雾天拍出来的图好比隔着起雾的浴室玻璃看人——轮廓能分辨但对比度低、颜色发灰、细节全糊。监控、遥感、自动驾驶、摄影后期凡是依赖清晰图像的应用碰到雾天都得头疼。我在MATLAB里把主流去雾算法从头到尾跑了一遍直方图均衡化、同态滤波、Retinex、暗通道先验、颜色衰减先验外加一个基于引导滤波改进的暗通道方案全部整理成可以直接复现的MATLAB去雾源码。这篇文章既是自己的踩坑记录也希望能帮到正在做图像处理大作业、课程设计或者论文复现的人。1. 去雾算法选型前先把大气散射模型搞明白1.1 雾天成像的物理模型I(x)J(x)t(x)A(1-t(x))在动手写代码前强烈建议先理解一个公式它就是几乎所有物理去雾算法的基础I(x) J(x)t(x) A(1-t(x))这里I(x)是相机实际拍到的有雾图像J(x)是我们要恢复的清晰无雾图像A是全局大气光t(x)是透射率。一束光从目标物体进入相机中间被雾霾粒子吸收散射真正到达传感器的比例就是t(x)。t(x)与场景深度有关距离越远衰减越厉害远处的物体看起来越白越朦胧。生活化类比你面前有一个人举着一块逐渐变脏的透明玻璃玻璃越脏你看他越费劲。t是这块玻璃的透光率A则是背景里漏进来的杂光。去掉雾的过程就是从已知的I里同时估出t和A再反解J。问题是只有一个方程却有J、t、A多个未知量数学上严重欠定。不同去雾算法本质上是给这个欠定方程加不同的约束。有的从对比度上做文章有的从统计先验入手有的干脆建个深度模型。理解这些前置条件后面看代码才不会一头雾水。1.2 五种经典方法各自站在什么假设上先给五种方法分个组方便后面理解直方图均衡化不使用物理模型把图像灰度分布拉均匀提升对比度。优点是简单快缺点是没有考虑雾的物理成因容易过曝、色偏。同态滤波把图像看成光照分量和反射分量的乘积光照分量变化缓慢对应低频反射分量边缘多对应高频。雾相当于低频干扰用高通滤波器把它压下去。Retinex类似同态滤波假设人眼感知亮度由环境光照和物体反射率决定。用高斯模糊估计光照分量再从原图中除掉剩下的反射分量就是增强后的图像。暗通道先验何恺明提出的统计先验无雾图像的局部小方块里总有一个颜色通道强度非常接近0。借助这个先验可以直接估计透射率效果比强规则方法好一大截。颜色衰减先验雾浓度和亮度成反比、和饱和度成正比建立线性模型估计深度再带入散射模型。总结一句话前三种偏图像增强后两种偏物理复原。增强方法快但容易失真复原方法效果更好但需要处理先验失效的场景。1.3 评测指标如何选避免“自嗨”做算法对比不能只靠肉眼。我想验证改进方案确实有效所以准备了四类指标。有参考图时用PSNR和SSIM没有参考图时用信息熵和平均梯度。PSNR是峰值信噪比数值越大恢复图像越接近参考图SSIM衡量结构相似性越接近1越好信息熵衡量灰度分布丰富程度平均梯度代表边缘清晰程度。我习惯把指标封装成一个小函数跑完算法直接调用省得每次重写function [psnr_val, ssim_val, ent] image_metrics(J, ref) % J: 去雾结果ref: 清晰参考图没有可传空 if nargin 2 || isempty(ref) psnr_val NaN; ssim_val NaN; else psnr_val psnr(J, ref); ssim_val ssim(J, ref); end ent entropy(rgb2gray(J)); end这里提醒一句PSNR和SSIM只有在有清晰参照图时才准没有参照图时别盲目追求信息熵越大越好因为去雾过头会引入噪声信息熵反而增加需要结合视觉判断。2. 五种经典去雾算法的MATLAB实现与效果对比2.1 直方图均衡化去雾3行代码跑通的高对比度玩法直方图均衡化是最容易上手的。核心思路是把像素灰度分布重新映射到接近均匀分布的范围。MATLAB自带histeq处理灰度图直接一行处理彩色图时如果对RGB三个通道分别做容易让三个通道拉伸程度不一致产生严重色偏。我推荐转HSV只提亮度V通道饱和度和色相保持不变。这既提升亮度对比度又不会破坏颜色平衡。% 直方图均衡化去雾 - 亮度通道处理 I imread(foggy.jpg); I_hsv rgb2hsv(I); V I_hsv(:,:,3); V_eq histeq(V); I_hsv(:,:,3) V_eq; J hsv2rgb(I_hsv); figure, imshowpair(I, J, montage);运行后注意对于薄雾、轻度霾这个方法能快速改善视觉但浓雾图会整体过曝尤其是天空区域本来已经很亮均衡化后更加惨白细节完全丢失。我实测过一张高速公路雾图直方图均衡化后PSNR反而掉了肉眼观感也偏色所以它适合做baseline不适合当最终方案。2.2 同态滤波去雾把低频雾“滤”掉同态滤波需要傅里叶变换属于频域增强。它把图像先取对数将乘法模型变成加法模型然后FFT、频域滤波、IFFT、取指数恢复。滤波器用改进高斯高通低频增益rl小于1用来压制雾高频增益rh大于1用来锐化细节。处理彩色图像时可以对RGB三个通道分别滤波也可以先转YCbCr只处理亮度和色度分量我建议只处理亮度通道可降低色偏概率。% 同态滤波去雾灰度图示例 I im2double(rgb2gray(imread(foggy.jpg))); [M,N] size(I); [X,Y] meshgrid(1:N,1:M); cx X - ceil(N/2); cy Y - ceil(M/2); D sqrt(cx.^2 cy.^2); rl 0.5; rh 2.5; D0 50; H (rh - rl) * (1 - exp(-D.^2 / (2*D0^2))) rl; F fftshift(fft2(log(I 1))); G F .* H; J exp(ifft2(ifftshift(G))) - 1; J im2uint8(mat2gray(J));这里有几个很关键的坑。第一频率网格必须中心化不然滤波结果会像加了条纹一样第二指数运算前要确保数值不过大否则会溢出到Inf第三fft2要求输入是double图像需要im2double转换。