【图像处理基石】图像去雾算法入门（2025年版）

在计算机视觉领域，雾天等恶劣天气会导致图像对比度下降、细节模糊，严重影响后续的目标检测、图像分割等任务。图像去雾算法作为解决这一问题的核心技术，已广泛应用于自动驾驶、监控安防、遥感航拍等场景。本文将从基础原理出发，系统梳理传统去雾算法与深度学习去雾算法的核心思想、实现流程，并附上Python实操代码，帮助大家快速掌握图像去雾技术。

一、图像去雾的核心原理：大气散射模型

雾天图像的退化本质是大气散射导致的光线衰减，所有去雾算法的核心都是基于这一物理模型反向求解。

1. 大气散射模型公式

雾天退化图像的数学表达为：
I(x,y)=J(x,y)⋅t(x,y)+A⋅(1−t(x,y))I(x,y) = J(x,y) \cdot t(x,y) + A \cdot (1 - t(x,y))I(x,y)=J(x,y)⋅t(x,y)+A⋅(1−t(x,y))

• I(x,y)I(x,y)I(x,y)：输入的雾天图像（观测值）
• J(x,y)J(x,y)J(x,y)：无雾原始图像（待求解目标）
• t(x,y)t(x,y)t(x,y)：透射率，反映光线到达相机的衰减程度（t∈[0,1]t \in [0,1]t∈[0,1]，t=1t=1t=1 表示无衰减）
• AAA：大气光，雾天环境中的全局光照强度（通常为常数）

2. 去雾的核心目标

通过已知的 I(x,y)I(x,y)I(x,y)，估算出 t(x,y)t(x,y)t(x,y) 和 AAA，再代入公式推导得到无雾图像 J(x,y)J(x,y)J(x,y)：
J(x,y)=I(x,y)−Amax(t(x,y),t0)+AJ(x,y) = \frac{I(x,y) - A}{max(t(x,y), t_0)} + AJ(x,y)=max(t(x,y),t0)I(x,y)−A+A

其中 t0t_0t0 是最小透射率阈值（通常取 0.1），避免分母过小导致图像失真。

---

二、经典传统去雾算法：原理与实现

传统去雾算法的核心是通过先验知识 估算透射率 t(x,y)t(x,y)t(x,y) 和大气光 AAA，无需大量数据训练，实时性强。

1. 暗通道先验算法（DCP）：最经典的传统方法

1.1 核心先验假设

自然无雾图像中，除了天空等亮区域，绝大多数局部区域（如 15×15 窗口）至少有一个通道（R/G/B）的像素值接近 0，这一区域称为"暗通道"。

1.2 算法步骤

1. 计算暗通道 ：对雾天图像的每个像素，在局部窗口内取 R/G/B 三通道最小值，再对整个窗口取最小值，得到暗通道图像 dark(x,y)dark(x,y)dark(x,y)。
2. 估算大气光 A ：在暗通道图像中选取亮度最高的前 0.1% 像素，对应到原始雾天图像中取这些像素的最大值作为 AAA。
3. 估算初始透射率 ：基于暗通道假设推导初始透射率 tinit(x,y)=1−ω⋅minc(Ic(x,y)Ac)t_{init}(x,y) = 1 - \omega \cdot min_c(\frac{I_c(x,y)}{A_c})tinit(x,y)=1−ω⋅minc(AcIc(x,y))（ω\omegaω 为雾保留系数，通常取 0.95）。
4. 透射率优化：用软matting或导向滤波对初始透射率进行平滑处理，避免去雾后图像出现块效应。
5. 恢复无雾图像 ：代入公式计算 J(x,y)J(x,y)J(x,y)。

1.3 Python 实现（OpenCV）

import cv2
import numpy as np

def dark_channel(img, window_size=15):
    """计算暗通道图像"""
    min_rgb = cv2.erode(cv2.min(img, axis=2), np.ones((window_size, window_size), np.uint8))
    return min_rgb

def estimate_atmospheric_light(img, dark_img):
    """估算大气光 A"""
    h, w = img.shape[:2]
    # 选取暗通道中前0.1%的亮像素
    num_pixels = int(h * w * 0.001)
    flat_img = img.reshape(-1, 3)
    flat_dark = dark_img.flatten()
    # 按暗通道亮度降序排序
    indices = np.argsort(-flat_dark)[:num_pixels]
    # 取这些像素在原始图像中的最大值作为A
    A = np.max(flat_img[indices], axis=0)
    return A.astype(np.float64)

def estimate_transmission(img, A, omega=0.95, window_size=15):
    """估算初始透射率"""
    normalized_img = img.astype(np.float64) / A
    min_norm = cv2.erode(cv2.min(normalized_img, axis=2), np.ones((window_size, window_size), np.float64))
    transmission = 1 - omega * min_norm
    return transmission

def guided_filter(img, guide, radius=60, eps=1e-3):
    """导向滤波优化透射率"""
    return cv2.ximgproc.guidedFilter(guide=guide, src=img, radius=radius, eps=eps)

def dehaze(img, window_size=15, omega=0.95, t0=0.1):
    """暗通道先验去雾主函数"""
    # 1. 计算暗通道
    dark_img = dark_channel(img, window_size)
    # 2. 估算大气光A
    A = estimate_atmospheric_light(img, dark_img)
    # 3. 估算初始透射率
    t_init = estimate_transmission(img, A, omega, window_size)
    # 4. 导向滤波优化透射率
    t_refined = guided_filter(t_init, img[:, :, 0], radius=60, eps=1e-3)
    # 5. 限制最小透射率，避免失真
    t_refined = np.maximum(t_refined, t0)
    # 6. 恢复无雾图像
    img_float = img.astype(np.float64)
    J = (img_float - A) / t_refined[..., np.newaxis] + A
    # 像素值裁剪到[0,255]
    J = np.clip(J, 0, 255).astype(np.uint8)
    return J

