一种多尺度融合改进暗通道先验图像去雾算法.pdf

292024年2 月Feb.2024信息化研究InformatizationResearchVol.50 No.第5 0 卷第1期-种多尺度融合改进暗通道先验图像去雾算法任帅，张仙伟，陈泽锐（西安石油大学计算机学院，西安，7 10 0 6 5）摘要：为了解决暗通道先验去雾算法在处理图像时容易出现边缘模糊、高亮区域容易生成光晕以及过饱和等问题，本文提出了一种多尺度融合的改进暗通道先验图像去雾算法。该算法通过检测图像将图像边缘进行逐像素的估计运算，非边缘区域进行逐块的估计运算，使得去雾图像边缘的伪影减弱；同时融合暗通道先验与颜色衰减先验的方法，在RGB通道赋予3 个不同的衰减系数计算暗通道先验求出的前景透射率估计图；最后通过大气散射模型复原出以Sigmoid函数融合天空区域和前景区域的无雾图像。实验结果表明，边缘伪影有了很明显的降低，并且高亮区域产生光晕也有了明显的改善。客观对比其他实验，本文所提出的算法展现出更高的效率和适用性。关键词：图像去雾；多尺度融合；暗通道先验；颜色衰减先验；大气散射模型中图分类号：TP3910引言随着计算机视觉与电子硬件设备的发展，图像的实时处理已变得极为普遍。然而，大气中的水蒸气、固体悬浮物和气溶胶等物质会导致光在大气中折射和反射，从而形成雾与霾 1.2。雾霾不仅会影响人们的正常生活，还对计算机图像处理造成干扰，并可能对实时视频监控和图像采集设备造成不良影响，导致捕获的图像质量下降，妨碍后期处理过程的有序推进，造成经济损失。当前，图像去雾算法在计算机视觉、自动驾驶、人脸识别等多个领域已成为重要的预处理步骤 3。实现高效的图像去雾在当今有着重要的价值和意义。1研究现状目前，常见的图像去雾算法主要分为基于深度学习的去雾算法、图像增强的去雾算法以及图像复原的去雾法3 类 4：基于深度学习的去雾算法通过训练神经网络模型来实现去雾效果，实现的方法有多尺度神经网络去雾 5、FFA-Net端到端的特征收稿日期：2 0 2 3 12-12基金项目：陕西省自然科学基金（2 0 2 0 JM-543);陕西省重点研发计划（2 0 2 0 GY0 3 8，2 0 2 1G Y 0 8 3）；西安石油大学研究生创新与实践能力培养计划资助（YCS23211009）融合注意力网络去雾 6 等。虽然使用深度学习的去雾方法实现的效果较好，但是其模型复杂，数据量不小，会消耗相对较多资源与时间，成本开销较大，并且存在着一定的局限性，即对很多特殊场景去雾效果不佳。基于图像增强的去雾算法通过提高图像对比度和清晰度来达到去雾效果。这种方法速度快、计算效率高，但该类方法没有考虑到雾图的产生原因，因此处理后的图像会有颜色失真、产生伪影等缺陷。图像增强的代表方法有直方图均衡法 7、小波变换法 8、同态滤波法 9 等。其中直方图均衡法主要是将原图灰度统计直方图变化成均匀分布的形式，调整灰度范围来实现图像去雾；小波变换是将输人的有雾图像转换为二维离散小波，对高频带进行阈值处理、重构来实现去雾效果；同态滤波法是通过将输入雾图的频域进行变化，将图像高频与低频分开，分别进行非线性处理，最后融合来提高亮度与对比度来实现去雾效果。基于图像复原的去雾算法则从雾图的形成原因出发，通过构建物理模型与大气散射模型，模拟出雾图在光照下被模糊的过程，从而还原出无雾场景得出清晰图像。其中He等人 10 1通过分析大量研究发现图像中各个像素点至少有一个颜色通道的值非常低，利用这一结论计算出图像中像素点最小的值来构成暗通道，进而估算出大气光的强度、透射率以及深度，实现单幅图像去雾。虽然该方法对大多数图像有着很好的去雾效302024年2 月研究与设计信息化研究果，但是许多图像边缘可能产生伪影、天空区域产生失真以及光晕。在此基础上Zhao等人 11将图像的边缘与非边缘区域分别使用逐像素处理与逐块暗通道处理的方法进行去雾处理，虽然将边缘伪影有效降低，但是天空区域还是会有明显失真等情况。颜色衰减先验法 12 由雾图中景物深度与亮度和饱和度之间呈现出某种线性关系，通过监督学习获取模型的最优参数来得出深度信息，再根据大气散射模型计算透射率并恢复出无雾场景，但此方法对雾的厚度过于敏感，会使生成的图像模糊，也有可能会引人一些额外的噪声。暗通道先验融合亮度衰减的算法 13 为了改进暗通道算法不适用于大片的天空区域设计，通过研究大量雾图得出景深的增长与亮度成正比，将天空区域分割出来通过亮度来估算出透射率得出天空区域的去雾图，再将此背景与暗通道先验处理的前景融合得到去雾图像。