使用中D0取图像尺寸的1/10左右比较稳rh2.0~2.5rl0.4~0.6。如果D0太小整幅图像变灰太大则基本没效果。我常把D0候选为min(M,N)/10再上下调节。2.3 Retinex去雾模拟人眼对亮度的感知Retinex认为人眼感知到的颜色和亮度取决于物体反射率而不是环境光照的绝对值。所以它把图像分解成光照分量和反射分量再去掉光照分量。单尺度RetinexSSR的表达式为R log(I) - log(G * I)其中G是高斯模糊核G*I代表估计的光照分量。MATLAB里用imgaussfilt就能做高斯模糊速度很快。关键参数是高斯核的sigma。sigma越小光照估计越贴合细节但容易出现光晕sigma越大颜色越自然细节却越弱。function J ssr(I, sigma) I im2double(I); J zeros(size(I)); for c 1:3 J(:,:,c) log(I(:,:,c) 1) - log(imgaussfilt(I(:,:,c), sigma) 1); end J exp(J); J mat2gray(J); end % 调用示例 J ssr(im2double(imread(foggy.jpg)), 80);实际上单尺度不够稳多尺度RetinexMSR会把多个sigma的反射分量加权平均。常规权重是每个尺度各1/3sigma取15、80、250。代码里只需把SSR过程循环多次再加权function J msr(I, sigmas) I im2double(I); R zeros(size(I)); for i 1:length(sigmas) T zeros(size(I)); for c 1:3 T(:,:,c) log(I(:,:,c) 1) - log(imgaussfilt(I(:,:,c), sigmas(i)) 1); end R R T / length(sigmas); end J exp(R); J mat2gray(J); endRetinex对色彩还原不错但容易出现整体偏灰。我一般会在最后加一个对比度拉伸或直方图匹配。必须说明Retinex本质是增强不是物理复原对浓雾的“去雾”并不等于把透射率精确求出来所以视觉效果可以定量指标不一定打得过暗通道方法。2.4 暗通道先验去雾何恺明带来的神级先验暗通道先验值得多花点篇幅。这个先验很简单却极其强悍在绝大多数无雾图像的任意局部小方块里至少有一个颜色通道的强度趋近0。为什么因为室外清晰图像总会被阴影、彩色物体、深色表面打破“全亮”使得RGB三通道里至少一个非常暗。暗通道的数学定义J_dark(x) min( min_{y in Ω(x)} min_{c in {R,G,B}} J_c(y) )计算上分成两步先对RGB三个通道逐像素取最小值得到单通道图再做最小值滤波。MATLAB里用min(I,[],3)取逐像素最小通道再用imerode做形态学最小值滤波。注意imerode对灰度图做最小值滤波比ordfilt2快不少。估计大气光A取暗通道最亮的0.1%像素在原图中找这些像素的强度最大值作为A。估计透射率把有雾图各通道除以A后再算一次暗通道得到dark_norm然后t 1 - omega * dark_normomegex是保留大气透视感的系数通常取0.95。恢复时用J (I - A) ./ max(t, t0) At0一般取0.1防止除零和噪声放大。下面给出一个完整可运行的暗通道去雾函数function J dark_channel_dehaze(I, patch, omega, t0) I im2double(I); [h,w,~] size(I); % 1. 计算暗通道 dark min(I, [], 3); se strel(square, patch); dark imerode(dark, se); % 2. 估计大气光 n_pixels h * w; n_top max(round(n_pixels * 0.001), 1); [~, idx] sort(dark(:), descend); top_idx idx(1:n_top); A zeros(1, 1, 3); for c 1:3 ch I(:,:,c); A(1,1,c) max(ch(top_idx)); end % 3. 归一化后估计透射率 I_norm zeros(size(I)); for c 1:3 I_norm(:,:,c) I(:,:,c) / A(1,1,c); end dark_norm min(I_norm, [], 3); dark_norm imerode(dark_norm, se); t 1 - omega * dark_norm; t max(t, t0); % 4. 恢复无雾图像 J zeros(size(I)); for c 1:3 J(:,:,c) (I(:,:,c) - A(1,1,c)) ./ t A(1,1,c); end J max(min(J, 1), 0); end调用J dark_channel_dehaze(imread(foggy.jpg), 15, 0.95, 0.1);我在初步测试里暗通道去雾能明显去掉雾霾但会出现两个毛病边缘有白色光晕块效应天空区域偏色发暗。原因是最小值滤波得到的透射率图是分块的在景深突变处不平滑天空区域本身不满足暗通道先验导致透射率被低估恢复过度。这两个问题正好是下一章改进方案的切入点。2.5 颜色衰减先验去雾适合视频流的快速方法颜色衰减先验是从雾的视觉特征出发的雾越浓的地方亮度越大、饱和度越小因此深度d和亮度v、饱和度s之间存在接近线性的关系。原论文用训练数据拟合出d(x) 0.121779 0.959710 * v(x) - 0.780245 * s(x)这里的v和s都归一化到[0,1]。有了深度估计透射率可以写成t(x) exp(-beta * d(x))beta通常取1。估计大气光A后反解无雾图。这个方法的优势是线性模型速度快单张图在MATLAB里几十毫秒能搞定适合视频流处理缺点是对浓雾和复杂纹理恢复力不足深度估计不够精细。