1. 图像去雾技术概述
在计算机视觉领域，图像去雾是一个经典的低层视觉任务。当我们在雾天拍摄照片时，大气中的悬浮颗粒会导致图像对比度下降、颜色失真和细节丢失。这种现象在摄影、自动驾驶、遥感监测等应用中都会造成严重影响。
我最早接触这个课题是在2015年做安防监控项目时，当时需要处理雾天拍摄的监控画面。传统的直方图均衡化方法虽然简单，但效果有限，后来接触到暗通道先验理论才真正打开了新世界的大门。经过这些年的实践，我总结出了一套从基础到进阶的去雾方法体系。
2. 传统直方图增强方法
2.1 直方图均衡化原理
直方图均衡化是最基础的图像增强技术之一。其核心思想是通过重新分配像素灰度值，使得输出图像的直方图近似均匀分布。具体实现步骤包括：
- 计算原始图像的灰度直方图
- 计算累积分布函数(CDF)
- 将CDF值映射到新的灰度级
python复制import cv2
import numpy as np
def hist_equalization(img):
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
equ = cv2.equalizeHist(gray)
return equ
2.2 限制对比度自适应直方图均衡化(CLAHE)
传统直方图均衡化的主要问题是会过度增强噪声。CLAHE通过以下改进解决了这个问题：
- 将图像分块处理
- 对每个块进行直方图裁剪
- 使用双线性插值消除块间边界
经验提示：CLAHE的clipLimit参数通常设置在2.0-4.0之间，tileGridSize建议8×8到32×32
2.3 传统方法的局限性
虽然直方图方法计算简单，但存在明显不足：
- 无法区分雾气和图像内容
- 容易产生光晕效应
- 对浓雾场景效果不佳
3. 基于物理模型的去雾方法
3.1 大气散射模型
现代去雾算法大多基于大气散射物理模型：
I(x) = J(x)t(x) + A(1-t(x))
其中：
- I(x)：观测到的有雾图像
- J(x)：无雾场景辐射
- A：大气光值
- t(x)：透射率图
3.2 暗通道先验理论
何恺明在2009年提出的暗通道先验是去雾领域的里程碑。其核心发现是：在绝大多数无雾图像的局部区域中，至少有一个颜色通道的像素值非常低（接近0）。
数学表达为：
J^dark(x) = min_{c∈{r,g,b}}( min_{y∈Ω(x)}( J^c(y) ) ) → 0
3.3 透射率估计
基于暗通道先验，透射率可以估计为：
t(x) = 1 - ω min_{c∈{r,g,b}}( min_{y∈Ω(x)}( I^c(y)/A^c ) )
其中ω(0<ω≤1)是保留少量雾气的参数，通常取0.95。
4. 暗通道去雾实现细节
4.1 大气光估计
准确估计大气光A是关键步骤。常用方法：
- 选取暗通道前0.1%最亮的像素
- 在这些像素对应原图像素中取亮度最高者
python复制def estimate_atmospheric_light(img, dark_channel, percentile=0.1):
h, w = dark_channel.shape
num_pixels = int(h * w * percentile)
flat_img = img.reshape(-1, 3)
flat_dark = dark_channel.ravel()
indices = np.argpartition(flat_dark, -num_pixels)[-num_pixels:]
brightest = np.max(flat_img[indices], axis=0)
return brightest
4.2 透射率优化
原始透射率估计存在两个问题：
- 块效应（由于局部最小值滤波）
- 噪声放大（当t接近0时）
解决方法：
- 使用导向滤波细化透射率
- 设置透射率下限t0（通常0.1）
4.3 图像恢复
最终的无雾图像通过下式恢复：
J(x) = (I(x) - A)/max(t(x), t0) + A
5. 实战经验与调优技巧
5.1 参数选择指南
经过大量实验，我总结出以下参数组合：
- 暗通道窗口大小：15×15（平衡细节和计算量）
- ω值：0.95（保留少量自然雾气感）
- t0：0.1（避免过度增强噪声）
- 导向滤波半径：60（平滑过渡）
- 导向滤波ε：0.0001（保持边缘）
5.2 常见问题排查
-
结果图像过暗：
- 检查大气光估计是否偏低
- 尝试减小ω值（如0.85-0.9）
-
出现色偏：
- 确认各通道分别处理
- 检查大气光是否为白色（R≈G≈B）
-
边缘光晕：
- 减小导向滤波半径
- 增加ε值（如0.001）
5.3 计算效率优化
对于实时应用，可以采用以下优化：
- 降采样处理（先缩小图像再放大结果）
- 使用积分图加速最小值滤波
- 并行计算各颜色通道
6. 进阶方法与最新进展
6.1 基于深度学习的去雾
近年来，CNN和GAN在去雾领域表现出色：
- DehazeNet（端到端透射率估计）
- AOD-Net（一体化网络）
- Cycle-Dehaze（无监督学习）
实测发现：在合成数据上训练的模型对真实场景泛化能力仍有限
6.2 多图像融合方法
利用同一场景不同时间的图像：
- 时间序列去雾
- 多曝光融合
- 偏振成像去雾
6.3 实时去雾系统设计
构建实用系统需要考虑：
- 算法加速（GPU/FPGA实现）
- 内存优化（流式处理）
- 质量评估（无参考指标）
7. 应用场景与效果评估
7.1 典型应用领域
-
智能交通：
- 雾天车牌识别
- 自动驾驶环境感知
-
遥感监测：
- 卫星图像增强
- 航拍图像恢复
-
消费电子：
- 手机相机去雾
- 无人机拍摄优化
7.2 客观评价指标
常用量化指标：
- 可见边沿梯度（e）
- 饱和像素比例（σ）
- 平均梯度（∇）
- 信息熵（H）
7.3 主观评价建议
在实际项目中，我通常会：
- 保留原始图像对比
- 关注关键区域细节
- 检查色彩自然度
- 评估计算耗时
8. 完整实现代码示例
以下是基于OpenCV和Python的完整实现：
python复制import cv2
import numpy as np
def dark_channel(img, size=15):
min_channel = np.min(img, axis=2)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (size, size))
dark = cv2.erode(min_channel, kernel)
return dark
def dehaze(img, omega=0.95, t0=0.1, radius=15, eps=1e-3):
# 估计大气光
dark = dark_channel(img)
A = estimate_atmospheric_light(img, dark)
# 估计透射率
normalized = img.astype(np.float32) / A
dark_norm = dark_channel(normalized)
t = 1 - omega * dark_norm
# 导向滤波优化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
t_refined = cv2.ximgproc.guidedFilter(gray.astype(np.float32),
t, radius, eps)
# 恢复图像
t_clip = np.maximum(t_refined, t0)
result = np.empty_like(img)
for c in range(3):
result[..., c] = (img[..., c] - A[c]) / t_clip + A[c]
return np.clip(result, 0, 255).astype(np.uint8), t_refined
在实际项目中，我发现这套算法在中等雾浓度下效果最佳。对于极端天气条件，可能需要结合深度学习方法来获得更好效果。