基于全局大气优化模型的图像去雾算法

王搏; 代昌华; 段援朝; 程曦娜

doi:10.12404/j.issn.1671-1815.2501302

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :717-724 DOI: 10.12404/j.issn.1671-1815.2501302

自动化技术、计算机技术

基于全局大气优化模型的图像去雾算法

王搏 ¹^,² ,
代昌华 ¹^,^* ,
段援朝 ¹ ,
程曦娜 ²

作者信息 +

Image Defogging Algorithm Based on Global Atmospheric Optimization Model

WANG Bo ¹^,² ,
DAI Chang-hua ¹^,^* ,
DUAN Yuan-chao ¹ ,
CHENG Xi-na ²

Author information +

文章历史 +

摘要

针对雾气干扰导致观测系统目标识别困难、精度降低等负面影响,提出了一种基于全局大气优化模型的图像去雾算法,构建了包含自适应暗通道细化机制、透射率联合优化策略以及大气光迭代修正方法的完整去雾框架。首先,设计了基于多尺度窗口的动态暗通道计算方法,并通过非线性增强系数提升暗通道对雾浓度的敏感性;其次,构建了包含导向滤波与对比度约束的透射率优化模型,解决图像边缘失真问题;最后,提出了基于区域聚类筛选和透射率权重的大气光修正算法,克服传统方法依赖固定区域取样的局限性。实验结果表明,与维纳滤波、多尺度Retinex模型等去模糊方法相比,本文方法在峰值信噪比(peak signal-to-noise ratio,PSNR)、结构相似性(structural similarity,SSIM)及信息熵(entropy)指标上分别最小提升16.6%、19.2%与16.9%,并在基于YOLOv5目标检测模型的运用中,精确率和召回率分别提升10.3%、12.7%以上,有效增强了复杂环境下观测系统的图像解析与目标辨识能力。

Abstract

To address the adverse impacts of fog interference on observation systems, including target recognition difficulties and accuracy reduction, a novel image defogging algorithm based on a global atmospheric optimization model was proposed. A comprehensive defogging framework was constructed, integrating an adaptive dark channel refinement mechanism, a transmittance joint optimization strategy, and an atmospheric light iterative correction method. Firstly, a dynamic dark channel calculation method based on multi-scale windows was designed, with nonlinear enhancement coefficients introduced to improve fog concentration sensitivity. Secondly, a transmittance optimization model incorporating guided filtering and contrast constraints was established to resolve image edge distortion issues. Finally, an atmospheric light correction algorithm combining regional clustering screening and transmittance weighting was developed to overcome the limitations of fixed-region sampling in conventional methods. Experimental results demonstrated that compared with Wiener filtering and multi-scale Retinex models, the proposed method achieved minimum improvements of 16.6% in PSNR(peak signal-to-noise ratio), 19.2% in SSIM(structural similarity), and 16.9% in Entropy metrics. When applied to YOLOv5 object detection models, precision and recall rates were enhanced by over 10.3% and 12.7% respectively, significantly strengthening image analysis and target identification capabilities of observation systems in complex environments.

Graphical abstract

关键词

图像去雾 / 自适应暗通道 / 透射率优化 / 大气光迭代修正

Key words

image dehazing / adaptive dark-channel / transmittance optimization / iterative correction of atmospheric light

引用本文

引用格式 ▾

王搏, 代昌华, 段援朝, 程曦娜. 基于全局大气优化模型的图像去雾算法[J]. 科学技术与工程, 2026, 26(2): 717-724 DOI:10.12404/j.issn.1671-1815.2501302

WANG Bo, DAI Chang-hua, DUAN Yuan-chao, CHENG Xi-na. Image Defogging Algorithm Based on Global Atmospheric Optimization Model[J]. Science Technology and Engineering, 2026, 26(2): 717-724 DOI:10.12404/j.issn.1671-1815.2501302

登录浏览全文

4963

注册一个新账户忘记密码

军事、矿业探测、低空飞行和智慧交通等领域对基于视觉的观测系统提出了更高的技术应用要求。然而,复杂的环境因素对基于视觉的观测系统产生了深远的影响,如烟雾、雾霾、雨雪等不良气象条件的挑战。特别是在低能见度环境下,由于大气中颗粒物的散射作用,图像中的目标常常模糊不清,无法精确获取目标信息。这不仅降低了图像的清晰度,还使得目标的轮廓变得不再明显,从而影响了目标的准确识别和定位。