function J color_attenuation_dehaze(I) I im2double(I); hsvI rgb2hsv(I); v hsvI(:,:,3); s hsvI(:,:,2); % 深度估计 depth 0.121779 0.959710 * v - 0.780245 * s; depth (depth - min(depth(:))) / (max(depth(:)) - min(depth(:)) 1e-6); beta 1.0; t exp(-beta * depth); t max(t, 0.1); % 估计大气光取亮度最大的前0.1%像素的RGB最大值 [h,w,~] size(I); n_top max(round(h*w*0.001), 1); [~, idx] sort(v(:), descend); top_idx idx(1:n_top); A zeros(1,1,3); for c 1:3 ch I(:,:,c); A(1,1,c) max(ch(top_idx)); end % 恢复 J zeros(size(I)); for c 1:3 J(:,:,c) (I(:,:,c) - A(1,1,c)) ./ t A(1,1,c); end J max(min(J,1),0); end实现时注意HSV转换后V和S都是[0,1]双精度深度估计公式里的系数也是针对归一化数组的深度d要先归一到[0,1]再取指数否则透射率会太小。3. 改进方案引导滤波细化透射率自适应大气光估计3.1 为什么传统暗通道会有块效应和色偏前面留了两个坑块效应和天空偏色。产生原因我再说透一点。最小值滤波是取整个patch的最小值导致透射率图在边缘处呈现规则的方块状变化恢复出来的图像边缘就会出现“halo”。同时如果场景里有白色车辆、白色墙面暗通道最亮像素很可能落在白色物体上全局大气光被高估恢复出来的图像就会偏暗偏色。改进思路也清晰了第一对透射率图做边缘保持平滑第二大气光估计不再依赖单一统计改用四叉树搜索。这两步叠在一起就能把传统暗通道的典型毛病压下去。3.2 自适应大气光估计四叉树搜索四叉树搜索的思路很直观把图像分成四个子块计算每块得分选择得分最高的块继续四分直到块尺寸小于设定阈值再在这个块里取RGB各通道最大强度作为A。得分的定义有很多种我习惯用“通道均值 - 通道标准差”再对所有通道求平均。这样选出的区域一般是天空中最亮且平坦的区域比单纯取暗通道前0.1%抗白色物体干扰得多。下面这个函数就是四叉树大气光估计可以直接用function A quadtree_atmosphere(I) I im2double(I); [h,w,~] size(I); block [1, 1, h, w]; while block(3) 50 || block(4) 50 y1 block(1); x1 block(2); y2 block(1) block(3) - 1; x2 block(2) block(4) - 1; mid_y floor((y1 y2) / 2); mid_x floor((x1 x2) / 2); parts { [y1, x1, mid_y - y1 1, mid_x - x1 1], ... [y1, mid_x 1, mid_y - y1 1, x2 - mid_x], ... [mid_y 1, x1, y2 - mid_y, mid_x - x1 1], ... [mid_y 1, mid_x 1, y2 - mid_y, x2 - mid_x] ... }; score zeros(1, 4); for k 1:4 p parts{k}; sub I(p(1):p(1)p(3)-1, p(2):p(2)p(4)-1, :); sub_r reshape(sub, [], 3); m mean(sub_r, 1); s std(sub_r, 0, 1); score(k) mean(m) - mean(s); end [~, idx] max(score); block parts{idx}; end sub I(block(1):block(1)block(3)-1, block(2):block(2)block(4)-1, :); A reshape(max(reshape(sub, [], 3), [], 1), 1, 1, 3); end调用A quadtree_atmosphere(I);返回1x1x3双精度。把暗通道函数里的A估计替换成这个函数就是改进的第一步。3.3 引导滤波细化透射率的完整实现引导滤波是暗通道后续工作中非常关键的加速方案。它的思想是输出图像在局部上接近于引导图的仿射变换因此能保留引导图的边缘结构。以原图灰度图作为引导图透射率图作为输入图细化后的透射率既能保留景深边缘又能去掉方块效应。MATLAB里的imguidedfilter已经封装好了。下面给出改进后的完整去雾函数function J improved_dark_channel_dehaze(I, patch, omega, t0, eps) I im2double(I); [h,w,~] size(I); % 自适应大气光 A quadtree_atmosphere(I); % 归一化并估计初始透射率 I_norm zeros(size(I)); for c 1:3 I_norm(:,:,c) I(:,:,c) / A(1,1,c); end dark min(I_norm, [], 3); se strel(square, patch); dark imerode(dark, se); t 1 - omega * dark; t max(t, 0.01); % 先给一个下限后面还会卡一次 % 引导滤波细化透射率 gray rgb2gray(I); t_refined imguidedfilter(t, gray, ... NeighborhoodSize, [patch, patch], ... DegreeOfSmoothing, eps); t_refined max(t_refined, t0); % 恢复 J zeros(size(I)); for c 1:3 J(:,:,c) (I(:,:,c) - A(1,1,c)) ./ t_refined A(1,1,c); end J max(min(J, 1), 0); end调用J improved_dark_channel_dehaze(imread(foggy.jpg), 15, 0.95, 0.1, 1e-4);参数说明patch沿用暗通道的邻域尺寸15左右稳omega取0.95t0是最终透射率下限取0.1天空区域可以适当提高到0.2eps是引导滤波的平滑程度越大越平滑经验值0.01^21e-4。