道先驗(yàn)和策略性融合的圖像去霧算法，通過定義調(diào)節(jié)和側(cè)重因子擬合多窗口透射率得到穩(wěn)定且圖像信息豐富的結(jié)果，同時(shí)利用大氣光值組結(jié)合非線性規(guī)劃模型和偏度估計(jì)出準(zhǔn)確的大氣光值，引入置信度快速修正天空區(qū)域的透射率，最后對去霧圖進(jìn)行策略性的增強(qiáng)融合。實(shí)驗(yàn)結(jié)果表明，所提算法復(fù)原的圖像去霧效果好，天空區(qū)域處理真實(shí)自然，主觀評價(jià)較對照算法更具優(yōu)勢，客觀性能表現(xiàn)同樣較好。但由于算法濾波窗口尺寸選取存在一定局限性，目前計(jì)算的調(diào)節(jié)及側(cè)重因子為全局量，后續(xù)將使用霧氣塊或場景特征塊將因子計(jì)算改進(jìn)為局部動態(tài)量計(jì)算，進(jìn)一步提升整體去霧效果。