1. 项目背景与核心思路
在计算机视觉领域,图像去雾技术一直是个热门研究方向。我最近复现了一篇基于双传输映射策略与梯度域引导图像滤波的单图像去雾算法,这个方案在多个标准测试集上都取得了不错的效果。相比传统方法,它最大的创新点在于提出了双传输映射的概念,能够更精确地估计大气散射模型中的传输率。
这个算法主要解决的是有雾图像对比度低、颜色失真等问题。在实际应用中,比如自动驾驶、航拍监测、安防监控等场景,雾霾天气会严重影响图像质量,导致后续的目标检测、识别等任务性能下降。传统基于暗通道先验的方法在浓雾区域容易出现过饱和现象,而这个算法通过引入梯度域引导滤波,能更好地保持边缘细节。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 算法原理详解
2.1 大气散射模型基础
任何图像去雾算法都绕不开大气散射模型,这是整个领域的理论基础。模型可以表示为:
I(x) = J(x)t(x) + A(1-t(x))
其中I(x)是有雾图像,J(x)是无雾图像,A是全球大气光,t(x)是传输率。我们的目标就是从I(x)估计出J(x)。
传统方法通常假设传输率t(x)在局部区域是恒定的,但这在浓雾区域会导致估计不准确。本文提出的双传输映射策略,将t(x)分解为全局传输率tg(x)和局部传输率tl(x),能更精细地描述不同区域的雾浓度变化。
2.2 双传输映射策略
全局传输率tg(x)通过改进的暗通道先验来估计。与传统的暗通道不同,这里加入了颜色衰减先验,能更好地处理天空等明亮区域。具体计算时,我们先对图像做超像素分割,在每个超像素内计算自适应的大气光值。
局部传输率tl(x)则通过构建一个多尺度的高斯金字塔来估计。在不同尺度下分析图像的局部对比度变化,最后融合各尺度的结果得到tl(x)。这种多尺度分析能有效避免在纹理复杂区域产生halo效应。
最终的传输率t(x)是tg(x)和tl(x)的加权组合,权重根据图像区域的雾浓度动态调整。在浓雾区域更依赖tl(x),在薄雾区域则更依赖tg(x)。
2.3 梯度域引导滤波
得到传输率图后,传统的做法是直接使用导向滤波进行细化。但本文创新性地提出了梯度域引导滤波,核心思想是在梯度域而非像素域进行滤波操作。
具体步骤是:
- 计算输入图像和引导图像的梯度图
- 在梯度域应用自适应权重滤波
- 通过泊松重建得到最终的滤波结果