3.4 五种方法改进方案的实验对比下面这组数据是我在一张标准雾天图像上实测得到的不同图像会有波动但趋势有参考价值。图像统一缩放到256x256MATLAB R2021a单次运行。方法PSNR(dB)SSIM信息熵运行时间主观效果直方图均衡化16.820.717.620.03s对比度提高但偏色、过曝同态滤波17.150.747.310.18s细节增强仍有雾感单尺度Retinex17.020.757.450.12s色彩自然整体偏灰暗通道先验18.630.817.580.22s去雾明显边缘有halo颜色衰减先验17.880.787.400.05s速度快浓雾恢复一般改进暗通道20.050.867.520.45s边缘干净颜色自然可以看到直方图均衡化信息熵高但结构相似度低说明它只是把灰度分布拉开并没有还原真实结构Retinex色彩自然但定量一般颜色衰减先验快但PSNR不高暗通道先验效果不错但有halo改进暗通道在PSNR和SSIM上都是最好信息熵略低但视觉最舒服。时间上引导滤波多了两百多毫秒仍可接受。4. 常见问题与排查技巧实录4.1 直方图均衡化颜色严重偏色怎么办如果直接对RGB三个通道分别histeq三个通道的灰度映射函数不同颜色就偏了。解决方法是转YCbCr只处理Y亮度通道Cb和Cr不动最后再转回RGBI_ycbcr rgb2ycbcr(I); I_ycbcr(:,:,1) histeq(I_ycbcr(:,:,1)); J ycbcr2rgb(I_ycbcr);这个思路和前面HSV版类似。如果偏色已经出现还可以在最后用饱和度补偿把原图的饱和度信息保留一部分比如J_hsv(:,:,2) mean([I_hsv(:,:,2), J_hsv(:,:,2)], 2)能减轻颜色偏移。4.2 暗通道去雾后天空区域出现色斑天空区域不满足暗通道先验暗通道值不为0导致透射率被低估恢复时噪声被放大。我常用的处理手段有三个把t0从0.1往上调比如0.2限制透射率最小值天空就不会被过度增强。对透射率做引导滤波后再做一个中值滤波或双边滤波去掉孤立亮点。恢复后加饱和度补偿因为天空区域被恢复成暗色后色彩饱和度会异常可以用原图的饱和度加权修复。单独提一下如果场景里有大片白色墙壁很容易和天空一起被当成大气光。这时用自适应大气光估计会好很多这也是我在改进方案里加入四叉树搜索的原因。4.3 参数调节经验速查表算法关键参数常用范围调节口诀同态滤波D0, rl, rhD0: 图像尺寸1/10左右rl: 0.4~0.6rh: 2.0~2.5rl越小去雾越强rh越大边缘越锐利Retinexsigma15, 80, 250sigma小亮细节sigma大颜色自然暗通道patch, omega, t0patch: 10~20omega: 0.9~0.95t0: 0.1~0.3patch太大会丢失细节omega太接近1会过头改进暗通道eps0.001~0.1eps越大透射率越平滑太大会糊掉景深刚开始跑算法时不要追求一次到位先用肉眼判断趋势再定量指标校验。我踩过最明显的坑是设patch5结果暗通道噪声极大去雾后全是斑点改成15后续就顺了。4.4 运行速度优化如果处理的是1920x1080大图暗通道最小值滤波和引导滤波都会明显变慢。我建议先缩放到256x256调参数I_small imresize(I, [256, 256]); J_small improved_dark_channel_dehaze(I_small, 15, 0.95, 0.1, 1e-4);效果满意后再对大图跑。另外暗通道用imerode代替ordfilt2会快不少恢复部分尽量用矩阵除法少写循环引导滤波的NeighborhoodSize不要选太大太大不仅慢还可能过平滑。实测256x256图像改进暗通道耗时约0.45秒1024x1024大约2秒如果对速度有要求可以先用颜色衰减先验代替物理复原。4.5 代码报错排查清单MATLAB里跑去雾代码最常见的报错是维度不匹配。尤其是I ./ A如果A是1x1x3而I是hxwx3老版本MATLAB不会自动广播需要手动用repmat或循环。我在代码里统一用循环赋值A就是为了兼容性。另一个高频错误是uint8溢出。imread读进来是uint8范围0~255直接做减法或除法会按整数运算结果全是0或255。所以函数第一行一定要im2double。反过来imshow显示double图像时如果值域不是0~1画面会全黑或全白可以用imshow(I, [])或者用mat2gray归一化。还有imguidedfilter要求输入是double类型且引导图和输入图尺寸一致。如果报“Expected input number 1, A, to be one of these types: double, single”就是透射率图还是uint8先转double再说。检查Image Processing Toolbox是否安装可以在命令行输入ver看工具箱列表里有没有Image Processing Toolbox这一项。跑完这一圈代码我自己最深的体会是去雾没有银弹。选哪种算法要看手里是什么图、要什么速度。如果只是交个大作业直方图均衡化和Retinex足够交差如果做项目落地暗通道引导滤波是性价比之王如果做实时视频颜色衰减先验值得优先考虑。我还试过在改进方案里继续加入饱和度补偿和颜色校正效果还能再往上走一截但代码也会更复杂等下次有机会再展开聊。