凯等人 14提出融合暗通道和颜色先验的图像去雾算法，该算法首先用阈值大津法分割出前景与背景，再分别通过颜色衰减先验与暗通道先验求得背景区域与前景区域的介质传输图，图像边缘用均值滤波平滑最后融合成去雾图像，但是最终生成的图像边缘存在伪影且颜色不自然，针对上述去雾算法存在的边缘伪影、计算的透射率不够精确以及天空有光晕等问题，本文提出了一种多尺度融合的改进暗通道去雾算法。该算法首先通过对雾图的边缘检测划分天空区域，为了降低天空区域过饱和以及失真等现象，将划分出来的天空区域利用颜色衰减先验的方法计算出透射率，再使用多尺度融合的方法对近景中边缘区域使用逐个像素的计算法、非边缘区域运用逐块的计算法分别使用暗通道先验来估算透射率；再将Sigmoid函数作天空区域与前景区域透射率的权重进行加权融合。并考虑到RGB三通道波长有着不同的衰减度，所以赋予三通道不同的衰减系数从而增强图像恢复质量。最终实验结果表明，该算法能够有效降低边缘伪影、天空光晕，并实现更好的去雾效果，2相关理论2.1大气散射模型计算机视觉领域中大气物理散射模型被广泛应用在去雾领域，表达式为：I(,y)=J(,y)t(,y)+A(l-t(r,y)(l)式中，、为雾图中指定像素点的位置；I（，y）为原始雾图；t，y）为相应（，y）像素点的透射率；J（，y）为雾图恢复后的清晰图像；A为此环境的大气光值。此等式右边第一项表示清晰图像的直接衰减，第二项表示环境光在有雾介质中的衰减，两者共同作用导致了清晰图像的衰减。并且t(，y）对应像素点的景深存在关系 15 式：t(,y)=e-l（2)式中，为大气散射系数；d为场景的景深。此式表示雾图的透射率与景深呈一种指数关系。2.2暗通道先验理论暗通道先验 10 1是由He等人通过研究统计大量有雾图像与无雾图像，得出在图像前景的非天空区域中每一个像素点都在RGB其中一个通道上存在亮度值趋于的点，所以无雾图像暗通道趋于0，暗通道的表达式为：Jadark(r,y)=minmin_(J(r,y)0(3)CE(R.G.BY2yEQ(r.y)式中，Jdark（，y）为暗通道图像；cER,G,B）为RGB三个颜色通道中的一个通道；(，y）为图像中一个像素点（,）为中心的局部区域；J（，y)表示在c通道像素点（，y）处的亮度值。将公式(3）代人式（1)并取最小值：IC(.)min(min=t(,y)min(minKT.yIEICE(R.G.B)A(,yiEICE(R.G.B)I(r.)+(1-t(a,y)(4)A通过式（3）得出无雾图像的暗通道为0，带入(4)式得：IC(,y2)t(a,y)=1-min(_min.(5)(T.yIEICEIR.G.B)A最终根据式（1)与（5）即可获得去雾图像，其表达式为：I(,y)-AJ(,y)=+A(6)maxLt(a,y),to式中，to是为了防止（，y）点处的透射率为O而设置的下限。最终即可求得无雾图像J（，y）。暗通道先验去雾的方法对于不含天空的图像具有良好的效果，但是在很多现实场景都会含有天空区域以及高亮度区域，在这些区域会导致暗通道的值不31研究与设计任种多尺度融进暗通道先验图像去雾算法帅，等：第5 0 卷第1期接近0，使得这些位置不满足暗通道先验，造成计算得出的透射率有偏差，恢复图像难免产生失真与光晕。2.3颜色衰减先验理论文献 14通过分析大量的有雾图像与无雾图像得出：有雾图像中雾的浓度与亮度和饱和度之差呈现出某种线性关系，由于场景雾气的浓度又与场景的深度有直接的线性关系，也就是场景深度越深，雾的浓度越大，亮度与饱和度差值就越大，因此可以将场景雾浓度转化成景深，表达式为：d(r,y)=+ii(,y)+2s(,y)(7)式中，i（,y）为雾图像素点（,y）处的亮度；s，y）为雾图中像素点（,y）的饱和度；为系数。经实验分析取值分别为。=0.12 17 7 9，0 1=0.9 5 9 7 10，02=一0.7 8 0 2 45 效果最好，随后雾图的景深就可以通过图像中的亮度与饱和度求得。3本文算法本文算法首先将带雾图像分割为天空区域与非天空区域；由天空区域估计大气光值，再通过颜色衰减先验得出天空区域的透射率；非天空区域的边缘区域进行逐像素的暗通道处理、非边缘区域进行逐块的暗通道处理，分别求出其透射率；再通过快速引导滤波与Sigmoid函数加权融合；通过原图估计大气光值代人式（6）大气散射模型恢复出无雾图像。