摘"要：本文針對(duì)傳統(tǒng)暗通道先驗(yàn)算法在透射率估計(jì)中存在的粗糙性及其在天空區(qū)域失效的問(wèn)題，提出了一種基于改進(jìn)暗通道先驗(yàn)的圖像去霧算法。該算法在經(jīng)典暗通道先驗(yàn)理論的基礎(chǔ)上，采用了大氣散射模型求解透射率，利用快速導(dǎo)向?yàn)V波技術(shù)對(duì)透射率進(jìn)行細(xì)化處理，從而提高了圖像去霧的精度。此外，通過(guò)加入容差機(jī)制對(duì)透射率進(jìn)行動(dòng)態(tài)修正，有效解決了暗通道先驗(yàn)在天空區(qū)域失效的局限性。實(shí)驗(yàn)結(jié)果表明，該算法在定性和定量測(cè)試中均表現(xiàn)優(yōu)異，去霧效果優(yōu)于對(duì)比算法，能夠在復(fù)雜場(chǎng)景下提供更加清晰、自然的圖像復(fù)原效果。

關(guān)鍵詞：圖像去霧；暗通道先驗(yàn)；導(dǎo)向?yàn)V波

1"概述

隨著計(jì)算機(jī)視覺(jué)的發(fā)展，智能視頻監(jiān)控已廣泛應(yīng)用于安全與交通管理，通過(guò)圖像分析提升了監(jiān)控的效率和準(zhǔn)確性，實(shí)現(xiàn)了自動(dòng)化。該技術(shù)依賴于計(jì)算機(jī)視覺(jué)與模式識(shí)別，能夠?qū)崟r(shí)提取關(guān)鍵信息并預(yù)警。然而，惡劣天氣如大霧會(huì)降低圖像質(zhì)量，影響系統(tǒng)性能與穩(wěn)定性。因此，研究高效的圖像去霧技術(shù)以提升清晰度具有重要意義。

2"研究現(xiàn)狀

近年來(lái)，圖像去霧技術(shù)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，主要分為基于圖像增強(qiáng)和基于物理成像模型兩類方法。

基于圖像增強(qiáng)的方法通過(guò)提高圖像對(duì)比度和細(xì)節(jié)來(lái)減輕霧霾影響。其優(yōu)勢(shì)在于操作簡(jiǎn)便、效果直觀，但由于未考慮物理退化機(jī)制，存在過(guò)度增強(qiáng)的風(fēng)險(xiǎn)。參考文獻(xiàn)［1］中結(jié)合了對(duì)比度增強(qiáng)和曝光度融合，充分保留了去霧圖像的細(xì)節(jié)信息；李旺等人［2］基于Retinex理論實(shí)現(xiàn)精細(xì)的圖像復(fù)原；而參考文獻(xiàn)［3］中采用重疊子塊同態(tài)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(yàn)知識(shí)和深度學(xué)習(xí)兩種策略。先驗(yàn)知識(shí)法利用圖像中的暗通道［4］、顏色衰減［5］等信息進(jìn)行去霧；深度學(xué)習(xí)法通過(guò)學(xué)習(xí)有霧與清晰圖像的映射關(guān)系，如參考文獻(xiàn)［6］中提出了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)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(jī)制，進(jìn)一步提高了去霧效果。

總之，盡管現(xiàn)有技術(shù)在去霧領(lǐng)域取得了一定進(jìn)展，但仍需進(jìn)一步優(yōu)化和改進(jìn)。

3"改進(jìn)暗通道先驗(yàn)算法

3.1"暗通道先驗(yàn)理論

暗通道先驗(yàn)理論認(rèn)為，在大多數(shù)非天空的局部區(qū)域，至少有一個(gè)顏色通道的某些像素會(huì)具有非常低的亮度值，這個(gè)規(guī)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(jù)暗通道先驗(yàn)理論，清晰無(wú)霧的圖像對(duì)應(yīng)的暗通道圖的像素強(qiáng)度接近于零，即：