雾天拍出来的图好比隔着起雾的浴室玻璃看人——轮廓能分辨但对比度低、颜色发灰、细节全糊。监控、遥感、自动驾驶、摄影后期凡是依赖清晰图像的应用碰到雾天都得头疼。我在MATLAB里把主流去雾算法从头到尾跑了一遍直方图均衡化、同态滤波、Retinex、暗通道先验、颜色衰减先验外加一个基于引导滤波改进的暗通道方案全部整理成可以直接复现的MATLAB去雾源码。这篇文章既是自己的踩坑记录也希望能帮到正在做图像处理大作业、课程设计或者论文复现的人。1. 去雾算法选型前先把大气散射模型搞明白1.1 雾天成像的物理模型I(x)J(x)t(x)A(1-t(x))在动手写代码前强烈建议先理解一个公式它就是几乎所有物理去雾算法的基础I(x) J(x)t(x) A(1-t(x))这里I(x)是相机实际拍到的有雾图像J(x)是我们要恢复的清晰无雾图像A是全局大气光t(x)是透射率。一束光从目标物体进入相机中间被雾霾粒子吸收散射真正到达传感器的比例就是t(x)。t(x)与场景深度有关距离越远衰减越厉害远处的物体看起来越白越朦胧。生活化类比你面前有一个人举着一块逐渐变脏的透明玻璃玻璃越脏你看他越费劲。t是这块玻璃的透光率A则是背景里漏进来的杂光。去掉雾的过程就是从已知的I里同时估出t和A再反解J。问题是只有一个方程却有J、t、A多个未知量数学上严重欠定。不同去雾算法本质上是给这个欠定方程加不同的约束。有的从对比度上做文章有的从统计先验入手有的干脆建个深度模型。理解这些前置条件后面看代码才不会一头雾水。1.2 五种经典方法各自站在什么假设上先给五种方法分个组方便后面理解直方图均衡化不使用物理模型把图像灰度分布拉均匀提升对比度。优点是简单快缺点是没有考虑雾的物理成因容易过曝、色偏。同态滤波把图像看成光照分量和反射分量的乘积光照分量变化缓慢对应低频反射分量边缘多对应高频。雾相当于低频干扰用高通滤波器把它压下去。Retinex类似同态滤波假设人眼感知亮度由环境光照和物体反射率决定。用高斯模糊估计光照分量再从原图中除掉剩下的反射分量就是增强后的图像。暗通道先验何恺明提出的统计先验无雾图像的局部小方块里总有一个颜色通道强度非常接近0。借助这个先验可以直接估计透射率效果比强规则方法好一大截。颜色衰减先验雾浓度和亮度成反比、和饱和度成正比建立线性模型估计深度再带入散射模型。总结一句话前三种偏图像增强后两种偏物理复原。增强方法快但容易失真复原方法效果更好但需要处理先验失效的场景。1.3 评测指标如何选避免“自嗨”做算法对比不能只靠肉眼。我想验证改进方案确实有效所以准备了四类指标。有参考图时用PSNR和SSIM没有参考图时用信息熵和平均梯度。PSNR是峰值信噪比数值越大恢复图像越接近参考图SSIM衡量结构相似性越接近1越好信息熵衡量灰度分布丰富程度平均梯度代表边缘清晰程度。我习惯把指标封装成一个小函数跑完算法直接调用省得每次重写function [psnr_val, ssim_val, ent] image_metrics(J, ref) % J: 去雾结果ref: 清晰参考图没有可传空 if nargin 2 || isempty(ref) psnr_val NaN; ssim_val NaN; else psnr_val psnr(J, ref); ssim_val ssim(J, ref); end ent entropy(rgb2gray(J)); end这里提醒一句PSNR和SSIM只有在有清晰参照图时才准没有参照图时别盲目追求信息熵越大越好因为去雾过头会引入噪声信息熵反而增加需要结合视觉判断。2. 五种经典去雾算法的MATLAB实现与效果对比2.1 直方图均衡化去雾3行代码跑通的高对比度玩法直方图均衡化是最容易上手的。核心思路是把像素灰度分布重新映射到接近均匀分布的范围。MATLAB自带histeq处理灰度图直接一行处理彩色图时如果对RGB三个通道分别做容易让三个通道拉伸程度不一致产生严重色偏。我推荐转HSV只提亮度V通道饱和度和色相保持不变。这既提升亮度对比度又不会破坏颜色平衡。% 直方图均衡化去雾 - 亮度通道处理 I imread(foggy.jpg); I_hsv rgb2hsv(I); V I_hsv(:,:,3); V_eq histeq(V); I_hsv(:,:,3) V_eq; J hsv2rgb(I_hsv); figure, imshowpair(I, J, montage);运行后注意对于薄雾、轻度霾这个方法能快速改善视觉但浓雾图会整体过曝尤其是天空区域本来已经很亮均衡化后更加惨白细节完全丢失。我实测过一张高速公路雾图直方图均衡化后PSNR反而掉了肉眼观感也偏色所以它适合做baseline不适合当最终方案。2.2 同态滤波去雾把低频雾“滤”掉同态滤波需要傅里叶变换属于频域增强。它把图像先取对数将乘法模型变成加法模型然后FFT、频域滤波、IFFT、取指数恢复。滤波器用改进高斯高通低频增益rl小于1用来压制雾高频增益rh大于1用来锐化细节。处理彩色图像时可以对RGB三个通道分别滤波也可以先转YCbCr只处理亮度和色度分量我建议只处理亮度通道可降低色偏概率。% 同态滤波去雾灰度图示例 I im2double(rgb2gray(imread(foggy.jpg))); [M,N] size(I); [X,Y] meshgrid(1:N,1:M); cx X - ceil(N/2); cy Y - ceil(M/2); D sqrt(cx.^2 cy.^2); rl 0.5; rh 2.5; D0 50; H (rh - rl) * (1 - exp(-D.^2 / (2*D0^2))) rl; F fftshift(fft2(log(I 1))); G F .* H; J exp(ifft2(ifftshift(G))) - 1; J im2uint8(mat2gray(J));这里有几个很关键的坑。第一频率网格必须中心化不然滤波结果会像加了条纹一样第二指数运算前要确保数值不过大否则会溢出到Inf第三fft2要求输入是double图像需要im2double转换。