详细流程如图1所示。雾图分割天空区域与非天空区域天空区域非天空区域大气光值边缘区域非边缘区域颜色衰减逐像素使用逐块使用先验暗通道法暗通道法快速引导滤波与Sigmoid函数加权融合恢复原图图1本文算法流程图3.1区域分割由于暗通道先验的方法对天空的去雾效果不佳并会导致失真，且大多雾图都含有天空区域。因此本文首先通过边缘检测与区域分割的方法划分出天空区域，为了改进暗通道对天空区域去雾的缺点，天空区域使用颜色先验去雾法。首先将雾图转化为灰度图通过canny进行边缘检测雾图中所有景物的边缘，将检测出的边缘通过一个2 7 2 7 卷积窗口通过自适应阈值求得密度最小、最均匀的区域即是天空区域。分割效果如图2 所示。(a）输人雾图（b）边缘检测图(c）分割效果图图2区域分割图3.2分割图透射率的估计1）天空区域的透射率估计通过式（2)得出，天空区域透射率与场景的深度有关，也与散射系数有关，但是大气散射系数通常与RGB三个通道的波长有关，如果将散射系数的值默认为1将会导致天空区域的透射率估计值不准确。本文通过米氏散射模型 16 中摄像机以6 0 的拍摄角度所选取的值为散射系数，RGB三通道的散射系数分别为：red=0.332 4,gren=0.332 4,Bblue=0.332 4(8)如图3 所示，当=1时，相比按式（8)估算得出的透射率图会显得很暗，而且恢复出来的去雾图颜色也更暗淡，恢复效果没有按照式（8）估算出来的优秀。2）多尺度融合改进暗通道由于处理非天空区域时边缘的突变会使暗通道先验法估计出来的透视率产生误差，导致恢复出来的图像在边缘处产生伪影。本文参考了文献 11的方法，将边缘区域与非边缘区域分开，在非边缘区域使用逐块的透射率估计方法，在边缘区域使用逐像素的透射率估计方法从而解决暗通道先验算法恢复图导致伪影的问题。其表达式如为：32研究与设计2024年2 月信息化研究(a)雾图(b)=1透射率图(c)为式(8)的透射率图（d）本文算法以=1的（e）本文算法以按式(8)恢复图的恢复图图3不同取值的去雾结果对比I(.)t(a,y)=1-min(minKr,yEIcE(R,G,B)(9)I(.业)t(a,y)=1minCE(R,G,B)AC式中，tx表示按照逐块透射率估算方式；tp为逐像素透射率估算方式。再通过公式（10)得出理想传输透射率图：tmr(r,y)=Wme(a,y)t(t,y)+Wme(c,y)tp(a,y)(10)式中，tmr（a，y）为逐像素透射率图与逐块透射率图融合的暗通道透射率图；Wme（a，y）与Wme（r，y）为逐像素透射率图与逐块透射率图相应的权重。其中，tme为边缘区域，tme为非边缘区域，0 tmr(a,y)l,因此,Wme(,y)+Wm(,y)=1。使用数学公式表示就是在tme区域最小化tmor（a，y）与t（,y）的差异，在tme区域最小化tmr（，y)与t（，y）的差异，再通过公式（10)得到：Wme(x,y)O andWme(x,y)l,E tme(11)Wm(,y)landWme(,y)tp(,y)式（11)表示的是当在tme区域时Wme（，y）的权重约为1，Wm（a，y）的权重约为0;反之Wme（,y）的权重约为0，Wm（，y）的权重约为1。对于式(11)这里使用L2正则化来融合最优模型式：minI/Wme(r,y)-t(c,y)Il2+/Wm(,y)-(m(a,y)tp(,y)112+入,11-tmr()/12+R(12)式中，入，为标准化系数，该系数可避免图像无效化输出；R为平滑项。由于权重系数与边缘有关，通过式(9)计算出的逐块透射率图与逐像素透射率图，可用式（13)提取非天空区域的边缘式：IC(;)(1-D,=max(1-min(_minKT.yIEIcE(R.G.B)ACI(;2),0 min(13)CER.G.BAC式中，D为没有经过平滑与增强的边缘区域权重；min.(_minL(兴）为逐块估算的暗通道透射率(T.yIEICEIR.G,B)ACIC()图;min为逐像素估算的暗通道透射率CE(R.G.B)AC图。