Jdark→0（2）

利用暗通道先驗(yàn)可以有效估計(jì)霧圖像中的透射率，進(jìn)而用于圖像去霧。

3.2"基于快速導(dǎo)向?yàn)V波的透射率細(xì)化

由圖1（b）所示，利用暗通道先驗(yàn)估計(jì)的粗透射率圖存在嚴(yán)重的塊效應(yīng)，無(wú)法直接用于去霧處理。因此，本文采用一種快速導(dǎo)向?yàn)V波（Fast"Guided"Filter，F(xiàn)GF）算法［8］進(jìn)行透射率細(xì)化。具體地，對(duì)于給定的輸入圖像I和導(dǎo)向圖像p，F(xiàn)GF旨在輸出一個(gè)濾波后的圖像q，以滿足以下線性關(guān)系：

qi=akIi+bk，i∈ωk（3）

其中，i是像素的索引，ak和bk是第k個(gè)局部窗口ωk內(nèi)的線性系數(shù)，它們通過(guò)最小化重構(gòu)誤差的平方和來(lái)求解：

minak，bk∑i∈ωk（akIi+bk-pi）2+εa2k（4）

這里，ε是正則化參數(shù)，用以控制平滑程度。

求解ak和bk后，輸出圖像q的每個(gè)像素值可以通過(guò)上述線性關(guān)系計(jì)算得到。如圖1（c）所示，細(xì)化的透射率不僅保留了圖像的細(xì)節(jié)信息且更加平滑。

3.3"天空區(qū)域透射率修正

本文通過(guò)容差機(jī)制進(jìn)行透射率修正。傳統(tǒng)的暗通道算法［4］將大氣光值取值于圖像中最亮的區(qū)域，因此，可以引入一個(gè)容差參數(shù)K，將圖像中像素值與大氣光值的差值大于K的區(qū)域，定義為高亮區(qū)域，即對(duì)I-A＜K的區(qū)域內(nèi)的透射率進(jìn)行修正。相反的，當(dāng)I-A＞K時(shí)，使用原始的透射率進(jìn)行估計(jì)。因此，可以將透射率修正函數(shù)定義為：

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

其中t0是一個(gè)接近于零的常數(shù)，保證最終的透射率值大于零。

因此，當(dāng)求得的透射率t′和大氣光值A(chǔ)，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(qū)域的過(guò)度增強(qiáng)問(wèn)題。

4"實(shí)驗(yàn)結(jié)果與分析

4.1"實(shí)驗(yàn)環(huán)境及對(duì)比方法

通過(guò)綜合應(yīng)用定性與定量分析方法，對(duì)不同類別的圖像去霧技術(shù)進(jìn)行了對(duì)比測(cè)試。所選對(duì)比技術(shù)包括基于先驗(yàn)知識(shí)的去霧方法（CAP［5］）、基于圖像增強(qiáng)的去霧方法（CEEF［1］、FADE［9］），以及基于深度學(xué)習(xí)的去霧方法（MSCNN［6］）。定性分析使用自然有霧圖像進(jìn)行測(cè)試，定量分析則使用公開(kāi)的合成圖像數(shù)據(jù)集RESIDE［10］。測(cè)試指標(biāo)選擇常用的峰值信噪比（PSNR）和結(jié)構(gòu)相似度（SSIM）來(lái)評(píng)估圖像質(zhì)量。所有測(cè)試均在配置為i79700F處理器（@3.00GHz）和24GB內(nèi)存的電腦上，通過(guò)MATLAB"R2019a軟件執(zhí)行，確保測(cè)試結(jié)果的準(zhǔn)確性與可重復(fù)性。

4.2"定性測(cè)試結(jié)果

本文選取了兩個(gè)場(chǎng)景下的自然有霧圖像進(jìn)行去霧效果對(duì)比測(cè)試，分別為城市場(chǎng)景（“Image"1”）和交通監(jiān)控場(chǎng)景（“Image"2”）。由于自然有霧圖像缺乏對(duì)應(yīng)的真實(shí)無(wú)霧圖，本文利用Photoshop"2023進(jìn)行去霧處理作為對(duì)比圖。圖3的結(jié)果表明，不同去霧算法均顯著提升了圖像的對(duì)比度和清晰度，但效果差異明顯。

