基于颜色线模型的雾霾天气动态模糊图像复原算法研究

为解决雾霾天气下动态场景图像同时存在运动模糊和雾霾退化的问题，研究人员提出了一种基于颜色线模型的分区处理算法。该研究通过分水岭分割实现前景（动态目标）与背景（静态环境）的分离，分别采用颜色线模型进行运动模糊去除和雾霾消除，最终通过融合优化获得高清晰度图像。实验表明，该算法在色彩保真度和纹理细节恢复上优于主流方法，为复杂环境下的图像复原提供了新思路。

　　

雾霾天气和动态目标的快速移动给户外图像采集带来了双重挑战：一方面，悬浮颗粒导致的光散射会降低图像对比度；另一方面，运动模糊会进一步破坏纹理细节。传统方法如暗通道先验（DCP）和自适应直方图均衡化（CLAHE）仅针对单一退化因素，而深度学习方案如DehazeNet和GAN虽有效但依赖大量数据训练。如何同步解决动态场景下的复合退化问题，成为计算机视觉领域的难点。

山西大学的研究团队在《Signal Processing: Image Communication》发表论文，提出了一种基于颜色线模型的联合复原框架。该研究利用分水岭算法分割图像前景（动态目标区）和背景（静态雾霾区），对前景采用颜色线聚类迭代求解清晰图像与模糊核，对背景通过颜色线距离估计透射率并代入大气散射模型去雾，最后设计融合规则合并处理结果。实验采用RESIDE和HSTS数据集及真实场景图像验证，结果显示该算法在PSNR和SSIM指标上显著优于对比方法。

关键技术方法

1. 分水岭分割：将输入图像划分为运动模糊前景与雾霾背景区域；
2. 颜色线模型：前景通过RGB空间颜色聚类恢复模糊块，背景利用颜色线性分布估计透射率；
3. 大气散射模型：结合透射率与全局大气光求解无雾图像；
4. 显著性融合：基于区域特征权重合并去模糊与去雾结果。

主要研究结果
The method proposed in this paper
通过分水岭算法实现前景/背景的精确分割，验证了动态目标区域雾霾浓度显著低于背景的假设。

Data set preprocessing
采用RESIDE标准数据集、HSTS数据集及真实场景图像，涵盖合成与自然雾霾条件下的运动模糊案例。

Main responsibilities
前景处理中，颜色线模型将模糊核估计误差降低23.7%；背景处理时，透射率估计速度较传统DCP提升1.8倍。融合阶段提出的显著性权重规则使边缘信息保留率提高15.2%。

结论与意义
该研究首次将颜色线模型同时应用于运动去模糊和雾霾去除，突破了传统方法对复合退化的处理局限。创新性体现在三方面：一是分区处理策略兼顾动态场景特性；二是颜色线模型在RGB空间的线性特性被双重利用（前景聚类、背景距离估计）；三是融合规则优化了细节与色彩的平衡。实验证明该方法在工业检测、交通监控等领域具有应用潜力，尤其适用于无人机航拍等快速移动场景。后续研究可结合注意力机制进一步提升天空区域的复原效果。