D,再通过高斯滤波平滑与thah函数增强对比度即为D，增强的过程如图4所示，(a）原始雾图(b)D,(c)Dg(d)Df图4增强边缘权重的过程此时,Wme(,y)=Dr,Wm(,y)=1-D)综上，式（12）可以改写为：min ID,tp(a,y)Il2+l/(1-D)-t(,y)tm,(a,y)112+入,111-tmo/(,y)112+R(14)33任研究与设计帅，等：种多尺度融改进暗通道先验图像去雾算法第5 0 卷第1期由于式（14)计算出tmor（，y）比较困难，在没有平滑正则化的情况下，计算tmr（，y）表示为：tmr(,y)=D,(,y)t(,y)+(l-D,(a,y)tp(c,y)+,D(,y)+(1-Dr(,y)2+入,(15)通过式（15)计算出来的tmr（，y）就为该方法的暗通道透射率。但是通过上述方法计算出来的tmor（，y）会由于不同分辨率的图像产生干扰使得计算出来的透射率估计值降低，因此选择不同大小的像素块进行多尺度计算相应的tmo（，y），再通过权重融合透射率图。具体过程为首先确定块的大小，可表示为：ri=|2jlog(WX H)|,j=1,2,.,3(16)式中，j是像素块的个数，i从1取至；r i是相应第个像素块的大小。有了不同的像素块，就可以通过式（15)计算出相应的tmf（，y），再通过不同权重求得最终多尺度融合的暗通道透射率图：tmr(a,y)=Zgzertimf,j=1,2,.(17)式中，w为相应第i个块的权重，并且ZB=1,w可以表示为：er/K-j+1)-1/(18)式中，t为比例控制因子，越大权重的不均匀性也就越大，这里选择的t=0.138。由此就可以成功获得多尺度融合的透射率图。3.3使用Sigmoid函数融合不同区域的透射率由于天空与非天空的景深跨度较大，通过3.2计算出天空区域与非天空区域的透射率图后直接进行快速引导滤波透射率细化融合不能实现透射率的准确估算，造成图像突变区域不平滑。将Sigmoid函数作为天空区域与非天空区域的权重就可以高效地实现这两个区域边缘过度。Sigmoid函数为：1a=(19)1+e0020式中,=为影响曲线倾斜度的max(t)-min(t)参数；0 2=一10 一min(t）表示水平的中心。函数图像如图5 所示。由于Sigmoid函数自身的特点，将它作为突变区域透射率的权重，像素只会被拉伸在0 到1之间，从而使天空区域与非天空区域过渡更自然。1.210.80.60.40.20-0.2-0.4-10-50510td图5Sigmoid函数对天空区域与非天空区域的加权融合可以表示为：t(,y)=aXtmr(,y)+(l-a)t,(r,y)(20)式中，t(，y）为融合后的透射率；为式（19)通过Sigmoid函数计算出的透射率权重，且aE（O,1）；tmor（a，y）为式（17)计算出的多尺度融合暗通道的透射率图；t（r，y）通过颜色先验法计算的天空区域透射率图。式（2 0)表示如果（，y）E非天空区域趋近于1；反之，a就趋近于0。3.4大气光值的估计和图像恢复在式(1)大气物理散射模型的计算公式中，A指的就是大气光值，在图像去雾的过程中由式（6)可得出。要精确还原出去雾图就要准确地估算出大气光值A。在暗通道先验算法中，选取的是整幅图像前0.1%的最亮像素作为大气光值，但是对于含有天空区域的图像会不合适。文献 12 使用了颜色衰减先验的方法来对天空区域去雾，但选取整幅图像前0.1%的最亮像素作为大气光值也会因为图像中某处出现极亮的点光源造成干扰，导致大气光值变大，对去雾效果产生干扰。本文算法使用最大亮度的前0.1%与最大亮度的前0.1%的中值作为大气光值的对比图，如图6 所示。采用最大亮度的前0.1%的中值作为大气光值，既增强了算法对噪点的鲁棒性，又使恢复图像更自然。取得大气光值后通过公式（6)就可恢复出无雾图像，在公式（6)中t(，y）表示天空区域与非天空区域融合的透射率，maxt(r，y），t o 表示为了保持少量雾气而设置的下限to，这样可以使恢复的图像更真实。34信息化研究研究与设计2024年2 月（a）原始雾图（b）最大亮度的前0.1%（c）最大亮度的前0.1%的中值图6选取不同大气光值的结果对比4实验对比与分析为了评估本文去雾算法的性能，本节在公开数据集上选取了多张包含天空区域的有雾图像进行实验，并将本文算法与文献 10，12，13，14，17，4中提出的去雾算法进行了对比测试，评价包括主观和客观两个方面。主观评价可能因个体差异而有所不同，而客观评价则采用了常用的图像质量评价指标，包括峰值信噪比（PeakSingletoNoiseRatio,PSNR181）、结构相似性（Structural SimilarityIndex，SSIM L19)）以及运行时间（Time）进行分析。