在这种环境下,如何有效克服恶劣天气对观测系统的影响,尤其是雾霾等气象条件对图像质量的干扰,成为提升观测系统识别精度的重要课题。图像去雾技术^[1-2]作为解决这一问题的关键手段,近年来在军事侦察、矿业探测和低空飞行领域中得到了广泛的研究与应用。通过有效去除雾霾带来的视觉干扰,去雾算法能够恢复由于大气散射导致的图像模糊^[3-4],从而显著提升图像质量,为系统提供了更加精准的目标识别能力。

目前,图像去雾技术主要分为两大类:基于图像处理的算法^[5]和基于物理模型的算法^[6]。前者侧重于通过直观的图像处理方法消除雾霾^[7],后者则依据大气传输模型^[8],分析雾霾对图像的影响,从而恢复清晰图像。

基于图像处理的算法通常通过简单且高效的技术,如直方图均衡化^[9]和对比度增强^[10]等,来改善图像质量。这些方法具有实现简单、计算量小的优势,适用于静态场景和低复杂度的应用。然而,这些方法缺乏对图像物理属性的深入理解,导致它们在复杂环境中表现不稳定,去雾效果较差,且容易出现颜色失真、细节丢失等问题,限制了其在动态或高复杂度场景中的应用。近年来,部分研究者提出了基于深度学习^[11-12]的图像去雾方法,通过训练神经网络模型自动学习图像中的特征,能够在一定程度上克服传统方法的局限性。这些方法通过大量的数据训练,能够根据图像内容进行自适应调整,提高了在复杂环境中的去雾效果,尤其是在细节恢复和颜色校正方面表现更为出色。然而,深度学习方法往往需要大量的标注数据进行训练,且计算开销较大,实时性和部署难度较高,限制了其在实际应用中的广泛推广。

相比之下,基于物理模型的去雾算法则更加注重对图像物理属性的建模,主要通过估算透射率和大气光强度来恢复图像的真实细节。常见的方法包括暗通道先验(dark channel prior,DCP)^[13]和多尺度Retinex模型^[14]。DCP方法在低能见度环境下表现优异,能够有效去除雾霾,但在复杂光照条件下容易出现纹理和细节恢复不足的问题,且容易引发颜色失真。Retinex模型则在恢复图像细节方面具有较好的效果,但其在动态场景中可能会导致噪声放大或细节丢失,影响最终的去雾效果。近年来,结合深度学习的物理模型方法逐渐成为研究热点。例如,基于生成对抗网络(generative adversarial networks,GAN)^[15]的去雾技术,通过结合物理模型和深度学习网络的优势,不仅提高了去雾的精度,还在动态场景下表现出了更好的实时性。尽管如此,这些方法仍然面临着在复杂环境下的计算复杂度较高、实时性差的问题,并且对于大气光的估算和细节恢复仍然存在不足。因此,如何进一步提升去雾的精度并降低计算负担,依然是这一领域的难点。

针对上述现有技术存在的问题,现提出一种基于全局大气优化模型的图像去雾算法。通过对暗通道图像进行精细化处理,结合多层次优化的透射率,克服传统去雾算法在雾霾环境下细节丢失、边缘失真^[16]等问题。此外,还对大气光进行修正,并联立优化后的透射率逆向复原图像,有效提升含雾图像的质量,为观测系统在恶劣气象条件下的目标识别提供强有力的支持。

1 系统架构

复杂的环境因素,如烟尘、雾霾和湿度等,大大增加了图像获取的难度。这些因素会导致图像中目标的轮廓变得模糊,严重影响目标的识别。去雾技术可以有效地去除图像中的雾气,提高图像质量,增强特征的可区分性。

所设计的基于全局大气优化的去雾算法通过计算图像的透射率,能够恢复图像的真实细节。此算法假设自然场景中的大多数区域(除天空外),在其最暗通道中(即图像各个颜色通道的最小值)具有非常低的亮度。利用这一假设,去雾算法可以估计大气中的透射率和大气光强度,从而通过反向操作去除大气散射对图像的影响,恢复清晰图像。基于全局大气优化的去雾算法流程框图如图1所示,主要分为3个核心步骤以达成含雾图像去雾效果,具体步骤如下。