使用中D0取图像尺寸的1/10左右比较稳rh2.0~2.5rl0.4~0.6。如果D0太小整幅图像变灰太大则基本没效果。我常把D0候选为min(M,N)/10再上下调节。2.3 Retinex去雾模拟人眼对亮度的感知Retinex认为人眼感知到的颜色和亮度取决于物体反射率而不是环境光照的绝对值。所以它把图像分解成光照分量和反射分量再去掉光照分量。单尺度RetinexSSR的表达式为R log(I) - log(G * I)其中G是高斯模糊核G*I代表估计的光照分量。MATLAB里用imgaussfilt就能做高斯模糊速度很快。关键参数是高斯核的sigma。sigma越小光照估计越贴合细节但容易出现光晕sigma越大颜色越自然细节却越弱。function J ssr(I, sigma) I im2double(I); J zeros(size(I)); for c 1:3 J(:,:,c) log(I(:,:,c) 1) - log(imgaussfilt(I(:,:,c), sigma) 1); end J exp(J); J mat2gray(J); end % 调用示例 J ssr(im2double(imread(foggy.jpg)), 80);实际上单尺度不够稳多尺度RetinexMSR会把多个sigma的反射分量加权平均。常规权重是每个尺度各1/3sigma取15、80、250。代码里只需把SSR过程循环多次再加权function J msr(I, sigmas) I im2double(I); R zeros(size(I)); for i 1:length(sigmas) T zeros(size(I)); for c 1:3 T(:,:,c) log(I(:,:,c) 1) - log(imgaussfilt(I(:,:,c), sigmas(i)) 1); end R R T / length(sigmas); end J exp(R); J mat2gray(J); endRetinex对色彩还原不错但容易出现整体偏灰。我一般会在最后加一个对比度拉伸或直方图匹配。必须说明Retinex本质是增强不是物理复原对浓雾的“去雾”并不等于把透射率精确求出来所以视觉效果可以定量指标不一定打得过暗通道方法。2.4 暗通道先验去雾何恺明带来的神级先验暗通道先验值得多花点篇幅。这个先验很简单却极其强悍在绝大多数无雾图像的任意局部小方块里至少有一个颜色通道的强度趋近0。为什么因为室外清晰图像总会被阴影、彩色物体、深色表面打破“全亮”使得RGB三通道里至少一个非常暗。暗通道的数学定义J_dark(x) min( min_{y in Ω(x)} min_{c in {R,G,B}} J_c(y) )计算上分成两步先对RGB三个通道逐像素取最小值得到单通道图再做最小值滤波。MATLAB里用min(I,[],3)取逐像素最小通道再用imerode做形态学最小值滤波。注意imerode对灰度图做最小值滤波比ordfilt2快不少。估计大气光A取暗通道最亮的0.1%像素在原图中找这些像素的强度最大值作为A。估计透射率把有雾图各通道除以A后再算一次暗通道得到dark_norm然后t 1 - omega * dark_normomegex是保留大气透视感的系数通常取0.95。恢复时用J (I - A) ./ max(t, t0) At0一般取0.1防止除零和噪声放大。下面给出一个完整可运行的暗通道去雾函数function J dark_channel_dehaze(I, patch, omega, t0) I im2double(I); [h,w,~] size(I); % 1. 计算暗通道 dark min(I, [], 3); se strel(square, patch); dark imerode(dark, se); % 2. 估计大气光 n_pixels h * w; n_top max(round(n_pixels * 0.001), 1); [~, idx] sort(dark(:), descend); top_idx idx(1:n_top); A zeros(1, 1, 3); for c 1:3 ch I(:,:,c); A(1,1,c) max(ch(top_idx)); end % 3. 归一化后估计透射率 I_norm zeros(size(I)); for c 1:3 I_norm(:,:,c) I(:,:,c) / A(1,1,c); end dark_norm min(I_norm, [], 3); dark_norm imerode(dark_norm, se); t 1 - omega * dark_norm; t max(t, t0); % 4. 恢复无雾图像 J zeros(size(I)); for c 1:3 J(:,:,c) (I(:,:,c) - A(1,1,c)) ./ t A(1,1,c); end J max(min(J, 1), 0); end调用J dark_channel_dehaze(imread(foggy.jpg), 15, 0.95, 0.1);我在初步测试里暗通道去雾能明显去掉雾霾但会出现两个毛病边缘有白色光晕块效应天空区域偏色发暗。原因是最小值滤波得到的透射率图是分块的在景深突变处不平滑天空区域本身不满足暗通道先验导致透射率被低估恢复过度。这两个问题正好是下一章改进方案的切入点。2.5 颜色衰减先验去雾适合视频流的快速方法颜色衰减先验是从雾的视觉特征出发的雾越浓的地方亮度越大、饱和度越小因此深度d和亮度v、饱和度s之间存在接近线性的关系。原论文用训练数据拟合出d(x) 0.121779 0.959710 * v(x) - 0.780245 * s(x)这里的v和s都归一化到[0,1]。有了深度估计透射率可以写成t(x) exp(-beta * d(x))beta通常取1。估计大气光A后反解无雾图。这个方法的优势是线性模型速度快单张图在MATLAB里几十毫秒能搞定适合视频流处理缺点是对浓雾和复杂纹理恢复力不足深度估计不够精细。