实验环境为MATLABR2020a，运行环境为Win-dows10,计算机配置AMDRyzen52500UwithRadeon Vega Mobile Gfx 2.00 GHz，内存为16GB。4.1主观评价主观评价主要依赖于人的视觉来直接观察去雾后图像的质量和效果。7 种算法的对比结果如图7所示。通过观察可以明显地看出文献 10 去雾的效果在天空区域存在明显的偏差，如图第2、4、5 幅都带有明显的光晕，且图像边缘存在伪影，导致天空区域出现明显的失真；文献 12 的方法在天空区域的去雾效果相较于文献 10 有所改进，但在图像边缘与景深变化区域仍会出现光晕，如第5 幅图，并且恢复的图像整体偏暗；文献 13 的方法是把天空与非天空区分割开来分别使用亮度模型与暗通道先验计算出透射图最终融合生成去雾图像，由于考虑到了不同光线的衰减常数，对于细节以及景深变化大的区域有了明显平滑的改善，但可以看出过饱和与边缘伪影很严重，其中第1幅与第3 幅图尤为明显；文献 14是通过颜色衰减先验与暗通道结合的方法分别处理天空区域与非天空区域，这种方法未充分考虑到不同光线在空气中传播的衰减问题，虽然使天空区域的去雾效果得到改善，但也由于缺少考虑不同颜色衰减的问题导致颜色比较暗淡，促使较多阴影处的细节缺失以及失真，如第1、4幅图像中楼房的阴影处缺失了很多细节，第4幅图像天空出现失真；文献 17 和文献 4的去雾效果相对不错，但它们的图像边缘略显模糊，高亮区域存在光晕，且部分区域色彩过饱和。本文算法通过对比多张雾图的处理结果，可以很明显地看出恢复的图像效果更加自然，整体质量明显优于其他对比算法。此外，其颜色较为舒适，细节表现相对清晰，几乎没有明显的色差，边缘伪影也有显著降低。尤其在天空与非天空区域的过渡上，本文算法有明显改进，使得去雾后的图像更加自然4.2客观评价PSNR通常评估的是图像处理前后像素的差异，如PSNR越大，图像去雾效果就越优，失真的强度就越小，恢复的图像越清晰。SSIM表示如果恢复图计算出的值越接近1，复原的质量与结构相似度就越好。运行时间就表示算法进行的快慢，时间越快，效率越高。PSNR与SSIM的公式分别为：2552PSNR=10lg1MXNZMZX(i.j)-Y(i.j)(21）(2xy+C)(20 xy+C,)SSIM(X,Y)=(+A+C)(o+0+C.)0Y(22)式中，X、Y 为有雾图像与去雾图像M、N为表示图像的长度与宽度；x，M y 为有雾图像与去雾图像的灰度均值；ox，O Y 为有雾图像与去雾图像的方差；oxy为有雾图像与去雾图像的协方差；C与C2是为了避免分母为0 而增加的常数项，35研究与设计种多尺度融道先验图像去雾算法任帅，等：期第5 0 卷第(a）原始雾图(b)文献 10(c)文献 12(d)文献 13(e)文献 14(f)文献 17(g)文献 4(h)本文图7不同去雾算法对6 幅雾天图像的去雾结果对比图7 中使用不同算法计算得到的PSNR和SSIM值如表1所示。从表1可以明显看出，本文的去雾算法在整体上优于其他算法。尽管在第1幅图像中，本文算法的PSNR略低于文献 4，但在SSIM方面表现更出色。对于第3 幅图的PSNR得出的效果不是很优异，但是相对于其他的算法成绩是最高的，同时SSIM值也显著高于其他算法。图7 中可以观察到，本文算法在第3 幅图像上的恢复效果最自然。表1上述6 幅图像的PSNR/SSIM比较算法来源图像1图像2图像3图像4图像5图像6文献 10 11.1246/0.545412.0068/0.672914.8755/0.800814.3836/0.780917.7044/0.781413.8534/0.6857文献 12 12.2818/0.535412.4362/0.717914.2257/0.723614.4132/0.700817.7277/0.644516.0745/0.6803文献 13 13.7641/0.694015.4733/0.839716.9646/0.798419.7435/0.860119.2625/0.897612.5983/0.6492文献 1415.4741/0.712114.5968/0.801216.3018/0.795016.9479/0.805020.5584/0.733318.8199/0.7845文献 17 19.0563/0.855218.7162/0.882717.0121/0.815820.9376/0.899720.1049/0.886119.3049/0.8534文献 419.7392/0.878118.0172/0.865116.9213/0.814420.6915/0.884320.5422/0.877419.0962/0.8623本文19.5456/0.891619.5690/0.926417.1342/0.830621.4647/0.915222.9816/0.930821.5450/0.8883为了进一步验证算法的可靠性，本文也通过在SOTS数据集上分别运行了各算法，并统计了平均PSNR和SSIM，如表2 所示。