第一步,暗通道精细化处理。针对传统暗通道计算易受噪声干扰,且计算所得暗通道边界模糊等问题,本文算法先利用多尺度局部窗口计算加权最小值图;接着,引入指数调节因子对暗通道进行非线性增强,突出图像中雾的特征;最后,采用形态学闭运算对增强后的暗通道图进行后处理,去除微小噪声残留,使暗通道图边缘平滑且完整。

第二步,透射率联合优化。针对初步估计的透射率值可能因噪声和图像细节损失而不准确的问题,本文算法先将原始图像梯度融入导向滤波权重,以保留图像边缘信息;然后,引入亮度方差约束对滤波后的透射率进行校正,同时设定透射率下限防止颜色过饱和,从而得到准确且能保证图像对比度的最终透射率。

第三步,大气光迭代修正与图像复原。针对传统大气光估计方法易受噪声和白色物体干扰的问题,本算法先采用K-means聚类算法对暗通道图进行区域聚类筛选,进而得到大气光的初始估计值;然后,建立大气光与透射率的耦合校正方程,利用透射率对大气光估计值进行加权修正,降低白色物体误判概率;最后,使用优化后的透射率和修正后的大气光计算无雾图像估计值,并引入色彩平衡项削减图像色偏,完成含雾图像的去雾处理。

2 全局大气优化去雾

2.1 基于动态多尺度窗口的暗通道精细化

在传统的暗通道计算过程中,存在一些明显的缺陷。一方面,噪声对计算结果的干扰较为严重,容易导致去雾后的图像出现噪点,影响视觉效果;另一方面,计算得到的暗通道边界模糊,使得图像的细节丢失,在后续的去雾处理中难以准确还原图像的真实信息。为了克服这些问题,提出了一种将动态多尺度窗口与非线性增强因子相结合的联合优化方法。

2.1.1 多尺度局部窗口

自然场景图像中的大多数非天空区域在其至少一个颜色通道中具有很低的亮度值,因此,为了获取更准确的局部最小值信息,对输入图像I的每个颜色通道

$c\in \{\mathrm{R},\mathrm{G},\mathrm{B}\}$

对应的通道图J,计算滑动窗口内的加权最小值图

${J}_{c}^{\mathrm{m}\mathrm{i}\mathrm{n}}\left(x\right),$

其中R为红色;G为绿色;B为蓝色。具体过程如图2所示。

(1)

${J}_{c}^{\mathrm{m}\mathrm{i}\mathrm{n}}\left(\mathrm{x}\right)=\underset{y\in \Omega \left(x\right)}{\mathrm{m}\mathrm{i}\mathrm{n}}\left[\omega \right(y\left){I}_{c}\right(y\left)\right]$

式(1)中:Ω(x)为以x为中心、尺寸自适应的邻域窗口;I_c(y)为c通道图上像素点y的像素值;ω(y)为一个权重函数,代表邻域窗口Ω(x)内像素点y的权重,通过调整不同像素的权重,可以让计算最小值时某些像素的影响更大或更小;窗口半径r由梯度信息动态确定。

(2)

$r\left(x\right)={r}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}+\gamma \left(\nabla I\left(x\right)\right)$

式(2)中:r(x)为修正后的滑动窗口半径;梯度敏感系数;r_base为基础窗口半径,它为窗口半径提供了一个初始的基准值,无论图像的梯度情况如何,窗口半径都不会小于这个基础值;

$\nabla I\left(x\right)$

为像素点x的图像梯度值;γ为梯度敏感系数(取0.5~1.5),高梯度区域缩小窗口以避免模糊,低梯度区域扩大窗口增强去雾效果。

2.1.2 非线性暗通道增强

在实际的雾天图像中,浓雾区域的亮度通常较低,其特征在滑动窗口内的暗通道计算中可能不够明显。因此,在得到加权最小值图后,为了进一步突出图像中雾的特征,增强暗通道的表现力,引入了一个指数调节因子k,从而设计得到暗通道图J_dark的增强公式,即

(3)

${J}_{\mathrm{d}\mathrm{a}\mathrm{r}\mathrm{k}}\left(\mathrm{x}\right)=\underset{c}{\mathrm{m}\mathrm{i}\mathrm{n}}\left[{J}_{c}^{\mathrm{m}\mathrm{i}\mathrm{n}}\right(x\left)\right]-\beta [\underset{c}{\mathrm{m}\mathrm{i}\mathrm{n}}{J}_{c}^{\mathrm{m}\mathrm{i}\mathrm{n}}{\left(x\right)]}^{k}$