# 测试代码
if __name__ == "__main__":
    # 读取雾天图像
    foggy_img = cv2.imread("foggy_image.jpg")
    # 去雾处理
    dehazed_img = dehaze(foggy_img)
    # 保存结果
    cv2.imwrite("dehazed_image.jpg", dehazed_img)
    # 显示对比
    cv2.imshow("Foggy Image", foggy_img)
    cv2.imshow("Dehazed Image", dehazed_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2. 其他传统去雾算法对比

算法名称	核心思想	优点	缺点
直方图均衡化（HE）	拉伸图像灰度范围，提升对比度	实现简单、实时性强	易过度增强噪声，色彩失真
Retinex 算法	分离图像的照度和反射分量，修正照度	色彩还原好	对厚雾效果差，易出现光晕
基于偏振的去雾	利用偏振光分离散射光和目标光	物理模型精确	需专用偏振相机，场景受限

---

三、深度学习去雾算法：端到端的解决方案

传统算法依赖人工设计的先验，在厚雾、不均匀雾场景下效果有限。深度学习通过数据驱动自动学习去雾规律，实现端到端去雾，性能更优。

1. 深度学习去雾的核心思路

• 把去雾视为图像复原任务 ：输入雾天图像 III，输出无雾图像 JJJ，模型直接学习 I→JI \rightarrow JI→J 的映射关系。
• 无需手动估算透射率和大气光，由网络自动学习退化模型的逆过程。

2. 经典深度学习去雾模型

2.1 DehazeNet（2016）：首个CNN去雾模型

• 核心结构：5层卷积网络，通过"特征提取→多尺度融合→透射率估计→图像恢复"四步实现去雾。
• 创新点：首次用CNN替代人工先验估算透射率，验证了深度学习在去雾任务中的有效性。

2.2 AOD-Net（2017）：轻量级端到端模型

• 核心结构：简化网络设计，仅用3层卷积，直接输出无雾图像。
• 创新点：提出"所有雾都可被表示为 A−A⋅tA - A \cdot tA−A⋅t"，简化模型参数，实时性大幅提升（FPS达30+）。

2.3 基于Transformer的去雾模型（2020后）

• 核心优势：CNN擅长提取局部特征，而Transformer的自注意力机制能捕捉全局雾浓度分布，解决不均匀雾去雾难题。
• 代表模型：DehazeFormer、Restormer（通用图像复原模型，去雾效果顶尖）。

3. 深度学习去雾的关键要素

• 数据集：常用公开数据集有 RESIDE（最大去雾数据集，含合成雾和真实雾图像）、HazeRD。
• 损失函数：采用 L1 损失（减少模糊）+ 感知损失（提升视觉质量）+ 对抗损失（GAN-based模型，增强细节）。
• 训练技巧：使用数据增强（随机裁剪、翻转、雾浓度变化）提升模型泛化能力。

---

四、算法性能评估与对比

1. 客观评价指标

• 峰值信噪比（PSNR）：衡量去雾后图像与真实无雾图像的像素误差，值越高越好（通常≥25dB为优秀）。
• 结构相似性（SSIM）：衡量图像的结构一致性，值越接近1越好。
• 运行速度（FPS）：实时场景（如自动驾驶）需≥30FPS。

2. 不同算法性能对比

算法类型	PSNR（dB）	SSIM	FPS（CPU）	适用场景
暗通道先验（DCP）	22-28	0.75-0.85	5-10	非实时、轻雾场景
AOD-Net	28-32	0.85-0.92	30+	实时场景、移动端部署
DehazeFormer	32-38	0.92-0.96	10-20	高精度场景、厚雾去雾

---

五、总结与未来展望

1. 核心总结

• 传统去雾算法（如DCP）依赖物理先验，实现简单、实时性强，但对复杂雾场景适应性差。
• 深度学习去雾通过端到端学习，能处理厚雾、不均匀雾，视觉效果更优，但需大量数据训练，部分模型计算量较大。
• 实际应用中需根据场景选择：实时场景用AOD-Net，高精度场景用DehazeFormer，资源受限场景用DCP。

2. 未来趋势

• 实时高精度去雾：结合轻量化网络（如MobileNet、ShuffleNet）与Transformer，平衡速度和性能。
• 跨场景适配：解决真实雾与合成雾的域差异，提升模型在真实场景的泛化能力。
• 多任务融合：将去雾与目标检测、语义分割等任务联合训练，满足端到端视觉系统需求。