同时，如图8 所示，计算了不同的算法恢复单幅图像所需的平均时间。从表2 可以看出，文献10 和文献12 的平均PSNR和SSIM值相较于其他算法表现较差。此外，在图7 也可以观察到这两种去雾算法处理后的图像存在明显失真，去雾效果不彻底。相较于前两种算法，文献 13 与文献 14的去雾效果略好一些，其中，文献 13 的PSNR值略高于文献 14，但仍不够理想；而两者的SSIM值基本持平。然而，在图7中可以观察到这两种算法处理后的图像存在边缘362024年2 月研究与设计信息化研究伪影、过渡区域不平滑以及颜色恢复偏差等问题。相比之下，本文提出的算法在PSNR和SSIM方面相较于其他算法有显著提升。同时，从图7 中可以观察到本文算法恢复的图像更加自然。图8 表示各个算法在数据集SOTS上恢复单幅图像所花费的平均处理时间，其中，文献 10 的执行速度最快，但其恢复出的图像效果最差，如图7 所示，并且PSNR与SSIM的平均值在所有算法中最低。文献 14单幅图像恢复的时间最长，但其去雾效果并不理想，文献 12 与文献 13 的处理时间基本相当，但它们的去雾效果一般。根据表2 的平均分数，本文提出的算法明显优于其他算法，尽管其处理时间并未达到文献 10 的快速水平。综合考虑处理时间与去雾效果的准确性、鲁棒性，本文所采用的算法是值得的。另外，文献 17 和文献 4在SOTS数据集上的平均PSNR与SSIM表现优于其他先前算法，并且运行速度更快，但与本文提出的算法相比还存在一定的差距。总的来说，本文提出的去雾算法在实际应用中效果显著，并在上述评价中展现出明显的优势。表2各算法在数据集SOTS上去雾的平均PSNR/SSIM指标文献 10 文献 12 文献 13 文献 14文献 17 文献 4本文PSNR15.6916.3318.0717.1020.0120.4520.49SSIM0.73940.73520.82170.82790.82580.85050.887.532.478 9S21.89491.7421.64311.598.31.54661.036410文献 10 文献 12 文献 13 文献 14 文献 17 文献 4本文算法图8 运行时间5结束语本文针对现有的一些去雾算法在处理天空区域时出现的过饱和问题、非天空区域边缘的伪影问题以及场景突变区域的不平滑问题进行了改进。通过分割天空与非天空区域，再采用颜色衰减先验对天空区域计算透射率与多尺度融合暗通道对非天空区域计算透射率，然后，通过Sigmoid函数作为透射率图的权重将天空区域与非天空区域的透射率图加权融合，将雾图中最大亮度区域前0.1%的中值作为大气光值，通过大气物理散射模型恢复出无雾图像。实验结果表明，本文改进算法在主观与客观评价两方面都有着较为良好的表现，它能够较好地解决边缘伪影、天空区域过饱和与色彩失真等问题，使恢复的图像颜色自然、细节丰富。同时，该算法具有较强的鲁棒性，对一些极端的图像也能有较好的去雾效果。参考文献1 Zhang S,He F,Ren W.NLDN:Non-Local Dehazing Net-work for Dense Haze Removal J.Neurocomputing,2020,410:363-373.2陈永，郭红光，艾亚鹏.基于双域分解的多尺度深度学习单幅图像去雾 J.光学学报，2 0 2 0，40（0 2）：7 1-8 2.3 Ancuti C,Ancuti CO,De Vleeschouwer C,et al.Day andNight-Time Dehazing by Local Airlight EstimationJ.IEEE Transactions on Image Processing,2020(29):6264-6275.4火元莲，张乔森，张金石，等.