式(3)中:β和k共同控制暗通道的增强幅度,k>1。

通过泰勒展开分析可知,当k=1.5时能有效增强浓雾区域的低亮度特征;在实际应用中,可以根据不同的图像特点和去雾需求,对β进行微调,以达到理想的增强效果。

2.1.3 形态学后处理

经过前面两个步骤的处理,虽然已经得到了增强的暗通道图,但可能仍然存在一些微小的噪声残留。闭运算能够在不改变图像主体形状和位置的前提下,平滑图像的边缘,填充一些小的空洞和缝隙。因此,本文中采用形态学闭运算^[17]对暗通道图进行后处理,具体操作如下。

(4)$J_{\text {refined }}=J_{\text {dark }} \circ B=\left(J_{\text {dark }} \oplus B\right) \ominus B$

式(4)中:J_refined为经过形态学后处理后的暗通道图;J_dark为暗通道图;􀳱表示形态学闭运算,它是先进行膨胀操作再进行腐蚀操作的组合运算;􀱇表示形态学膨胀,膨胀操作会使图像中的物体边界向外扩展;􀱉表示形态学腐蚀,腐蚀操作会使图像中的物体边界向内收缩;结构元素B选取5×5矩形核,确保暗通道图边缘平滑且完整。

2.2 透射率多层次联合优化

透射率表示光线穿过大气到达相机而不被散射的比率。在雾霾环境中,透射率会因为大气中悬浮颗粒的散射作用而降低。透射率估计的目标是恢复出每个像素点的真实透射率,从而去除雾霾对图像的影响。根据暗通道先验理论来初步估计透射率,公式为

(5)

${t}_{\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{t}}\left(x\right)=1-\omega \frac{{J}_{\mathrm{r}\mathrm{e}\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{d}}\left(x\right)}{{A}_{\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{t}}}$

式(5)中:t_init为像素点x的初步透射率估计值;ω为一个雾效调整系数,通常取值0.95~0.99,用于保留一定程度的雾效;A_init为大气光强度,由图像中最亮的0.1%区域估计得到。

(1)边缘敏感导向滤波。初步估计的透射率可能会因为噪声和图像细节的损失而不够准确。为了优化透射率,设计了一种边缘敏感导向滤波^[18-19]算法,将原始图像梯度

$\nabla I$

融入导向滤波权重(guided filter),具体计算公式为

(6)

$\begin{array}{l}{t}_{\mathrm{f}\mathrm{i}\mathrm{l}\mathrm{t}\mathrm{e}\mathrm{r}}\left(\mathrm{x}\right)=\frac{1}{\left|\Omega \right|}\sum _{y\in \Omega \left(x\right)}\left[\alpha {t}_{\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{t}}\right(y)+(1-\alpha )\times \\ \frac{{\sigma }_{I}^{2}\left(y\right)}{{\sigma }_{I}^{2}\left(y\right)+\in }I\left(y\right)]\end{array}$

式(6)中:t_filter(x)为在像素点x处经过边缘敏感导向滤波后的透射率值;

$\left|\Omega \right|$

为邻域窗口Ω(x)内的像素数量;

${\sigma }_{I}^{2}\left(y\right)$

为像素点y所在局部区域内图像I的方差;

$\in $

为一个接近0的正数,防止分母为0,保证计算的稳定性和连续性;α为根据区域梯度自适应调整的参数,起到平衡初始透射率t_init(y)和基于图像自身特征计算部分权重的作用,其计算公式为

(7)

$\alpha \left(x\right)=\mathrm{e}\mathrm{x}\mathrm{p}(-\lambda {\left(\nabla I\left(x\right)\right)}^{2})$

式(7)中:λ为控制衰减速度的灵敏度参数,高梯度区域(λ=0.5)增大导向项权重以保留图像边缘信息。

(2)对比度约束校正。在对透射率进行滤波处理后,可能会出现由于透射率平滑导致的对比度衰减^[20-21]问题,从而使图像看起来模糊、缺乏层次感,影响图像的视觉效果和信息传达。为了解决此问题,引入亮度方差约束。在修正透射率的同时,能够确保图像的局部对比度得到提升,具体的优化目标函数为

(8)