在基于圖像增強(qiáng)的去霧方法中，CEEF和FADE存在明顯的過(guò)度增強(qiáng)現(xiàn)象，去霧后的圖像不自然，明暗對(duì)比過(guò)于強(qiáng)烈?；谙闰?yàn)知識(shí)的去霧方法中，DCP去霧效果較佳，但在“Image"1”的天空區(qū)域出現(xiàn)過(guò)度增強(qiáng)現(xiàn)象，且圖像整體偏暗，部分暗部細(xì)節(jié)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(chǎng)景時(shí)表現(xiàn)較差。MSCNN作為基于深度學(xué)習(xí)的去霧方法，效果較為自然，但在“Image"2”中去霧后的圖像出現(xiàn)飽和度降低的問(wèn)題［見(jiàn)圖3（f）］。相比之下，本文方法的去霧效果與Photoshop去霧結(jié)果較為接近，不僅保持了原始DCP算法較強(qiáng)的去霧能力，還有效避免了天空區(qū)域的過(guò)度增強(qiáng)。

4.3"定量測(cè)試結(jié)果

不同去霧方法在RESIDE數(shù)據(jù)集上的定量測(cè)試結(jié)果如下表所示，其中最優(yōu)結(jié)果和次優(yōu)結(jié)果分別用加粗和下劃線標(biāo)記。結(jié)果顯示，CEEF和FADE算法由于過(guò)度增強(qiáng)問(wèn)題，導(dǎo)致其定量測(cè)試表現(xiàn)不佳。本文算法在兩個(gè)測(cè)試數(shù)據(jù)集的PSNR和SSIM指標(biāo)上均取得了最佳表現(xiàn)，而次優(yōu)結(jié)果則屬于先驗(yàn)去霧方法（DCP和CAP）。此外，作為DCP算法的改進(jìn)，本文算法在PSNR指標(biāo)上平均提升了2dB，SSIM指標(biāo)上平均提升約0.04，展現(xiàn)出顯著的改進(jìn)效果。

結(jié)語(yǔ)

本文提出了一種改進(jìn)的暗通道先驗(yàn)去霧算法，先基于暗通道先驗(yàn)理論求解大氣散射模型，完成粗透射率估計(jì)和大氣光值的計(jì)算；然后采用快速導(dǎo)向?yàn)V波算法對(duì)粗透射率進(jìn)行細(xì)化，并引入容差機(jī)制對(duì)細(xì)化后的透射率進(jìn)行修正；最后通過(guò)大氣散射模型還原無(wú)霧圖像。實(shí)驗(yàn)結(jié)果表明，所提算法在提升去霧效率的同時(shí)，有效解決了暗通道先驗(yàn)在天空區(qū)域失效的問(wèn)題。此外，與其他方法相比，本文算法在PSNR和SSIM指標(biāo)測(cè)試中均獲得了最佳結(jié)果。

參考文獻(xiàn)：

［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(wǎng)絡(luò)［J］.青島大學(xué)學(xué)報(bào)（自然科學(xué)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(wǎng)絡(luò)的圖像去霧算法［J］.東北大學(xué)學(xué)報(bào)（自然科學(xué)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，F(xiàn)u"D，et"al.Benchmarking"singleimage"dehazing"and"beyond［J］.IEEE"Transactions"on"Image"Processing，2018，28（1）：492505.

基金項(xiàng)目：2024大學(xué)生創(chuàng)新創(chuàng)業(yè)國(guó)家級(jí)項(xiàng)目（202413763009）；2024大學(xué)生創(chuàng)新創(chuàng)業(yè)福建省級(jí)項(xiàng)目（S202413763023、S202413763024）

作者簡(jiǎn)介：林錦泉（2003—"），男，漢族，福建福安人，本科在讀，研究方向：計(jì)算機(jī)視覺(jué)和嵌入式系統(tǒng)應(yīng)用；林錦成（2003—"），男，漢族，福建泉州人，本科在讀，研究方向：計(jì)算機(jī)視覺(jué)和嵌入式系統(tǒng)應(yīng)用；陳鴻鵬（2003—"），男，漢族，福建福安人，本科在讀，研究方向：計(jì)算機(jī)視覺(jué)和嵌入式系統(tǒng)應(yīng)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(fù)原和增強(qiáng)、深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)。