一种用Sigmoid函数进行加权融合的图像去雾算法J.计算机工程与科学，2 0 2 3，45(09):1621-1628.5 Ren W,Pan J,Zhang H,et al.Single Image Dehazing viaMulti-Scale Convolutional Neural Networks with HolisticEdges JJ.International Journal of Computer Vision,2020,128:240-259.6 Qin X,Wang Z,Bai Y,et al.FFA-Net:Feature FusionAttention Network for Single Image Dehazing CJ/Pro-ceedings of the AAAI Conference on Artificial Intelligence.2020,34(07):11908-11915.7 Abdullah-Al-Wadud M,Kabir M H,Dewan M A A,etal.A Dynamic Histogram Equalization for Image ContrastEnhancementJ.IEEE Transactions on Consumer Elec-tronics,2007,53(02):593-600.8 Dippel S,Stahl M,Wiemker R,et al.Multiscale ContrastEnhancement for Radiographies:Laplacian Pyramid VersusFast Wavelet TransformJJ.IEEE Transactions on Medi-cal lmaging,2002,21(04):343-353.9J Seow M J,Asari V K.Ratio Rule and Homomorphic Filterfor Enhancement of Digital Colour ImageLJ.Neurocom-puting,2006,69(7-9):954-958.37大imAn研究与设计任帅，等：一种多尺度融合改进暗通道先验图像去雾算法第5 0 卷第1期1o He K,Sun J,Tang X.Single Image Haze Removal UsingDark Channel PriorJ.IEEE Transactions on PatternAnalysisand Machine Intelligence,2010,33(12):2341-2353.11 Zhao D,Xu L,Yan Y,et al.Multi-Scale Optimal FusionModel for Single Image DehazingJJ.Signal Processing:Image Communication,2019,74:253-265.12 Zhu Q,Mai J,Shao L.A fast Single Image Haze Remov-al Algorithm Using Color Attenuation PriorJJ.IEEETransactions on Image Processing,2015,24(11):3522-3533.13 Zhu Y,Tang G,Zhang X,et al.Haze Removal Methodfor Natural Restoration of Images with SkyJ.Neuro-computing,2018,275:499-510.14凯，王晓峰.融合暗通道和颜色衰减先验的图像去雾算法 J.现代计算机（专业版），2 0 18（2 2）：3 4-3 9.15 Narasimhan S G,Nayar S K.Contrast Restoration ofWeather Degraded Images JJ.IEEE Transactions onPattern Analysis and Machine Intelligence,2003,25(06):713-724.16 Preetham A J,Shirley P,Smits B.A Practical AnalyticModel for DaylightC.Proceedings of the 26th AnnualConference on Computer Graphics and Interactive Tech-niques.1999:91-100.17火元莲，郑海亮，李明，等.