1. 项目背景与核心价值
在计算机视觉和图像处理领域,单图像去雾技术一直是个极具挑战性的课题。当我们在雾霾天气拍摄照片时,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。这个问题不仅影响视觉观感,更会严重干扰后续的图像分析任务,比如目标检测、自动驾驶中的环境感知等。
传统去雾方法往往依赖于大气散射模型,但存在过度增强或伪影明显的问题。这篇论文提出的"双传输映射策略+梯度域引导滤波"的组合方案,在保持自然视觉效果的同时,显著提升了去雾质量。我花了两周时间完整复现了这个工作,过程中发现其核心创新点在于:
- 用双传输映射分别处理场景透射率和大气光,比单一传输图更精准
- 梯度域引导滤波在边缘保持方面表现优异,避免了常见的halo效应
- Matlab实现展示了完整的算法流程,对理解原理帮助很大
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. 核心算法原理解析
2.1 大气散射模型基础
任何去雾算法都绕不开这个经典模型:
code复制I(x) = J(x)t(x) + A(1-t(x))
其中:
- I(x):观测到的有雾图像
- J(x):待恢复的无雾图像
- t(x):透射率(传输映射)
- A:全局大气光
传统方法的局限在于假设t(x)和A之间存在强相关性,而本文的创新点正是解耦了这两个参数。
2.2 双传输映射策略详解
2.2.1 透射率估计
作者采用改进的暗通道先验方法:
matlab复制function t = estimate_transmission(img, patch_size)
dark_channel = min(img, [], 3);
t = 1 - omega * guided_filter(dark_channel, dark_channel, patch_size);
end
关键参数说明:
- omega(0.75-0.95):控制去雾强度
- patch_size(15-35):影响局部一致性
2.2.2 大气光估计
创新性地使用亮度-饱和度权衡法:
- 检测图像中最亮的1%像素
- 在这些候选点中,选择饱和度最低的5%作为A的估计
matlab复制A = estimate_atmospheric_light(img, 0.01, 0.05);
