基于可变散射系数传输映射优化的单幅图像去雾方法研究

本文针对单幅图像去雾中传统方法假设散射系数恒定导致效果受限的问题，提出了一种结合HSV色彩空间特征与线性回归的动态散射模型。研究通过建立亮度(v)与饱和度(s)的比值关系β(x)=c1+c2η(x)+c3χ(x)，构建了可变散射系数的传输映射tr(x)=exp(-β(x)×d0(x))，在保留边缘细节的同时显著提升了图像复原质量。实验表明该方法在PSNR(19.79)、SSIM(0.88)等指标上优于He等经典算法，为计算机视觉应用提供了更精准的去雾解决方案。

　　

在自动驾驶、航空摄影等计算机视觉应用中，雾霾导致的图像质量退化一直是棘手难题。传统去雾方法如He的暗通道先验(Dark Channel Prior)和Zhu的颜色衰减先验(Color Attenuation Prior)虽取得进展，但普遍假设大气散射系数β为恒定值。这种简化处理忽视了实际场景中雾密度分布不均的特性，导致复原图像出现前景过暗或背景去雾不彻底等问题。正如Gaurav Saxena团队在《CMES》发表的研究所示，当β>1时背景去雾过度，而β<1时又会导致前景处理不足，这种矛盾凸显了开发动态散射模型的必要性。

研究团队创新性地发现HSV色彩空间中亮度(v)与饱和度(s)的比值关系(v-s)/(v+s)与散射粒子浓度呈线性相关。基于500张谷歌图像构建的训练集，通过最小二乘回归确定了散射系数模型β(x)=0.8612+0.8059η(x)-0.65525χ(x)，其中η(x)=v/(v+s)，χ(x)=s/(v+s)。该模型与改进的深度图d₀(x)结合，构建出动态传输映射t_r(x)。关键技术包括：1)基于HSV的线性深度估计；2)中值滤波优化的场景深度计算；3)大气光A的0.1%最亮像素选取法；4)引导滤波消除块效应。

2. Color Attenuation-Based Recovery Technique

通过分析大气散射模型I_f(x)=R_d(x)t_r(x)+A(1-t_r(x))，团队验证了动态β(x)能更精确地表达透射率与深度的非线性关系。相比固定β值方法，新模型在机场等深背景场景中使VCM(视觉对比度测量)提升至76.659，证明其能自适应处理不同雾浓度区域。

3. Suggested Approach to Estimating Atmospheric Scattering

提出的线性回归模型将随机误差ε(x)～N(0,σ²)纳入考量，通过最小化平方误差E=∑[β_i(x)-(c₁+c₂η_i(x)+c₃χ_i(x))]²，确保了散射系数计算的鲁棒性。在铁路轨道等复杂场景测试中，该方法使IVM(图像可见性度量)达到9.699，显著优于传统方法。

4. Experimental Results

定量分析显示：在RESIDE数据集测试中，PSNR达19.79dB，比He方法提升48.7%；SSIM为0.88，证明其结构保持能力。非参考指标中，平均梯度(e)达34.877，对比度增益(CG)提升至0.795，证实了算法在边缘增强和细节恢复方面的优势。

这项研究突破了传统去雾算法对恒定散射系数的依赖，首次建立了基于HSV特征的可变散射模型。通过将物理先验与数据驱动方法结合，不仅解决了前景/背景处理失衡的难题，还为实时监控等应用提供了更可靠的图像复原方案。尽管计算复杂度有所增加，但该成果为恶劣天气条件下的计算机视觉系统提供了新的技术路径，在军事侦察、智能交通等领域具有重要应用价值。