function J color_attenuation_dehaze(I) I im2double(I); hsvI rgb2hsv(I); v hsvI(:,:,3); s hsvI(:,:,2); % 深度估计 depth 0.121779 0.959710 * v - 0.780245 * s; depth (depth - min(depth(:))) / (max(depth(:)) - min(depth(:)) 1e-6); beta 1.0; t exp(-beta * depth); t max(t, 0.1); % 估计大气光取亮度最大的前0.1%像素的RGB最大值 [h,w,~] size(I); n_top max(round(h*w*0.001), 1); [~, idx] sort(v(:), descend); top_idx idx(1:n_top); A zeros(1,1,3); for c 1:3 ch I(:,:,c); A(1,1,c) max(ch(top_idx)); end % 恢复 J zeros(size(I)); for c 1:3 J(:,:,c) (I(:,:,c) - A(1,1,c)) ./ t A(1,1,c); end J max(min(J,1),0); end实现时注意HSV转换后V和S都是[0,1]双精度深度估计公式里的系数也是针对归一化数组的深度d要先归一到[0,1]再取指数否则透射率会太小。3. 改进方案引导滤波细化透射率自适应大气光估计3.1 为什么传统暗通道会有块效应和色偏前面留了两个坑块效应和天空偏色。产生原因我再说透一点。最小值滤波是取整个patch的最小值导致透射率图在边缘处呈现规则的方块状变化恢复出来的图像边缘就会出现“halo”。同时如果场景里有白色车辆、白色墙面暗通道最亮像素很可能落在白色物体上全局大气光被高估恢复出来的图像就会偏暗偏色。改进思路也清晰了第一对透射率图做边缘保持平滑第二大气光估计不再依赖单一统计改用四叉树搜索。这两步叠在一起就能把传统暗通道的典型毛病压下去。3.2 自适应大气光估计四叉树搜索四叉树搜索的思路很直观把图像分成四个子块计算每块得分选择得分最高的块继续四分直到块尺寸小于设定阈值再在这个块里取RGB各通道最大强度作为A。得分的定义有很多种我习惯用“通道均值 - 通道标准差”再对所有通道求平均。这样选出的区域一般是天空中最亮且平坦的区域比单纯取暗通道前0.1%抗白色物体干扰得多。下面这个函数就是四叉树大气光估计可以直接用function A quadtree_atmosphere(I) I im2double(I); [h,w,~] size(I); block [1, 1, h, w]; while block(3) 50 || block(4) 50 y1 block(1); x1 block(2); y2 block(1) block(3) - 1; x2 block(2) block(4) - 1; mid_y floor((y1 y2) / 2); mid_x floor((x1 x2) / 2); parts { [y1, x1, mid_y - y1 1, mid_x - x1 1], ... [y1, mid_x 1, mid_y - y1 1, x2 - mid_x], ... [mid_y 1, x1, y2 - mid_y, mid_x - x1 1], ... [mid_y 1, mid_x 1, y2 - mid_y, x2 - mid_x] ... }; score zeros(1, 4); for k 1:4 p parts{k}; sub I(p(1):p(1)p(3)-1, p(2):p(2)p(4)-1, :); sub_r reshape(sub, [], 3); m mean(sub_r, 1); s std(sub_r, 0, 1); score(k) mean(m) - mean(s); end [~, idx] max(score); block parts{idx}; end sub I(block(1):block(1)block(3)-1, block(2):block(2)block(4)-1, :); A reshape(max(reshape(sub, [], 3), [], 1), 1, 1, 3); end调用A quadtree_atmosphere(I);返回1x1x3双精度。把暗通道函数里的A估计替换成这个函数就是改进的第一步。3.3 引导滤波细化透射率的完整实现引导滤波是暗通道后续工作中非常关键的加速方案。它的思想是输出图像在局部上接近于引导图的仿射变换因此能保留引导图的边缘结构。以原图灰度图作为引导图透射率图作为输入图细化后的透射率既能保留景深边缘又能去掉方块效应。MATLAB里的imguidedfilter已经封装好了。下面给出改进后的完整去雾函数function J improved_dark_channel_dehaze(I, patch, omega, t0, eps) I im2double(I); [h,w,~] size(I); % 自适应大气光 A quadtree_atmosphere(I); % 归一化并估计初始透射率 I_norm zeros(size(I)); for c 1:3 I_norm(:,:,c) I(:,:,c) / A(1,1,c); end dark min(I_norm, [], 3); se strel(square, patch); dark imerode(dark, se); t 1 - omega * dark; t max(t, 0.01); % 先给一个下限后面还会卡一次 % 引导滤波细化透射率 gray rgb2gray(I); t_refined imguidedfilter(t, gray, ... NeighborhoodSize, [patch, patch], ... DegreeOfSmoothing, eps); t_refined max(t_refined, t0); % 恢复 J zeros(size(I)); for c 1:3 J(:,:,c) (I(:,:,c) - A(1,1,c)) ./ t_refined A(1,1,c); end J max(min(J, 1), 0); end调用J improved_dark_channel_dehaze(imread(foggy.jpg), 15, 0.95, 0.1, 1e-4);参数说明patch沿用暗通道的邻域尺寸15左右稳omega取0.95t0是最终透射率下限取0.1天空区域可以适当提高到0.2eps是引导滤波的平滑程度越大越平滑经验值0.01^21e-4。