${t}_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}\left(\mathrm{x}\right)=arg\underset{t}{\mathrm{m}\mathrm{i}\mathrm{n}}[{\left(t-{t}_{\mathrm{f}\mathrm{i}\mathrm{l}\mathrm{t}\mathrm{e}\mathrm{r}}\right)}^{2}+\eta \mathrm{V}\mathrm{a}\mathrm{r}(I\left|t\right)]$

式(8)中:t为当前透射率值;参数η(0.3~0.6)控制着对比度约束的强度;

$\mathrm{V}\mathrm{a}\mathrm{r}\left(I\right|t)$

表示在透射率为t的情况下,图像I的局部亮度方差,反映图像的局部对比度。

为了防止颜色过饱和现象的出现,设定最终透射率下限t_min=0.1。

2.3 大气光迭代修正方法

大气光的准确估计是图像去雾过程中的另一个关键环节。传统的全局最亮 0.1% 像素选取法容易受到噪声和白色物体的干扰,导致大气光估计不准确,进而影响去雾效果。为了解决此问题,提出了一种区域聚类筛选与透射率权重修正的双阶段优化策略。

(1)区域聚类筛选。

摒弃传统全局最亮0.1%像素选取法,转而采用K-means聚类算法对暗通道图进行处理,具体步骤如下:①将暗通道图分割为K=5类区域;②提取各类中亮度前5%的像素作为候选点集M,避免噪声干扰;③取候选点在原始图像中的对应像素进行RGB通道排序,得大气光的初始估计值A_init=max(M)。

这种基于聚类筛选的方法能够更准确地找到可能的大气光像素,提高大气光初始估计的准确性。

(2)透射率加权修正。在雾天图像中,透射率与大气光之间存在着密切的联系。为了进一步修正大气光的估计值,建立大气光与透射率的耦合校正方程为

(9)

${A}_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}=\mathrm{\mu }{A}_{\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{t}}+(1-\mathrm{\mu })\frac{\sum _{x\in \Phi }t\left(x\right)I\left(x\right)}{\sum _{x\in \Phi }t\left(x\right)}$

式(9)中:t(x)为像素点x处的透射率值;I(x)为像素点x的像素值;μ=0.7为经验权重;

$\Phi $

为透射率t>0.8的高置信无雾区域,数学上可证明该修正能降低白色物体误判概率。

(3)图像复原阶段。最后,使用优化后的透射率和修正后的大气光来计算无雾图像的估计值。此外,还引入色彩平衡项,有效削减图像的色偏现象。具体的图像复原公式为

(10)

$J\left(x\right)=\frac{I\left(x\right)-{A}_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}}{\mathrm{m}\mathrm{a}\mathrm{x}\left[{t}_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}\right(x),{t}_{\mathrm{m}\mathrm{i}\mathrm{n}}]}+\delta ({A}_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}-\stackrel{-}{I})$

式(10)中:J(x)为经过去雾处理后,在像素点x位置处最终恢复的图像像素值;t_min取值为0.1;

$\delta =0.2,$

为衡调节参数,用于调节全局色偏;

$\stackrel{-}{I}$

为原图像的像素均值。

3 实验与结果分析

3.1 数据集介绍

图3展示了一组从实际探测任务中精心收集的雾霾环境下的图像数据集。所使用的图像数据集主要来源于多个公开的航空图像数据库,涵盖了在大雾环境下多视角拍摄的飞机目标图像。数据集既包含机场跑道、停机坪等静态场景下的航空器目标图像,又系统收录了民航客机起飞、巡航等动态飞行过程中的实景影像。这种双重视角的数据构成为去雾算法在不同环境下的适应性提供了充足的验证数据。

该数据集包含约2 000张带有大雾环境的飞机目标图像,图像尺寸介于640×480到1 920×1 080。每张图像均标注了目标的位置和类别,主要以飞机目标为主,也包含一些其他交通工具作为对比。此数据集主要用于验证所提出的去雾算法在真实航空图像中的去雾效果,特别是其在复杂天气下恢复图像细节、改善目标识别精度方面的表现。通过与现有去雾算法进行对比,能够有效评估本文方法在目标清晰度恢复和颜色修正方面的优势。

