1. 图像去雾技术的基本概念当你站在雾天里拍照时照片总是灰蒙蒙的远处的景物几乎看不清轮廓——这就是典型的雾霾图像退化现象。图像去雾技术就是专门解决这个问题的计算机视觉方法它能让模糊的照片重新变得清晰透亮。从技术本质来看图像去雾是通过算法处理消除大气散射介质如雾、霾、烟尘对成像的影响恢复出场景的真实色彩和细节。这项技术在自动驾驶、航拍测绘、视频监控等领域有重要应用价值。比如自动驾驶汽车在雾天行驶时清晰的视野直接关系到行车安全。图像退化的核心原因是大气散射效应。当光线穿过雾霾时会发生两种物理现象一是物体反射光在传播过程中被悬浮粒子衰减直接衰减效应二是环境光被悬浮粒子散射后进入相机大气光效应。这两种效应共同导致了图像对比度下降、颜色失真和细节丢失。2. 传统图像增强去雾方法2.1 直方图均衡化技术直方图均衡化是最早应用于去雾的图像增强方法之一。它的核心思想很简单雾霾图像的像素值往往集中在狭窄的范围内通过重新分配像素值来拉伸直方图分布就能提高图像对比度。我做过一个实验对雾霾图像分别采用全局直方图均衡化(GHE)和自适应直方图均衡化(AHE)处理。GHE确实能提升整体对比度但在天空区域会出现严重过曝而AHE通过局部窗口处理虽然保留了更多细节但会产生明显的块状伪影。后来尝试CLAHE限制对比度的自适应直方图均衡化通过裁剪直方图峰值来控制过度增强效果就好很多。2.2 Retinex理论及其衍生算法Retinex理论模拟了人类视觉的颜色恒常性特点它将图像分解为反射分量和光照分量。在去雾应用中通过去除光照分量中的雾霾影响就能恢复出清晰的反射图像。MSRCR带色彩恢复的多尺度Retinex是其中效果较好的算法。我曾在Python中实现过这个算法先对RGB三个通道分别进行高斯滤波得到光照估计然后用原图减去光照分量最后进行色彩恢复。处理后的图像细节明显增强但在边缘处会出现光晕现象。后来改进为在YCbCr色彩空间处理亮度分量有效减轻了色偏问题。3. 基于物理模型的复原方法3.1 大气散射模型解析大气散射模型是图像复原的物理基础其数学表达式为I(x) J(x)t(x) A(1-t(x))其中I(x)是观测到的雾图J(x)是待恢复的无雾图像t(x)是透射率图A是大气光值。这个模型清晰地描述了雾霾形成的物理过程。在实际应用中我发现这个模型有两个关键挑战一是大气光A的估计容易受白色物体干扰二是透射率t(x)与场景深度相关但单目图像缺乏深度信息。这就引出了各种先验知识的应用。3.2 经典先验方法对比暗通道先验(DCP)是最著名的去雾先验之一。它发现在非天空的局部区域至少有一个颜色通道的像素值很低。基于这个观察可以估计透射率图。我测试过DCP算法在普通风景照上效果很好但在大面积白色场景如雪景中会出现严重色偏。另一个有趣的先验是雾线先验(Fattals Color-Lines)。它利用自然图像在RGB空间中呈现的线性分布特征来估计透射率。相比DCP这种方法对白色物体更鲁棒但在浓雾情况下效果会下降。在实际项目中我通常会结合多种先验来提高鲁棒性。4. 深度学习与融合方法4.1 端到端深度学习模型随着深度学习的发展出现了许多直接学习雾图到清晰图像映射的端到端网络。AOD-Net是一个典型的轻量级网络它将大气散射模型重新参数化直接学习一个可以恢复清晰图像的转换函数。我在PyTorch中复现过这个网络发现其参数量不到1M在1080p图像上能达到实时处理。但这类模型对训练数据分布敏感在真实场景中容易产生伪影。后来尝试在损失函数中加入感知损失和对抗损失显著提升了视觉效果。4.2 多尺度特征融合网络最新的研究趋势是设计更复杂的网络架构。比如MSBDN多尺度增强去雾网络就采用了金字塔结构来融合不同尺度的特征。这种设计能同时处理不同浓度的雾霾区域。在实验中发现加入注意力机制后效果更佳。例如在特征融合时使用通道注意力可以让网络更关注雾霾严重的区域。这类模型在RESIDE数据集上的PSNR能达到32dB以上但计算复杂度也相应增加。5. 前沿进展与挑战5.1 无监督与域适应方法获取成对的雾图/清晰图训练数据非常困难。最近提出的Cycle-Dehaze利用循环一致性实现无监督学习而DADehaze则通过域适应将合成数据学到的知识迁移到真实场景。我在实际项目中测试这些方法时发现虽然它们避免了数据配对的限制但去雾效果与全监督方法仍有差距。特别是在处理夜间雾图时颜色保真度还不够理想。5.2 跨模态融合技术多传感器融合是一个有前景的方向。例如将可见光图像与近红外图像融合利用近红外光受散射影响小的特性来辅助去雾。我们团队最近尝试用偏振图像提供额外约束在浓雾场景下取得了不错的效果。不过这类方法需要特殊硬件支持限制了应用范围。一个折中方案是先用GAN生成多模态数据再进行虚拟融合但这种方法的物理可解释性还有待提高。6. 实战经验与选型建议经过多年实践我总结出几点选型经验对于实时性要求高的应用如车载系统轻量级的AOD-Net或改进的DCP是较好选择对质量要求高的离线处理可以考虑MSBDN等多尺度网络在没有配对数据时Cycle-Dehaze等无监督方法值得尝试。在具体实施时有几个常见坑需要注意一是天空区域处理建议单独检测并调整增强强度二是颜色保真可以在LAB色彩空间进行后处理三是实时性优化使用引导滤波等加速技巧能显著提升速度。
