基于空间变异散射模型的农业单幅图像去尘方法研究及其在昼夜场景中的应用

农业机械视觉系统常受耕作扬尘干扰，本研究创新性地提出空间自适应的局部光照散射模型(SVSR)，通过最大反射先验(MRP)和导向滤波构建非均匀光照图，结合暗通道先验(DCP)实现像素级去尘。在自建N-Dust和RB-Dust数据集验证中，PSNR达19.48dB，显著提升低密度尘雾场景的细节还原能力，为自动驾驶农机的全天候环境感知提供新方案。

　　

在农业自动化进程中，拖拉机等大型农机在耕作时扬起的尘土严重干扰视觉系统，犹如给摄像头蒙上"沙尘面纱"。这种特殊的环境挑战与城市雾霾截然不同——土壤颗粒尺寸可达100μm，远大于雾滴粒径，且受耕作速度、土壤湿度等因素影响形成非均匀分布。更棘手的是，昼夜光照条件差异导致尘粒散射特性剧烈变化：白昼阳光直射产生多重散射，夜间仅靠农机工作灯照明形成局部光晕。传统去雾算法如暗通道先验(DCP)直接应用时，常出现色彩失真（如紫色伪影）或仅能处理低密度尘雾，严重制约自动驾驶农机的人机安全与作业监控。

针对这一难题，来自德国慕尼黑工业大学的研究团队在《Biosystems Engineering》发表创新成果。研究者首先通过对比气溶胶物理特性，证实土壤尘与雾霾的光散射相似性，为沿用大气散射模型奠定理论基础。研究构建了两个独特数据集：RB-Dust包含200组1920×1080分辨率昼夜对比图像，采用半封闭门架确保尘/无尘场景严格对齐；新推出的N-Dust则专注夜间场景，通过双拖拉机实验获取90组4000×3000像素图像，其中固定机位的GoPro Hero4记录另一台耕作农机扬尘过程。技术路线上，团队开发三步法：首先用100×100重叠块最大滤波提取局部光照，经32×32导向滤波生成模糊化大气光图；随后结合DCP计算传输图，最终通过像素级运算实现场景复原，关键参数t₀设为0.2限制透射率。

在"4.1 定性比较"部分，昼间测试显示该方法在保持土壤垄沟结构的同时，使远处树木枝干识别率提升200%，SSIM达0.7018。值得注意的是，在夕阳场景中成功避免其他算法产生的紫色偏色，这归功于局部光照估计。夜间结果更令人惊喜：在保持月面细节的前提下，工作灯照射区域的秸秆纹理显著增强，红色安全三角标志的色彩还原误差<5%。"4.2 定量分析"揭示，该方法在RB-Dust上PSNR(19.48dB)比次优算法CAP高6.5%，在N-Dust夜间测试中PSNR(19.74dB)超越OSFD方法7.4%。

研究团队在"5.讨论"中坦承现有局限：当尘雾光学厚度βd>3时（对应透射率t<0.05），算法难以重建被完全遮蔽的细节。但通过"4.4 计算效率"测试证实，512×512图像处理仅需0.15秒，满足农机实时应用需求。这项研究的突破性在于首次将MRP与DCP耦合应用于农业尘雾场景，其构建的模糊化光照图物理意义明确——可视为多重散射效应的数学表征。未来结合神经网络参数优化，或将解决当前块效应问题，为农业机器视觉开辟新途径。