3.2 图像恢复与增强对比分析

雾霾不仅会削弱图像的对比度,还会导致细节丢失,影响图像的边缘和纹理信息,进而大大降低图像的质量。这种情况下,观测系统通常难以精准锁定目标,目标的识别率和分类精度显著下降。因此,提升图像质量对于保证目标在恶劣天气条件下的可靠识别至关重要。

图4所展示的处理结果清晰表明,经过全局大气优化去雾算法处理后,图像的整体清晰度有了明显提升。原本由于雾霾散射效应而模糊不清的目标区域,通过算法的优化变得更加清晰。尤其是目标与背景之间的对比度明显增强,雾霾引发的低对比度问题得到了有效缓解,目标物体的轮廓变得更加锐利。这种效果不仅在视觉上使得图像看起来更加清晰,还直接改善了后续目标检测的性能和精度。

具体而言,暗通道精细化处理使得原本因雾霾散射效应而模糊不清的目标区域,能够更准确地呈现特征。透射率多层次联合优化方法使得原本被雾霾掩盖的纹理细节得以精准恢复,并且能够有效区分物体前景与远景背景,减少了图像中目标物体与背景的融合现象,增强了边缘检测的可靠性,这为目标识别提供了更清晰的边界信息。大气光迭代修正方法有效降低了白色物体误判概率,使得图像在复原过程中色彩更加真实。

针对含雾图像,在这次实验还对比评估了3种去雾算法的图像质量表现,分别是:暗通道、多尺度Retinex模型以及基于全局大气优化的去雾算法。实验对比的质量评价指标为峰值信噪比(peak signal-to-noise ratio,PSNR)、结构相似性指数(structural similarity,SSIM)和信息熵,具体结果如表1所示。

首先,暗通道先验算法的去雾效果相对较差,其PSNR为24.5 dB,SSIM为0.75,信息熵为6.6 bits/pixel。尽管暗通道方法在去除雾霾方面有一定效果,但由于其对细节恢复能力的不足,特别是在复杂光照条件下,导致了图像的细节丢失和颜色失真,进而影响了其图像质量的提升。

基于多尺度Retinex模型的去雾算法在PSNR、SSIM和信息熵方面均有一定提升:PSNR为25.3 dB,SSIM为0.78,信息熵为7.1 bits/pixel。Retinex模型能够较好地恢复图像的细节,尤其在去除雾霾的同时增强了图像的对比度。然而,该算法在动态场景下仍然存在噪声放大和细节丢失的现象,导致其在图像质量恢复上的表现略逊色于全局大气优化去雾算法。

相比之下,基于全局大气优化的去雾算法在所有指标中表现最佳,PSNR为29.5 dB,SSIM为0.93,信息熵为8.3 bits/pixel。该算法通过精细化处理暗通道图像、优化透射率估计以及大气光修正,有效地恢复了图像中的细节。试验结果符合理论分析,即暗通道精细化处理中,多尺度局部窗口结合梯度动态调整半径,非线性增强突出浓雾特征,形态学闭运算去噪,精准反映雾分布,恢复图像细节、减少噪声;透射率多层次联合优化中的边缘敏感导向滤波保留边缘信息,对比度约束校正增强局部对比度,让透射率估计更准确;大气光迭代修正采用聚类筛选与加权修正,得到准确大气光值,图像复原时引入色彩平衡项削减色偏,避免颜色失真,提升视觉效果与结构一致性。可见,该算法协同优化各环节,在复杂环境下展现出强大适应性与图像恢复能力。

3.3 目标识别评估

去雾算法的应用不仅增强了视觉清晰度,也为自动化检测算法提供了更稳定的输入,从而显著提升了其整体检测准确率和鲁棒性。分别将经过暗通道DCP去雾和全局大气优化去雾方法处理后的图像输入YOLO目标识别网络中,以评估这些图像处理方法对目标识别准确率的提升效果。采用YOLOv3、YOLOv4和YOLOv5网络模型,基于COCO数据集进行预训练。评估指标采用精确率(P_recision)、召回率(R_ecall)和平均精度均值(mAP)。实验具体评估结果如表2所示,分别展示了各个YOLO模型下的性能对比情况。

在所有YOLO模型架构下,全局大气优化去雾方法均展现出优于传统暗通道DCP的指标表现。以YOLOv3为例,经全局优化处理后的mAP达到55.12%,较暗通道处理提升12.97%,P_recision和R_ecall分别提升13.15%和13.20%。这种优势在YOLOv4/v5模型中同样保持稳定,其中YOLOv4的mAP提升幅度达11.81%,验证了本文方法在特征保持与噪声抑制方面的先进性。