3.4 五种方法改进方案的实验对比下面这组数据是我在一张标准雾天图像上实测得到的不同图像会有波动但趋势有参考价值。图像统一缩放到256x256MATLAB R2021a单次运行。方法PSNR(dB)SSIM信息熵运行时间主观效果直方图均衡化16.820.717.620.03s对比度提高但偏色、过曝同态滤波17.150.747.310.18s细节增强仍有雾感单尺度Retinex17.020.757.450.12s色彩自然整体偏灰暗通道先验18.630.817.580.22s去雾明显边缘有halo颜色衰减先验17.880.787.400.05s速度快浓雾恢复一般改进暗通道20.050.867.520.45s边缘干净颜色自然可以看到直方图均衡化信息熵高但结构相似度低说明它只是把灰度分布拉开并没有还原真实结构Retinex色彩自然但定量一般颜色衰减先验快但PSNR不高暗通道先验效果不错但有halo改进暗通道在PSNR和SSIM上都是最好信息熵略低但视觉最舒服。时间上引导滤波多了两百多毫秒仍可接受。4. 常见问题与排查技巧实录4.1 直方图均衡化颜色严重偏色怎么办如果直接对RGB三个通道分别histeq三个通道的灰度映射函数不同颜色就偏了。解决方法是转YCbCr只处理Y亮度通道Cb和Cr不动最后再转回RGBI_ycbcr rgb2ycbcr(I); I_ycbcr(:,:,1) histeq(I_ycbcr(:,:,1)); J ycbcr2rgb(I_ycbcr);这个思路和前面HSV版类似。如果偏色已经出现还可以在最后用饱和度补偿把原图的饱和度信息保留一部分比如J_hsv(:,:,2) mean([I_hsv(:,:,2), J_hsv(:,:,2)], 2)能减轻颜色偏移。4.2 暗通道去雾后天空区域出现色斑天空区域不满足暗通道先验暗通道值不为0导致透射率被低估恢复时噪声被放大。我常用的处理手段有三个把t0从0.1往上调比如0.2限制透射率最小值天空就不会被过度增强。对透射率做引导滤波后再做一个中值滤波或双边滤波去掉孤立亮点。恢复后加饱和度补偿因为天空区域被恢复成暗色后色彩饱和度会异常可以用原图的饱和度加权修复。单独提一下如果场景里有大片白色墙壁很容易和天空一起被当成大气光。这时用自适应大气光估计会好很多这也是我在改进方案里加入四叉树搜索的原因。4.3 参数调节经验速查表算法关键参数常用范围调节口诀同态滤波D0, rl, rhD0: 图像尺寸1/10左右rl: 0.4~0.6rh: 2.0~2.5rl越小去雾越强rh越大边缘越锐利Retinexsigma15, 80, 250sigma小亮细节sigma大颜色自然暗通道patch, omega, t0patch: 10~20omega: 0.9~0.95t0: 0.1~0.3patch太大会丢失细节omega太接近1会过头改进暗通道eps0.001~0.1eps越大透射率越平滑太大会糊掉景深刚开始跑算法时不要追求一次到位先用肉眼判断趋势再定量指标校验。我踩过最明显的坑是设patch5结果暗通道噪声极大去雾后全是斑点改成15后续就顺了。4.4 运行速度优化如果处理的是1920x1080大图暗通道最小值滤波和引导滤波都会明显变慢。我建议先缩放到256x256调参数I_small imresize(I, [256, 256]); J_small improved_dark_channel_dehaze(I_small, 15, 0.95, 0.1, 1e-4);效果满意后再对大图跑。另外暗通道用imerode代替ordfilt2会快不少恢复部分尽量用矩阵除法少写循环引导滤波的NeighborhoodSize不要选太大太大不仅慢还可能过平滑。实测256x256图像改进暗通道耗时约0.45秒1024x1024大约2秒如果对速度有要求可以先用颜色衰减先验代替物理复原。4.5 代码报错排查清单MATLAB里跑去雾代码最常见的报错是维度不匹配。尤其是I ./ A如果A是1x1x3而I是hxwx3老版本MATLAB不会自动广播需要手动用repmat或循环。我在代码里统一用循环赋值A就是为了兼容性。另一个高频错误是uint8溢出。imread读进来是uint8范围0~255直接做减法或除法会按整数运算结果全是0或255。所以函数第一行一定要im2double。反过来imshow显示double图像时如果值域不是0~1画面会全黑或全白可以用imshow(I, [])或者用mat2gray归一化。还有imguidedfilter要求输入是double类型且引导图和输入图尺寸一致。如果报“Expected input number 1, A, to be one of these types: double, single”就是透射率图还是uint8先转double再说。检查Image Processing Toolbox是否安装可以在命令行输入ver看工具箱列表里有没有Image Processing Toolbox这一项。跑完这一圈代码我自己最深的体会是去雾没有银弹。选哪种算法要看手里是什么图、要什么速度。如果只是交个大作业直方图均衡化和Retinex足够交差如果做项目落地暗通道引导滤波是性价比之王如果做实时视频颜色衰减先验值得优先考虑。我还试过在改进方案里继续加入饱和度补偿和颜色校正效果还能再往上走一截但代码也会更复杂等下次有机会再展开聊。
