图像去雾算法实战：Matlab实现与优化技巧

1. 图像去雾算法实战：从原理到Matlab实现

最近在做一个户外监控系统的图像增强模块，发现不同去雾算法的表现差异比想象中复杂得多。经过两周的密集测试，我整理了三种经典算法的Matlab实现方案，重点分享那些教科书上不会写的实操细节和性能优化技巧。

图像去雾本质上是个病态问题——我们需要从退化的观测图像中恢复出清晰场景。传统方法主要基于物理模型（如大气散射模型）或图像增强技术。这次测试的全局/局部直方图均衡和Retinex算法都属于后者，它们不依赖物理参数估计，实现简单且对轻度雾霾效果显著。下面我会结合具体代码，拆解每种方法的适用场景、参数调优技巧和典型问题解决方案。

2. 全局直方图均衡：快速但粗糙的方案

2.1 基础实现与问题分析

全局直方图均衡是最基础的对比度增强方法，其核心思想是通过重分布像素强度值来扩展动态范围。Matlab的histeq函数封装了标准实现：

matlab复制haze_img = imread('foggy_road.jpg');
enhanced = histeq(rgb2gray(haze_img));

这种方法的优势在于计算效率极高——在我的测试机上处理1080P图像仅需0.5秒。但问题也很明显：直接对灰度图像操作会导致颜色信息丢失，且全局统一的变换会放大噪声，特别是在天空等平滑区域产生明显的色带断层。

关键发现：当图像包含大面积低纹理区域（如天空、水面）时，直方图均衡会将这些区域的本应连续的渐变色调强行拉伸为离散色阶，产生类似海报化的伪影。

2.2 改进方案：预处理与后处理技巧

通过实验对比，我总结出两个有效的改进方向：

1. 中值滤波预处理：用5×5窗口中值滤波抑制孤立噪声点

   matlab复制gray_haze = medfilt2(rgb2gray(haze_img), [5 5]);
   enhanced = histeq(gray_haze);
   

2. LAB色彩空间处理：保留颜色信息的同时增强对比度

   matlab复制lab = rgb2lab(haze_img);
   L = lab(:,:,1)/100;
   L_eq = histeq(L);
   lab(:,:,1) = L_e