3 项评估指标呈现高度一致的提升趋势,其中mAP作为综合指标的变化最为显著。在YOLOv4模型中,全局优化处理使mAP达到68.34%,较原始暗通道方法提升21.02%的相对增长率。同时,P_recision与R_ecall的同步提升(分别增长22.86%和23.91%)表明去雾算法不仅提高了检测结果的准确性,还增强了模型对遮挡、模糊等复杂场景的鲁棒性。值得注意的是,虽然YOLOv5在未优化图像上已取得63.66%的较高mAP,但经全局大气优化后仍能提升6.57%,这为构建高精度视觉检测系统提供了重要启示——先进的检测模型与优质的前端预处理相结合,能够产生显著的性能协同增益。

为了进一步探究不同去雾方法对深度识别模型处理效率的影响,对比了经多尺度 Retinex 模型和全局大气优化去雾方法处理后的图像,在3种经典深度识别模型,即YOLOv3、YOLOv4和YOLOv5m中的处理时间变化情况,具体结果如表3所示。

整体来看,可以看到,经过全局大气优化去雾方法处理后的图像,在各模型中的处理时间均少于多尺度Retinex模型处理后的图像。在YOLOv3中,多尺度Retinex处理时间为40 ms,全局大气优化处理时间降至36 ms,效率提升了10.0%;在YOLOv4里,多尺度Retinex需28 ms,而全局大气优化只需25 ms,效率提升达10.7%;YOLOv5m中,多尺度Retinex用时20 ms,全局大气优化则为18 ms,效率提升10.0%。

总体而言,全局大气优化去雾方法在提升深度识别模型处理效率上表现更优。这表明该方法不仅能有效去除图像中的雾气,提高图像清晰度,还能降低模型在特征提取和边界判断时的计算复杂度,进而减轻计算负担,使模型能够更快速地识别处理图像。此结果对于需要高效图像识别处理的实际应用场景,如实时监控、自动驾驶等,具有重要的参考价值。

4 结论

针对雾气干扰导致观测系统目标识别困难、精度降低等负面影响,提出了一种基于全局大气优化模型的图像去雾算法。首先,设计基于多尺度窗口的动态暗通道计算方法,并通过非线性增强系数提升暗通道对雾浓度的敏感性;其次,构建包含导向滤波与对比度约束的透射率优化模型,解决图像边缘失真问题;最后,提出基于区域聚类筛选和透射率权重的大气光修正算法,克服传统方法依赖固定区域取样的局限性。实验结果表明,与维纳滤波、多尺度Retinex模型等去模糊方法相比,本文方法在峰值信噪比(PSNR)、结构相似性(SSIM)及信息熵(Entropy)指标上分别最小提升了16.6%、19.2%与16.9%,并在基于YOLOv5目标检测模型的运用中,精确率和召回率分别提升了10.3%、12.7%以上,有效增强了复杂环境下观测系统的图像解析与目标辨识能力。

值得注意的是,全局大气优化去雾算法在雾霾环境下表现尤为突出,但其在应对其他问题如运动模糊或低光照条件下的效果相对有限。在这些场景下,需要结合其他预处理技术,如运动模糊校正算法或图像增强算法,才能进一步提高识别的准确性。因此,在未来的研究中,如何将多种图像处理技术结合使用,以应对不同类型的复杂环境,将是一个值得深入探索的方向。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	吴迪, 朱青松. 图像去雾的最新研究进展[J]. 自动化学报, 2015, 41(2): 221-239.

[2]	Wu Di, Zhu Qingsong. The latest research progress in image deha-zing[J]. Acta Automatica Sinica, 2015, 41(2): 221-239.

[3]	郑凤仙, 王夏黎, 何丹丹, 等. 单幅图像去雾算法研究综述[J]. 计算机工程与应用, 2022, 58(3): 1-14.

[4]	Zheng Fengxian, Wang Xiali, He Dandan, et al. A review of single image dehazing algorithms[J]. Journal of Computer Engineering & Applications, 2022, 58(3): 1-14.

[5]	Zhang H, Dai Y, Li H, et al. Deep stacked hierarchical multi-patch network for image deblurring[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2019: 5978-5986.