基于融合亮度模型和梯度域滤波的图像去雾 J.计算机工程与科学，2 0 2 1，43（0 9）：1623-1633.18 Sheikh H R,Sabir M F,Bovik A C.A Statistical Evalua-tion of Recent Full Reference Image Quality AssessmentAlgorithmsJJ.IEEE Transactions on Image Processing,2006,15(11):3440-3451.19 Wang Z,Bovik A C,Sheikh H R,et al.Image QualityAssessment:from Error Visibility to Structural SimilarityJJ.IEEE Transactions on Image Processing,2004,13(04):600-612.任帅（19 9 9 一），男，硕士研究生，主要研究方向为数字图像处理等。ImprovedMulti-sAlgoritiRen Shuai,Zhang Xianwei,Chen Zerui(School of Computer,Xian Shiyou University,Xian 710065,China)Abstract:In order to solve the problems of edge blurring,halo and oversaturation of highlighted areas inthe dark channel prior image defogging algorithm,an improved dark channel prior image defogging algorithmbased on multi-scale fusion is proposed.This algorithm estimates the image edge pixel by pixel by detecting theimage,and estimates the non-edge area block by block,so as to weaken the artifacts of the defog image edge.At the same time,the method of combining the dark channel prior and the color attenuation prior is used to givethree different attenuation coefficients to the RGB channel to calculate the foreground transmittance estimationmap obtained by the dark channel prior.Finally,the fog free image fused with the sky area and the foregroundarea using the Sigmoid function is restored through the atmospheric scattering model.The experimental resultsshow that the edge artifact has been significantly reduced,and the halo in the highlighted area has also been sig-nificantly improved.Compared with other experiments,the proposed algorithm shows higher efficiency and ap-plicability.Key words:image dehazing;multi-scale fusion;dark channel prior;color attenuation prior;atmosphericscattering model欢迎投稿：