[6]	Wu H, Qu Y, Lin S, et al. Contrastive learning for compact single image dehazing[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2021: 10551-10560.

[7]	Liang W, Long J, Li K C, et al. A fast defogging image recognition algorithm based on bilateral hybrid filtering[J]. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 2021, 17(2): 1-16.

[8]	Wang J B, He N, Zhang L L, et al. Single image dehazing with a physical model and dark channel prior[J]. Neurocomputing, 2015, 149: 718-728.

[9]	姜侯, 吕宁, 姚凌. 改进 HOT 法的 Landsat 8 OLI 遥感影像雾霾及薄云去除[J]. 遥感学报, 2016, 20(4): 620-631.

[10]	Jiang Hou, Lü Ning, Yao Ling. Removal of haze and thin clouds from Landsat 8 OLI remote sensing images using an improved HOT method[J]. Journal of Remote Sensing, 2016, 20(4): 620-631.

[11]	Vivone G, D’amico G, Summa D, et al. Atmospheric boundary layer height estimationfrom aerosol lidar: a new approach based on morphological image processing techniques[J]. Atmospheric Chemistry and Physics, 2021, 21(6): 4249-4265.

[12]	张发军, 彭文刚, 虞成俊, 等. 对比度受限下直方图均衡化处理的木板纹路图像增强算法[J]. 科学技术与工程, 2020, 20(21): 8629-8636.

[13]	Zhang Fajun, Peng Wengang, Yu Chengjun, et al. Image enhancement algorithm of wood board textureImages with contrast limited histogram equalization processing[J]. Science Technology and Engineering, 2020, 20(21): 8629-8636.

[14]	赵鸿图, 周秋豪. 基于分数域加窗和对比度增强的路面裂缝检测[J]. 科学技术与工程, 2023, 23(1): 347-355.

[15]	Zhao Hongtu, Zhou Qiuhao. Pavement crack detection based on fractional domain windowing and contrast enhancement[J]. Science Technology and Engineering, 2023, 23(1): 347-355.

[16]	Janiesch C, Zschech P, Heinrich K. Machine learning and deep-learning[J]. Electronic Markets, 2021, 31(3): 685-695.

[17]	Guo Y, Liu Y, Oerlemans A, et al. Deep learning for visual understanding: a review[J]. Neurocomputing, 2016, 187: 27-48.

[18]	Pan J, Sun D, Pfister H, et al. Blind image deblurring using dark channel prior[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2016: 1628-1636.

[19]	Zotin A. Fast algorithm of image enhancement based on multi-sca-leretinex[J]. Procedia Computer Science, 2018, 131: 6-14.

[20]	Wang K, Gou C, Duan Y, et al. Generativeadversarial networks: introduction and outlook[J]. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4): 588-598.

[21]	李静, 陈桂芬, 丁小奇. 基于改进 Canny 算法的图像边缘检测方法研究[J]. 计算机仿真, 2021, 38(4): 371-375.

[22]	Li Jing, Chen Guifen, Ding Xiaoqi. Research on image edge detection method based on improved Canny algorithm[J]. Computer Simulation, 2021, 38(4): 371-375.

[23]	李云红, 张秋铭, 周小计, 等. 基于形态学及区域合并的分水岭图像分割算法[J]. 计算机工程与应用, 2020, 56(2): 190-195.

[24]	Li Yunhong, Zhang Qiuming, Zhou Xiaoji, et al. Watershed image segmentation algorithm based on morphology and regionmerging[J]. Computer Engineering and Applications, 2020, 56(2): 190-195.

[25]	Qiu X, Li M, Zhang L, et al. Guided filter-based multi-focus image fusion through focus regiondetection[J]. Signal Processing: Image Communication, 2019, 72: 35-46.

[26]	Ochotorena C N, Yamashita Y, Anisotropic guidedfiltering[J]. IEEE Transactions on Image Processing, 2019, 29: 1397-1412.

[27]	Zhang W, Zhuang P, Sun H H, et al. Underwater image enhancement via minimal color loss and locally adaptive contrast enhancement[J]. IEEE Transactions on Image Processing, 2022, 31: 3997-4010.

[28]	Vijayalakshmi D, Nath M K, Acharya O P. A comprehensive survey on image contrast enhancement techniques in spatialdomain[J]. Sensing and Imaging, 2020, 21(1). DOI: 10.1007/s11220-020-00305-3.